品效合一的增长秘诀-腾讯广告kdd2022录用论文分享之conflux算法

·品效合一的增长秘诀——KDD2022录用论文分享之合流算法 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 – AAAI 2019➢大规模的用户访问和深层时空测量的预测研究我们rk Factoriz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 – ICDM 2022➢ C O NFLUX: 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-售卖阶段在线-执行阶段广告订单询量锁量精排预估粗排召回预估：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3 集合:Reques t-level付离子Framewo rk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 01背景和挑战 Bac kgro和——Adve rti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%痛点。充分释放商业价值o 保证交付 散装固定价格 实时竞价浮动价格通过拍卖7 Bac kgro和——保证交货• 艺术的库存:功能困难提前预测• 预期的数量和属性GD印象是承诺一个固定的单位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:两偶图年代upp 德妈nd 印度河试一试{上海,男,35}{上海,铁男,25}年代的港口• 一个供求关系问题描述两偶图尤里勒克斯{北京,男,20}因为外邦人{深圳、铁男,40岁}• 合同之间的竞争重叠的目标目标、工业、和库存分配8 Bac kgro和B id -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.最高出价赢得游戏• 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。9 Bac kgro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。问题:分配基于点播的印象实时竞价的最佳分配 印象分配和政策搜索在和直接活动ACM SIGKDD 2018展示广告2021年IEEE ICDM• 每个合同参与拍卖,• 合同被视为投标人,给出了基于和报价和投标是由优化非放松定理。算法。• 网络流量和请求属性• 在一个广告的造型变量,和广告的粒度是不够的粒度。捕捉动态。 挑战通过公司集合:请求级别分配爹妈upervis艾德学习模型degradatio n公司mplexc o mpetitio n年代tringent延迟 • 整体收入• GD&RTB之间• 在GD广告• 一百万年广告内• 分布的转移最大化毫秒景观,用户流量• 一个接一个的决定• 不可避免的权衡 02制定和解决方案 所以lutio n -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 orpusR etrieval年代取心R e ra下沉C O NFLUX～10～10广告Reques t～10～1上百万n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交易ck日志13 所以lutio n -概述通过公司集合:请求级别分配P aradigm9 n公司mpetitio n莫德林模型dis tillatio n在线c alibratio n 连接与平连接与平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 • 实时日志• 线性规划• 历史上的培训样品• 加权池• 功能交叉• 范例数据流在GD广告• 模型的压缩• 周期性的微调• 颞蒸馏• Sum-pooling之间• 问题GD和RTB分解 所以lutio n -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lutio n -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lutio n -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푝 퐺퐷 = 푝 퐺퐷 퐺퐷 × − 푝 푅푇퐵 那么,我们训练净和RTB GD푗푗净条件概率和预测푦ො 产品=푥ො .푖풊풋• 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lutio n -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。 03评价和结论 Ev aluatio n - P erfo rmanc e• 离线评估:• 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%。 Ev aluatio n - n blatio研究• 在线校准• 蒸馏损失选择 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04