丨目錄：

· 前言

· 背景

· 問題定義

· 算法建模

· 總結

??前言

品牌廣告是阿里媽媽電商廣告的重要組成部分，也是絕大部分品牌廣告主用來樹立產品形象、增強用戶認知心智、提高市場占有率的一個重要手段。阿里媽媽展示廣告平臺需要給淘系、淘外、站外眾多媒體資源，提供高效快速的在線決策機制。本文主要介紹，在淘外品牌合約廣告的在線投放策略中，我們遇到的業務挑戰、其中的思考和解決方案。

??背景

品牌合約廣告的基本模式，是通過擔保式投放（Guaranteed Delivery，GD）的形式，讓廣告平臺在規定的時間內，在符合定向要求的受眾人群上釋放合同約定好的曝光量，以觸達廣泛的目標受眾（Target Audience，TA）。雖然效果廣告更注重短期效果如點擊、轉化等，品牌廣告以曝光計費，但是廣告主對于品牌廣告的效果訴求也日益強烈。綜上，品牌合約廣告在線決策算法的優化有兩個目標：

• 保量，按照合約完成曝光，最大化平臺當前廣告營收，盡量避免因訂單缺量帶來的賠償

• 提效，在完成合約曝光的基礎上，最大化投放價值，提高廣告主營銷效果

??問題定義

完成合約廣告的預定量，并在此基礎上提升投放效果，這個問題可以看做流量 supply 與保量訂單 demand 之間的二部圖匹配，如下圖：

目前主流的流量分配和調控策略框架，主要分為兩類：

• 競價類：近線啟發式調整單組對偶 + 在線排序和過濾，這個策略不涉及離線模型求解，以類似出價的方式完成流量分配，經典算法如KDD'11原始對偶算法《Real-Time Bidding Algorithms for Performance-Based Display Ad Allocation》

• 保量類：離線分配模型訓練 + 在線實時分配排序 [+ 近線pacing閾值過濾]，以最大合約釋放方式進行分配，經典算法如KDD'12：《SHALE: An Efficient Algorithm for Allocation of Guaranteed Display Advertising》

并不是合約保量的訂單就必須采用第二類框架，在流量供給十分充足，合約訂單均沒有缺量風險前提下，品牌合約廣告也可以采用競價類的框架最大程度提升投放效果，如售賣不充分的混合競價場景，以及我們之前分享的《雙11技術分享 | “喵糖”背后的商業化流量投放算法》。但是在淘外品牌合約廣告投放的場景中，我們選擇的是保量類框架，主要原因有兩點：

• 后者對保量對偶和pacing提效閾值兩組變量進行解耦合，方便分開管理。淘外品牌資源位眾多，售賣率較高，尤其大促期間保量壓力較大，使用保量類框架可以隨時下線pacing模塊，切換成最大化保量模式。

• 淘外品牌廣告存在一些預定量極小調控難度較大的長尾訂單，離線分配模型可以利用較長時間的日志，分配結果更穩定。

??算法建模

基本離線模型

在合約保量的離線分配模型上，我們基于 SHALE 算法開發了支持10億supply節點的超大規模的分布式訓練平臺。同時，在SHALE的優化目標上，加入投放效果收益，以達到保量提效的分配結果（感興趣的同學可以了解我們之前的工作 ICDM'19《Large-scale personalized delivery for guaranteed display advertising with real-time pacing》）：

其中， 表示流量節點 的供給量，表示訂單j投放優先級，表示第 個訂單的預訂量，表示訂單的初始均勻分配比例 ， 表示第 個流量節點對第 個訂單的分配概率， 表示節點 可以召回訂單 ， 指預估的投放效果，如CTR， 表示缺量懲罰超參數， 表示效果收益項超參數。我們分析上述帶效果收益項的SHALE模型的分配結果，發現訂單分配流量可能超過其預定量。引起這個現象的原因，是由于在SHALE模型中第一項約束是：分配量+缺量項≥預定量，而在實際的線上投放中，合約廣告超投并不能帶來任何額外的廣告收入。

防超分模型

針對基本模型的問題，我們修改了目標函數和約束項，得到防超分的模型：

模型的約束條件第一項，改為超投約束。在目標函數中，第一項是正則項，第二項是總釋放量，第三項是效果收益項。通過KKT條件推導，得到投放概率的計算公式為：

其中，α 和 β 分別是第一、二項約束對應的對偶變量，且必須滿足α≥0 、 β≥0。

離線分布式求解

上面雖然給出了分配概率的表達式，但是如何求解對偶參數？主要思路是采用坐標下降法，交替優化α 和 β

• 固定 α 求解 β ：由于單個請求召回廣告個數不多，利用【每個請求召回的所有廣告分配概率之和=1】等式，可以快速直接求解得到 β

• 固定 β 求解 α ：由于每個訂單對應的supply在千萬級，利用【每個廣告分配流量之和 = 預定量】等式，很難直接求解得到 α ，所以我們采用梯度下降的思路近似求解，同時采用分布式框架并行計算進行加速：

在線實時分配

上面描述了離線模型如何通過大規模訓練得到 α 參數。在線分配階段，通過當前請求召回的廣告檢索到對應的對偶參數，求解 ∑x=1 方程，就可以得到對偶變量 β 以及投放概率 x。最后通過輪盤賭或者倒排進行排序，決定線上透出廣告的順序。

自適應Pacing

Pacing模塊往往都是用強化學習或者PID算法為每個訂單維護一個調控閾值，如果當前請求效果預估分低于閾值，則本次請求不投放該廣告，以把廣告預算留給后面效果更好的流量，從而提升整體投放效果。

在我們的框架里，采用了基于投放概率的閾值調控，回顧之前訂單投放概率的計算公式：

假設離線模型沒有更新情況下，同一個訂單的 α 不變，投放概率變化由 c 和 β 共同決定。當請求召回的廣告競爭激烈時，∑x=1，根據KKT條件可以知道此時 β > 0；當請求競爭不激烈甚至只召回一條廣告時，此時可能會出現 ∑x<1，β = 0。假設這兩次請求的預估效果分 c 相同，前者分配概率會小于后者。按照投放概率過濾會傾向于保留后者，以給競爭資源位騰挪出更多空間，在線上流量波動情況下，具有更強的保量能力。

實驗效果

我們的方法（AUAF）和其他算法進行了分配結果的評測，其他方法包括：SHALE：雅虎 KDD'12、RAP：騰訊 KDD'20 、ALI：ICDM'19，評測結果包括總分配量、完成率、超投率、去掉超投部分的點擊數、平均點擊率，可以看到AUAF的完成率和SHALE持平，并且平均CTR最高：

??總結

在SHALE合約保量分配算法基礎上，我們把效果指標納入到分配的目標中去，同時為了防止超分加入訂單分配量約束，大幅度的提高合約保量廣告的投放效率。在線的分桶實驗表明我們的算法可以在保量基礎上，為廣告主的品牌營銷帶來更好的效果。更多細節可以查看我們發表在 WSDM'22 上的論文《An Adaptive Unified Allocation Framework for Guaranteed Display Advertising》。

關于我們

我們是阿里媽媽展示品牌技術與策略算法團隊，致力于為各類品牌廣告主提供科學高效的淘內淘外商業化營銷投放服務，我們的工作涉及廣告領域的流量預測、庫存分配、模型預估、機制策略、內容理解等眾多方向，團隊近年在KDD、IJCAI、ICDM、WSDM、ACM MM等頂級會議發表多篇論文，業務空間廣闊，技術氛圍濃厚，歡迎感興趣的同學加入我們。

投遞簡歷郵箱：

alimama_tech@service.alibaba.com

END

也許你還想看

丨雙11技術分享 | “喵糖”背后的商業化流量投放算法

歡迎關注「阿里媽媽技術」，了解更多~

瘋狂暗示↓↓↓↓↓↓↓

總結

以上是生活随笔為你收集整理的WSDM 2022 | 合约广告自适应统一分配框架的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。