资源下载地址：https://download.csdn.net/download/sheziqiong/85676911

广告自动调价算法介绍

1：Bid 的自动出价算法

2：Weight 的自动调优算法

1：Bid 的自动出价算法介绍

原理：我们希望最大化 revenue 最小化 cost，但是业务员只能调整 bid，budget 和 weight，由于 SQL 里面目前还无法查询出 bid 和 revenue 之间对应到 trigger 的对应关系，我暂时先把 cpc 近似当成 bid，然后找 cpc 和 profit（之所以此处没有用 revenue，是因为要让 revenue 最大化不可能不考虑 cost，如果把成本考虑进来，最大化 revenue 更实际的情况是提高收益率 profit，另外，此处没有选择提高 ctr 是因为提高 ctr 的做法放在优化 weight 上了）之间的关系。见图 1，从图上看深度神经网络是能找到他们之间的有效相关性，

数据：分别抽取 cpc 和盈利 profit 之间的对应数据，以及 cpc 和亏损 profit 之间的对应数据。

算法：用 GAN 算法分别生成盈利 profit 对应的 bid_g 和亏损 profit 对应的 bid_b。

其中 bid 的生成范围在 0.05-3 之间。

D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))  #最大化profit函数
         G_loss = -torch.mean(torch.log(1. - prob_artist1))   #最小化bid函数

bid 自动调价规则

如果 bid_g - bid_b > 0,那么当前的 bid 能调整的幅度范围就是：bid + bid_g - bid_b。

如果 bid_g - bid_b < 0,那么当前的 bid 能调整的幅度范围就是：bid - bid_g - bid_b。

模型源码及模型部署

模型源码 auto-bid.py(文件我放在 192.168.101.70 的 autobid 目录下)

模型完整运行一次耗时 35 个小时，导入数据 62 万。

模型文件 autobidg.model.meta 和 autobidb.model.meta 部署在 autobid/module 下，这 2 个模型分别耗时 35 小时和 68 小时，是所有盈利数据和所有亏损数据进去后计算出来的。下一步想把 bid，budget 和 weight 合在一起出 2 个模型就够了,目前是分开的，不过调用的时候其实不用管模型部署文件，都已经直接写到程序里面了。

自动调价的计算和更新 bid 步骤：

：每天在收到收入报告后，在导入 adm 之后，运行程序 autobid.py。

：自动调价 bid 的输出分为 2 个文件，每个文件 2 列，见下表

：用 good 的价格减去对应 trigger 的 bad 价格就是每天需要调整的 bid 范围，然后根据自动调价规则来更新 bid 价格。

Weight 的自动调优算法

：理论上我们应该是谁的转换率高我们给的权重就多，但是我们的 Weight 是在 ad-page 上统计的，每个 ad-page 对应多个 trigger。所以在计算转换率的时候我是用 revenue 的 click 除以 cost 的 click，然后用 GAN 算法不断拟合 weight 到转换率的关系。简单说是最大化 revenue 的 ctr，最小化 cost 的 click。剩下的工作就跟上面一样了，但只产生一个模型。

自动调优 weight 的计算和更新 weight 步骤：

：每天在收到收入报告后，在导入 adm 之后，调整参数 reportdate 的日期为收到报告的日期，然后运行程序 autoweight.py。

：自动调价 weight 的输出只有一个文件 weight**.txt（**是日期），见下表

trigger_words	platform	id_adpages	id_linkpair	id_account	id_trigger_words	Weight 建议值
lowering ldl cholesterol	inuvo_lexo	1230846	302984	1324	1	15.223612
lowering ldl cholesterol	inuvo_lexo	1123574	320956	1324	1	14.490099
lowering ldl cholesterol	inuvo_lexo	1168406	333796	1324	1	2.878565
lowering ldl cholesterol	inuvo_lexo	1219862	307416	1324	1	25.285267
lowering ldl cholesterol	inuvoreal	637346	190224	1016	1	27.708143
lowering ldl cholesterol	inuvo_lexo	920846	266974	208	1	28.100786
lowering ldl cholesterol	inuvo_lexo	1232120	351384	228	1	25.049885
atopic dermatitis	inuvoreal	493436	148438	381	2	13.623442
atopic dermatitis	inuvo_lexo	1274066	365812	802	2	16.44322
atopic dermatitis	parked	1026562	294370	310	2	18.391785
atopic dermatitis	inuvoreal	1253692	221414	962	2	9.028065
atopic dermatitis	inuvoreal	1244370	165926	962	2	29.078337
atopic dermatitis	inuvoreal	1257782	185636	962	2	8.735622
atopic dermatitis	inuvoreal	1273000	365604	145	2	16.769901
atopic dermatitis	inuvoreal	1273090	365608	145	2	17.396612
atopic dermatitis	inuvoreal	1269354	364070	1104	2	8.085274
atopic dermatitis	inuvoreal	1269488	364108	1104	2	24.298153
atopic dermatitis	inuvo_lexo	1265226	354156	928	2	14.363249
atopic dermatitis	inuvo_lexo	1273738	349490	928	2	11.722599

：如果 weight 的值小于 0 代表不建议分流量到该 trigger 上，另外，weight 的小数点可以省去。具体在哪个页面调整，看 trigger 对应的 id_adpages 及相应的账户 id_account。这还需要技术部的支持把每个 trigger 对应到的账户和 adpage 分配下去。业务员根据自动调优的 weight 建议值调整 weight。

模型源码

自动调优的源码 autoweight.py(文件我放在 192.168.101.70 的 autobid 目录下)

如果需要看模型效果把注释去掉就能看到：

# if step % 50 == 0:
#     #print('D_loss', "%.6f"%D_loss.data)
#     # print('G_loss', G_loss)
#     # print("\n")
# File.write(str("%.6f"%D_loss.data)+" ,"+str("%.6f"%G_loss.data) + "\n")

资源下载地址：https://download.csdn.net/download/sheziqiong/85676911