[论文解读] Unbiased Lift-based Bidding System

Daisuke Moriwaki, Yuta Hayakawa+3 more|arXiv (Cornell University)|Jul 8, 2020

Smart Parking Systems Research参考文献 13被引用 4

一句话总结

本文提出了一种基于无偏提升效应的出价系统，通过从有偏的历史日志数据中准确预测广告展示的因果提升效应，提升广告主的盈利能力。该系统采用逆倾向得分方法纠正展示偏差，实现高效、低成本的出价，相较于传统的基于性能的策略，在真实A/B测试中表现更优，实现每千次展示成本降低24–30%，同时提升覆盖范围和转化率。

ABSTRACT

Conventional bidding strategies for online display ad auction heavily relies on observed performance indicators such as clicks or conversions. A bidding strategy naively pursuing these easily observable metrics, however, fails to optimize the profitability of the advertisers. Rather, the bidding strategy that leads to the maximum revenue is a strategy pursuing the performance lift of showing ads to a specific user. Therefore, it is essential to predict the lift-effect of showing ads to each user on their target variables from observed log data. However, there is a difficulty in predicting the lift-effect, as the training data gathered by a past bidding strategy may have a strong bias towards the winning impressions. In this study, we develop Unbiased Lift-based Bidding System, which maximizes the advertisers' profit by accurately predicting the lift-effect from biased log data. Our system is the first to enable high-performing lift-based bidding strategy by theoretically alleviating the inherent bias in the log. Real-world, large-scale A/B testing successfully demonstrates the superiority and practicability of the proposed system.

研究动机与目标

• 解决传统出价策略在优化点击量或转化率等观测指标时，忽略用户基础转化概率所导致的次优表现问题。
• 解决由于过往出价策略偏好高报价展示而引发的训练数据固有偏差，该偏差会扭曲模型在未见拍卖场景下的泛化能力。
• 开发一种理论基础扎实的方法，仅使用有偏日志数据，预测广告曝光的真实提升效应——即广告对用户行为的因果影响。
• 设计并部署一个可扩展、可投入生产的出价系统，利用无偏提升预测最大化广告主利润，同时最小化每千次展示成本。

提出的方法

• 该系统采用逆倾向得分（IPS）方法，通过根据历史拍卖中样本的选中概率对样本进行重加权，对训练数据进行去偏处理，纠正因高报价胜出展示而引入的偏差。
• 在重加权后的数据上训练机器学习模型，以预测反事实结果——即用户在无广告情况下的转化概率，从而实现对真实提升效应的估计。
• 提升效应定义为有广告时预测转化概率与无广告时预测转化概率的差值，提供广告影响的因果估计。
• 出价策略基于预测的提升效应设定价格，优先选择仅因广告而更可能转化的用户，从而最大化增量价值。
• 系统使用scikit-learn和XGBoost等标准机器学习库实现，确保可在实时出价流程中实际部署。
• 该架构支持实时推理，并可与现有DSP工作流集成，实现可扩展、低延迟的出价决策。

实验结果

研究问题

• RQ1 基于预测提升效应（即广告的因果影响）的出价策略，是否能在真实在线广告环境中优于传统的基于性能的策略？
• RQ2 逆倾向得分在多大程度上能够纠正因过往出价策略导致的历史广告展示日志中的偏差？
• RQ3 与基于性能的出价策略相比，所提出的系统在大规模A/B测试中，在成本效率、覆盖范围和转化率方面的表现如何？
• RQ4 由于竞争减少和中签率提高，基于提升效应的系统是否实现了更稳定且更低的出价？

主要发现

• 与基于性能的策略相比，基于提升效应的出价系统实现了每位用户多28%的展示次数和71%更高的覆盖范围率，表明其在受众定位效率方面表现更优。
• 尽管点击量减少了46%，该系统仍带来了0.9%更多的门店访问量和0.4%更高的访客占比，表明其在真实世界中的转化影响更强。
• 该系统将每千次展示成本、每覆盖一人成本和每访问一次成本降低至基于性能策略水平的24–30%，证明了显著的成本效率提升。
• 基于提升效应的系统平均出价约为性能系统的十分之一，且波动性显著更低，尤其在拍卖高峰时段表现更稳定。
• 基于性能的系统因激进的节奏控制和频繁的拍卖失败而出现高度波动，而基于提升效应的系统由于竞争者更少、中签率更高，保持了稳定且更低的出价。
• 在线A/B测试验证了系统的可扩展性和实用性，表明其在真实世界DSP部署中，于关键业务KPI上持续表现出优越性。