对于互联网广告系统而言，其核心问题便是广告与用户流量的精准匹配，以最大化流量的售卖效率。在当前ocpx的广告售卖产品中，我们的目标是最大化平台的收入，并且最大化广告和流量的匹配，这涉及到对竞争环境的出价建模，本系列将介绍计算广告中智能出价原理，主要分为两部分：
-
出价的数学建模
-
出价的工业系统设计
本部分将介绍出价的数学建模
广告出价模块发展
对一个完整的互联网广告系统来说，其核心问题便是广告与用户流量的精准匹配，以最大化流量的售卖效率。按照计费模式广告可分为CPT 广告， CPM 广告，CPC 广告，CPA 广告等。 CPT广告由于是包断广告，不涉及考核指标， 其它广告类型中，广告主有一定的考核指标，如 CPM，CPC，CTR，CVR，ROI，CPA等。 CPM 广告中，按千次展示计费，不涉及效果问题。 CPC 广告中，只有当投放的广告被用户点击时，平台才能像广告主收费，因为广告平台会投放 CTR 相对高的广告（实际情况中一般是 CTR * CPC更高）来使平台收益最大化。 因此产生了 CTR 预估问题。 CPA 广告与 CPC 类似，产生了转化率预估的问题。 在固定出价的阶段，人们观测到，相对于CPM，追求效率的广告主其实更偏好CPC，因为CPC模式下，虽然出价固定，但是实际的竞价跟流量与广告的相关程度密切相关，即使广告主出了一个较高的出价，也不会拿到太多质量较差的流量，而CPM模式则无法避免。 但是CPC模式虽然解决了广告主在低质流量上竞价过高的担忧，但并不能让广告主获得更多的高价值流量。举个例子，广告主在流量包出价1元每次点击，流量包中的某个优质流量需要广告主出价2元才能获得；在这种情况下，为了获得这个流量，广告主要么对流量包整体提高出价，即使这意味着可能会提高低质流量的比例；要么寻找一个新的更优质的流量包，包含该优质流量，对于广告主来说，在缺少数据的情况下，仅仅依赖平台提供的工具，通常不那么容易。 因此，广告平台洞察了广告主的这种诉求，适时地对出价模块进行了一次调整，在固定出价的基础上，增加了智能调价的模式。在在这种模式下，与固定出价一样的是，广告主预先设定一个出价上限；系统会根据流量的某种价值，在出价上限的范围内，对出价进行调整。这其实引入了一类基础的出价优化问题，即在0到出价上限的范围内，通过出价的调整，最大化流量的某种价值。通过出价优化，实现低质流量上低出价，优质流量上高出价，从而降低广告主低质流量的担忧，提高自己的出价上限。在产品形式上，智能调价类产品开始以OCPX（Optimized CPX）的形式开始出现，将价值锚定到某种可预估的指标上（比如后链路的转化）等，激励广告主进行出价上限的提高，并验证指标的提升。 自动出价还带来了另一个变化：出价与计费的剥离。回顾一下计价公式：
对于智能出价场景来说，出价不再由广告主决定，因此广告平台可以选择任意一种竞价公式进行计算，而无需考虑具体的计费方式。也就是平台方可以以CPA的计费方式进行竞价计算，但是扣费可以使用CPM和CPC的方式进行扣费。在这种情况下计费方式和竞价方式解耦，无需为不同计费方式单独定制两套逻辑。
出价的数学建模
我们以"不超预算，不超成本，最大转化"这一经典问题为例子进行最优出价范式的推导介绍。 将出价问题看成是曝光选择问题，假设给定所有的可参竞集合，广告主需要选择哪些请求竞胜取得的曝光能够获得最优，具体建模方式如下。假设x_i表示请求i是否竞胜，0表示竞败，1表示竞胜，CTR_i, CVR_i表示该请求竞胜后该请求的点击率和转化率，c_i表示竞胜时的扣费，此处为二价扣费，B表示预算，C表示成本。我们以"不超预算，不超成本，最大转化"这一经典问题为例子进行最优出价范式的推导介绍。
此时我们需要优化：
对偶问题求解
引入拉格朗日乘子： 设 对x_i进行求导可得 由上式可得 带入对偶问题可得： 当满足KKT条件时，原始问题的解和对偶问题的解是等价的。
设
对x_i进行求导可得
由以上公式可得
带入对偶问题可得：
当满足KKT条件时，原始问题的解和对偶问题的解是等价的。
最优出价求解
根据互补松弛定律，x*达到最优状态时，如下式子成立，
是最优状态下的取值 我们将(1)简化为：
当 x*=1 即广告竞胜，那么 由
可得
，那么我们让出价 可以保证此次竞胜。 同理如果广告无法竞胜，可以证明出价
此次不竞胜。
因此可知按此出价可达线性规划的最优解。