寒露 | 互联网广告：点击率预测、拍卖机制与自动出价

✦+

互联网的开放与免费对我们的生活产生了极大的便利。我们可以使用百度、搜狗等搜索引擎搜索我们想要了解的问题，在头条、微博上了解天下大事，在淘宝、京东上足不出户进行网上购物。大家有没有想过一个问题，这些能够免费使用的网站与软件，它们主要通过什么方式盈利？

这些互联网产品都有一个共同点，那就是它们具有大量的流量，每天都有成千上万的用户访问这些产品。互联网产品的主要盈利方式便是流量变现。具体来说，这些产品提供了广告平台，在产品界面上向广告商家出售广告以获取营收。经常上网的同学细心一点就可以注意到，在使用搜索引擎时经常返回广告结果，在新闻网站上也时不时出现广告页面，而在购物软件上也能发现不少商品下方标注了“广告”。互联网广告为各大互联网公司带来了百亿甚至千亿级别的收入。本文主要讨论搜索广告与展示广告，但需要注意除此之外还有传统的品牌广告方式。

图表1. 使用百度时出现的搜索广告

图表2. 互联网广告收入

在搜索广告与展示广告中，一般来说，只有当用户点击广告后，平台才能向广告主收费，因此点击率（Click-Through Rate，简称CTR）的预测[1]就显得非常重要。这是一个经典的机器学习问题，平台通过历史上不同用户与各种广告的互动数据，来训练机器学习模型，基于用户特征、广告特征、搜索关键词（如果是搜索广告）等因素来预测用户点击广告的概率。

广告是如何选择的？平台是如何向广告主收费的？这涉及到广告的拍卖机制[2]（Auction Mechanism），这是整个互联网广告的核心，也是广告系统与推荐系统最根本的区别。具体来说，当用户进行页面浏览时，每个广告主需要对相关的广告位报价（bid），这个报价表示广告主愿意为了赢得这个广告位出多少钱。随后，平台立刻进行广告拍卖，在成千上万的广告中，根据广告主的报价、预估点击率等信息，选择获胜的广告。获胜的广告可以得到展示的机会，平台根据用户的点击、购买等行为对广告主进行收费。广告拍卖机制的核心在于上述提到的分配（Allocation）规则和支付（Payment）规则。这是一个经典的算法博弈论问题，广告主通过报价与其他广告主和平台进行博弈，广告主可以调整自己的报价以获取更大的利益[3]。为了确保整个拍卖结果可控与稳定，拍卖机制的设计通常要求满足激励相容（Incentive Compatible）的性质，也就是让广告主在诚实报价时能获得最大的利益。为了进一步鼓励广告主进行诚实报价，另一个拍卖设计的原则是个体理性（Individually Rational），确保广告主在诚实报价时能够获得非负的利益。同时，在满足上述两个理想的拍卖性质的前提下，平台通过进一步的拍卖机制设计，来最大化自己的营收。

基于平台公布的拍卖机制，广告主如何进行报价呢？在激励相容的情况下，理想状态下广告主只需要提交自己的真实估值。然而，这仅适用于预算充足、没有投资回报率（Return On Investment，简称 ROI）要求的理想情况。此外，每天有成千上万次的广告拍卖机会，而每次广告拍卖时间极其短暂（毫秒级别），广告主不可能整天守在电脑前，更不可能在每次广告机会到来的毫秒级时间内完成报价。基于上述挑战，诞生了自动出价[4]（Auto-Bidding）服务，又称实时出价（Real-Time Bidding）服务[5]。在自动出价服务中，广告主在一个网站上填写自己的总预算、投资回报率要求、投放目标、投放人群、投放时间等信息，之后广告出价的任务完全交给机器来完成。自动出价机器人将在每次广告机会到来时，自动计算本次广告机会对广告主的价值（也就是流量价值），并根据广告主的约束条件，计算出一个合理的报价。自动出价服务的出现极大简化了广告主在互联网广告中的操作难度，也为平台吸引更多广告主提供了便利，间接提高了平台的营收。

受篇幅所限，互联网广告中还有许多重要的问题未被涵盖，例如平台如何在实现营收的同时兼顾用户体验，平台如何将广告结果与原生的搜索结果（或推荐结果）有机融合，以及大型语言模型颠覆搜索引擎后的搜索广告。这些问题都非常实际，但也充满挑战性。

Reference:

[1] Richardson, Matthew, Ewa Dominowska, and Robert Ragno. “Predicting clicks: estimating the click-through rate for new ads.” In Proceedings of the 16th international conference on World Wide Web, pp. 521-530. 2007.

[2] Lahaie, Sébastien, David M. Pennock, Amin Saberi, and Rakesh V. Vohra. “Sponsored search auctions.” Algorithmic game theory 1 (2007): 699-716.

[3] Edelman, Benjamin, and Michael Ostrovsky. “Strategic bidder behavior in sponsored search auctions.” Decision support systems 43, no. 1 (2007): 192-198.

[4] Balseiro, Santiago R., Yuan Deng, Jieming Mao, Vahab S. Mirrokni, and Song Zuo. “The landscape of auto-bidding auctions: Value versus utility maximization.” In Proceedings of the 22nd ACM Conference on Economics and Computation, pp. 132-133. 2021.

[5] Zhang, Weinan, Shuai Yuan, and Jun Wang. “Optimal real-time bidding for display advertising.” In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, pp. 1077-1086. 2014.

文 | 段志健

图 | 除标注外，源自网络

—   版权声明  —

本微信公众号所有内容，由北京大学前沿计算研究中心微信自身创作、收集的文字、图片和音视频资料，版权属北京大学前沿计算研究中心微信所有；从公开渠道收集、整理及授权转载的文字、图片和音视频资料，版权属原作者。本公众号内容原作者如不愿意在本号刊登内容，请及时通知本号，予以删除。