[论文解读] AHBid: An Adaptable Hierarchical Bidding Framework for Cross-Channel Advertising

Xinxin Yang, Yangyang Tang+4 more|arXiv (Cornell University)|Feb 26, 2026

Consumer Market Behavior and Pricing被引用 0

一句话总结

AHBid 将基于扩散模型的高层次规划和基于控制的低层出价结合，在预算和 CPC 约束下优化跨渠道自动出价，相对于基线实现显著的 ROI 提升。在线测试显示总体回报提升约 13.57%。

ABSTRACT

In online advertising, the inherent complexity and dynamic nature of advertising environments necessitate the use of auto-bidding services to assist advertisers in bid optimization. This complexity is further compounded in multi-channel scenarios, where effective allocation of budgets and constraints across channels with distinct behavioral patterns becomes critical for optimizing return on investment. Current approaches predominantly rely on either optimization-based strategies or reinforcement learning techniques. However, optimization-based methods lack flexibility in adapting to dynamic market conditions, while reinforcement learning approaches often struggle to capture essential historical dependencies and observational patterns within the constraints of Markov Decision Process frameworks. To address these limitations, we propose AHBid, an Adaptable Hierarchical Bidding framework that integrates generative planning with real-time control. The framework employs a high-level generative planner based on diffusion models to dynamically allocate budgets and constraints by effectively capturing historical context and temporal patterns. We introduce a constraint enforcement mechanism to ensure compliance with specified constraints, along with a trajectory refinement mechanism that enhances adaptability to environmental changes through the utilization of historical data. The system further incorporates a control-based bidding algorithm that synergistically combines historical knowledge with real-time information, significantly improving both adaptability and operational efficacy. Extensive experiments conducted on large-scale offline datasets and through online A/B tests demonstrate the effectiveness of AHBid, yielding a 13.57% increase in overall return compared to existing baselines.

研究动机与目标

• 在动态广告环境中推动预算和 CPC 约束下的跨渠道自动出价。
• 开发一个利用生成式规划和实时控制的两层框架，以提升适应性和 ROI。
• 捕捉时间模式和历史依赖性，以稳定决策并优化各渠道分配。
• 通过大规模离线数据集和在线 A/B 测试来证明有效性。

提出的方法

• 提出带有 J 个渠道和阶段目标的跨渠道约束出价（c3-bidding）问题表述。
• 提出 AHBid，其中高层规划者（基于扩散模型）在每个渠道的 M 个阶段生成目标轨迹。
• 加入约束执行机制，自适应惩罚约束违反，并利用历史进行轨迹修复（inpainting）以提高响应性。
• 开发一个基于控制的出价者，结合历史 MPC 启发的对偶变量模型和实时 LP 修正，在 CPC 和预算约束下调整出价。
• 通过带分类器自由引导的条件扩散建模对规划者进行训练，并使用混合损失同时兼具扩散目标与约束违反信号。
• 通过从历史数据学习对偶参数更新并结合在线信息进行细化，使出价者具备自我适应能力；以加权方案将历史输出和实时输出进行结合。

Figure 1 . Illustration of auto-bidding system applications in multi-channel scenarios.

实验结果

研究问题

• RQ1 基于扩散模型的规划者是否能够有效捕捉时间模式和历史背景，以在跨渠道中分配预算和约束？
• RQ2 在在线出价中使用生成式规划时，如何确保并改进约束满足？
• RQ3 一种自适应的两模型出价方法（历史 + 实时）是否提升动态跨渠道广告环境中的响应性和 ROI？
• RQ4 相较于现有前沿基线，AHBid 在离线数据集和在线 A/B 测试中的实证表现如何？

主要发现

• AHBid 在在线实验中较基线实现了总体回报提升 13.57%。
• 在离线评估中，AHBid及其变体在 AuctionNet 与 GenB-4c 数据集上优于 PID、USCB、CQL 基 MCQ、ABPlanner、DiffBid 与 HiBid。
• AHBid 相对于竞争方法在 R（returns）以及 CSR（约束满足率）和 BCR（预算消耗率）等指标上表现更高。
• 基于扩散的规划者能够有效地产生逐阶段目标，带来跨渠道更稳定且更高价值的分配。
• 历史+实时出价控制器的结合提升了对环境变化的适应性，在动态 CPC 与预算条件下维持性能。

(a) Comparison of Returns