自动动态调整广告出价OCPC广告分类自动出价

90 阅读 0 评论 60 点赞

我是靠谱客的博主调皮冬天，最近开发中收集的这篇文章主要介绍自动动态调整广告出价OCPC广告分类自动出价，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

本文先介绍了广告的基本业态，品牌广告和效果广告，其中效果广告细分为搜索广告和竞价广告。效果广告目前以cpc/点击计费为主，广告主的直接目标是转化，出价和计费之间存在gap，无法高效分辨流量价值。因此平台利用自身数据，基于广告主的目标，自动动态调整广告出价OCPC。百度和淘宝在各自领域深入探索OCPC，公开发表了论文，阐述了原理和实现架构。本分将对两篇论文进行分析和探讨。

广告分类

广告系统是互联网流量变现的最常见渠道。广告总的可分为品牌广告和效果广告。

品牌广告

以树立产品品牌形象，提高品牌的市场占有率为直接目的，突出传播品牌在消费者心目中确定的位置的一种方法。让用户知道某个产品，翻来覆去的说，占领用户心智。

效果广告/竞价广告

在基于效果为基础的广告系统中，广告主只需要为可衡量的结果付费。效果广告最重要的一点是当天投入，当天可以见效果，这是互联网广告的最大优势。效果广告相对于品牌广告投放更加精准。效果广告比品牌广告更能核算出投入产出比，一般以竞价形式展现。效果广告根据业务场景，细分为搜索广告和展示广告。

搜索广告

搜索广告只有搜索引擎才可能有：百度、谷歌、搜索框，触发机制就是用户搜索关键词，搜索结果页面左侧出现自然搜索结果，右侧出现竞价搜索结果，即搜索广告，要求是广告主为这则广告所购买的关键词必须匹配到用户搜索的那个关键词。

展示广告

大大小小的网站为了赚钱，把自己网站的某些位置拿出来当做广告位卖，出现在这些位置的广告称之为展示广告。

自动出价

广告主在平台的定价一般是静态的，最多按照关键词/人群/场景进行微调，没法做到流量出价的完全自动化，根据流量质量调整。而平台坐拥全链路数据，进行分析预估后，可以做到自动出价，提升流量效率。百度和淘宝在广告自动出价就做的不错。百度是在搜索广告上，淘宝是在展示广告上，各代表了一种场景，但他们原理相似，下面将分别介绍。

百度

AiAds: Automated and Intelligent Advertising System for Sponsored Search

背景及问题

传统上，按点击付费的定价模式和关键字定位技术是搜索广告业务的两个关键。按点击付费模式是最常见的付费方式，即广告客户只在点击广告时付费。关键字定位提供了搜索查询和广告词之间的精确匹配，即广告商对与其产品或服务相关的关键字进行竞价，以便在搜索结果页上向目标受众显示其广告。经过20多年的发展，传统的付费搜索模式逐渐显现出其缺陷和局限性。

关键词定位要求广告商选择大量与其业务相关的关键词，以增加相关的、有针对性的搜索流量的覆盖率。由于用户可以在各种不同的查询中表达他们的搜索意图，因此对于广告客户来说，从大量可能的词语中找到与他们的产品相关的所有词语是一个挑战。由于对不同关键词的广泛范围的探索能力和知识的限制，大多数广告商只能对少数相关关键词进行竞价，从而导致广告效果不佳。
在按点击付费的定价模式中，由于关键词竞价对广告的排名和定价起着直接的作用，广告主应该谨慎地对每个关键词进行竞价。由于可用性和相关性之间的权衡，大多数赞助搜索系统都采用关键字级别的竞价语言，广告商根据关键字的点击值设置关键字的竞价来表示其支付意愿。婴儿玩具，婴儿，儿童，相关性/转化率。为了保持和提高广告活动的绩效，广告主必须根据目标（KPI）和各种投标反馈信号（如点击成本、广告曝光或点击量、预算数据等）频繁调整投标价格。由于赞助搜索市场具有高度的动态性和竞争性，建立一个稳定的人工竞价策略需要很长的时间。
搜索广告的创意对广告的表现起着重要的作用，尤其是对广告点击率的影响。传统的搜索广告形式是文本广告，它由标题文本、显示URL和描述文本三部分组成。广告商可以通过使用更有吸引力的标题或促销描述来优化他们的广告创意。最近，随着在线广告服务变得越来越复杂，丰富的广告具有更大的格式、评论、地图、站点链接扩展、呼叫或应用程序按钮、图像和许多其他装饰等功能，从而导致广告商拥有多个可能的广告，其大小和布局各不相同。

工作和整体框架

为了应对搜索广告的主要挑战，我们提出并构建了一个自动化和智能化的广告系统，叫做AiAds。由于以上三个问题企业发展的瓶颈针对广告商的人工优化问题，我们通过对传统人工优化方法的改造，利用机器学习模型来解决这些问题投标，广告制作任务成自动化的任务。基于本系统实现了自动竞价、智能定位和智能化整合创意以支持更智能的广告广告主只需设定目标，就可以将广告的性能优化委托给该系统。我们提出了一个直接的竞价数学描述和相应的自动竞价策略，让广告商直接优化他们的广告表现。给出了投标策略中的基本数据需求和模型结构。新的竞价语言和竞价策略扩展了传统的按点击付费的定价模式，给竞价机制的设计带来了新的挑战。基于新的竞价语言，突破了传统关键字定位方法的局限性。通过使用更直接的检索和匹配模型，系统可以以端到端的方式优化搜索查询和广告之间的匹配和选择。我们提出了一个设计和生成广告创意的组件化框架，可以使用这些材料自动优化广告的内容和布局。
在这里插入图片描述
在深入了解系统是如何构建的之前，让我们首先介绍AiAds的总体系统架构。如图所示，整个系统由5个模块组成：统一数据中心、搜索广告基本模型、智能定位服务、自动竞价引擎和智能创作生成器。统一数据中心为下游任务提供基础数据需求，由广告点击数据、广告转化数据、搜索日志数据等多个数据源组成。建立了基本的CTR和CVR模型，对每个广告的点击率和转化率进行了建模和预测；建立了一些广告相关性模型，量化查询与广告之间的相关性，优化用户体验。当用户提交搜索请求时，智能定位服务直接检索所有相关广告，自动竞价引擎根据实时模型和广告主的目标生成每个广告的竞价。最后，基于候选素材和内容，智能创作生成器对广告创作进行组合和生成展示。

自动出价引擎

在这里插入图片描述

这种投标策略的目标是尽量减少目标cpa差距和最大化的转化

cpa：转化出价。pcvr：预估转化率。AF：拍卖系数，用于量化投标和CPC之间的统计差距。由于竞价策略是优化转化，使平均CPA接近目标CPA，因此可以利用统计差距信息来增加与目标值的接近度。我们采用gbdt/lightgbm对差距进行建模，标签为bid/CPC，特征包括查询、广告商和拍卖环境的相关统计信息，由于存在激励问题，其他竞买人的信息不能被使用。BF：预算系数，用于在一段时间内平稳地花费预算，以便在一天内接触到更广泛的受众。采用智能配时方法，通过在不同时间内最优分配预算，自适应地调整基于先验性能分布的投标价格。CF：校正系数，用来使预测的CVR更接近实际CVR的校正因子。采用优化的保序回归模型和分箱方法对pcvr值进行校正。 Alpha：强化学习系数。

cvr预估

如果CVR模型只使用点击样本进行训练，那么该模型在新广告等大量未点击印象中的泛化能力较差。为了解决这一问题，我们采用多任务模型结构，将CVR模型的训练和CTR模型的训练结合起来，共享公共特征嵌入的查找表。整体模型架构如图所示。此外，由于类型的多样性，CVR模型的网络也采用了多塔结构。
在这里插入图片描述
常用的mtl方法：esmm/mmoe/cgc/ple

淘宝

Ocpc: Optimized Cost per Click in Taobao Display Advertising

背景及问题

本文主要研究淘宝手机应用。横幅广告：广告出现在淘宝主页的顶部横幅上。广告商为一件商品、一家商店或一个品牌设立宣传活动。商品。CPC广告：在“猜你喜欢”栏中向用户显示单个项目，包括大约200个广告点，其中三个用于广告，其他的用于推荐。存在的问题如下：

与大多数RTB系统不同，淘宝网很难获得完整的用户数据，淘宝网本身同时扮演着需求方和供给方的角色。这个生态封闭的环系统使淘宝能够收集整合的用户数据和广告活动的信息。
系统中的大多数广告商都是中小型广告商，他们更关心收入的增长，而不是宣传自己的品牌。因此，总商品量（GMV）的增加可以更好地造福于这些广告商。
虽然不同的广告商追求不同的关键绩效指标（KPI，例如印象、点击率、转化率或投资回报率（ROI）），但他们在淘宝平台上竞购点击，即采用CPC。我们将讨论其他方法，如成本每千（CPM）和成本每千稍后出售（CPS）。第四，广告点必须满足媒体的要求，这是衡量指标，如点击率（CTR），转化率（CVR），GMV等。这里是一个GMV分析的例子。第一，我们希望业务流量的引入不会过度影响用户体验。因此，设置GMV需求实现了业务收入和用户体验的双赢。第二，由于淘宝的广告商正是淘宝的卖家，卖家将收入的一个近似固定的百分比（提取率）用于营销目的，因此提高GMV将导致广告商增加广告预算，从而为平台带来长期效益。

工作和整体框架

我们的主要贡献总结如下。1. 阐述了淘宝展示广告系统及其子系统的一些特点。2. 提出了一种新颖的竞价优化方法，实现了淘宝生态的广告商兴趣、用户体验和平台收益的整体优化。
在这里插入图片描述
前端服务器(Front Server)接收用户的页面浏览请求，并分发给合并服务器(Merger Server)，合并服务器作为中心协调器在整个过程中与其他组件进行通信。合并服务器请求匹配服务器(Matching Server)根据广告商的用户定位需求对用户进行分析，得到特征标签列表。通过合并服务器，这些标签被传递到搜索节点服务器(Search Node (SN) Server)，用于搜索特定的候选广告以及出价。根据你的喜好，候选的数量从几千减少到四百左右。然后，实时预测服务器(Real-time Prediction (RTP) Server)预测SN中候选对象的点击率（pCTR）和转换率（pCVR）。关于CTR预测，我们使用混合逻辑回归（MLR，也称为LS-PLM[8]）模型来处理特定的高维，即通常数亿维、稀疏和二值化特征。作为合并的一部分，策略层(Strategy Layer )包含OCPC的主要逻辑，OCPC通过基于pCTR、pCVR和bid的排名阶段来优化流量分配。策略层还负责后续的广告复制去除，以及广义二次价格拍卖（GSP）下的最终印象价格计算。根据广告的排名，由数据节点服务器(Data Node (DN) Server)提取标题和图像地址，再由智能创意服务(Smart Creative Service (SCS))进一步优化。最后，前端服务器将广告结果返回给移动应用程序或PC网站。随后的点击或转换将记录在日志系统中。所有子系统共同构成了一个完整的数据生态。