【超级汇川技术汇】是UC广告推广平台推出的技术交流栏目，不定期向行业分享平台的技术思考和技术新进展，希望促进更多数字领域UC广告营销技术的行业交流，推动智能UC广告营销的发展。

一、项目背景

UC广告平台机制策略旨在设计良性的流量分配与扣费机制，保证UC广告投放的市场效率，从UC广告候选队列中选出正确的展示在恰当的用户面前，引导实时UC广告的博弈趋于均衡。

作为市场的三个主要参与方，UC广告主，平台，用户有着不同的目标诉求：UC广告主希望在可控成本内，拿到更多的展现/点击/转化；平台希望在现有流量下获取更多的收入；用户希望得到优质的内容。随着平台间的竞争愈加激烈，UC信息流广告越来越重视用户体验与UC广告主诉求，单目标优化的机制策略远不能满足当下的动态博弈环境，如何设计一套面向多目标优化的拍卖机制，解决不同时间，不同场景下的多方诉求均衡问题，便成为重中之重。

二、文献综述

为保障UC广告主在拍卖过程中的激励兼容（IC）与个体理性（IR）属性，根据Myerson拍卖机制推导的两条重要属性：单调分配：UC广告主上报了更高的报价不能拿到更差的分配结果；最小扣费：胜出UC广告的计费应为其拿到相同坑位的最低报价 。MyersonNet是n个竞拍者，1个拍品情境下，根据单调分配和最小扣费设计的GSP深度拍卖机制，模型主体为一个可逆的单调神经网络，最终产出分配概率，由模型结构与输出函数保证拍卖机制的激励兼容与个体理性。

因此我们结合上述模型的特点与UC浏览器广告内渠场景，设计了一套以传统UC广告推广拍卖为背景，兼顾公平性的多目标深度拍卖机制(Deep Auction)。完整的Deep Auction采用Transformer作为特征增强器，以部分单调Min-Max网络计算排序分，通过Softmax产出采样概率，当前为验证方法的可行性我们优先在内渠UC信息流广告场景下，实现了排序分分配模块，保障平台成本的同时，有效提升了UC广告的转化效果。

三、解决方案

1. 问题定义

在定义我们的研究问题之前，我们需要先明确多目标优化的常用概念：

我们将UC信息流广告场景下的多目标优化问题描述为：在博弈均衡、业务功能以及公平性要求的情况下，最大化竞价排序机制的多目标期望收益，寻找帕累托最优，更具体地，在兼顾平台收入的同时，最优化UC广告的iCVR/GMV等指标，最大化客户收益。

为了打破赢者通吃的局面，根据公平性[7]的结论，我们需要在概率展现的竞价机制下，保证分配函数随UC广告主出价单调递增，从而所有的UC广告主都有获得展现的机会，并且随着出价的增加，机会越大。

2.模型框架

不可否认，计算交互特征存在较大的资源开销，为了验证方案的可行性，在本次的实验中，我们首先实现排序分分配模块，其输入特征在UC广告队列中进行队内归一化，用来表征当前UC广告在队列中的“位置”。

三、实验与分析

1.离线实验结果

实验中以eCPM，ecpm_for_sort作为单调特征，其余作为非单调特征。一则由于eCPM及ecpm_for_sort本身单调于bid，因此模型最终的输入也单调于bid，二则由于ecpm_for_sort含有策略相关系数，最终输出同样单调于这些系数，保证策略的有效性。

2.在线效果

深度机制通过线上AB-test实验验证，并完成了在UC广告平台内渠场景的全流量，在内渠UC信息流广告上实验效果如下：

客户价值 gmv +3.74%，客户有效转化数 conv +4.82%，

转化率 icvr +3.90%，深度转化 deep_icvr +8.41%。

3.效果分析

采样实验期间某一天中经过deep auction排序的队列，其中有约3.83%队列deep auction首位与ecpm for sort首位不一致，在这些pv上，deep auction排序首位相对ecpm_for_sort首位：deep auction 倾向于选出ecpm_for_sort 相近但是 picvr/deep picvr/ecpm 有显著提升的UC广告。我们统计 12 天目标计划在UC信息流广告deep auction实验流量上的展现-1.61%，消耗-0.15%，gmv+4.47%，说明替换的商业有效性，deep auction减少了无效调控的比例，从而提高了调控效率。

四、未来规划

当前的排序分分配模块有效验证了深度机制在多目标优化时的有效性，并且平台性能并没有受到影响，为下一步的优化提供了基础。接下来我们将从扩充目标体系出发，迭代模型特征与模型结构，主要优化方向。

扩充目标体系，引入预算、客户数等横向优化目标，进行全局目标优化；根据优化目标迭代特征输入，增加队列特征增强的transformer模块，升级deep auction模型，增强多目标优化能力。

扩大策略影响的UC广告推广场景范围，当前多目标仅在内渠UC信息流广告下生效，考虑到不同场景下的竞价策略与数据分布存在一定差异，后续我们将继续探索兼容不同场景的深度机制模型。