品效合一的增长秘诀-腾讯广告kdd2022录用论文分享之conflux算法

嘉宾介绍 黄东波 腾讯广告高级应用研究员，合约与程序化广告算法负责人 用于推荐系统的牵引力感知因子机器–AAAI2019 大规模的用户访问和深层时空测量的预测研究 我们rkFactoriz联邦铁路局信息我–知识发现(KDD)2019 一个请求级保证的生活方式的发展规划。预测和分配–知识发现(KDD)2020 统一的在线播放的保证印象的分配框架–ICDM2022 CONFLUX:一个通过案例分析进行印象分配的请求级融合框架– 知识发现(KDD)2022 品牌广告业务介 绍媒体以预售的形式向广告主保证目标定向的投放量（售卖），并按照合约 完成 投放（执行），下文品牌广告和合约广告交替使用 离线-售卖阶 段 预估询量锁量 广告订单 在线-执行阶 段 召回粗排精排 预估：提前N天预估不同维度不同粒度的库存(曝光) 询量：当广告主有库存需求时，提供最大的可用库存 锁量：当广告下单后，确保广告的预订库存不被抢占 3 召回：根据广告请求的属性和广告状态召回广告 粗排：进行广告的初步排序和筛选，特殊广告处理 精排：品牌广告通过虚拟出价和竞价广告竞争曝光机会 集合:Request-level付离子Framework 经由过程现金转移支付来实现的印象。 4 年代 ummary •研发目标:两个不同广告市场的统一排名框架。 保证交付（GD）和实时竞价（RTB）以提高收入。 •贡献: •一个框架在一个服务要求的粒度基于更精确的建模 不稳定的比赛。 •多级工作流命名级联蒸馏有效地产生工业应用模型。 •通过对腾讯广告系统的工业部署进行广泛的评估。 5 背景和挑战 Backgro和——Adverti市场概述 市场超过1300亿美元的交通增长放缓•中国的互联网用户和 互联网普及率达到 分别为73%和1032000000 •广告业务总量增长由于COVID不到3% ssssssssssssssssss [[[[[[[[[[[[[[[[[[[[[[[[[ [[[[[[[[[[[[[[[[[[[[[ 保证交付 [[[[[[[[[[[[[[[[[[ [[[[[[[[[[[[[[[[[[[[[ [[[[[[ [[[[[[[[[ 散装固定价格 实时竞价 浮动价格通过拍卖 7 Backgro和——保证交货 •艺术的库存:功能困难 •预期的数量和属性 印象是承诺一个固定的单位 提前预测 GD 价格通过合同提前目标分配 •出版商有义务的合同’实现和支付 点球未完全交付任何之后 •印象分配: •一个供求关系问题描述 两偶图 •合同之间的竞争 [上海,男,35] [上海,铁男,25] [北京,男,20] [深圳、铁男,40岁] 两偶图 年代upp德妈nd印度河试一试 年代的港口 尤里勒克斯 因为外邦人 重叠的目标目标、工业、和库存分配 8 Backgro和Bid-真正的时间 •竞购印象:RTB关注即时效果和 允许广告商为每个机会出价，而不需要保证总量。 •为“按行为付费:销售价格随拍卖 取决于广告商的估价（例如，可能的点击或购买)。 풃풊풅=풕풂풓품풆풕푪푷푨×풑푪푻푹×풑푪푽푹×풇풂풄풕풐풓풔. •平台的收入:最高出价获胜,这一指控푏푖 的印象푖成为出版商的收益。 因此,我们只关心푏푖在我们的问题。 最高出价赢得游戏 9 Backgro和-目标考虑 •套利空间:RTB的售价不同在GD市场市场而保持固定。 •印象质量:GD广告商也追求 个性化和性能 •复杂的目标:63901用户的目标和 4254119年支持请求的目标。 实时竞价的最佳分配印象分配和政策搜索在 和直接活动ACMSIGKDD2018展示广告2021年IEEEICDM •合同被视为投标人,和投标是由优化算法。 •在一个广告的造型粒度。 •每个合同参与拍卖,给出了基于和报价非放松定理。 •网络流量和请求属性 变量,和广告的粒度是不够的捕捉动态。 挑战 爹妈upervis艾德 公司mplexco 年代 tringent 模型 degradation 学习sssssssssssssssssss [[[[[[[[[[[[[[[[[[[[[[[[[[ [[[[[[[[[[[[[[[[[[[[[[ [[[[[[ mpetition延迟 𝐺� 1𝐺𝐺1 [[[[[[[[[[[[[[[[[[[[ [[[[[[[[[[[[[[[[[[[[[[ [[[[[[[[[ 𝐺𝐺1𝐺𝐺1 •整体收入•GD&RTB之间 •一百万年广告内•分布的转移 最大化 •在GD广告 毫秒景观, •一个接一个的决定•不可避免的权衡 用户流量 制定和解决方案 所以lution-广告系 统•广告漏斗:结构组成的检索、得分和reranking来处理 million-level广告语料库。 •并行服务器:特征服务器存储所有必要的属性和广告。日志服务器记录 印象，以及符合条件的广告和出价。 •在融合模块:CONFLUX将这两种产出聚合在一起，并建立一个统一的竞争力。阶段平衡收益和费用。 C orpus ～1上百万n R etrieval ～10 年代取心Rera下沉CO NFLUX ～10 ～10广告Request 菲一个真正erv日志服务器 GDRTB 广告菲一个真正 用户菲一个真正 13 交易ck日志 所以lution-概述 Paradigm9n 公司mpetition 模型 distillatio 在线 calibratio 莫连接与平德林 连接与平n nSSSSSSSSSS Micro-Env。Macro-Env。投标费用 SUMPoolingSUMPooling 连接 ThreatScoringThreatScoringThreatScoring 连接连接连接连接连接连接 用户字段ContextField候选人的广告合同1合同2合同米 SSSSSSSSSSSSSSSS •实时日志 •加权池 •功能交叉 •范例数据流 •线性规划•历史上的培训 样品 在GD广告 •Sum-pooling之间• GD和RTB分解 问题 •模型的压缩 •周期性的微调•颞蒸馏 所以lution-范式的一代 •线性规划:生成范式的 优化配置计划的历史日志数据。 •标签样本:푀合同1出价赢家= 푀训练样本与푥푖푗的标签。 所以lution-竞争模型 •Micro-competition向量:重叠的合同之间的竞争取决于需求-供应条件，因此采用了加权的集合。 •Macro-competition向量:由于所有的合同都是竞争性的，所以采用了总合的方式。 作为一个整体。 所以lution-模型设计 •问题分解:预测的概率的一个合同푗选择进一步 根据分解푝퐺퐷=푝퐺퐷퐺푗퐷×1푗−푝푅푇퐵那么,我们训练净和RTBGD 净条件概率和预测푦ො产品=푥ො.푖풊 풋 •知识蒸馏:教师网采用了复杂的结构，有特征的交叉，用于 更好的表述能力。它的中间输出被用来将这种知识转移到一个浅的学生网络。 所以lution-模型设计 •在线校准:学生网的定期校准是通过一个更便宜的方法进行的。微调使用新生成的范例。 •蒸馏时间:在目标模型和之前的模型之间进行模型提炼 细粒度组件调整，以防止模型走得太远，被新样本"误导"。该生命周期设置为24小时。 评价和结论 Evaluation-Perfo •rm离线a评n估c:e •三个数据集:闪屏,片头,- 饲料广告,从1周9460万的印象。 •基线:合同第一,固定参数没有校准,ad-level建模和PID控制器。 •度量:累计收入/理论上 最优收入 •网上的A/B测试 :•部署在腾讯广告系统一半以上的一年。 •提高GD的广告市场 3.29%。整个广告的点击率 提高了1.77%,而cost-per-mille出现一个增长了3.63%。 Evaluation-nblatio研究 •蒸馏损失选择 •在线校准 Conclus离子 •我们提出CONFLUX，在并行的GD和RTB之间分配印象。 市场，以增加出版商的总收入。 •设计了一个名为级联蒸馏的工作流程，用于 •产生指导之后的培训的范式。 •提高一个轻量级的训练模式。 •适应在线偏差，避免过度拟合。 •对三个业务数据集和在线A/B测试的综合实验证明的有效性。该系统最终部署在腾讯的广告上。系统和产生可观的收入。 常见 问题