0
| 本文作者： 楊曉凡 | 2017-08-16 10:24 |
雷鋒網 AI 科技評論按：2017年8月13-17日，第23屆國際知識發現與數據挖掘大會（KDD）在加拿大哈利法克斯召開。KDD的英文全稱是Knowledge Discovery and Data Mining，即知識發現與數據挖掘，由美國計算機協會ACM下的數據挖掘分會舉辦，是國際數據挖掘領域的頂級會議。 KDD 2017共吸引全世界1144篇論文投遞，收錄216篇，包括清華、中科院、阿里在內的中國大陸學術界和工業界共被收錄25篇。
在 KDD 2017全球論文投稿中，阿里集團和螞蟻金服共有5篇論文被大會收錄，本次被收錄論文涵蓋深度學習、大規模圖計算、商品智能排序等多個研究領域，基于真實的業務場景或數據樣本，文中部分方法結論已經在業務中運用。如深度學習語義建模研究中提出了一種新的文本語義編碼算法conv-RNN，該模型在參考了較為常用的文本語義編碼模型循環神經網絡與卷積神經網絡的同時，進行了進一步的文本語義編碼優化，實現更為精準的文本分類和問答匹配并已應用于阿里智能音響“天貓精靈”。
如下是來自阿里的KDD 2017 收錄論文「Optimized Cost per Click in Taobao Display Advertising」（「淘寶展示廣告中的OCPC智能調價算法」）的解讀文章，文章作者為朱晗，靳駿奇，李晗。 
該論文圍繞OCPC智能調價，創新地提出了一種雙層優化形式，將優化廣告主價值轉化為首要約束條件，將系統根據預估收益對廣告進行排序作為內層優化問題，將用戶體驗和平臺收益的最大化作為外層的尋優問題，并提出了相應的求解方法。最終達到不僅廣告主效果優化，平臺商業收入和用戶指標也獲得優化的三位一體目標。
基于固定出價的傳統廣告系統中，廣告主對特定用戶人群和廣告位設定固定的競價，其本質是粗粒度的流量區分和匹配。事實上，廣告主有著進一步細粒度的競價和流量質量匹配的訴求。該系統還有著兩方面的缺陷。其一，廣告主單一固定的出價應對連續多變的流量模式導致經濟效率低下；其二，傳統的最大化廣告收益（eCPM）的排序機制過于追求短期商業利益，無法調控流量對用戶體驗、商家利益、成交額等指標的影響，不利于淘寶生態的長期可持續繁榮。
曾被《經濟學人》稱為“中國最大在線市場”的淘寶擁有世界先進水平的在線廣告系統。該論文的研究聚焦于重要的淘寶移動端CPC展示廣告中的競價優化問題。由于淘寶CPC展示廣告處于相對重要的場景，其廣告投放的優化通常需考慮諸多因素，如反應商家利益的投資回報率（ROI）、總成交額（GMV）、轉化率（CVR），反應平臺用戶體驗的點擊率（CTR），以及淘寶平臺收益指標（千次展現收益RPM）等。
值得一提的是，谷歌公司AdWords的ECPC也嘗試根據用戶潛在轉化率調整廣告主競價。然而，除了轉化率，ECPC無法直接優化其它諸多對淘寶生態重要的指標（如平臺整體GMV等）。
論文設想通過算法對于每條用戶請求，在保障優化廣告主利益的前提下，自動地調整廣告主競價從而使競價能夠反應該流量的真實價值。流量價值的定義上，算法融合了用戶體驗、廣告主收益以及平臺收益的整體生態指標，旨在實現三方共贏的商業局面。基于此，論文提出了一種新的Optimized cost per click (OCPC)智能調價算法。
OCPC智能調價算法從數學上描述并分析了優化廣告主訴求的條件，進而提出了一種優化平臺生態綜合指標以及平臺收益的算法。事實上，該算法框架適用于多種廣告主訴求以及平臺生態指標的優化問題，例如用戶的瀏覽量、點擊量、轉化率等。
論文選擇了ROI以及流量質量作為廣告主的優化訴求，選擇GMV作為平臺生態指標，并通過調整廣告主出價優化平臺的商業收益。
ROI（投資回報率）優化算法
智能調價算法分析了優化廣告主投資回報率的條件，即ROI約束。其中，定義交易轉化為c，用戶為u，廣告位a，那么在用戶和廣告的條件下產生轉化的條件概率為p(c|u, a)。對于一個特定的廣告計劃a，定義va為預估的筆單價。因此，單次點擊的期望GMV為
。進一步定義廣告主為每一次點擊付費為ba，那么單次點擊的期望ROI則為公式（1）：
（1）
即單次點擊的期望投資匯報率為期望GMV除以單次點擊價格。進而，廣告a對于不同用戶和點擊的ROI如公式（2），即平均轉化率乘以比單價除以單次點擊價格，其中na是某個用戶在一段時間內的點擊量。
（2）
公式（2）說明了ROI和一段時間內平均轉化率p(c|u, a)之間的線性關系，因此，只需要調價幅度小于當前流量轉化率和歷史平均流量轉化率的比值，就能從理論上保證ROI不會下降，如公式（3）所示：
（3）
從而，該算法競價優化的原則是：對于轉化率升高的流量，提升其競價來幫助廣告主競得優質流量；對于轉化率下降的流量，降低競價從而節約在劣質流量上的成本。出于調價的安全考慮，該算法設定了固定的調價范圍參數，保證廣告主的調價不過高或者過低，并以此得出調價的上界
和下界
如公式（4）。
（4）
綜合指標優化算法
在給定上下界的范圍內優化出價可以幫助廣告主獲得更高質量的流量以及更高的ROI。但是，約束空間內解的不同出價會導致不同的eCPM排序，并最終影響平臺收益和其它指標的效果。因此，該算法提出了一種在eCPM排序機制下，對綜合指標保優的出價調整算法。其核心解決的優化問題如公式（5）。
（5）
其中n是候選廣告的數量，pctr是預估點擊率（由阿里媽媽精準技術團隊自主研發的混合邏輯回歸算法MLR支持，可以參見雷鋒網 AI 科技評論此前報道）。f()函數定義了系統期望最大化的綜合指標，典型的兩個例子如公式（6），其中，第一個目標函數可以優化總成交額GMV；第二個目標函數權衡優化總成交額GMV和廣告收益。
（6）
如公式（5）所示，我們希望在滿足廣告主訴求的調價范圍內進行調價，使得ECPM排序機制（如公式（5））下最優的廣告，其綜合指標函數f()的值也最大。該優化問題的主要求解方法請參見KDD 2017收錄的論文原文: Han Zhu, Junqi Jin, Chang Tan, Fei Pan, Yifan Zeng, Han Li, Kun Gai. Optimized cost per click in Taobao display advertising. ACM SIGKDD 2017.
該優化問題的設計實現了最終排序指標和廣告主流量目標的解耦。一方面，候選廣告仍然按照最大化eCPM的pctr*b標準排序，廣告主通過調價匹配流量價值，同時整體eCPM排序機制保證了廣告主出價撬動流量的能力不受影響；另一方面，廣告平臺可以通過設計不同的f()函數優化相應的平臺綜合指標。
OCPC智能調價算法在離線模擬實驗和線上實際生產環境中都取得了明顯的效果提升。單品廣告離線模擬效果如表1所示。其中，評價指標為RPM（廣告千次展現收益），GPM（千次展現GMV），CTR（廣告點擊率），CVR（成交轉化率），PPC（單次點擊扣費）。基準策略是傳統的廣告排序方法，表中數據為該論文提出的OCPC算法相對基準策略的效果提升百分比。實驗結果表明，OCPC算法明顯提升了商家千次展現成交額（GPM）和成交轉化率（CVR）。
OCPC算法在在線生產環境中也展現了明顯的效果提升，相比基準策略，其效果提升百分比如表2。
持續一周的線上生產環境效果分析表明，OCPC使得67%的廣告主制定的廣告計劃（Campaign）的千次展現成交額（GPM）和廣告投資回報率（ROI）同時獲得了提升，如表3。另有24%的廣告計劃顯示出流量數量和質量的置換現象（Quantity and quality exchange），其含義是：這類廣告主由于獲得了更多的流量，拉低整體平均ROI下跌。但是，由于其整體流量增幅高于平均ROI跌幅，這些廣告主的成交轉化數都獲得了提升。
除了單品廣告場景，該算法在淘寶移動端首頁頂部的Banner廣告中也明顯提升了商家的成交額和轉化率，如表4。從商品的類目視角分析，表5的數據表明17%的類目（占62%的瀏覽量）流量的商家GPM和ROI獲得了同時提升，27%的類目（占21%的瀏覽量）流量的GPM獲得了提升，另有30%的類目（占12%的瀏覽量）顯示出流量數量和質量的置換（與單品廣告分析相似，其轉化效果也獲得了提升）。
論文指出，持續了一周以上的線上實驗結果表明，OCPC算法在長期的考察中展現了穩定的明顯正向效果提升，為大多數廣告主以及平臺帶了經濟效益的增長。更多詳盡的算法分析以及更多場景中OCPC效果的實驗請參閱論文原文。
該項技術在淘寶展示廣告主要場景上得到了全面應用并取得了明顯的效果提升，單品主流場景中67%的廣告主ROI（廣告投資回報率）和GMV（商品交易總額）同時獲得了提升，另有24%的廣告主其流量增幅大于ROI降幅，即成交總量獲得了提升。該場景商家整體成交額GMV提升8.9%，CVR（成交轉化率）提升5.2%，RPM（廣告千次展現收益）提升6.6%。Banner CPC場景中，62%流量的商家成交額GMV和ROI同時獲得提升，21%的流量GMV獲得提升，另12%的流量成交總量獲得了提升。該場景商家總成交額GMV提升15.7%，CVR提升19%，RPM提升3.6%。
未來，阿里媽媽精準技術團隊將繼續圍繞客戶核心價值，在業務上提升營銷效率，設計更精準的流量實時價值評估系統。通過持續優化商家和消費者的匹配與連接效率，提升商家的營收和消費者的用戶體驗。技術上，該團隊將進一步探索基于深度學習、強化學習等最前沿的人工智能算法，在持續支持業務效果提升的同時，為學術界、工業界貢獻創新的算法和技術解決方案。
論文原文鏈接：https://arxiv.org/abs/1703.02091
相關文章：
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
