狮猿汇：RTB动态出价策略的设计与实践

力美科技 · 公众号 · 科技媒体 · 2017-08-09 12:35

正文

请到「今天看啥」查看全文

这个策略的目标、假设已经相对清楚，接下来的问题就是如何设计这个出价函数？这个出价函数既要能反应流量的预期成交价，又要能够反应当前市场竞争情况。前者可以使用模型预测一个基本的成交价，后者可以使用竞价成功率来反映市场的竞争情况，在价格一定的情况，市场竞争状况和竞价成功率呈现负相关。所以我们的出价公式就逐渐清晰：

bid+ k/r

bid是模型预测的成交价，后面的这一项根据竞价成功率来调节最终的出价，当r较低，代表市场竞争激烈，出价就会在预测的成交价基础上更高一点，反之就会更低一点。在这个公式中，bid可以用机器学习算法训练模型并预测，而r则可以采取近段时间的竞价成功率来近似，也可以使用机器学习进行预测，剩下的k值用来权衡两者的关系，较大的k值会使出价随着竞价成功率产生很大的波动，k值可以由人工调节，也可以通过实验进行选择。

以上是动态出价策略的大体设计，接下来与大家分享力美的实践，具体分为三个阶段：数据清洗、特征选取、模型选择等。

首先需要说明，这三个阶段的前提——数据源，即竞价日志（response）和展示日志（impression），竞价日志中包含了媒体、设备、尺寸、创意、预估的点击率、底价以及出价的信息，竞价成功的，则会有展示日志，两份日志匹配后，就形成了训练两个模型的原始数据。