KDD’25 | 生成式拍賣：感知排列外部性的整頁優(yōu)化機(jī)制

從“先預(yù)估后分配”的判別式方法，到直接面向最終拍賣結(jié)果的生成式方法，生成式模型能否為在線廣告的拍賣機(jī)制優(yōu)化帶來持續(xù)增量？

本文介紹阿里媽媽展示廣告機(jī)制策略團(tuán)隊(duì)在 AIGA（AI-Generated Auction）方向的前沿探索-生成式拍賣研究工作。

基于該項(xiàng)工作整理的論文已被KDD’25 Research Track接收。

摘要

廣告拍賣機(jī)制設(shè)計(jì)作為在線廣告系統(tǒng)的重要一環(huán)，在持續(xù)優(yōu)化廣告主和平臺(tái)收益方面起著至關(guān)重要的作用。傳統(tǒng)的廣義二價(jià)拍賣（GSP）等拍賣機(jī)制依賴于點(diǎn)擊率分離假設(shè)（將廣告點(diǎn)擊率拆分為廣告自身質(zhì)量分和廣告位曝光權(quán)重的乘積），忽略了頁面中同時(shí)展示的其它商品的影響，即外部性影響。

近年來，基于深度學(xué)習(xí)的拍賣機(jī)制顯著增強(qiáng)了對(duì)高維上下文特征的編碼能力，但是現(xiàn)有方法仍受限于“先預(yù)估后分配”的設(shè)計(jì)范式。這種范式只能建模參競廣告集合內(nèi)的外部性，無法捕捉最終分配結(jié)果的整頁上下文信息（即排列外部性），因此難以收斂到全局最優(yōu)解。本文系統(tǒng)分析了在排列外部性影響下的最優(yōu)拍賣機(jī)制，在理論最優(yōu)解的基礎(chǔ)上，研究團(tuán)隊(duì)提出了首個(gè)使用生成式模型建模排列外部性的廣告拍賣機(jī)制-生成式拍賣（Contextual Generative Auction, CGA）。

該框架通過自回歸模型生成廣告分配結(jié)果，并將激勵(lì)兼容（Incentive Compatibility, IC）條件量化為最小化事后后悔（ex-post regret），實(shí)現(xiàn)端到端學(xué)習(xí)最優(yōu)計(jì)費(fèi)規(guī)則。大規(guī)模離線實(shí)驗(yàn)和在線 A/B 實(shí)驗(yàn)表明 CGA 能顯著提升平臺(tái)收入等關(guān)鍵指標(biāo)，同時(shí)有效逼近理論最優(yōu)拍賣的結(jié)果。

論文：Contextual Generative Auction with Permutation-level Externalities for Online Advertising
作者：Ruitao Zhu, Yangsu Liu, Dagui Chen, Zhenjia Ma, Chufeng Shi, Zhenzhe Zheng, Jie Zhang, Jian Xu, Bo Zheng, Fan Wu
下載：https://arxiv.org/abs/2412.11544

引言

在線廣告系統(tǒng)的最優(yōu)拍賣機(jī)制旨在最大化平臺(tái)期望收入，同時(shí)滿足經(jīng)濟(jì)學(xué)性質(zhì)，包括激勵(lì)兼容和個(gè)體理性（Individual Rationality, IR），并且需要滿足系統(tǒng)在線部署的計(jì)算時(shí)延要求。IC 條件要求廣告主真實(shí)報(bào)價(jià)最大化其自身效用，IR條件要求廣告主的效用非負(fù)。

在典型的點(diǎn)擊計(jì)費(fèi)（Cost-per-Click, CPC）多坑廣告場(chǎng)景下，廣告拍賣機(jī)制的效果依賴于對(duì)廣告點(diǎn)擊率（CTR）的預(yù)估準(zhǔn)度。廣泛使用的 GSP 等機(jī)制使用精排階段的單點(diǎn)預(yù)估 CTR，忽略了頁面展示的其它商品的影響。而實(shí)際場(chǎng)景中，用戶瀏覽的頁面包括多個(gè)商品，用戶在決策前通常會(huì)對(duì)不同商品進(jìn)行比較，因此同時(shí)曝光的其它商品會(huì)對(duì)目標(biāo)廣告的 CTR 產(chǎn)生影響，稱為“外部性” [1]。

基于深度學(xué)習(xí)的拍賣機(jī)制，如 Deep Neural Auction（DNA [2]）和 Score Weighted VCG（SW-VCG [3]）等工作考慮使用深度網(wǎng)絡(luò)刻畫外部性影響以提升平臺(tái)收入。然而無論是 DNA 采用的先預(yù)估廣告 rankscore 再進(jìn)行排序，還是 SW-VCG 使用的先預(yù)估單調(diào)性分?jǐn)?shù)再求解二部圖最大匹配，這些方法本質(zhì)上都受到“先預(yù)估后分配”（allocation-after-prediction）范式的局限，預(yù)估時(shí)的上下文信息與分配后的最終上下文信息不一致，因此模型只能捕捉到粗粒度的廣告候選集層面的外部性。另一方面，Neural Multi-slot Auction（NMA [4]）等機(jī)制采用類似 VCG 拍賣的方式，遍歷所有可能的排列結(jié)果以求解最優(yōu)分配，但是極高的計(jì)算復(fù)雜度使其難以應(yīng)用于在線場(chǎng)景。

根據(jù) Myerson 拍賣理論 [5]，拍賣機(jī)制的 IC 條件要求廣告主獲得的期望價(jià)值關(guān)于其出價(jià)滿足非遞減關(guān)系。大多數(shù)現(xiàn)有方法通過保證排序公式中出價(jià)的權(quán)重為正，使得廣告主提高出價(jià)能獲得相同或更前置的廣告位。但是在排列外部性的影響下，即使廣告候選集保持不變，將廣告分配到的坑位前置反而可能導(dǎo)致其期望價(jià)值下降。圖 1 給出了不同廣告的分坑位 [點(diǎn)擊率 * 曝光率]（表示 CPC 機(jī)制下的廣告主期望價(jià)值）的實(shí)驗(yàn)數(shù)據(jù)，二者的關(guān)系并不滿足單調(diào)性。因此，在排列外部性影響下，如何設(shè)計(jì)滿足激勵(lì)兼容條件的分配規(guī)則是一個(gè)非平凡的問題。

△圖1：廣告分坑位 [點(diǎn)擊率 * 曝光率]

本文旨在探索在排列外部性影響下，滿足 IC 和 IR 約束的收入最大化廣告拍賣機(jī)制的基本形式和高效實(shí)現(xiàn)。我們首先給出系統(tǒng)性的理論分析，證明最優(yōu)解保留 Myerson 最優(yōu)拍賣的基本形式，即分配規(guī)則和計(jì)費(fèi)規(guī)則可以進(jìn)行解耦。在理論最優(yōu)解的基礎(chǔ)上，引入經(jīng)典的生成器-評(píng)估器（Generator-Evaluator）架構(gòu)，構(gòu)建感知排列外部性的生成式拍賣。最后，進(jìn)行工業(yè)數(shù)據(jù)集上的離在線實(shí)驗(yàn)，在多維度指標(biāo)上對(duì)比現(xiàn)有的拍賣機(jī)制研究工作。

問題建模與理論分析

在線廣告場(chǎng)景可以抽象成一個(gè)典型的多坑拍賣問題。對(duì)于每條用戶請(qǐng)求，由

個(gè)廣告主（可以是手動(dòng)調(diào)整出價(jià)或者自動(dòng)出價(jià)代理）對(duì) 個(gè)廣告位進(jìn)行出價(jià)。廣告主根據(jù)自身的私有估值 提交出價(jià) , 其中服從價(jià)值分布 。給定出價(jià)向量, 用戶特征向量 以及所有參競廣告的特征向量 ，平臺(tái)的拍賣機(jī)制決定分配方案 以及廣告主的計(jì)費(fèi) ，其中 表示廣告 分配到廣告位

。

廣告拍賣中的外部性指的是競勝廣告主的效用會(huì)受到其它競勝廣告的影響 [1]。對(duì)于 CPC 多坑拍賣，外部性影響主要反映在廣告 CTR 上。我們用

表示任意感知排列外部性的 CTR 模型，廣告 的 CTR 可以表示為 ，可以簡化表示為

。

在上述排列外部性的拍賣機(jī)制建模下，廣告主

的期望效用為

拍賣機(jī)制的激勵(lì)兼容（IC）條件要求真實(shí)報(bào)價(jià)

最大化其期望效用

，個(gè)體理性（IR）條件則要求廣告主效用非負(fù)。廣告拍賣機(jī)制目標(biāo)為最大化平臺(tái)期望收入

且滿足IC和IR約束。

求解收入最大化機(jī)制的直觀想法是遵循經(jīng)典的 Myerson 拍賣，我們將排列外部性引入 Myerson 拍賣，可以寫成如下形式，其中

表示經(jīng)過 iron 操作后的虛擬價(jià)值函數(shù)（確保函數(shù)單調(diào)性）：

• 分配規(guī)則：

• 計(jì)費(fèi)規(guī)則：

需要注意的是，由于排列外部性的引入，在最終分配結(jié)果中其它廣告的影響下，廣告主提高出價(jià)不一定會(huì)提高最終的 CTR，因此 Myerson 理論中的“單調(diào)分配”性質(zhì)在排列外部性影響下是否成立需要重新論證。我們理論證明了上述“單調(diào)分配”的性質(zhì)仍然保持，具體表述為如下引理 1，完整證明請(qǐng)參考論文原文附錄 A.1。

引理1:?在排列外部性建模下，若拍賣機(jī)制的分配規(guī)則

最大化期望虛擬福利，則對(duì)于任意廣告主以及其它廣告主的出價(jià)向量，關(guān)于出價(jià)單調(diào)不減，或者稱分配規(guī)則

為單調(diào)的。

結(jié)合引理 1 和 Myerson 拍賣理論，可以證明上述引入排列外部性的 Myerson 拍賣為滿足IC、IR約束且最大化平臺(tái)期望收入的最優(yōu)拍賣機(jī)制，完整推導(dǎo)過程請(qǐng)參考論文原文 2.2 節(jié)。

直接求解上述最優(yōu)分配結(jié)果需要枚舉參競廣告的所有可能排列結(jié)果，再進(jìn)行選優(yōu)，枚舉過程的計(jì)算復(fù)雜度為

，線上場(chǎng)景下,，枚舉過程的高復(fù)雜度無法滿足線上推理實(shí)驗(yàn)要求。因此我們考慮將拍賣機(jī)制進(jìn)行參數(shù)化，通過數(shù)據(jù)驅(qū)動(dòng)的方式進(jìn)行學(xué)習(xí)。為了在端到端學(xué)習(xí)的過程中滿足 IC 約束并保持優(yōu)化過程的可微性，類似多物品拍賣的研究工作 RegretNet [6]，我們將機(jī)制偏離 IC 條件的程度量化為每個(gè)廣告主的 ex-post regret，即廣告主通過虛報(bào)出價(jià)

可以獲得的最大效用增加值：

給定價(jià)值分布

中的 條采樣，則廣告主

的經(jīng)驗(yàn) ex-post regret 為

拍賣機(jī)制設(shè)計(jì)問題可以進(jìn)一步改寫成如下約束優(yōu)化問題：

生成式拍賣

前文提到，現(xiàn)有的基于深度學(xué)習(xí)的拍賣機(jī)制受限于“先預(yù)估后分配”的設(shè)計(jì)范式，無法感知排列級(jí)外部性。我們提出的生成式拍賣引入了生成器-評(píng)估器的基本架構(gòu)，模型整體架構(gòu)如圖 2 所示。生成器采用自回歸模型，逐坑位感知已經(jīng)決策完成的序列信息，生成廣告序列。評(píng)估器捕捉廣告序列中的商品相互影響，對(duì)精排階段的單點(diǎn) pCTR 結(jié)合序列上下文信息進(jìn)行校準(zhǔn)，在訓(xùn)練時(shí)為生成器提供獎(jiǎng)勵(lì)信號(hào)。在線推理時(shí)，僅部署生成器，以保證線上推理時(shí)延。此外，我們構(gòu)建了 PaymentNet 模塊，通過優(yōu)化 ex-post regret 學(xué)習(xí)最優(yōu)計(jì)費(fèi)規(guī)則。

△圖2：感知排列外部性的生成式拍賣整體框架

1、生成器

根據(jù)理論推導(dǎo)的最優(yōu)分配形式，生成器的目標(biāo)為根據(jù)

個(gè)參競廣告，生成長度為的廣告序列

，以最大化期望虛擬福利。我們構(gòu)建的生成器包括兩部分：滿足排列不變性（permutation-invariant）的集合編碼器，以及滿足排列同變性（permutation-equivariant）的自回歸解碼器。排列不變性指的是改變模型輸入元素的排列順序不會(huì)改變模型輸出的結(jié)果，排列同變性指的是輸入元素的排列順序改變會(huì)引起輸出結(jié)果的排列順序產(chǎn)生相同的改變。前者保證輸入模型的參競廣告順序不影響分配結(jié)果，后者在自動(dòng)機(jī)制設(shè)計(jì) [7-9] 的研究工作中廣泛應(yīng)用，[10] 進(jìn)一步論證了排列同變性可以提升機(jī)制的泛化性。

集合編碼器旨在通過建模參競集合粒度的外部性來增強(qiáng)每個(gè)廣告的表征。編碼器首先通過 self-attention layer 編碼廣告 embedding 序列：

再經(jīng)過 sum-pooling 層和 MLP 層得到集合粒度上下文編碼：

解碼器使用自回歸模型建模長度為

的廣告序列的聯(lián)合概率分布：

我們使用 GRU 單元建模參競廣告在坑位的條件概率：，第

個(gè) GRU 單元迭代式地定義為：

其中

為可學(xué)習(xí)的參數(shù)，始終非負(fù)，確保更高的虛擬價(jià)值獲得更大的分配概率，與最大化虛擬福利的目標(biāo)保持一致。我們接下來對(duì)在坑位之前分配的廣告進(jìn)行 mask 操作，并基于概率進(jìn)行采樣以決策分配到當(dāng)前坑位的廣告。重復(fù)次采樣過程，得到長度為

的廣告序列即為最終分配結(jié)果。注意到生成器中的 MLP 和 GRU 單元作用在每個(gè) state-ad 對(duì)，且編碼器滿足排列不變性，因此解碼器滿足排列同變性。

2、評(píng)估器

評(píng)估器的目標(biāo)為預(yù)估分配結(jié)果

中每個(gè)廣告的 CTR ，進(jìn)一步在訓(xùn)練過程中為生成器提供獎(jiǎng)勵(lì)信號(hào)。為了復(fù)用精排階段從用戶行為序列中提取的用戶興趣信息，避免冗余建模，評(píng)估器在精排單點(diǎn) pCTR的基礎(chǔ)上，預(yù)估排列外部性校準(zhǔn)向量，再將二者進(jìn)行逐元素相乘得到最終預(yù)估的 CTR：

。模型結(jié)構(gòu)上同時(shí)引入了雙向 LSTM 和 self-attention 模塊提取序列上下文信息，最終將聚合用戶 embedding 后的表征送入 MLP 層得到外部性校準(zhǔn)向量：

具體實(shí)現(xiàn)細(xì)節(jié)請(qǐng)參考論文原文。

3、計(jì)費(fèi)模塊

注意到第 2 節(jié)中理論推導(dǎo)的最優(yōu)計(jì)費(fèi)規(guī)則包括積分項(xiàng)

通過蒙特卡洛采樣近似計(jì)算積分時(shí)，每次采樣都需要調(diào)用生成器

和評(píng)估器，在實(shí)時(shí)推理時(shí)的計(jì)算開銷過大。在前文中，我們將 IC 條件改寫為每個(gè)廣告主的經(jīng)驗(yàn) ex-post regret 等于 0，這使得我們可以通過數(shù)據(jù)驅(qū)動(dòng)的方式構(gòu)建計(jì)費(fèi)模塊學(xué)習(xí)上述最優(yōu)計(jì)費(fèi)規(guī)則。計(jì)費(fèi)模塊輸入包括廣告分配序列的表征，出價(jià)矩陣 ，以及期望價(jià)值向量，其中表示生成器輸出的廣告分配概率，表示評(píng)估器輸出的外部性校準(zhǔn)后的 CTR。為了滿足 IR 條件，計(jì)費(fèi)模型通過 sigmoid 激活函數(shù)輸出計(jì)費(fèi)比

，再與出價(jià)相乘得到最終計(jì)費(fèi)

。

4、訓(xùn)練流程

根據(jù)第 2 節(jié)中推導(dǎo)的結(jié)論，最優(yōu)分配最大化虛擬福利，與計(jì)費(fèi)規(guī)則無關(guān)，因此我們?cè)谟?xùn)練時(shí)將基于生成器-評(píng)估器架構(gòu)的分配求解模塊與計(jì)費(fèi)模塊的優(yōu)化進(jìn)行解耦。

我們首先使用列表級(jí)的廣告點(diǎn)擊數(shù)據(jù)訓(xùn)練評(píng)估器，交叉熵?fù)p失函數(shù)定義為：

其中

表示用戶是否點(diǎn)擊列表 中的第 個(gè)廣告，

表示評(píng)估器的外部性校準(zhǔn)后的預(yù)估 CTR。

在評(píng)估器訓(xùn)練收斂后，我們凍結(jié)其參數(shù)，指導(dǎo)生成器訓(xùn)練。類似推薦系統(tǒng)重排工作 GRN [11] 的損失函數(shù)設(shè)計(jì)思路，我們將獎(jiǎng)勵(lì)函數(shù)拆解為兩部分。Self-Reward 直接刻畫每個(gè)分配的廣告帶來的虛擬福利增量，即

External-Reward 刻畫每個(gè)分配的廣告帶來的外部性影響，即

類似 VCG 拍賣中的邊際貢獻(xiàn)的概念。二者相加即可得到分配廣告

的整體獎(jiǎng)勵(lì)函數(shù)：

其中

表示排除廣告

后的廣告序列。最后，我們使用 Policy Gradient 定義生成器的損失函數(shù)為：

在生成器-評(píng)估器架構(gòu)訓(xùn)練收斂后，我們凍結(jié)其參數(shù)，使用增廣拉格朗日方法求解第 2 節(jié)最后定義的約束優(yōu)化問題以優(yōu)化計(jì)費(fèi)模塊，對(duì)違反 IC 條件施加懲罰項(xiàng)，增廣拉格朗日函數(shù)定義為：

計(jì)費(fèi)模塊的優(yōu)化過程包括以下兩個(gè)過程的迭代：

（1）更新計(jì)費(fèi)模塊的參數(shù)

（2）更新拉格朗日乘子

實(shí)驗(yàn)

我們?cè)谔詫氄故緩V告場(chǎng)景的真實(shí)數(shù)據(jù)集上以及線上環(huán)境中評(píng)估生成式拍賣的有效性。對(duì)比的基線方法按照外部性建模的粒度可以分為三類：

• 無外部性建模：GSP 廣義二價(jià)拍賣。
• 集合粒度外部性建模：DNA [2]；SW-VCG [3]。
• 排列級(jí)外部性建模：基于枚舉實(shí)現(xiàn)的 VCG 拍賣；EdgeNet [12]；理論推導(dǎo)的最優(yōu)拍賣機(jī)制。

1、離線實(shí)驗(yàn)

離線實(shí)驗(yàn)使用的訓(xùn)練集和測(cè)試集分別包括不同日期隨機(jī)采樣的 50 萬條和 10 萬條拍賣日志，每次拍賣約有30個(gè)廣告參競。我們考慮廣告主出價(jià)的條件分布分別服從均勻分布（uniform）和指數(shù)分布（exponential），在兩種條件下分別進(jìn)行評(píng)估。評(píng)估指標(biāo)包括平臺(tái)收入指標(biāo) RPM（Revenue Per Mille），CTR 以及評(píng)估機(jī)制 IC 條件的指標(biāo)

衡量廣告主通過非真實(shí)出價(jià)能夠獲得的效用相對(duì)增量。

實(shí)驗(yàn)結(jié)果如表 1 所示?？梢杂^察到隨著外部性建模從不考慮外部性到集合粒度外部性，再到排列級(jí)外部性，三個(gè)指標(biāo)均趨向更優(yōu)。此外，注意到與基于枚舉法實(shí)現(xiàn)的理論最優(yōu)上界相比，生成式拍賣（CGA）達(dá)到了95%的平臺(tái)收入以及極低的

值，表明生成式拍賣可以高效近似理論最優(yōu)機(jī)制。

△表1：離線對(duì)比實(shí)驗(yàn)。指標(biāo)后的百分比增減量表示基線方法相比 CGA 的相對(duì)值

2、在線實(shí)驗(yàn)

我們?cè)谡故緩V告場(chǎng)景進(jìn)行了線上 A/B 實(shí)驗(yàn)，基線為線上使用的 DNA [2] 機(jī)制。實(shí)驗(yàn)結(jié)果表明，生成式拍賣在推理時(shí)延僅增加 1.6% 的情況下，平臺(tái)收入指標(biāo) RPM 提高了 3.2%，CTR 提升 1.4%，成交 GMV 提升6.4%，廣告主 ROI 提升 3.5%。實(shí)驗(yàn)結(jié)果表明生成式拍賣帶來的收入提升不是由于直接抬高廣告主計(jì)費(fèi)，而是通過感知排列級(jí)外部性優(yōu)化廣告分配，實(shí)現(xiàn)更精準(zhǔn)的廣告觸達(dá)，反映于 CTR、GMV 以及廣告主 ROI 的提升。

總結(jié)

本文從廣告拍賣機(jī)制中的排列級(jí)外部性影響出發(fā)，打破“先預(yù)估后分配”的設(shè)計(jì)范式，針對(duì)在線廣告場(chǎng)景提出了感知排列外部性的生成式拍賣。結(jié)果表明，經(jīng)典的 Myerson 拍賣在遷移到排列級(jí)外部性的形式后，仍然保持其最優(yōu)性。

基于這一結(jié)論，團(tuán)隊(duì)設(shè)計(jì)的生成式拍賣架構(gòu)將分配和計(jì)費(fèi)模塊解耦。在具體實(shí)現(xiàn)上，構(gòu)建了基于生成器-評(píng)估器的自回歸生成式結(jié)構(gòu)來優(yōu)化分配，并將 IC 約束量化為最小化期望事后后悔來學(xué)習(xí)最優(yōu)支付規(guī)則。工業(yè)級(jí)場(chǎng)景的離在線實(shí)驗(yàn)驗(yàn)證了生成式拍賣的有效性。值得注意的是，提出的生成式拍賣框架并不局限于特定的生成式模型。

未來的研究工作將探索引入更加高效的生成式架構(gòu)，并在拍賣機(jī)制中統(tǒng)一分配來自多渠道的商品，例如自然結(jié)果與廣告的融合混排。

關(guān)于團(tuán)隊(duì)

阿里媽媽展示廣告機(jī)制策略算法團(tuán)隊(duì)，致力于不斷優(yōu)化阿里展示廣告技術(shù)體系，驅(qū)動(dòng)業(yè)務(wù)增長，推動(dòng)技術(shù)持續(xù)創(chuàng)新；不斷升級(jí)工程架構(gòu)以支撐阿里媽媽展示廣告業(yè)務(wù)穩(wěn)健&高效迭代，深挖商業(yè)化價(jià)值并優(yōu)化廣告主投放效果，孵化創(chuàng)新產(chǎn)品和創(chuàng)新商業(yè)化模式，優(yōu)化廣告生態(tài)健壯性；驅(qū)動(dòng)機(jī)制升級(jí)，并已邁入 Deep Learning for Mechanisms 時(shí)代，團(tuán)隊(duì)創(chuàng)新工作發(fā)表于 KDD、WWW、ICML、CIKM、WSDM、AAMAS、AAAI 等領(lǐng)域知名會(huì)議。在此真誠歡迎有ML背景的同學(xué)加入！

投遞簡歷郵箱（請(qǐng)注明-展示廣告機(jī)制策略）：

alimama_tech@service.alibaba.com

參考文獻(xiàn)

[1] Arpita Ghosh and Mohammad Mahdian. Externalities in online advertising. WWW’08.
[2] Xiangyu Liu, Chuan Yu, Zhilin Zhang, Zhenzhe Zheng, Yu Rong, Hongtao Lv, Da Huo, Yiqing Wang, Dagui Chen, Jian Xu, Fan Wu, Guihai Chen, and Xiaoqiang Zhu. Neural auction: End-to-end learning of auction mechanisms for e-commerce advertising. KDD’21.
[3] Ningyuan Li, Yunxuan Ma, Yang Zhao, Zhijian Duan, Yurong Chen, Zhilin Zhang, Jian Xu, Bo Zheng, and Xiaotie Deng. Learning-Based Ad Auction Design with Externalities: The Framework and A Matching-Based Approach. KDD’23.
[4] Guogang Liao, Xuejian Li, Ze Wang, Fan Yang, Muzhi Guan, Bingqi Zhu, Yongkang Wang, Xingxing Wang, and Dong Wang. 2022. NMA: Neural Multi-slot Auctions with Externalities for Online Advertising. arXiv preprint arXiv:2205.10018 (2022).
[5] Roger B Myerson. 1981. Optimal auction design. Mathematics of operations research 6, 1 (1981), 58–73.
[6] Paul Dütting, Zhe Feng, Harikrishna Narasimhan, David Parkes, and Sai Srivatsa Ravindranath. Optimal auctions through deep learning. ICML’19.
[7] Zhijian Duan, Haoran Sun, Yurong Chen, and Xiaotie Deng. A scalable neural network for dsic affine maximizer auction design. NeurIPS’24.
[8] Dmitry Ivanov, Iskander Safiulin, Igor Filippov, and Ksenia Balabaeva. Optimal-er auctions through attention. NeurIPS’22.
[9] Jad Rahme, Samy Jelassi, Joan Bruna, and S Matthew Weinberg. A permutation-equivariant neural network architecture for auction design. AAAI’21.
[10] Tian Qin, Fengxiang He, Dingfeng Shi, Wenbing Huang, and Dacheng Tao. Benefits of permutation-equivariance in auction mechanisms. NeurIPS’22.
[11] Yufei Feng, Binbin Hu, Yu Gong, Fei Sun, Qingwen Liu, and Wenwu Ou. 2021. GRN: Generative Rerank Network for Context-wise Recommendation. arXiv preprint arXiv:2104.00860 (2021).
[12] Guangyuan Shen, Shengjie Sun, Dehong Gao, Duanxiao Song, Libin Yang, Zhen Wang, Yongping Shi, and Wei Ning. EdgeNet: Encoder-decoder generative Network for Auction Design in E-commerce Online Advertising. CIKM’23.