[论文解读] 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 7

一句话总结

本文提出了一种用于实时广告出价的联合优化框架，结合了带宽和请求约束下的选择性呼叫出（call-out）与在线分配。该框架引入了一种具有性能保证的在线循环贝叶斯决策模型，表明在保留价格提高的情况下，基于线性规划（LP）的策略相比其他策略最高可提升85%的性能，并在贝叶斯设定下建立了AdWords问题的适应性差距结果。

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.

研究动机与目标

• 为解决在带宽和拥塞约束下，实时广告交易所中同时优化出价请求（呼叫出）与分配决策的挑战。
• 将选择性呼叫出建模为具有资源和突发性约束的在线循环贝叶斯决策问题。
• 为期望福利和收入等目标开发具有可证明性能保证的算法，适用于不同的出价分布和到达过程。
• 通过比较能响应出价实现的离线策略与仅使用期望值的策略，分析AdWords问题中的适应性差距。
• 评估在实际中出价分布估计的鲁棒性，特别是在存在噪声或错误的生存概率估计时。

提出的方法

• 将选择性呼叫出正式化为具有带宽类型约束的在线循环贝叶斯决策框架。
• 采用两阶段方法：第一阶段为学习阶段，用于估计出价分布的生存概率；第二阶段为在线分配阶段。
• 应用线性规划（LP）松弛方法，推导基于出价的分配决策的最优阈值。
• 提出基于集合和基于阈值的算法，利用估计的出价分布来指导请求和分配。
• 采用排队模型以管理突发性，并确保随时间推移的请求速率平稳。
• 通过基于LP的优化推导性能边界，并与理论上的上界（OPT-UB）和离线最优解进行比较。

实验结果

研究问题

• RQ1 广告交易所如何在带宽和突发性约束下，联合优化出价请求（呼叫出）与分配决策？
• RQ2 在不完全出价信息的贝叶斯设定下，对在线算法可实现的性能保证是什么？
• RQ3 在现实出价分布下，基于出价估计的算法与无信息或启发式策略相比表现如何？
• RQ4 出价分布生存概率估计误差对算法性能有何影响？
• RQ5 所提出的框架能否在贝叶斯与确定性设定下，为AdWords问题建立适应性差距结果？

主要发现

• 基于LP的算法在最优参数选择下相比其他所有算法最高可提升20%的性能，当保留价格提高时，最高可提升85%。
• 使用生存概率估计的基于集合的算法显著优于无信息策略（如Random和MaxRemBand）。
• 使用期望出价值的算法（如MaxExp）表现优于随机策略但劣于使用生存概率的算法（如MaxProb），表明出价的尾部行为更具信息量。
• 即使出价分布估计存在噪声（标准差高达0.15），基于生存概率的算法仍保持强劲性能，优于缺乏分布信息的算法。
• 性能对令牌桶大小和展示请求到达率的变化具有鲁棒性，在桶大小为2、5、15和45时未观察到显著差异。
• 该框架首次实现了对AdWords问题适应性差距的分析，表明能响应出价实现的策略可显著优于仅使用期望值的策略。