【广告算法工程师入门 22】机制设计-传统机制设计演变与收入优化思考

机制设计的内容

机制设计分配函数和计费函数，分配函数一般就是排序函数了，那就需要考虑为哪些东西排序（广告的样式，图片，广告本身等），排序函数的具体形式（线性，折线，曲线等），排序函数中的可调参数等，一般排序函数决定这分配函数的形式以及各种策略。

机制设计的方法

• 均衡分析
  之前学习的机制设计方法基本上都是在分析一种机制所能达到的均衡，均衡是对博弈的终止状态（稳定状态），在这种情况下可以精确地获得博弈各方的收益和支付情况，但是这种分析方法需要各种假设条件，在某些情况下假设条件不成立，并且达到均衡的耗时，怎么达到均衡均不好获得。
• 静态分析
  有些时候如调整某个排序函数的形式或者参数，可以通过静态分析的方法获得各方的收益和支付情况，可以通过简单的数学分析就可以较好地预估短期的效果。博弈是动态的，静态分析为考虑博弈参与者的反应，长期效果可能不好评估。
• 实验分析
  实践是检验真理的唯一标准，哈哈，一般情况下能够直接反映机制的好坏，也可能收到其他因素的影响。

在实际工作中，一般静态分析有收益后通过实验分析验证，均衡分析作为参考。

从合同谈判定价

之前学习过，广告最开始是通过合同谈判的形式进行定价售卖的，谈判双方在讨价还价中达成一致，这个价格一般情况下是低于买者的心理价值的。时效性不好，并且不方便做大范围推广。

GFP

在GFP拍卖中，广告主的报价即为付费，广告主不会报出心理价位，并且变动频繁，拍卖效率低下。排序函数的数学图形式即为一维的线段。

GSP

在GFP拍卖中，排序函数Ri=qi∗Bi的数学图形式是，i的付费为横轴上的p(i)：

需要注意的是ctr如果相差较大时对各方的影响，ctr大的广告主价格表达能力变强，而ctr小的广告主价格表达能力变弱；搜索引擎的收益还有优化的空间。因此，为了广告主的价格表达能力和SE的收入，可以对GSP排序函数中qi或者Bi做调整

GSP的参数优化（调整ctr）

• 控制最大ctr和最小ctr的比例
  如果呈现大量的rank函数值大ctr2值也大的情况时，可以采用该方法处理。（图就暂时缺省）

• 对ctr进行压缩操作
  将排序函数改成Ri=qti∗Bi,通过调整t可以得到不同的排序函数。
  

  需要注意的是这些参数和策略的调整均存在收益赚和亏的情况，并不一定保证有收益。

GSP的参数优化（调整bid-虚拟价值）

除了调整ctr外，还可以调整bid的影响，如加入虚拟价值

GSP的参数优化（调整bid-Myerson）

在之前的基础上更进一步，Myerson给出了虚拟价值的最优表达形式φ(x)=x−(1−F(x))/f(x)，SE得到最大的收益

GSP的参数优化（bid准入-保留价）

在不同的出价维度（展现，点击，转化）上设计不同的保留价（如最有保留价）等策略。Minbid,mincpm等策略大部分Revenue-Max机制和Efficiency-Max机制的效果提升，往往不如增加Bidder效果明显。保留价可能会组织新客户进入竞拍，因此收益从长期看并不一定是持续有效的。最好的方法是竞争变得越来越激烈，因此来说触发和准入调参是涨收入的重要方法（当然还受到相关性等用户体验参数的限制）

near-optimal机制设计
Learning Simple Auctions
博弈机器学习