前言

业务背景介绍：

• 拍卖中的约束条件：浅库存、时效性
  
• 交易链路及频道页的布局
  
• 拍卖导购与传统频道页的区别
  
• 研究对象：在浅库存和时效性约束下的拍下率优化问题
  

技术点：

• 运用拉格朗日乘子法求解在浅库存约束下的流量调控问题，并分析了上述调控模型适用的必要条件；
  
• 从Knowledge Graph Embedding和概率图模型两个角度来描述拍品的关键属性，以优化拍品的冷启动问题
  

值得一提，今年诺贝尔经济学奖颁发给了保罗·米尔格罗姆（Paul R.Milgrom）和罗伯特·威尔逊（Robert B.Wilson），他们因“对拍卖理论的改进和拍卖新形式的发明”获奖。本文中的拍卖业务，均采用英式升价拍卖，更多从流量分配和效率优化角度探讨，尚未从拍卖机制设计上做尝试。

阿里拍卖简介

说到拍卖，脑海中就很容易涌现出这样的画面：拍卖师站在台上拿着锤子装作要一锤定音，台下一堆人1w,5w的往上加价。所卖的标的物，往往是翡翠、字画、瓷器这样的珍品。那么线上拍卖又是什么呢？

每年双十一的零点，优衣库这样的店铺都会选出一部分商品，让前100名购买者以极低的价格拿到。这种饥饿营销可以成功带来流量，背后则是通过捡漏+浅库存+时间窗口的形式让消费者之间形成竞争。有一个频道页，时时刻刻都在进行这样的消费者PK，在特定的时间段对稀有的商品多轮出价，这就是在线的阿里拍卖。

比双十一更严苛的是，阿里拍卖的库存一般只有一件；与线下拍卖行也不同，在线拍卖可以同时进行几千上万场拍卖，且一件拍品可以多达4w人围观，1000多人订阅，最终31人出价，经历了253轮竞拍。啥拍品？？今年6月，一套离西湖边仅100多米的北山街栖霞岭小区，有一套法拍房起拍价仅为260万元。你~ 有没有一些心动呢？

补充拍卖交易链路的小知识：

围观：就是点击进商品详情页，热门的标的物往往有过万的围观群众。

订阅：除了即刻拍在线拍卖一般有排期的进行。拍品一般分为预热，开拍和结束拍卖三个时间点，珍品往往当天结束，而房产等大资产会有多天甚至30天的拍卖时间。订阅好比是闹钟，用于提醒用户该关注了。

交保：缴纳保证金，交保意味着正式入场。

出价：各方竞价，截止时间内价格最高者胜出。

支付：支付尾款，违约且当前价高于保留价需支付违约金（保证金）

拍品主要分以下三块；

• 大资产：如法拍房、二手车、股权、破产公司的厂房、商铺，不一而足；
  
• 高消品：名牌手表、名家字画、古董玉器、名酒钱币等等；
  
• 大众商品：少量淘系商家供给，也包括部分闲鱼商品。如下图：
  

上文提到了起拍价260w西湖边法拍房就是大资产。和其他频道页不同，来线上拍卖的人有刚需偏好，也有情怀，但更多是投资。当一个价格洼地出现，且是网红资产，短时间内会迅速产生聚集效应。可这是我们想看到的吗？试想我们把上面的西湖边房产推送给每个用户，作为业务核心指标点击、订阅、交保那是蹭蹭蹭的往上涨，但抱歉只有一套。所以成交量只有可怜的1套。在浅库存和时间窗口的约束下，用户效率最大化并没有带来频道整体收益最大化。不妨引申，拍卖业务中的导购，和传统频道页导购究竟有哪些不同？

带着问题，我们先看下阿里拍卖频道页的布局。其中，主入口是手机淘宝轻应用第8个坑位的icon，此外还通过短信push，首猜云主题和商品投放，主搜等渠道。拍卖首页是承接流量的主阵地，模块包括：搜索框、子频道icon、四个子业务模块和猜你喜欢。

阿里拍卖导购 VS 传统商品导购

单从频道页看，拍卖的feeds流和传统猜你喜欢没有太大区别。也许是表象使然，刚接手业务后，我们用近一个月时间尝试把阿里拍卖推荐按照传统频道页推荐来做，结果用户侧的效率有明显提升，但和业务对焦发现，核心指标拍品拍下率不升反降，甚至是降的厉害。被打脸后我们不禁反思，我们错在哪里？

先看业务指标：

拍下率 = = 1 - 流拍率

解读：

(1) 业务最终目标是GMV，可是拍卖中的价格差从几百到几亿，直接量化存在困难。因而，业务和技术一致认同将目标先拆解为拍下率；

(2) 在浅库存约束下，要考虑到长尾商品，并对头部商品流量去中心化；

(3) 从业务侧，相比于酒类玉器等珍品，房产等大资产的拍下率优化更为重要，业务要求珍品和大资产的指标分开统计；

(4) 拍下是一个延迟过程，特别是大资产的开拍时间可能长达10多天，这个算法天级别的优化带来困难；业务建议，可以将订阅率和交保率作为大资产算法优化目标.

(5) 影响GMV的因素，除了拍下率外还有溢价率（可简单理解成高于市场价的百分比），这也是传统拍卖关心的指标，这一块暂未做尝试

(6) 对新用户尽量避免因调控而导致流失

回到问题，在传统猜你喜欢对商品、内容导购时，我们知道要把好的品给对的人。好的品往往是经过群体行为检验的，模型判断出的高点击、转化或关注的品。

如果真有一个品大家都喜欢，那么大概率是运营强控置顶，比如1499元的茅台。匹配的过程往往是从用户视角，让商品经过选品->召回->排序->重排序这样的漏斗，并最终展示每页10~20个商品。但在浅库存的约束下，如果一样东西抢手，给过多的人看就造成了流量浪费；而如果一样东西有潜在价值但受关注过少、最终流拍，就更加可惜。在拍卖的导购中，更关心一个商品是否会卖，而不是某个用户是否去买。两者的区别，小结如图：

整体框架

按照从底池->曝光->点击->订阅->交保->拍下的漏斗，我们在各个环节做了尝试，标红部分是有较大效果提升。其中，从交保->拍下在传统拍卖中更加关注，特别是提升溢价率，这部分目前还没有尝试。

在求解过程中，会遇到如下一些问题：

（1）浅库存约束下，如何均衡流量分配与效率？在此约束下，是不是更适合做Exploration and Exploitation？

（2）怎么判断一个拍品好是不好？对好的拍品，我们如何做冷启动？

（3）如果拍下率是优化目标，那么拍卖的流量怎么量化，与拍下率的关系是什么？

（4）拍品分为预热、开拍和结束拍卖三个关键时间节点，该如何考虑拍卖时间节奏？

带着这些问题，我们将从模型调控和新品冷启动两个角度来分析。

流量调控

▐  整体思路

布洛和柯伦伯(1996)证明了，在非常一般的私人价值环境中，以及更一般的共同价值环境中，一个简单的无保留价格，有N+1个买方的升价拍卖比任何一个只有N个买方的最优拍卖都具有更好的盈利表现。在线上拍卖，买方可定义为缴纳保证金的人。这个定理也启示了我们，交保证金的人数与最终商品是否拍下，可能有强相关性。那么究竟如何量化交保人数与拍下率，以及如何定义我们的目标函数，并构建调控模型。我们进行了如下工作：

1. 拟合了交保-拍下率效用函数，并给出相应假设
   
2. 定义了优化目标函数，并用拉格朗日乘子法求解
   
3. 在模型中引入时序和流量权重
   
4. 讨论了上述拉格朗日模型的适用范围
   

▐  数据分析

通过拉取历史成交数据，可发现交保人数与拍下率呈如下关系，其中不同曲线代表了不同品类，如手表、字画、二手车等：

通过对交保人数与拍下率的关系做了定性，可以发现：

• 交保人数越多，拍下率越高
  
• 直观的看，该曲线的二阶导<0，意味着随着人数增加，拍下率的边际收益下降
  
• 当交保达到一定的人数时，边际收益已经非常微弱，此时流量的边际成本不变，则可认为是流量浪费，这里的临界点称为最优交保人数
  
• 不同品类的曲线和最优交保人数有较大区别
  

▐ 问题假设

如何定量？我们不妨从假设开始。

假设1：交保次数与拍下率满足如下关系

其中 是商品j交保次数， 是j的拍下概率，a是参数并按品类区分。本函数的假设是根据交保-拍下率曲线拟合得到，对不同业务需要先假设函数关系，再验证是否满足次模性。

假设2：最优交保人数是指，当交保次数 达到某个值后，边际收益明显下降，即拍下率斜率。

超过了则认为会造成流量浪费。 物理含义是商品j交保次数从 后对成交概率的边际收益。可以说，拍卖流量调控的切入点，就是最大化边际收益。

假设3：在某个时间窗口内，每个用户存在稳定的投资预期。

来拍卖频道页的用户大多是投资和捡漏心智，虽然用户的投资预期的具体数值难以估计，但我们不妨假设用户期望交保的商品次数，在短时间内是一个常数。具体的取值并不影响最终排序，在后面的部分会阐述。

▐  拉格朗日模型1.0

考虑目标函数：

其中， 是用户i对商品j的交保概率， 是最大熵正则项，用于控制流量均衡； 是交保次数与拍下率的函数； 是商品j的交保上限。考虑假设3，当交保次数k足够大时，边际收益接近于0，则认为此时的k为交保上限； 是引入的一个与用户i相关的变量，表示用户i的投资预期，由假设4可知 恒定。该问题的拉格朗日形式如下：

（1）

KKT:

推导：

(2)

(3)

即：

令：

则：

把Z带入由（2）式得：

又由原式式(1)可知， 的梯度为：

其中， 是拍品j是当前交保人数， 越大，说明离调控目标还有距离，则 会变小，从而使分配概率 增大。考虑 ，在个性化排序中是在同一用户下比较商品得分，因而最终的计算可以忽略变量 和 。

▐  拉格朗日模型2.0

带有时序的调控目标

在上述1.0模型中，最优交保人数 是调控目标。然而，我们忽略了拍品起拍和结束时间的影响。试想，有两个同类目的拍品，效用函数 一致、最优交保人数 一致、结束时间点也一致、当前拍下的人数也相同。但一个离结束拍卖还有2小时，一个还有1天。那显然，我们应该优先考虑快结束的拍品。如何在模型中体现这件事呢？根据日志，我们把拍卖的结束时间点和离结束时间的小时数做如下二维表：

其中，横轴是拍卖结束的时间点，纵轴是距离结束时间的小时数。取值为该时间段的交保人数占比=商品交保人数 / 商品最终总交保人数，如在下午14点结束的拍品集合中，离结束还差2小时交保人数占比是14.58%。基于统计数据，我们可以得到 随时间变化的曲线，如下：

从而可以得到

上述的例子中的两个拍品，假设都是14点结束，则里结束还差2小时的拍品当前调控的目标值为 距离结束还差1天的拍品调控目标值为 。

流量评估中引入用户权重

在拍卖业务中，除去黑产有五类用户：超级VIP用户，VIP用户，至少购买一次的用户，至少交保一次的用户，小白用户。在背景篇中，有介绍说不同用户群体在拍卖频道中的行为差异极大，如超级VIP用户和小白用户的交保率相差12倍，而拍下率则相差26.4倍！

考虑有两种情况，拍品1和2起拍和结束时间一致，品类一致，效用函数 一致、最优交保人数 一致。且当前交保人数都是8人，但拍品1是由8个超级VIP用户交保，而拍品2是由8个小白用户交保。那么从直观上，就可以认为拍品1的拍下率高于拍品2。同样，如何在模型中体现？

考虑效用函数 拟合的是交保次数 与拍下率 的函数关系。通过引入用户权重可将 改写为：

其中， ， 仍基于统计数据，上述5类人群的取值权重为5:4:3:2.5:1。使用改写后的 重新拟合曲线，得到新的效用函数 。

引入时序和用户权重后，模型调整为：

▐  浅库存约束下的流量调控问题

回到假设，我们通过建立拉格朗日模型来求解浅库存的拍卖流量分配问题。这里一定有人问，我的业务适合这种调控模型吗？上述模型适用的必要条件是什么？

不妨小结下，我们假设了拍品交保人数和拍下率满足 函数关系，并设定了目标函数 ，其中L是算法调控目标。如果从问题出发，考虑用户总数是N，可得向量空间 ，其中 表示是否交保。在已知部分用户已交保的前提下，商品j拍下率可表示为 ，则整体拍下率期望可表示为 ，如图：

注：user对Item的交保行为可想象为在图示中的格子里画圈，会发现在某一个商品（如 ）上的边际收益越来越少，且全局的边际收益也在逐步减少，这就是次模性的含义。此外，要尽量找某一列还没画过圈的商品，但此类商品缺少历史行为不确定要哪个更好，这就是下一章要提到的冷启动的问题。

围绕着 函数关系，不妨记为 。F的表现是，拍下率随着交保人数的增加而增加，但斜率逐渐下降，这是边际收益递减性质的一个朴素体现。在数学上，以次模性(Submodularity)描述函数的边际收益递减性质，具有次模性的函数被称为次模函数(Submodular Function)。其标准定义为：对给定的离散集合S，满足

其中，集合函数 是从向量空间到实数的映射。随着次模函数的自变量集合内元素扩充，向该集合内加入一个新元素所能带来的增益会越来越小。例如，假设商品 和 属于同一类目，因而效用函数相同都是 ，当前状态下 已经有 交保，而 只有 交保，此时如果新增 对两个拍品都交保，则边际收益满足： 。上述次模现象在其他淘宝浅库存的业务中也有体现，如闲鱼。那么次模性与问题是否可解的关系是什么呢？

性质1：函数 满足次模性。

证明：考虑在maximum的目标下，次模性submodularity与concavity等价[Polyhedral aspects of Submodularity, Convexity and Concavity]，不难推导 满足下述表达式，即满足了次模性的充分必要条件。

性质2：拍下率的期望函数E满足次模性。

由性质1，函数 具有次模性，又因为不同商品共用同一个向量空间 ，由次模性的conditioning性质，即：

Conditioning: FS submodular on V, W subset of V

Then   is sumodular

因而期望 也满足次模性。即为拍下率期望E的最大化问题存在多项式解法。

综上，在拍卖问题中，对交保次数与拍下率两个变量围绕边际收益递减的性质展开，在假设效用函数时，需要考虑函数具有次模性(Submodularity)，从而问题可转化为maximum下的concavity或minimum下的convexity，并进一步设定目标函数和约束条件，再利用拉格朗日对偶性求解。

所以，上述模型适用条件是：

• 浅库存约束
  
• 效用函数满足次模性
  
  

更多tips：

• 考虑效用函数 ，当库存量为1时 为拍下率，当库存量>1时 可以理解为商品j拍下数的期望值。在拍卖中大多数拍品的库存为1，但上述模型对库存量>1的浅库存问题同样适用，这里浅库存定义是商品存量 < 用户需求量，购买者之间存在博弈；
  
• 同品类下效用函数参数a取值相同，此时流量均分是最优策略；在不同品类之间，参数a取值不同，当a越大时曲线越陡峭，说明边际收益越大，则可以倾向给更多流量；
  
• λ如何调试？我们分析了λ与以下变量有关：由命题一，品类数越少则越趋近于流量均分策略，从而λ越小；库存越小，同理，流量趋于均分，从而λ越小。
  
• 如果是求解maximum问题，一个直观的次模性函数如图：
  

新品冷启动

▐  整体思路

对拍品价值的分析，不论是从点击率还是转化率出发，都离不开日志，但第一步在这里就卡壳。因为拍卖的商品时时刻刻在更迭，大多数Item只有一次生命期，不论是流拍还是拍下，都不再出现。除非是循环拍的珍品和法拍房，考虑占比小这里不讨论。商品更迭快，特别体现在字画古玩等高消拍品，大约每天更新40%。推荐系统始终面对冷启动问题。而且，需要及时更新商品库，延迟超过两天，各种指标就会腰斩。关于如何求解拍卖冷启动问题，我们进行了如下工作：

• 多臂老虎机模型做流量调控
  
• Knowledge Graph Embedding，基于关键属性对商品表征
  
• PGM概率图模型，基于不同品类下关键属性构建Bayer Network，并进行inference learning
  
• 对关键属性有效性的评估
  

▐  一个例子

拍卖商品的生命期往往是：预热-开拍-结束拍卖，这意味着每天都有大量新品涌入频道页，这也必然给推荐带来冷启动困难。我们先看个例子：

上图选出的是4款较受欢迎的爆款拍品，考虑到库存只有一件，实际上这些拍品流量都过载了。从这四个爆款也可以看出，拍品有明确的生命期，考虑更多拍品生命期很短，比较形象的图示如下：

有点像多个叠放在一起的石拱桥。这样的品类更新方式带来了挑战是：

• 模型训练。比如在离线CTR预估模型中，3天，7天，15天的item统计特征往往占特征权重的大头，而在拍卖问题中，高消品每天约有40%的商品更迭。
  
• 新品孵化。很多高消品在线时间很短，甚至直到下线依然只有很少流量光顾而最终流拍。目前，拍卖整体流拍率达到70%，如何及时发现好的拍品，算法急需尝试Explore & Exploit。
  
• 工程上保证链路稳定，一旦超过2天未更新商品迟会骤减，整体指标甚至腰斩。
  

▐  Explore & Exploit

回忆一下，拍品的交易链路是曝光->围观->订阅->交保->出价->成交，其中围观->订阅是拍卖冷启动最关注的阶段，订阅->交保则是流量调控关注的阶段。E&E算法思路比较简单，只需走通实时链路并定义清楚调控目标，就可以实验。

▐  拍品的关键属性

拍卖的结果取决于三个因素，拍卖的规则、拍卖对象的估值、竞标者所有的信息。在阿里拍卖中，拍卖规则始终为公开的英式升价拍卖；竞标者所有信息，可以理解为用户画像，包括用户实时行为，以及用户年龄、性别和购买力等属性。上述信息往往与个性化链路集合，比如用户行为分为淘系的和拍卖站内的，都作为个性化召回链路的trigger；年龄等属性则作为rank model的特征。这与传统个性化链路做法基本一致。

然而，阿里拍卖频道页与传统频道页不同，如上文所分析，用户往往带有捡漏的心智而来，因而首先需要对拍卖对象的估值。作为平台，则需要提供尽可能多的信息便于他准确估值。这些信息在本章中称为关键属性。譬如，钱币的品相、面值、年代，酒类的产地、年份和度数；属性值一般可枚举，例如玉石的种地类型包含{冰种，糯种，冰糯种}。商品详情页如图:

                 

对冷启动缺少日志的商品，关键属性可以部分弥补。但难点是关键属性只适用于部分品类，如酒类的度数只用于酒。从模型训练的角度，更希望采用通用属性做特征；而如果每个类目单独训练一个模型，不仅繁琐且日志也不充分。针对上述问题，我们做了属性评估，并尝试了两种模型来表达，以下分别介绍。

关键属性的评估

同一个品类的关键属性可能看似很多而实际可用很少。这里就需要：

• 属性有作用域，这里选择后台二级类目，只有同二级类目的商品才有可比性；
  
• 属性是有限集，每个属性的取值也是有限集，例如, 手表{机芯类型, 表带材质, 适用对象, 价格范围}，而机芯类型{自动机械表, 石英表, 手动机械表, 机械表}
  
• 属性及属性值的选择，需要从以下几个维度判断：        
  

• 覆盖度   属性及所选属性值包含的商品量级。例如法国产区与酒类强相关，但覆盖不足；
  
• 均匀性   有的属性看似商品多但其实不能用，商品分布绝大部分都集中在一个属性值
  

• 区格性    有的属性取值与投资价值没啥关联，使得这些属性值之间没有区格，譬如书法/绘画品类的字画性质：会发现这里的ratio非常接近，说明字画性质的原稿和原创没有区格
  
• 保序性    比如钻石切工，从完美到一般是有序的集合，所期望对应的热度也是有序的
  

Knowledge Graph Embedding

我们通常利用三元组（triple）来表示一条知识，格式为（头实体，关系，尾实体），例如三元祖（阿里巴巴，创始人，马老师）来表述”马老师是阿里巴巴创始人之一“这条知识。随着三元组的不断积累，实体之间的关系愈发丰富，实体、关系类型愈发丰富，所构成的知识图谱（Knowledge Graph）便更加强大。在这个“万物皆可embedding”的时代，图谱也能够对图上的每个节点、关系都产生一个向量表征，用于下游任务。

知识表示便是一种产出向量表征的方法，该方法主要是将是实体和关系通过某种方式映射到某个向量空间中，进而利用链接预测（link predict）任务的方式结合损失函数进行训练。链接预测任务是给定（头实体，关系）来预测尾实体，或者给定（关系，尾实体）来预测头实体，例如给定（阿里巴巴，创始人），期望能够预测到马老师等创始人而非xxx，预测正确的loss会更小，错误loss会更大，进而通过反向传播进行训练。

知识表示发展至今，也有众多方法，其中最经典，最简单的也正是TransE方法，该方法将实体和关系都映射到同一个向量空间，通过计算欧几里得范数得到距离，距离越小表示向量运算更为正确，最终损失函数通过hinge loss计算得到损失后反向传播至实体与关系，不断的调整实体与关系的向量表征，尽可能使得:

其中距离函数为 该距离越小表示该三元组的向量表征越正确。由于该算法是一个无监督的算法，故训练过程采用手动构建负样本并期望正负样本差距较大，且大于某个margin即可，如下公式所示：

其中 为正样本距离， 为负样本距离，其中负样本为 。一般来说，头尾实体不同时替换，可能会替换成一个正样本；且负样本的构造是整个模型训练的关键，负样本过于简单则起不到训练效果，负样本过于难学习可能难以收敛，故负样本构建上本文选择了同叶子类目下进行构建负样本，相比于全局下的负样本构建，在珍品三元组替换到了大资产的房产其实是没有学习价值的。

模型训练后评估过程是针对训练集中的三元组，将待替换实体替换为训练集中的每一个实体，然后计算距离，最后将所有三元组距离进行排序，计算正确的三元组的排名计算得到Mean Rank和Hit@N进行衡量。其中Mean Rank表示排名的平均值，该值越小越好；Hit@N一般看Hit@10、Hit@50等，其表示排名在前N个的占比，该值越大越好。

三元组示意图

根据embedding聚合后的可视化结果

左图：向量低维可视化成簇

右图：i2i召回可视化

如何使用？

通过关键属性这样的静态特征，使用transE算法可得到Item的embedding特征，可以作为：

1. 模型特征，如离线CTR预估的GBDT模型，之前在天猫新品业务中尝试，可以提升点击率和新品冷启动效率
   
2. 得到embedding I2I，swing i2i或是slim算法更加依赖行为日志，在日志充分、新品较少的业务并不work。但在拍卖这样商品更迭频繁，新品占比高的业务，基于knowledge graph embedding可以作为补充，提高覆盖率。具体的AB效果见后文。
   

PGM概率图模型

PGM一般适用于当特征之间不满足条件独立性假设时，通过特征之间的依存关系构建graph，并将第一层节点视为先验概率，上游节点视为下游的条件概率分布，并最终计算得到联合概率分布的过程。如图：

整体流程是：

• 从覆盖率、区格、均匀和保序四个维度做特征评估和选择
  
• 根据订阅日志，构建先验概率分布和条件概率分布，譬如P(题材='山水画')，P(订阅='yes'|题材='山水画' & 品相='十品')
  
• 基于pgmpy包，构建Bayesian Networks
  
• 做inference learning，算法采用Belief propagation，其中参数优化使用BDeu评分函数
  
• 各类目关键属性统一映射到一个score，可以直接使用，或将其作为GBDT模型特征。
  

流量调控与个性化分数融合

Tips：

• 流量调控部分的score，仅限同品类内的比较，比如在比较字画与房产这种跨类目品类，只考虑个性化分
  
• 对新用户不做调控，特别是没有一次交保的小白用户
  

整体效果

• GMV和IPVUV
  

经过半年的优化，拍卖首页猜你喜欢核心指标变化如下，考虑到6.10号有改版（猜你喜欢从第三屏到第二屏），这里可以着重看下近三个月的指标变化。对比六月，八月份日均GMV+98%，日均引导IPVUV+28%，拍下UV+69%，30天拍品拍下率从+381%，均明显高于大盘增幅。

• 主要驱动是大资产，可以看下大资产6.10~9.10的IPVUV和GMV：
  

• AB实验结果明细
  

下一步工作

从算法角度，一直有两个问题没探讨，其一是用户冷启动；其二是价格。如何让新用户破冰？即第一次交保。除了技术层面，这里还包括信任层面。毕竟拍卖不论是B端还是C端，都是很专业的事情。不过，猜你喜欢更有义务来承接。其次就是价格，高客单是拍卖的特点，而价格本身也是决定某拍品是否有人出价、最终拍下重要因素；此外，拍卖的品往往用于投资，具有很高的价格弹性。如何在推荐链路中融入价格，既需要，也很困难。

最后是站在业务角度，英式升价拍卖也不一定是在线拍的最优机制，譬如今年诺奖获得者提出的同步多轮拍卖(SMRA)，也是针对“赢家诅咒”问题做了很好的解法。此外，他们还有一个证明是“当竞标者在投标过程中对彼此的估价了解得更多时，这种拍卖形式会给卖家带来更高的预期收入”这一点也值得关注。因为，竞标者对于拍卖品的估价可能与其他竞标者估价相互关联。也就是说，如果某个竞标者对拍卖品的估价发出强烈的信号，其他竞拍者看到这一点，自己的估值信号也会变得强烈。当越来越多的相关私人信息被揭示，传统的升序英式拍卖就会比降序的荷式拍卖产生更高的收益。或许，我们也不能总是独立的看待每个竞拍者，对吧？

特别感谢：淘系商家自运营及智能场景组、淘系商业机器智能团队及阿里拍卖事业部，也希望更多的小伙伴了解和走进阿里拍卖业务。