阿里妈妈首提AIGB并实现大规模商业化落地,将在NeurIPS 2024正式开源Benchmark

简介: 阿里妈妈提出AI-Generated Bidding(AIGB)新范式及DiffBid生成式竞价模型,突破传统基于强化学习的自动竞价方法局限。AIGB将自动竞价视为生成问题,通过捕捉复杂依赖关系,提升长期规划和随机环境中的稳定性和效果。DiffBid基于条件扩散建模,灵活生成满足特定目标的竞价轨迹,显著提升GMV和ROI。实验结果表明,DiffBid实现了2.81%的GMV增长和3.36%的ROI增长。然而,生成式建模的复杂性也带来了训练和调优的挑战。论文链接:https://arxiv.org/abs/2405.16141

在数字广告领域,自动竞价(Auto-bidding)技术正成为提升广告效果和效率的关键。然而,传统的基于强化学习(RL)的自动竞价方法,由于依赖于马尔可夫决策过程(MDP)的假设,在处理长期规划和高度随机的在线广告环境时,往往面临稳定性和效果的挑战。

为了解决这些问题,阿里妈妈提出了一种全新的自动竞价范式——AI-Generated Bidding(AIGB),并在其基础上开发了一种名为DiffBid的生成式竞价模型。这一创新性的方法,通过生成式建模而非传统的决策过程建模,为自动竞价带来了新的思路和突破。

AIGB范式的核心在于,它不再将自动竞价视为一个决策过程,而是将其视为一个生成问题。通过生成式建模,AIGB能够直接捕捉广告竞价过程中的复杂依赖关系,而无需依赖于马尔可夫假设。这使得AIGB在处理长期规划和随机环境时,能够更加稳定和有效。

在AIGB范式下,阿里妈妈开发了DiffBid模型,这是一种基于条件扩散建模的竞价生成方法。DiffBid通过直接建模广告收益与整个竞价轨迹之间的相关性,避免了传统方法中的时间步长误差传播问题。同时,DiffBid还能够灵活地生成满足特定目标和约束条件的竞价轨迹,为广告主提供了更多的选择和灵活性。

为了验证DiffBid的有效性,阿里妈妈在真实世界的数据集上进行了广泛的实验,并在阿里巴巴的广告平台上进行了在线A/B测试。实验结果表明,DiffBid在GMV(总交易额)和ROI(投资回报率)等关键指标上,均取得了显著的提升。具体而言,DiffBid实现了2.81%的GMV增长和3.36%的ROI增长,证明了其在实际应用中的价值和潜力。

从正面来看,AIGB和DiffBid的提出,为自动竞价技术的发展提供了新的思路和方法。通过生成式建模,AIGB范式能够更好地处理长期规划和随机环境,提高自动竞价的稳定性和效果。而DiffBid模型则通过条件扩散建模,实现了对竞价轨迹的灵活生成,为广告主提供了更多的选择和优化空间。这些创新性的突破,有望推动自动竞价技术在数字广告领域的进一步应用和发展。

然而,从反面来看,AIGB和DiffBid的提出也带来了一些挑战和问题。首先,生成式建模的复杂性,可能导致模型的训练和调优变得更加困难。其次,由于AIGB范式不再依赖于马尔可夫假设,如何在实际应用中确保模型的稳定性和可靠性,也是一个需要解决的问题。此外,如何将AIGB和DiffBid的创新性方法与其他广告技术相结合,以实现更全面的广告效果提升,也是一个值得探索的方向。

论文链接:https://arxiv.org/abs/2405.16141

目录
相关文章
|
5月前
|
存储 人工智能 数据可视化
从零搭建企业私有知识库:RAG+阿里云百炼实战,文档向量化、问答链路与Web部署详解
通用大模型在企业业务场景中存在三大核心短板:企业内部营收数据、内部规范、项目文档等核心资料无法对外传输,存在数据隐私泄露风险;通用模型训练数据覆盖范围有限,无法精准匹配行业垂直专业内容;模型知识库更新滞后,无法响应企业最新政策、产品迭代信息。RAG检索增强生成技术是解决以上痛点标准化方案,通过先检索私有文档再传入模型生成答案,让大模型精准调用企业专属数据,兼顾隐私安全、领域专业性与内容实时性。
810 0
|
7月前
|
机器学习/深度学习 自然语言处理 供应链
大模型应用:销量预测升级:Qwen大模型让时序分析从算数值到给建议.82
本文提出“会说话的时序分析系统”,融合ARIMA、Prophet等专业预测算法与大模型,实现从冰冷数值到自然语言洞察的跃迁:算法精准算未来,大模型解读原因、生成可落地建议,让时序数据真正成为懂业务、会决策的智能助手。
871 3
|
10月前
|
数据采集 人工智能 搜索推荐
智能体来了:降本增效的终极杀手锏,销售人必看的生存指南
内容摘要:AI智能体(AI Agents)正重塑销售底层逻辑。本文深度拆解智能体如何通过自动化获客、个性化触达及全天候线索转化,协助销售人员打破内卷僵局,实现业绩呈指数级增长。
718 3
|
9月前
|
JSON 自然语言处理 数据格式
大模型应用:结构化思维:Schema在大模型信息抽取中的认知引导作用.14
本文介绍大模型+Schema结构化信息抽取技术,涵盖核心原理(Schema引导、大模型语义理解、格式校验)、三大范式(Zero-shot/少样本/思维链)及完整执行流程,并提供多类型抽取示例(单字段、嵌套、数组、关系等),支持CPU环境本地部署与后处理校验。
2330 15
|
9月前
|
人工智能 自然语言处理 架构师
AI Agent 职业路线全指南:从智能体普及浪潮到分层能力构建
2026年,“AI+”进入产业级落地期,智能体成为数字化转型核心基础设施。全球市场规模达2.3万亿,我国2027年普及率将超70%。人才缺口巨大,教育部已设“智能体技术应用”新专业。本文系统梳理四类职业路径(管理者、架构师、多智能体专家、垂直领域专家)及企业治理框架,助力职场人锚定定位、实战进阶。(239字)
1278 2
|
11月前
|
人工智能 运维 自然语言处理
朝阳永续基于阿里云 Milvus 构建金融智能投研产品“AI 小二”
朝阳永续通过采用阿里云向量检索服务 Milvus 版,构建了金融级智能投研引擎“AI 小二”,实现了对海量公告、研报和财报数据的高效语义检索。在智能问答、管理层表述分析等场景中,查询响应速度提升超 10 倍,系统稳定性显著增强,运维成本降低 80%,全面提升了投研效率与用户体验。
1240 0
|
存储 人工智能 JSON
构建AI智能体:十九、优化 RAG 检索精度:深入解析 RAG 中的五种高级切片策略
本文详细介绍了RAG(检索增强生成)系统中的文本切片策略。RAG切片是将长文档分割为语义完整的小块,以便AI模型高效检索和使用知识。文章分析了五种切片方法:改进固定长度切片(平衡效率与语义)、语义切片(基于嵌入相似度)、LLM语义切片(利用大模型智能分割)、层次切片(多粒度结构)和滑动窗口切片(高重叠上下文)。作者建议根据文档类型和需求选择策略,如通用文档用固定切片,长文档用层次切片,高精度场景用语义切片。切片质量直接影响RAG系统的检索效果和生成答案的准确性。
1861 11
|
11月前
|
存储 人工智能 缓存
硬核解析:AI 原生知识库系统如何击穿企业知识管理技术瓶颈
AI原生开源知识库系统,以RAG+NLP双引擎重构知识管理全链路。通过语义解析、智能检索、自动文档生成等技术,实现非结构化数据的高效结构化与精准召回,支持多源内容导入、跨系统集成及企业级安全管控,兼具高性能、低门槛与强扩展性,助力企业打破信息孤岛,释放知识资产价值。
|
JavaScript Java 关系型数据库
基于springboot的非遗传承宣传平台
本项目基于SpringBoot、Vue、MySQL等技术,构建非遗传承宣传平台,实现非遗资源的数字化存储与传播。通过图文、视频、互动社区等形式,打破时空限制,提升公众参与度,助力传统文化保护与传承。
|
监控 供应链 定位技术
什么是 eCPM?它与 CPM 有何不同?
这篇文章解释了eCPM(每千人有效成本)的概念,它与CPM(每千人成本)的区别,如何计算eCPM,以及eCPM的主要优势和底价设置。文章还探讨了影响eCPM值的因素,以及如何确定合适的eCPM目标。
9291 2
什么是 eCPM?它与 CPM 有何不同?