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(yè)務挑戰(zhàn)、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(guī)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(yōu)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(fā)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(yè)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(wěn)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(fā)了支持10億supply節(jié)點的超大規(guī)模的分布式訓練平臺。同時，在SHALE的優(yōu)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(jié)點 的供給量，表示訂單j投放優(yōu)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(jié)點對第 個訂單的分配概率， 表示節(jié)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(fā)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(yōu)化α 和 β

• 固定 α 求解 β ：由于單個請求召回廣告?zhèn)€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(guī)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(jié)可以查看我們發(fā)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(yè)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(fā)表多篇論文，業(yè)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(yè)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。