[论文解读] Revenue Optimization with Approximate Bid Predictions

Andrés Felipe Ochoa Muñoz, Sergei Vassilvitskii|arXiv (Cornell University)|Jun 15, 2017

Auction Theory and Applications被引用 41

一句话总结

本文将广告拍卖中的保留价优化问题建模为平方损失下的预测问题，从而可使用标准机器学习模型。该文建立了预测误差与收益损失之间关系的正式边界，首次在标准机器学习性能与拍卖收益结果之间建立了理论联系。

ABSTRACT

In the context of advertising auctions, finding good reserve prices is a notoriously challenging learning problem. This is due to the heterogeneity of ad opportunity types, and the non-convexity of the objective function. In this work, we show how to reduce reserve price optimization to the standard setting of prediction under squared loss, a well understood problem in the learning community. We further bound the gap between the expected bid and revenue in terms of the average loss of the predictor. This is the first result that formally relates the revenue gained to the quality of a standard machine learned model.

研究动机与目标

• 解决在具有非凸目标函数的异构广告拍卖中设定最优保留价的挑战。
• 将复杂的保留价优化问题简化为带有平方损失的标准监督学习任务。
• 正式量化预测误差在出价估计中如何转化为拍卖中的收益损失。
• 为在收益关键的拍卖机制中使用现成的机器学习模型提供理论基础。

提出的方法

• 将保留价优化问题重新表述为回归任务，目标是预测期望出价。
• 使用标准机器学习模型预测出价，基于历史数据最小化平方损失。
• 推导一个理论边界，将期望收益损失与模型的平均平方预测误差相关联。
• 证明在平方损失下最小化预测误差可直接最小化拍卖环境中的期望收益损失。
• 利用监督学习中已知的泛化边界，确保收益优化过程的稳健性。

实验结果

研究问题

• RQ1 如何将广告拍卖中的保留价优化问题简化为标准的机器学习预测问题？
• RQ2 出价预测的准确性与最终拍卖收益之间的理论关系是什么？
• RQ3 在非凸拍卖环境中，能否使用在平方损失下训练的现有机器学习模型来优化收益？
• RQ4 在实践中，出价估计中的预测误差在多大程度上影响期望收益损失？

主要发现

• 本文建立了正式的理论边界，将期望收益损失与出价预测器的平均平方预测误差相关联。
• 该边界表明，在平方损失下最小化预测误差可直接最小化拍卖环境中的期望收益损失。
• 将保留价优化简化为标准学习问题，使得可以使用已被充分理解的机器学习工具和泛化保证。
• 该方法为利用现有机器学习模型进行收益优化提供了一种有原则的方式，而无需进行专门的拍卖特定训练。