??前言

品牌合約保量廣告被廣泛應用于電商營銷中，為廣告主提供合同約定的目標人群觸達次數。服務于品牌合約廣告的投放分配算法，需要對每個請求分配、展示廣告，以完成合約訂單的展示量要求。在傳統的 APP 開屏品牌合約保量場景下，我們先后設計研發了XSHALE算法[1]和AUAF算法[2]，兼顧展示量及投放效果，取得了顯著的業務效果，并總結為有資源約束下的最優化投放分配解決方案。針對雙十一互動城的特殊業務需求，我們形式化投放目標，基于泛化的投放分配問題建模模板，快速開發上線了服務于雙11互動城的保量下線訂單原始對偶算法、與保量不下線訂單溢出流量均衡重排算法。

??背景

每年雙十一互動游戲都會吸引大量用戶關注和參與，這部分流量會以保量合約廣告的形式，打包為多級別的套餐包售賣給廣告主，在活動期間為廣告主帶來確定性的曝光和進店流量，助力廣告主完成雙十一的“大賣”。2021年的雙十一互動玩法是“賺喵糖、占地盤、搶紅包”的模式，這個場景提供了多樣的商業化資源位(如下圖所示)。這些資源位帶來的商業化流量，需按照合約承諾，分配給各個廣告主，滿足業務訴求。除此之外，我們需要在業務約束內，盡可能地提升廣告主的投放效果，以提高平臺價值與競爭力，贏得更多長期合作。

超級互動雙11業務圖

根據業務規則，雙十一互動城的廣告位均由招商廣告主填充，以保量合約的形式售賣，訂單類型大體分為精準保量下線廣告和泛精準保量不下線廣告：

• 精準保量下線廣告，定向客戶的精準人群進行投放，到量后不再繼續投放；

• 泛精準保量不下線廣告，定向所有人群，但優先展現到精準人群，訂單到量也繼續投放，根據業務規則平衡訂單間對于溢出流量的競得；

除了共同的保量要求，兩種廣告的業務訴求也有不小的差異：精準保量下線廣告的訴求有時間平滑、提效等；而泛精準保量不下線廣告的訴求則為盡量精準、訂單間進度近似、不同級別的商家控制不同溢出比例等。

??技術方案與實現

方案選擇出發點

目前主流的流量調控策略框架，主要分為兩類：

• 離線訓練分配模型，根據模型參數在線實時計算分配概率 + 近線pacing調控進行流量優選；

• 近線調整對偶參數，根據參數實時計算競價。

承接互動合約業務之前，團隊在 APP 開屏合約投放分配場景，有大量的技術積累，形成了離線最優化分配求解 + 近線pacing調控相結合的成熟技術方案[2]。之所以在 APP 開屏品牌投放場景選用這套投放分配方案，原因有以下幾點：

• APP開屏訂單售賣率高，缺量訂單多，獨立調控容易參數“內卷”，采用這套方案，在大促保量壓力較大時可臨時下線pacing模塊，只保留離線訓練的分配模型，以最大程度保量；

• APP開屏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。

另外，離線模型+近線pacing調控也存在一些劣勢：

• 鏈路相對復雜，開發成本略高，時效性不如第二種方法；

• 實際最優分配存在gap，提效能力偏弱。

大促互動場景流量充足，缺量風險很低，不用考慮下線pacing，且套餐包金額較大，每個訂單均有置信的投放數據做反饋。基于以上原因，我們在大促互動場景均采用近線調整對偶計算公式的方法，可以帶來更優的投放效果。針對“保量下線合約”和“保量不下線合約”不同的廣告特點，我們采用了不同算法方案進行廣告投放與流量分配。

保量下線合約的優選提效算法

對于精準保量下線訂單，由于投放前經過了詢鎖量步驟，缺量風險較小，因此可以在保量的前提下，通過流量的pacing優選來最大化訂單的投放效果。這種屬于經典的品牌合約投放形式，有較多的經驗積累，我們結合互動場注重后鏈路效果的業務特點，基于PrimalDual算法[3]，使用brandScore（品牌價值分）來優化投放效果。

最大化后鏈效果的投放公式推導

在無缺量風險的背景下，我們投放的最優化目標函數為最大化預估品牌價值分效果：

對偶問題為：

對一次請求i，召回m個訂單，對偶問題的約束為：

根據松弛條件，以排序，若最高，則本次請求以相對影子價格的最高溢價廣告填充；若所有廣告的，則本次流量拋棄。因此線上的投放“價格”計算公式為：

同時“保留價”為0

對偶變量的近線調控

經典的近線對偶調控算法是基于線上訂單的超投、缺量反饋，調整對偶變量α。但“喵糖”互動城比較特殊，“冷啟即實戰”，流量趨勢難以擬合，波動極大，且直接受游戲規則影響。我們與主互動和業務同學密切配合，基于互動的玩法設計來預估流量趨勢，極大平滑了品牌合約單的釋放。

保量不下線合約的在線分配算法

保量不下線合約訂單是互動城大促特有的一種廣告售賣形式，訂單的釋放完全由業務規則約束下的算法控制，由于沒有結算、召回控制等策略兜底，業務目標對算法的精度和實時性提出了更高的要求。相比于傳統合約的保量下線，保量不下線訂單會將互動城全部流量包斷，并根據訂單級別和運營訴求分配給廣告主，根據售賣價格分為多層，越貴的套餐包，覆蓋資源位更多、展現機會更多、業務溢出率更高。在此基礎上，還需要根據廣告主要求在不同的日期進行爆發期，以配合商家營銷節奏。綜合運營訴求及效果目標，我們設計了“保量及均衡約束下的效果最大化”投放算法，基于投放目標推導對偶投放公式用于線上流量分配，并在近線基于當前投放進度和業務設定目標溢出比例調整對偶變量。

保量一致性對偶投放公式推導

基于業務目標的最優化目標公式如下：

其中：

• 表示流量節點 的供給量

• 表示第 個訂單的預訂量

• 表示第 個流量節點對第 個訂單的分配概率

• 表示實時的品牌價值預估分

• 表示節點 可以召回訂單

• 表示訂單 的初始均勻分配比例，

目標函數第一項是二次正則項，雖然可能使分配結果不一定是最優解，但是通過設置合理超參數，正則項的值比真正優化的目標項小一到兩個數量級，所以對解的影響并不會很大，正則項的主要作用還有以下幾點：

• 使得目標函數變成一個強凸函數，最優解具有唯一性

• 可以讓訂單在保量前提下，讓流量盡量均勻分配，分配的結果更魯棒

• 根據拉格朗日乘子法和KKT條件，加入正則項之后，可以通過約束的對偶變量推導出 ，這樣求解的模型不用直接保存分配概率，而是保存對偶變量，從而具有緊湊解的優勢

上面的目標函數用 表示，采用拉格朗日乘子法可以表示為：

目標取得最優解時，需要滿足KKT條件：

由第一個條件推導：

當上式 時， 可以逐步增大直到 并且不能再增大，否則會破壞KKT條件；當 時，根據第KKT條件，必定有 ，所以的對偶形式可以寫成下面樣式，記為 函數：

假設我們通過離線大規模分配模型或者啟發式方法，已經求解并保存了各個廣告訂單的對偶變量 。當一個流量請求過來時，得到召回的廣告以及每個對應的對偶變量 ，可以通過二分法等實時求解以下方程得到，從而最終得到 。

近線策略 && 目標釋放速度求解

在互動保量不下線的場景中，我們基于近線分鐘級調度，采用線性插值方法，根據線上實時結算反饋調整每個訂單對應的對偶變量α。由于訂單釋放量可以溢出，大于其預定量，但需保證各訂單間的溢出率相似。除此之外，不同套餐包的優先等級不同，優先級從高到低的溢出率需要呈階梯遞減的形態。我們需要實時地調整 我們假設調控的時間為，當日（即廣告計劃j）已釋放量為,原始天預定量為,所對應套餐包理想業務溢出率為。此外，為了調控速率，我們需要預估出campaign每天實際可釋放量【由于是保量不下線場景，該值不等于】。每個都可以根據昨日其對應pid請求數分布得到其釋放曲線,即可知當天0時至t時的預估釋放量當天占比。首先，我們需要預估出當天所有campaign總釋放量:

然后，根據其理想業務溢出率重新加權分配得到:

最后我們可知求得當天還需釋放量。根據以及時間t，我們即可預估出下個時間切片所需的目標釋放速度，然后根據歷史對偶值和歷史釋放速度利用線性插值算法，求解出下一個時間切片的對偶值。

??總結&規劃

今年雙十一，我們基于“喵糖”互動商業化的業務特點，為“保量下線合約”和“保量不下線合約”兩種合約廣告類型，分別設計了提效更佳的brandScore原始對偶投放算法，和保量及均衡約束下的效果最大化投放算法，成功地達成業務放量預期，并在保量基礎上提升了投放的后鏈路效果：

• 針對“保量下線合約”訂單的品牌價值提效實驗，相比無調控基線，實驗桶深度互動率、店鋪二次訪問率及店鋪內平均瀏覽時長均有所提升；

• 針對“保量不下線合約”訂單，業務進度均衡誤差減少，提效實驗桶相比基線，深度互動率、店鋪二次訪問率及店鋪內平均瀏覽時長均大幅提升。

同時，我們更多地關注業務側的放量需求，及品牌粒度的后鏈路效果，并以此為目標設計了投放算法，得到不錯的結果。后面我們將在精準投放提效和業務定制兩個方向進一步優化算法：

• 深入挖掘精準合約的細分人群價值，開發序列化投放算法促進人群流轉；

• 面向泛精準合約的復雜業務訴求，開發投放需求定制接口，針對業務特殊訴求，基于難度和復雜度，自動完成定價和投放策略配置。

注釋及參考文獻

Fang Z, Li Y, Liu C, et al. Large-Scale Personalized Delivery for Guaranteed Display Advertising with Real-Time Pacing[C]//2019 IEEE International Conference on Data Mining (ICDM). IEEE, 2019: 190-199.

An Adaptive Unified Allocation Framework for Guaranteed Display Advertising, accepted by WSDM2022

Chen Y, Berkhin P, Anderson B, et al. Real-time bidding algorithms for performance-based display ad allocation[C]//Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. 2011: 1307-1315.

END

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双11技术分享 | “喵糖”背后的商业化流量投放算法的全部內容，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。