KDD'20 | LinkedIn 混排

飞书用户7782

2024年4月7日修改

LInkedIn发表在KDD'20上关于混排的工作，主要探讨在信息流推荐中如何合理分配自然推荐和广告流量的问题，现已基本成为混排的baseline方案。​

•
Ads Allocation in Feed via Constrained Optimization​

自然推荐的主要目标是用户的engagement，可以简单理解为用户app上的停留意愿；而广告则是通过竞价排序最大化期望收益。两者目标的冲突差异导致现有的系统中，自然和广告的链路一般相互独立，在最顶层的混排阶段再对流量进行调控。​

一个最基础简单的方式就是定坑插入，但毫无疑问该种方案是有损效率的。​

解决方案

首先明确一个好的混排模块需要具备的功能：

•
低延迟：毋庸置疑了；​

•
子队列保序：因为前一阶段精排已经做了非常精准预估，重新调整排序没有必要且会增加建模复杂度；​

•
模型迭代效率：推荐系统模块复杂繁多，必须保证各模块间的异步独立迭代，因此需要混排模型有自动调整适配上游迭代的能力；​

•
周期自适应：广告需求往往有季节或者年的周期性变化，自然结果也同样。混排应该根据收益的系统性变化来调整广告的曝光量​

•
动态广告位置：如果广告固定坑位出现，则用户会选择可以回避，有损效率；​

出于对用户体验的兜底保护，避免广告频出影响某些用用户，文中设置了两个规则性策略​

•
top_slot：最高在第几位可以出广告，避免广告出的太靠前影响体验；​

•
min_gap：两个广告之间至少间隔多少位，避免扎堆出广告营销感拉满；​

在本文中，将混排问题定义为单次请求中的带限制的最优化问题​

上面建模公式的含义就是，在全局内容价值大于一定阈值的限制下，最大化广告收益。通过对偶拉格朗日可以求解出如下解（公式推导可参考：《Ads Allocation in Feed via Constrained Optimization》最优化求解推导）

其中 
参数的含义是把engagement utility等价变化至revenue utility，从而使得两个队列可比，文中称为shadow bid。​

假设我们已经计算好shadow bid，则整体混排算法如下

KDD'20 | LinkedIn 混排​