??前言

品牌合約保量廣告被廣泛應(yīng)用于電商營(yíng)銷中，為廣告主提供合同約定的目標(biāo)人群觸達(dá)次數(shù)。服務(wù)于品牌合約廣告的投放分配算法，需要對(duì)每個(gè)請(qǐng)求分配、展示廣告，以完成合約訂單的展示量要求。在傳統(tǒng)的 APP 開屏品牌合約保量場(chǎng)景下，我們先后設(shè)計(jì)研發(fā)了XSHALE算法[1]和AUAF算法[2]，兼顧展示量及投放效果，取得了顯著的業(yè)務(wù)效果，并總結(jié)為有資源約束下的最優(yōu)化投放分配解決方案。針對(duì)雙十一互動(dòng)城的特殊業(yè)務(wù)需求，我們形式化投放目標(biāo)，基于泛化的投放分配問(wèn)題建模模板，快速開發(fā)上線了服務(wù)于雙11互動(dòng)城的保量下線訂單原始對(duì)偶算法、與保量不下線訂單溢出流量均衡重排算法。

??背景

每年雙十一互動(dòng)游戲都會(huì)吸引大量用戶關(guān)注和參與，這部分流量會(huì)以保量合約廣告的形式，打包為多級(jí)別的套餐包售賣給廣告主，在活動(dòng)期間為廣告主帶來(lái)確定性的曝光和進(jìn)店流量，助力廣告主完成雙十一的“大賣”。2021年的雙十一互動(dòng)玩法是“賺喵糖、占地盤、搶紅包”的模式，這個(gè)場(chǎng)景提供了多樣的商業(yè)化資源位(如下圖所示)。這些資源位帶來(lái)的商業(yè)化流量，需按照合約承諾，分配給各個(gè)廣告主，滿足業(yè)務(wù)訴求。除此之外，我們需要在業(yè)務(wù)約束內(nèi)，盡可能地提升廣告主的投放效果，以提高平臺(tái)價(jià)值與競(jìng)爭(zhēng)力，贏得更多長(zhǎng)期合作。

超級(jí)互動(dòng)雙11業(yè)務(wù)圖

根據(jù)業(yè)務(wù)規(guī)則，雙十一互動(dòng)城的廣告位均由招商廣告主填充，以保量合約的形式售賣，訂單類型大體分為精準(zhǔn)保量下線廣告和泛精準(zhǔn)保量不下線廣告：

• 精準(zhǔn)保量下線廣告，定向客戶的精準(zhǔn)人群進(jìn)行投放，到量后不再繼續(xù)投放；

• 泛精準(zhǔn)保量不下線廣告，定向所有人群，但優(yōu)先展現(xiàn)到精準(zhǔn)人群，訂單到量也繼續(xù)投放，根據(jù)業(yè)務(wù)規(guī)則平衡訂單間對(duì)于溢出流量的競(jìng)得；

除了共同的保量要求，兩種廣告的業(yè)務(wù)訴求也有不小的差異：精準(zhǔn)保量下線廣告的訴求有時(shí)間平滑、提效等；而泛精準(zhǔn)保量不下線廣告的訴求則為盡量精準(zhǔn)、訂單間進(jìn)度近似、不同級(jí)別的商家控制不同溢出比例等。

??技術(shù)方案與實(shí)現(xiàn)

方案選擇出發(fā)點(diǎn)

目前主流的流量調(diào)控策略框架，主要分為兩類：

• 離線訓(xùn)練分配模型，根據(jù)模型參數(shù)在線實(shí)時(shí)計(jì)算分配概率 + 近線pacing調(diào)控進(jìn)行流量?jī)?yōu)選；

• 近線調(diào)整對(duì)偶參數(shù)，根據(jù)參數(shù)實(shí)時(shí)計(jì)算競(jìng)價(jià)。

承接互動(dòng)合約業(yè)務(wù)之前，團(tuán)隊(duì)在 APP 開屏合約投放分配場(chǎng)景，有大量的技術(shù)積累，形成了離線最優(yōu)化分配求解 + 近線pacing調(diào)控相結(jié)合的成熟技術(shù)方案[2]。之所以在 APP 開屏品牌投放場(chǎng)景選用這套投放分配方案，原因有以下幾點(diǎn)：

• APP開屏訂單售賣率高，缺量訂單多，獨(dú)立調(diào)控容易參數(shù)“內(nèi)卷”，采用這套方案，在大促保量壓力較大時(shí)可臨時(shí)下線pacing模塊，只保留離線訓(xùn)練的分配模型，以最大程度保量；

• APP開屏存在一些預(yù)定量極小調(diào)控難度較大的長(zhǎng)尾訂單，離線分配模型可以利用較長(zhǎng)時(shí)間的日志，分配結(jié)果更穩(wěn)定。

另外，離線模型+近線pacing調(diào)控也存在一些劣勢(shì)：

• 鏈路相對(duì)復(fù)雜，開發(fā)成本略高，時(shí)效性不如第二種方法；

• 實(shí)際最優(yōu)分配存在gap，提效能力偏弱。

大促互動(dòng)場(chǎng)景流量充足，缺量風(fēng)險(xiǎn)很低，不用考慮下線pacing，且套餐包金額較大，每個(gè)訂單均有置信的投放數(shù)據(jù)做反饋。基于以上原因，我們?cè)诖蟠倩?dòng)場(chǎng)景均采用近線調(diào)整對(duì)偶計(jì)算公式的方法，可以帶來(lái)更優(yōu)的投放效果。針對(duì)“保量下線合約”和“保量不下線合約”不同的廣告特點(diǎn)，我們采用了不同算法方案進(jìn)行廣告投放與流量分配。

保量下線合約的優(yōu)選提效算法

對(duì)于精準(zhǔn)保量下線訂單，由于投放前經(jīng)過(guò)了詢鎖量步驟，缺量風(fēng)險(xiǎn)較小，因此可以在保量的前提下，通過(guò)流量的pacing優(yōu)選來(lái)最大化訂單的投放效果。這種屬于經(jīng)典的品牌合約投放形式，有較多的經(jīng)驗(yàn)積累，我們結(jié)合互動(dòng)場(chǎng)注重后鏈路效果的業(yè)務(wù)特點(diǎn)，基于PrimalDual算法[3]，使用brandScore（品牌價(jià)值分）來(lái)優(yōu)化投放效果。

最大化后鏈效果的投放公式推導(dǎo)

在無(wú)缺量風(fēng)險(xiǎn)的背景下，我們投放的最優(yōu)化目標(biāo)函數(shù)為最大化預(yù)估品牌價(jià)值分效果：

對(duì)偶問(wèn)題為：

對(duì)一次請(qǐng)求i，召回m個(gè)訂單，對(duì)偶問(wèn)題的約束為：

根據(jù)松弛條件，以排序，若最高，則本次請(qǐng)求以相對(duì)影子價(jià)格的最高溢價(jià)廣告填充；若所有廣告的，則本次流量拋棄。因此線上的投放“價(jià)格”計(jì)算公式為：

同時(shí)“保留價(jià)”為0

對(duì)偶變量的近線調(diào)控

經(jīng)典的近線對(duì)偶調(diào)控算法是基于線上訂單的超投、缺量反饋，調(diào)整對(duì)偶變量α。但“喵糖”互動(dòng)城比較特殊，“冷啟即實(shí)戰(zhàn)”，流量趨勢(shì)難以擬合，波動(dòng)極大，且直接受游戲規(guī)則影響。我們與主互動(dòng)和業(yè)務(wù)同學(xué)密切配合，基于互動(dòng)的玩法設(shè)計(jì)來(lái)預(yù)估流量趨勢(shì)，極大平滑了品牌合約單的釋放。

保量不下線合約的在線分配算法

保量不下線合約訂單是互動(dòng)城大促特有的一種廣告售賣形式，訂單的釋放完全由業(yè)務(wù)規(guī)則約束下的算法控制，由于沒有結(jié)算、召回控制等策略兜底，業(yè)務(wù)目標(biāo)對(duì)算法的精度和實(shí)時(shí)性提出了更高的要求。相比于傳統(tǒng)合約的保量下線，保量不下線訂單會(huì)將互動(dòng)城全部流量包斷，并根據(jù)訂單級(jí)別和運(yùn)營(yíng)訴求分配給廣告主，根據(jù)售賣價(jià)格分為多層，越貴的套餐包，覆蓋資源位更多、展現(xiàn)機(jī)會(huì)更多、業(yè)務(wù)溢出率更高。在此基礎(chǔ)上，還需要根據(jù)廣告主要求在不同的日期進(jìn)行爆發(fā)期，以配合商家營(yíng)銷節(jié)奏。綜合運(yùn)營(yíng)訴求及效果目標(biāo)，我們?cè)O(shè)計(jì)了“保量及均衡約束下的效果最大化”投放算法，基于投放目標(biāo)推導(dǎo)對(duì)偶投放公式用于線上流量分配，并在近線基于當(dāng)前投放進(jìn)度和業(yè)務(wù)設(shè)定目標(biāo)溢出比例調(diào)整對(duì)偶變量。

保量一致性對(duì)偶投放公式推導(dǎo)

基于業(yè)務(wù)目標(biāo)的最優(yōu)化目標(biāo)公式如下：

其中：

• 表示流量節(jié)點(diǎn) 的供給量

• 表示第 個(gè)訂單的預(yù)訂量

• 表示第 個(gè)流量節(jié)點(diǎn)對(duì)第 個(gè)訂單的分配概率

• 表示實(shí)時(shí)的品牌價(jià)值預(yù)估分

• 表示節(jié)點(diǎn) 可以召回訂單

• 表示訂單 的初始均勻分配比例，

目標(biāo)函數(shù)第一項(xiàng)是二次正則項(xiàng)，雖然可能使分配結(jié)果不一定是最優(yōu)解，但是通過(guò)設(shè)置合理超參數(shù)，正則項(xiàng)的值比真正優(yōu)化的目標(biāo)項(xiàng)小一到兩個(gè)數(shù)量級(jí)，所以對(duì)解的影響并不會(huì)很大，正則項(xiàng)的主要作用還有以下幾點(diǎn)：

• 使得目標(biāo)函數(shù)變成一個(gè)強(qiáng)凸函數(shù)，最優(yōu)解具有唯一性

• 可以讓訂單在保量前提下，讓流量盡量均勻分配，分配的結(jié)果更魯棒

• 根據(jù)拉格朗日乘子法和KKT條件，加入正則項(xiàng)之后，可以通過(guò)約束的對(duì)偶變量推導(dǎo)出 ，這樣求解的模型不用直接保存分配概率，而是保存對(duì)偶變量，從而具有緊湊解的優(yōu)勢(shì)

上面的目標(biāo)函數(shù)用 表示，采用拉格朗日乘子法可以表示為：

目標(biāo)取得最優(yōu)解時(shí)，需要滿足KKT條件：

由第一個(gè)條件推導(dǎo)：

當(dāng)上式 時(shí)， 可以逐步增大直到 并且不能再增大，否則會(huì)破壞KKT條件；當(dāng) 時(shí)，根據(jù)第KKT條件，必定有 ，所以的對(duì)偶形式可以寫成下面樣式，記為 函數(shù)：

假設(shè)我們通過(guò)離線大規(guī)模分配模型或者啟發(fā)式方法，已經(jīng)求解并保存了各個(gè)廣告訂單的對(duì)偶變量 。當(dāng)一個(gè)流量請(qǐng)求過(guò)來(lái)時(shí)，得到召回的廣告以及每個(gè)對(duì)應(yīng)的對(duì)偶變量 ，可以通過(guò)二分法等實(shí)時(shí)求解以下方程得到，從而最終得到 。

近線策略 && 目標(biāo)釋放速度求解

在互動(dòng)保量不下線的場(chǎng)景中，我們基于近線分鐘級(jí)調(diào)度，采用線性插值方法，根據(jù)線上實(shí)時(shí)結(jié)算反饋調(diào)整每個(gè)訂單對(duì)應(yīng)的對(duì)偶變量α。由于訂單釋放量可以溢出，大于其預(yù)定量，但需保證各訂單間的溢出率相似。除此之外，不同套餐包的優(yōu)先等級(jí)不同，優(yōu)先級(jí)從高到低的溢出率需要呈階梯遞減的形態(tài)。我們需要實(shí)時(shí)地調(diào)整 我們假設(shè)調(diào)控的時(shí)間為，當(dāng)日（即廣告計(jì)劃j）已釋放量為,原始天預(yù)定量為,所對(duì)應(yīng)套餐包理想業(yè)務(wù)溢出率為。此外，為了調(diào)控速率，我們需要預(yù)估出campaign每天實(shí)際可釋放量【由于是保量不下線場(chǎng)景，該值不等于】。每個(gè)都可以根據(jù)昨日其對(duì)應(yīng)pid請(qǐng)求數(shù)分布得到其釋放曲線,即可知當(dāng)天0時(shí)至t時(shí)的預(yù)估釋放量當(dāng)天占比。首先，我們需要預(yù)估出當(dāng)天所有campaign總釋放量:

然后，根據(jù)其理想業(yè)務(wù)溢出率重新加權(quán)分配得到:

最后我們可知求得當(dāng)天還需釋放量。根據(jù)以及時(shí)間t，我們即可預(yù)估出下個(gè)時(shí)間切片所需的目標(biāo)釋放速度，然后根據(jù)歷史對(duì)偶值和歷史釋放速度利用線性插值算法，求解出下一個(gè)時(shí)間切片的對(duì)偶值。

??總結(jié)&規(guī)劃

今年雙十一，我們基于“喵糖”互動(dòng)商業(yè)化的業(yè)務(wù)特點(diǎn)，為“保量下線合約”和“保量不下線合約”兩種合約廣告類型，分別設(shè)計(jì)了提效更佳的brandScore原始對(duì)偶投放算法，和保量及均衡約束下的效果最大化投放算法，成功地達(dá)成業(yè)務(wù)放量預(yù)期，并在保量基礎(chǔ)上提升了投放的后鏈路效果：

• 針對(duì)“保量下線合約”訂單的品牌價(jià)值提效實(shí)驗(yàn)，相比無(wú)調(diào)控基線，實(shí)驗(yàn)桶深度互動(dòng)率、店鋪二次訪問(wèn)率及店鋪內(nèi)平均瀏覽時(shí)長(zhǎng)均有所提升；

• 針對(duì)“保量不下線合約”訂單，業(yè)務(wù)進(jìn)度均衡誤差減少，提效實(shí)驗(yàn)桶相比基線，深度互動(dòng)率、店鋪二次訪問(wèn)率及店鋪內(nèi)平均瀏覽時(shí)長(zhǎng)均大幅提升。

同時(shí)，我們更多地關(guān)注業(yè)務(wù)側(cè)的放量需求，及品牌粒度的后鏈路效果，并以此為目標(biāo)設(shè)計(jì)了投放算法，得到不錯(cuò)的結(jié)果。后面我們將在精準(zhǔn)投放提效和業(yè)務(wù)定制兩個(gè)方向進(jìn)一步優(yōu)化算法：

• 深入挖掘精準(zhǔn)合約的細(xì)分人群價(jià)值，開發(fā)序列化投放算法促進(jìn)人群流轉(zhuǎn)；

• 面向泛精準(zhǔn)合約的復(fù)雜業(yè)務(wù)訴求，開發(fā)投放需求定制接口，針對(duì)業(yè)務(wù)特殊訴求，基于難度和復(fù)雜度，自動(dòng)完成定價(jià)和投放策略配置。

注釋及參考文獻(xiàn)

Fang Z, Li Y, Liu C, et al. Large-Scale Personalized Delivery for Guaranteed Display Advertising with Real-Time Pacing[C]//2019 IEEE International Conference on Data Mining (ICDM). IEEE, 2019: 190-199.

An Adaptive Unified Allocation Framework for Guaranteed Display Advertising, accepted by WSDM2022

Chen Y, Berkhin P, Anderson B, et al. Real-time bidding algorithms for performance-based display ad allocation[C]//Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. 2011: 1307-1315.

END

歡迎關(guān)注「阿里媽媽技術(shù)」，了解更多~

瘋狂暗示↓↓↓↓↓↓↓

總結(jié)

以上是生活随笔為你收集整理的双11技术分享 | “喵糖”背后的商业化流量投放算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。