通过设计的探索和关键字竞拍中的不确定性成本
摘要：确定性搜索机制下的探索机制，使得拍卖人可以学习广告商的相关性评分，并允许广告商估算在拍卖网站上产生的点击的真实价值。该探索机制与谷歌和雅虎目前使用的机制相比，仅在最小程度上有所偏离，因为它保留了相同的定价规则、类似的排名方案以及类似的回报的数学结构。具体来说，通过给排名较低的广告商提供获得更好位置的机会，实现了相关性评分和真实价值的估算。这使得搜索引擎有可能测试一批新的广告商，并相应地让新广告商估算通过拍卖产生的点击/领导的价值。这两个量都是先验不知道的，了解它们对于拍卖的高效运作是必要的。我们证明了这种探索策略可以在不损失拍卖人的收入的情况下进行融入。我们将新机制的收入与标准机制在对称纳什均衡下进行比较，并计算了不确定性的成本，即期望收入每次印象的相对损失。我们还限制了在相同解决方案概念下（即SNE）由于探索而导致的效率损失和用户体验损失。因此，所提出的探索机制通过机制设计实现了对相关性评分的学习，同时融入了自私的广告商的激励约束，他们试图最大化自己的利润。我们还讨论了新机制的变体，如真实实现。
作者：Sudhir Kumar Singh, Vwani P. Roychowdhury, Milan Bradonji''c, Behnam A. Rezaei
论文ID：0707.1053
分类：Computer Science and Game Theory
分类简称：cs.GT
提交时间：2011-11-10