[論文レビュー] Selective Call Out and Real Time Bidding

Tanmoy Chakraborty, Eyal Even-Dar+3 more|arXiv (Cornell University)|Feb 16, 2010

Auction Theory and Applications参考文献 19被引用数 7

ひとこと要約

本稿は、帯域制限および要請制限の下で、リアルタイム広告入札における選択的コールアウトとオンライン割り当てを統合的に最適化するフレームワークを提案する。性能保証付きのアルゴリズムを備えたオンライン再帰的ベイジアン意思決定モデルを導入し、入札価格の最低保証価格上昇に伴い、LPに基づく戦略が他の戦略を最大85%上回ることを示した。また、ベイジアン設定下でのAdWords問題における適応性ギャップの結果を確立した。

ABSTRACT

Ads on the Internet are increasingly sold via ad exchanges such as RightMedia, AdECN and Doubleclick Ad Exchange. These exchanges allow real-time bidding, that is, each time the publisher contacts the exchange, the exchange ``calls out'' to solicit bids from ad networks. This aspect of soliciting bids introduces a novel aspect, in contrast to existing literature. This suggests developing a joint optimization framework which optimizes over the allocation and well as solicitation. We model this selective call out as an online recurrent Bayesian decision framework with bandwidth type constraints. We obtain natural algorithms with bounded performance guarantees for several natural optimization criteria. We show that these results hold under different call out constraint models, and different arrival processes. Interestingly, the paper shows that under MHR assumptions, the expected revenue of generalized second price auction with reserve is constant factor of the expected welfare. Also the analysis herein allow us prove adaptivity gap type results for the adwords problem.

研究の動機と目的

• 帯域制限および混雑制限の下で、リアルタイム広告取引における入札要請（コールアウト）と割り当ての最適化という課題に対処すること。
• リソース制約およびバースト性制約を伴うオンライン再帰的ベイジアン意思決定問題として、選択的コールアウトをモデル化すること。
• 異なる入札分布および到着プロセス下での期待福利厚や収益という目的関数に対して、証明可能な性能保証を備えたアルゴリズムを開発すること。
• 入札実現値に反応するオフライン方策と、期待値のみを用いる方策を比較することで、AdWords問題における適応性ギャップを分析すること。
• 実際の状況における入札分布推定のロバストネス、特にノイズや誤った生存確率推定がある場合の評価

提案手法

• 帯域制限型の制約を伴う、選択的コールアウトをオンライン再帰的ベイジアン意思決定フレームワークとして形式化する。
• 二段階アプローチを採用：入札分布の生存確率推定のための学習フェーズ、その後に続くオンライン割り当てフェーズ。
• 線形計画法（LP）の緩和を用いて、入札に基づく割り当て意思決定の最適閾値を導出する。
• 推定された入札分布を用いて、要請と割り当てをガイドするセットベースおよび閾値ベースのアルゴリズムを導入する。
• バースト性を管理し、時間経過にわたる滑らかな要請レートを確保するためのキューイングモデルを採用する。
• LPに基づく最適化により性能バウンダリーを導出し、理論的上限（OPT-UB）およびオフライン最適解と比較する。

実験結果

リサーチクエスチョン

• RQ1 広告取引では、帯域制限およびバースト性制限の下で、入札要請（コールアウト）と割り当て意思決定をどのように統合的に最適化できるか？
• RQ2 不完全な入札情報を持つベイジアン設定下で、オンラインアルゴリズムが達成可能な性能保証は何か？
• RQ3 現実的な入札分布下で、入札推定に基づくアルゴリズムの性能は、無知な戦略やヒューリスティック戦略と比べてどう異なるか？
• RQ4 入札分布の生存確率推定の誤差がアルゴリズムの性能に与える影響は何か？
• RQ5 提案されたフレームワークは、ベイジアン設定と決定的設定の下で、AdWords問題に対する適応性ギャップの結果を確立できるか？

主な発見

• 最適なパrameter選択時、LPベースのアルゴリズムは他のすべてのアルゴリズムを最大20%上回り、最低保証価格が上昇する際には最大85%上回る。
• 生存確率推定値を用いたセットベースのアルゴリズムは、Random や MaxRemBand といった無知な戦略を著しく上回る。
• 期待入札値（例：MaxExp）を用いるアルゴリズムはランダムよりは優れるが、生存確率（例：MaxProb）を用いるものよりは劣り、入札の尾部挙動がより情報量が多いことを示唆する。
• 標準偏差が最大0.15までノイズを含む入札分布推定でも、生存確率に基づくアルゴリズムは強固な性能を維持し、分布情報なしの手法を上回る。
• トークンバケツサイズやインプレッション到着レートの変化に対しても性能はロバストであり、バケツサイズ2, 5, 15, 45の間で顕著な差は認められなかった。
• 本フレームワークにより、AdWords問題における適応性ギャップの分析が初めて可能になった。入札実現値に反応する方策は、期待値のみを用いる方策を著しく上回ることを示した。