2023阿里妈妈技术年刊：广告算法与工程实践精选-阿里妈妈技术-2024-441页_17mb

阿里妈妈技术年刊总结

核心内容

《2023 阿里妈妈技术年刊》聚焦于广告算法与工程实践，涵盖机制策略、召回匹配、预估模型、智能创意、风控技术、隐私计算、算法工程/引擎/系统建设等多个领域。文档系统梳理了阿里妈妈在广告智能决策技术上的演进历程，以及在拍卖机制设计方面的创新实践，旨在推动广告技术的智能化发展。

主要观点

自动出价技术的演进

1. 第一代：经典控制类
   以 PID 控制算法为核心，通过预算消耗曲线进行控制，适用于流量价值分布稳定的场景。

2. 第二代：规划求解类
   采用线性规划（LP）算法，通过预测未来流量集合求解出价参数，适用于预算周期较短的场景。

3. 第三代：强化学习类
   引入强化学习（RL）方法，解决动态竞价环境下的序列决策问题，提升了自动出价策略的灵活性和适应性。

4. 第四代：生成模型类
   以生成式大模型为核心，提出 AIGB（AI Generated Bidding）模型，将出价策略建模为条件生成模型，解决了传统 RL 方法中的分布偏移和策略退化问题，实现了更高效的在线出价决策。

拍卖机制设计的演进

1. 第一代：经典拍卖机制
   包括 GSP 和 VCG，适用于简单竞价环境，但缺乏对复杂场景的适应能力。

2. 第二代：Learning-based 拍卖机制
   引入深度学习和强化学习，设计出 Deep GSP、Neural Auction 等机制，提升了拍卖机制的优化能力。

3. 第三代：拍卖机制与自动出价联合设计
   针对自动出价带来的新挑战，提出基于排序函数的激励兼容机制，如 DSIC 和 IR 约束，实现更精准的竞价分配。

关键信息

自动出价技术

• 目标：在预算和成本约束下最大化竞得流量的价值总和。
• 挑战：流量集合动态变化、转化信息稀疏、实时反馈延迟。
• 创新点：
  • 引入 Offline RL-based Bidding 与 Online RL-based Bidding，减少训练时间成本与效果损失成本。
  • 提出 AIGB 模型，基于生成式模型实现更灵活的出价策略，避免 RL 中的训练误差累积。

拍卖机制设计

• 目标：最大化平台收入与用户体验，同时满足激励相容性和个体理性。
• 挑战：
  • 多目标优化的复杂性。
  • 外部性对点击率（CTR）的影响。
  • 多智能体竞价下的博弈关系。
• 创新点：
  • 提出 Score-Weighted VCG 框架，考虑外部性，实现激励兼容的整页拍卖机制。
  • 设计 Two-Stage Auction，结合粗竞与精竞阶段的出价策略，提升整体竞价效果。

其他技术方向

• 召回匹配：基于图神经网络（如 BOMGraph、CC-GNN）提升广告召回能力，增强鲁棒性。
• 智能创意：探索基于图的文案生成、无监督域自适应海报布局、字体生成等技术，提升广告创意质量。
• 风控技术：构建基于大模型的内容风控模型，提升内容安全性和用户体验。
• 隐私计算：推出营销隐私计算平台 SDH，保障用户隐私与数据安全。
• 算法工程：通过动态算力、智能诊断、向量召回索引等技术提升广告系统的工程效率和稳定性。

技术趋势与展望

• 生成式模型的引入：AIGB 等生成式模型的出现，标志着广告出价技术进入一个全新的时代。
• 多目标优化：未来将更加注重多目标（如 RPM、CTR、GMV）的协同优化。
• 联合设计：自动出价与拍卖机制的联合设计，将推动广告系统向更加智能化和个性化方向发展。
• 隐私与安全：隐私计算技术在广告营销中的应用，成为保障用户数据安全的重要方向。
• 多智能体与博弈论：随着广告主行为的复杂化，多智能体联合出价与博弈分析将成为研究重点。

结语

阿里妈妈技术团队通过持续的技术创新和实践探索，推动了广告智能决策技术的代际升级，从经典强化学习到生成式模型，从单坑拍卖到整页优化，从独立出价到联合设计，实现了广告技术的全面升级。未来，阿里妈妈将继续在这些领域深入探索，推动广告行业向更加智能、高效和安全的方向发展。