[论文解读] Learning Theory and Algorithms for Revenue Optimization in Second-Price Auctions with Reserve

Mehryar Mohri, Andrés Muñoz Medina|arXiv (Cornell University)|Oct 21, 2013

Auction Theory and Applications参考文献 24被引用 87

一句话总结

本文提出了一种机器学习框架，用于在第二价格在线拍卖中优化保留价以最大化收入，利用历史出价数据和用户特征。该研究引入了新颖的算法——特别是基于DC规划的方法和校准的凸代理损失——在高噪声或特征丰富的设置下，其性能显著优于基线方法。

ABSTRACT

Second-price auctions with reserve play a critical role for modern search engine and popular online sites since the revenue of these companies often directly de- pends on the outcome of such auctions. The choice of the reserve price is the main mechanism through which the auction revenue can be influenced in these electronic markets. We cast the problem of selecting the reserve price to optimize revenue as a learning problem and present a full theoretical analysis dealing with the complex properties of the corresponding loss function. We further give novel algorithms for solving this problem and report the results of several experiments in both synthetic and real data demonstrating their effectiveness.

研究动机与目标

• 解决在第二价格拍卖中设定最优保留价以最大化拍卖收入的关键挑战。
• 将收入优化建模为一个监督学习问题，利用历史出价数据和用户特征。
• 开发理论基础扎实且实用的算法，以处理拍卖收入优化中固有的非凸、非光滑损失函数。
• 通过引入用户特征并避免对出价者采用独立同分布假设，克服先前研究的局限性。
• 在合成数据和真实的eBay数据上进行实证验证，证明基于特征的学习在收入优化中的有效性。

提出的方法

• 将保留价选择建模为一个判别式学习问题，利用出价者和拍卖商品的特征。
• 定义一个非凸、不连续的损失函数，表示拍卖收入，其依赖于最高出价和保留价。
• 提出一种基于DC（凸函数之差）规划的算法，以高效优化非凸损失函数。
• 引入一种校准的凸代理损失函数，用于近似真实收入损失，并对校准性和一致性进行理论分析。
• 实现岭回归和基于凸代理损失的算法作为对比基线。
• 在合成数据和真实eBay数据上使用交叉验证和重复抽样，评估并调优模型性能。

实验结果

研究问题

• RQ1 如何有效应用机器学习来优化包含用户特征的第二价格拍卖中的保留价？
• RQ2 在此学习设置下，收入损失函数的理论性质是什么？这些性质如何用于算法设计？
• RQ3 在不同噪声水平和特征相关性下，不同学习算法（如DC、凸代理、回归）的性能如何比较？
• RQ4 尽管存在理论不一致性问题，校准的凸代理损失是否仍能带来一致且有效的收入优化？
• RQ5 在真实拍卖数据中，基于特征的算法与非基于特征的方法相比表现如何？

主要发现

• 在所有合成数据设置下，基于DC规划的算法在期望收入方面均优于凸代理和岭回归方法。
• 凸代理算法表现出不一致的性能：随着样本量增加，其收入下降，表明其缺乏校准性与理论一致性。
• 在eBay数据集上，基于特征的算法显著优于无特征基线，其中DC算法实现了最高平均收入和最低方差。
• 凸代理算法生成的保留价分布偏向低值，导致因过度惩罚而频繁出现零收入拍卖。
• 基于回归的算法生成对称的保留价分布，集中于均值附近，导致约50%的情况下保留价超过最高出价，从而无法成交。
• 在eBay数据集上，DC算法实现的平均收入接近理论上限（可能达到的最高收入），展现出强大的实际有效性。