丨目錄：

· 前言

· 背景

· 問(wèn)題定義

· 算法建模

· 總結(jié)

??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(lái)樹(shù)立產(chǎn)品形象、增強(qiáng)用戶(hù)認(rèn)知心智、提高市場(chǎng)占有率的一個(gè)重要手段。阿里媽媽展示廣告平臺(tái)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(jī)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(wù)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(guò)擔(dān)保式投放（Guaranteed Delivery，GD）的形式，讓廣告平臺(tái)在規(guī)定的時(shí)間內(nèi)，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(dá)廣泛的目標(biāo)受眾（Target Audience，TA）。雖然效果廣告更注重短期效果如點(diǎn)擊、轉(zhuǎn)化等，品牌廣告以曝光計(jì)費(fèi)，但是廣告主對(duì)于品牌廣告的效果訴求也日益強(qiáng)烈。綜上，品牌合約廣告在線決策算法的優(yōu)化有兩個(gè)目標(biāo)：

• 保量，按照合約完成曝光，最大化平臺(tái)當(dāng)前廣告營(yíng)收，盡量避免因訂單缺量帶來(lái)的賠償

• 提效，在完成合約曝光的基礎(chǔ)上，最大化投放價(jià)值，提高廣告主營(yíng)銷(xiāo)效果

??問(wèn)題定義

完成合約廣告的預(yù)定量，并在此基礎(chǔ)上提升投放效果，這個(gè)問(wèn)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(diào)控策略框架，主要分為兩類(lèi)：

• 競(jìng)價(jià)類(lèi)：近線啟發(fā)式調(diào)整單組對(duì)偶 + 在線排序和過(guò)濾，這個(gè)策略不涉及離線模型求解，以類(lèi)似出價(jià)的方式完成流量分配，經(jīng)典算法如KDD'11原始對(duì)偶算法《Real-Time Bidding Algorithms for Performance-Based Display Ad Allocation》

• 保量類(lèi)：離線分配模型訓(xùn)練 + 在線實(shí)時(shí)分配排序 [+ 近線pacing閾值過(guò)濾]，以最大合約釋放方式進(jìn)行分配，經(jīng)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(lèi)框架，在流量供給十分充足，合約訂單均沒(méi)有缺量風(fēng)險(xiǎn)前提下，品牌合約廣告也可以采用競(jìng)價(jià)類(lèi)的框架最大程度提升投放效果，如售賣(mài)不充分的混合競(jìng)價(jià)場(chǎng)景，以及我們之前分享的《雙11技術(shù)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(chǎng)景中，我們選擇的是保量類(lèi)框架，主要原因有兩點(diǎn)：

• 后者對(duì)保量對(duì)偶和pacing提效閾值兩組變量進(jìn)行解耦合，方便分開(kāi)管理。淘外品牌資源位眾多，售賣(mài)率較高，尤其大促期間保量壓力較大，使用保量類(lèi)框架可以隨時(shí)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(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。

??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(kāi)發(fā)了支持10億supply節(jié)點(diǎn)的超大規(guī)模的分布式訓(xùn)練平臺(tái)。同時(shí)，在SHALE的優(yōu)化目標(biāo)上，加入投放效果收益，以達(dá)到保量提效的分配結(jié)果（感興趣的同學(xué)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(diǎn) 的供給量，表示訂單j投放優(yōu)先級(jí)，表示第 個(gè)訂單的預(yù)訂量，表示訂單的初始均勻分配比例 ， 表示第 個(gè)流量節(jié)點(diǎn)對(duì)第 個(gè)訂單的分配概率， 表示節(jié)點(diǎn) 可以召回訂單 ， 指預(yù)估的投放效果，如CTR， 表示缺量懲罰超參數(shù)， 表示效果收益項(xiàng)超參數(shù)。我們分析上述帶效果收益項(xiàng)的SHALE模型的分配結(jié)果，發(fā)現(xiàn)訂單分配流量可能超過(guò)其預(yù)定量。引起這個(gè)現(xiàn)象的原因，是由于在SHALE模型中第一項(xiàng)約束是：分配量+缺量項(xiàng)≥預(yù)定量，而在實(shí)際的線上投放中，合約廣告超投并不能帶來(lái)任何額外的廣告收入。

防超分模型

針對(duì)基本模型的問(wèn)題，我們修改了目標(biāo)函數(shù)和約束項(xiàng)，得到防超分的模型：

模型的約束條件第一項(xiàng)，改為超投約束。在目標(biāo)函數(shù)中，第一項(xiàng)是正則項(xiàng)，第二項(xiàng)是總釋放量，第三項(xiàng)是效果收益項(xiàng)。通過(guò)KKT條件推導(dǎo)，得到投放概率的計(jì)算公式為：

其中，α 和 β 分別是第一、二項(xiàng)約束對(duì)應(yīng)的對(duì)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(dá)式，但是如何求解對(duì)偶參數(shù)？主要思路是采用坐標(biāo)下降法，交替優(yōu)化α 和 β

• 固定 α 求解 β ：由于單個(gè)請(qǐng)求召回廣告?zhèn)€數(shù)不多，利用【每個(gè)請(qǐng)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(gè)訂單對(duì)應(yīng)的supply在千萬(wàn)級(jí)，利用【每個(gè)廣告分配流量之和 = 預(yù)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(shí)采用分布式框架并行計(jì)算進(jìn)行加速：

在線實(shí)時(shí)分配

上面描述了離線模型如何通過(guò)大規(guī)模訓(xùn)練得到 α 參數(shù)。在線分配階段，通過(guò)當(dāng)前請(qǐng)求召回的廣告檢索到對(duì)應(yīng)的對(duì)偶參數(shù)，求解 ∑x=1 方程，就可以得到對(duì)偶變量 β 以及投放概率 x。最后通過(guò)輪盤(pán)賭或者倒排進(jìn)行排序，決定線上透出廣告的順序。

自適應(yīng)Pacing

Pacing模塊往往都是用強(qiáng)化學(xué)習(xí)或者PID算法為每個(gè)訂單維護(hù)一個(gè)調(diào)控閾值，如果當(dāng)前請(qǐng)求效果預(yù)估分低于閾值，則本次請(qǐng)求不投放該廣告，以把廣告預(yù)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(diào)控，回顧之前訂單投放概率的計(jì)算公式：

假設(shè)離線模型沒(méi)有更新情況下，同一個(gè)訂單的 α 不變，投放概率變化由 c 和 β 共同決定。當(dāng)請(qǐng)求召回的廣告競(jìng)爭(zhēng)激烈時(shí)，∑x=1，根據(jù)KKT條件可以知道此時(shí) β > 0；當(dāng)請(qǐng)求競(jìng)爭(zhēng)不激烈甚至只召回一條廣告時(shí)，此時(shí)可能會(huì)出現(xiàn) ∑x<1，β = 0。假設(shè)這兩次請(qǐng)求的預(yù)估效果分 c 相同，前者分配概率會(huì)小于后者。按照投放概率過(guò)濾會(huì)傾向于保留后者，以給競(jìng)爭(zhēng)資源位騰挪出更多空間，在線上流量波動(dòng)情況下，具有更強(qiáng)的保量能力。

實(shí)驗(yàn)效果

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

??總結(jié)

在SHALE合約保量分配算法基礎(chǔ)上，我們把效果指標(biāo)納入到分配的目標(biāo)中去，同時(shí)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(shí)驗(yàn)表明我們的算法可以在保量基礎(chǔ)上，為廣告主的品牌營(yíng)銷(xiāo)帶來(lái)更好的效果。更多細(xì)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(guān)于我們

我們是阿里媽媽展示品牌技術(shù)與策略算法團(tuán)隊(duì)，致力于為各類(lèi)品牌廣告主提供科學(xué)高效的淘?xún)?nèi)淘外商業(yè)化營(yíng)銷(xiāo)投放服務(wù)，我們的工作涉及廣告領(lǐng)域的流量預(yù)測(cè)、庫(kù)存分配、模型預(yù)估、機(jī)制策略、內(nèi)容理解等眾多方向，團(tuán)隊(duì)近年在KDD、IJCAI、ICDM、WSDM、ACM MM等頂級(jí)會(huì)議發(fā)表多篇論文，業(yè)務(wù)空間廣闊，技術(shù)氛圍濃厚，歡迎感興趣的同學(xué)加入我們。

投遞簡(jiǎn)歷郵箱：

alimama_tech@service.alibaba.com

END

也許你還想看

丨雙11技術(shù)分享 | “喵糖”背后的商業(yè)化流量投放算法

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WSDM 2022 | 合约广告自适应统一分配框架的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。