论文部分内容阅读
近年来,实时竞价展示广告凭借其主动推送的方式,已经发展成为互联网广告的重要组成部分。同时,随着实时竞价展示广告的快速发展,广告成交价预测研究得到越来越广泛的关注。广告成交价的精准预测使得广告主能够制定更为合理的出价策略,以更低的成本获得有更高商业价值的广告展现机会,最终获取更高的利润。目前,主流的广告成交价预测研究工作主要采用基于单一有参概率分布假设结合生存者分析对广告成交价建立一个受限回归模型。然而,在实际场景中,广告成交价分布的变化较为复杂,基于单一有参概率分布的假设不仅过于严格而且会大大降低预测模型的泛化能力。因此,为解决上述问题,本文提出了基于神经网络的非参数广告成交价预测模型NPNN-WPE(Non-Parametric Neural Network based Winning Price Estimator)。NPNN-WPE模型一方面使用NPNN(Non-Parametric Neural Network)对广告成交价进行预测,这种神经网络可以在训练过程中自动调整网络结构,从而可以在一次训练流程内完成对训练数据的适应以及模型参数数量的调整,因此可以大大缩短模型整体的训练时间,达到更好的预测性能;另一方面针对第二价格拍卖机制下历史成交价的数据右缺失问题(即只有出价最高的广告主才能获知该次竞价的真实成交价,而其他广告主无法获知真实成交价,仅可知晓成交价大于其出价),NPNN-WPE模型提出了两类非参数估计法。一种是基于生存者分析对每个广告竞价数据样本进行加权处理;另一种则是基于非参数的受限最小绝对误差估计法设计的模型损失函数。基于非参数估计的方法不需要事先对历史竞价数据进行是否服从某种分布的假设,在简化模型训练计算复杂度的同时也提升了模型的泛化能力。最后,本文通过对比NPNN-WPE模型与有参模型在业界广泛采用的i Pin You数据集和Criteo数据集上的实验结果验证了NPNN-WPE模型的有效性。