實現流量與廣告的精準匹配，oCPC競價，實現高轉化高競價，低轉化低競價；同時，優化版cpc可以實現平臺、廣告主、用戶三贏。
傳統廣告系統針對特定屬性的人群和固定競價的廣告投放位置，本質上被視為競價和流量質量的粗粒度匹配。廣告商為競爭不同的質量要求而設定的固定出價不能完全優化廣告商的關鍵要求。而且平臺需要保證業務收入和用戶體驗。提出了壹種競價優化策略，稱為優化點擊費用(ocpc ),它可以自動調整競價，以實現競價和頁面瀏覽量(PV)請求粒度之間的更好匹配。這種方式可以優化廣告主需求、平臺業務收入和用戶體驗，整體提升流量分發效率。該方法在淘寶展示廣告上進行了驗證，在線AB實驗證明效果有所提高。
本文重點研究的是淘寶移動應用中必不可少的CPC展示廣告的競價優化。
(高轉股高出價，低轉股低出價。滿足壹定條件；約束優化問題)。
廣告系統包括三個角色:廣告主、廣告平臺和用戶；三方的訴求不同，需要采取不同的措施來滿足不同的訴求；同時，在滿足壹方(壹方或雙方)的訴求時，要註意其他方的價值，這是壹個利益平衡的問題。動態遊戲~
文中提到的兩種CPC廣告形式是:
淘寶作為連接用戶和廣告主的平臺，具有以下生態特征:
權衡利弊，這兩種廣告形式都采用cpc競價計費。原因:
廣告商總是希望競價能與流量質量相匹配。但由於技術限制，傳統方法只能針對用戶群體和廣告位設置固定競價，實現粗粒度的流量差異化；然而，廣告客戶正在尋找壹種更細粒度的競價和流量質量匹配方法。基於固定出價的排序過程有兩個缺點:
為了解決這兩個問題，從廣告主的角度出發，壹些社交網絡平臺提出了oCPM，可以最大化廣告主的利益。但gmv等廣告平臺的生態健康無法保證。另壹方面，通過修改排名公式bid * pctr過度追求媒體需求(如GMV)，無法給廣告主和平臺帶來有效的商業利益。
為了解決上述問題，我們提出具有以下特點的OCPC:對於每壹個PV請求，在優化廣告主需求的前提下，OCPC會根據流量質量的真實價值來調整出價，同時通過保持eCPM排名機制不變來最大化出價，以反映用戶體驗、廣告主興趣和平臺營收整體生態的綜合得分；我們的設計使我們能夠根據不斷變化的業務需求，以較低的成本靈活調整OCPC系統。
描述淘寶展示廣告系統中的數據信息流，有助於理解競價優化是如何工作的。從PV請求開始到最終顯示曝光。
最後前端服務器將結果返回給app或網站。隨後的點擊和轉換將被記錄在日誌系統中。
a:滿足PV要求的壹套廣告計劃。對於特定的PV請求，對於A中的每個廣告計劃A，都有壹個由廣告商預設的出價ba。對於每個ba，OCPC算法的作用就是調整ba，找到壹個能滿足各種預設優化要求的優化ba*。
投資回報限制.投資回報限制。考慮到淘寶大部分是中小型廣告主，他們主要關註市場效率，我們選擇維持或提高ROI作為算法的主要應用，同時優化他們的收入GMV。這裏先介紹相關概念，再推導ROI的數學表達式。
廣告主的實際成本是按照廣義二價機制計算的。這裏，我們假設廣告商為點擊向ba付費。word點擊的預期ROI計算公式:
總結不同用戶和點擊廣告方案A的整體ROI為:
Nu表示用戶U在壹段時間內點擊廣告A的次數。
上述等式表明，廣告主的ROI由三個因素決定:預期轉化率、va和bid BA其中va是由每壹個廣告決定的，在每壹次具體的拍賣上是固定的。
在實踐中，當前預測模型用於預測pCVR過去幾天的競爭廣告；剔除10%的最大和最小CVR，剩余的平均值計算如下。競價優化的目標需要保證廣告主的roi保持不變或者被優化(稱為ROI約束)，此外，廣告主可以獲得更多的優質流量。
出價優化邊界。上述等式確保了roia和之間的線性關系；為了滿足投資回報限制，投標優化保證
其中閾值ra取決於安全和商業設置。下限很重要，可以避免壹些廣告主在優化ROI時獲得的流量很少的情況。從上圖可以看出，當流量質量較差時，橫坐標小於1，上限仍能達到自身，顯然無法保證ROI不下降，於是進行了妥協。
廣告計劃A的出價優化的上限和下限分別是和。值得強調的是，競價優化的邊界可以推廣到廣告主設定的不同KPI，不限於ROI指標。如果廣告主不設置競價優化，則對應的上下限為。
在可行域內優化競價，可以幫助廣告主獲得更好的流量質量和更高的ROI。但在可行範圍內選取的不同競價，在eCPM排名機制下會導致不同的廣告排名結果(pctr * bid)，帶來不同的收益和其他指標的變化。本節剩余部分主要介紹壹種在保持eCPM排名機制不變的情況下，綜合考慮各方利益，在可行域內進行選擇的方式。
假設廣告將在eCPM機制下顯示，我們期望廣告最大化目標函數:
n表示PV中候選廣告的數量。候選廣告中的n個廣告設置了在eCPM排名機制下競爭廣告空間的需求；F(*)是各方利益的綜合指標。這裏假設它是關於的單調函數。
在優化問題中，K是最終勝出的廣告，這取決於F(？)是需要優化的目標函數，綜合了需要關註的指標。例如:
F1只考慮淘寶平臺的gmv(廣告主的收入)；F2是gmv和廣告收入的綜合指標，是gmv和廣告收入的權衡系數。
排序剩下的工作就是如何在最大化目標函數下選擇每個廣告A。類似於優化競價的邊界，我們將邊界設置為sum，這是優化排名得分的上下邊界()。
在實際場景中，每個PV中的廣告展示(廣告位)可能不止壹個，因此在此基礎上提出了壹種貪婪算法。
算法描述:首先根據1個廣告位的算法找到廣告K並放入廣告位1，然後調整剩余廣告的ecpm排名得分的上界，保證K可以根據ecpm排名第壹；同時調整剩余廣告的競價上限，根據ecpm排名得分計算，ecpm = bid * pctr；然後根據1個廣告的算法找出剩余的廣告。最後，將選擇的廣告競價設置為競價上限，並根據ecpm排名得分進行計算。
讓我們用例子來理解排序算法。假設候選廣告A中有4個廣告和2個廣告位，我們需要使用所提出的排序算法來從這4個廣告中選擇2個合適的廣告。
首先，根據目標函數對四個候選廣告進行降序排序；ecpm排名得分的最大下限為(表中藍色部分)。從上到下，選擇第壹個競價上限大於所有廣告最大競價下限的廣告，即(藍色標記)。因此，選擇的第壹個廣告是Ad 1，然後將其從候選廣告A中刪除並添加到獲勝廣告集中；剩余的候選廣告A被更新到表2。根據算法的第6-11行，為了確保新選擇的廣告Ad 1的最大ecpm排名得分，需要更新其余候選廣告的ecpm排名的上邊界和相應的出價的上邊界。更新的部分是表2中的紅色部分。在表2中，根據算法繼續選擇，選擇廣告Ad 3；；根據算法進行選擇，直到中標廣告數等於n，即最後將中標廣告的出價設置為對應出價的上界；所有候選廣告的最終出價在表3中。
我們只修改了中標候選廣告的競價【提高優質流量競爭力】，其他候選廣告的競價保持不變。
通過這個排名算法，最終的排名指標與廣告流量這個目標解耦。壹方面，廣告仍然可以按pctr * bid排序，用來最大化eCPM；另壹方面，廣告平臺可以根據不同的目標函數f來選擇廣告。另壹個關鍵問題是廣告主的預算約束。壹旦廣告計劃超出預算，該廣告將從下壹次拍賣中刪除，這對投標優化過程沒有影響。
淘寶平臺發現，從維護廣告系統的歷史經驗來看，OCPC層使用的預測值存在固有偏差，可能會影響算法的有效性。(pcvr/pctr和實際cvr/ctr有偏差，所以預測不準確)。這壹部分是在預測之後和OCPC層之前完成的。
以pCVR為例，當實時預測模塊RTP的實際CVR較高時，預測值pCVR會較高。根據預測的pCVR，將所有廣告分為20組，對應的實際CVR和pCVR/CVR比例如下圖所示。
PCVR校正公式為:
其中tc是校正閾值，通常為0.012。當pCVR大於tc時，使用上述公式進行校正，以減小pCVR與CVR之間的差距。校正後，兩者之間的差距縮小了壹個數量級。
最終的OCPC算法是:
對於A中的候選廣告，首先進行pCVR修正，計算出價的上下限；然後算法1排序；最後，返回候選廣告的優化出價。
在CTR模型中，正樣本是指暴露後點擊的那些數據；負樣本是指被曝光但沒有被用戶點擊的數據；在CVR模型中，正樣本是指曝光後點擊，然後轉換的數據；負樣本是指曝光後只有點擊的數據，沒有轉化。
新模型以天為單位進行更新，以消除不同天的數據差異。
預測模型提供準確的結果是非常重要的。與CTR預測壹樣，AUC是評價模型有效性的指標。然後，有研究表明，測試階段更好的AUC其實帶來的是更差的表現(線下AUC更高，線上表現更差)。淘寶在實際工作中也遇到了類似的問題。
發現AUC對不同的用戶和廣告位壹視同仁。但是，壹些從不點擊廣告或屏蔽廣告的用戶會給AUC結果帶來動蕩，使其偏低。根據事實和分析，提出了GAUC指數。對用戶和廣告位的測試數據進行分組；然後計算各組的AUC(如果組內數據都是陽性樣本或者都是陰性樣本；從測試數據中移除該組中的樣本)；最後根據各組的曝光或點擊次數，對AUC進行加權平均。
本文通過離線和在線實驗驗證了該算法的有效性。
通過歷史日誌數據，pCTR和pCVR被視為真實的CTR和CVR。例如，如果顯示的廣告計算出pCTR為4%，則認為其貢獻了0.04次點擊。然後設計四個策略和統計指標。這四項戰略是:
實驗結果如下:與策略0相比，策略1和3的GMV和ROI均有所提高；然而，轉速下降了，只有戰略2(OCPC)的三項指標都有所提高。
策略二線上效果與線下壹致，三項指標均有所提升。
此外，作者提出，本文的機制是普遍的，並不局限於GMV。
約束優化，保證ROI不下降，調整廣告單元的cpc競價。然後設定調整範圍和可行域。之後，設計協調多方利益(廣告主、平臺、用戶)的指標；此外，eCPM的排名機制保持不變，候選名單中廣告單元的出價上下調整。
總想做到:高質量流量，高競價，低質量流量，低競價。但是要保證效果好。
http://castellanzhang . github . io/2017/10/21/ocpc _ ROI/
論文:https://arxiv.org/abs/1703.02091