全渠道比价：跨媒体广告的组合优化与智能出价

广告主同时从多个媒体购买广告流量时，同一用户可能在不同媒体上产生竞价请求。分别优化各媒体，难以协调它们之间的重复触达与转化贡献。本项目以用户的媒体投放组合为决策单元：先估计不同组合的转化、价值和消耗，再通过约束优化选择组合，最后将选择结果转成每次请求的出价系数。

概念	本方案中的含义
媒体来源	向广告主提供竞价请求的媒体平台、广告联盟或厂商广告流量，按投放单元分组
投放组合	为同一用户选择的一组媒体来源，例如仅投 A、仅投 B、同时投 A+B
广告归因转化	按广告归因口径统计的用户目标行为；模型预估入组用户发生该行为的概率

图 1：转化预估 → 组合优化 → 出价执行 → 效果反馈。依据项目资料整理。

01 · 组合建模：估计用户在不同媒体组合下的转化

多媒体投放的效果需要联合建模。通过随机对照实验采集不同组合下的用户样本，学习用户级转化率 p(u,j)：用户 u 在媒体组合 j 下发生广告归因转化的概率。这样可以直接比较“投 A”与“投 A+B”的整体效果。

模型将用户属性、站内行为和广告交互特征输入 MMCN 特征交叉网络，通过共享底座学习用户共性，再由组合分支学习不同投放选择的差异。

图 2：共享特征表示与组合分支共同学习转化；分支为示意。依据项目资料整理。

训练与预估环节	技术处理
样本与标签	用户日为训练粒度；广告归因转化为正例，自然转化和未转化为负例
组合监督	每条样本只更新实际观测组合的分支及共享底座
样本分布	组合加权平衡实验流量差异；负样本下采样提高训练效率
概率校准	推理时修正采样偏移，再按预测值分桶对齐实际转化量

优化器同时需要转化量、价值和消耗三个量。保留正样本、以概率 q 采样负样本时，从模型输出到优化输入的转换为：

p(u,j) = sigmoid(z(u,j) + ln q)
d(u,j) = a(j,b) × p(u,j)
v(u,j) = d(u,j) × r(u)
c(u,j) = γ(j) × v(u,j)

符号	定义
z、q	采样训练得到的 logit、负样本保留率
a(j,b)、d	媒体组合 j 的预测分桶 b 校准系数、预期广告转化量
r、v	既有出价系统的原始出价 rankbid，作为转化价值代理；v 为预期价值
γ、c	按媒体组合整体拟合的消耗校准系数、预期消耗

价值侧复用既有出价，成本侧采用组合校准。 从出价明细还原策略调节和截断之前的 rankbid，省去额外的出价预估模型；将组合预期价值汇总后与真实消耗对齐，得到 γ。三项估计共同进入下一步预算约束优化。

02 · 约束优化：将预算与转化目标分解到用户

设 g(u) 为用户 u 选中的媒体组合，C 为总消耗上限，D 为广告转化量下限。每个用户选择一个组合，最大化预期价值减去广告消耗：

max_g  Σᵤ [v(u,g(u)) − c(u,g(u))]

约束：Σᵤ c(u,g(u)) ≤ C
      Σᵤ d(u,g(u)) ≥ D

用拉格朗日乘子 λ、μ 分别表示消耗惩罚和转化补偿，将全局约束转为用户级评分。以下 Σ 均对用户求和，v、c、d 取该用户选中组合的值：

L = Σ(v − c) + λ(C − Σc) + μ(Σd − D)
  = λC − μD + Σ[v − (1+λ)c + μd]

s(u,j) = v(u,j) − (1+λ)c(u,j) + μd(u,j)
g(u) ∈ argmax_j s(u,j)      λ, μ ≥ 0

固定乘子后，常数项不影响选择，可加目标与逐用户选择约束使问题按用户分解。 离线搜索乘子、汇总转化与消耗并筛选候选；线上读取生效预估与参数，对当前用户的候选组合打分。

图 3：离线确定约束参数，线上完成用户级媒体选择。依据项目资料整理。

评分示例（教学算例）： 同一用户的组合 A 为 d=0.10、v=10、c=4，组合 B 为 d=0.14、v=14、c=7；两者取 r=100，v、c 使用同一价值单位，μ 表示每单位转化的价值补偿。

乘子设置	得分 A / B	选择
λ=0，μ=0：比较价值减消耗	6 / 7	B
λ=1，μ=0：提高消耗惩罚	2 / 0	A
λ=1，μ=80：提高转化补偿	10 / 11.2	B

乘子将业务目标转成可执行的选择偏好：提高 λ，抑制高消耗组合；提高 μ，增加转化量的权重。实际求解在通过预算与转化约束校验的候选中择优，无可行候选时进入兜底搜索。

03 · 在线出价：结合媒体选择与重复请求调节竞价

用户级组合确定在哪些媒体重点投放，请求级策略决定当前机会的出价强度。系统读取同一用户在不同媒体的近期请求记录，识别重复流量；根据重复流量实验指定优先承接的媒体来源，再结合它是否入选、是否已到达请求，选择出价档位。

图 4：媒体组合控制投放范围，跨媒体请求记录控制竞价优先级。依据项目资料整理。

low 抑制未入选媒体，medium 下调重复请求，high 承接优先投放机会。模块输出倍率 k，与既有出价链路衔接：

k(u,m) ∈ {low, medium, high}
bid_after = bid_before × k(u,m)

m 表示当前请求的媒体来源，bid_before、bid_after 分别是本模块调节前后的出价。优先媒体未入选时，其历史请求不触发 medium。

04 · 效果反馈：对齐模型版本与出价调控

全量推理、参数更新和实时竞价采用不同频率。通过绑定线上生效的预估版本，离线参数搜索与线上评分使用同一批模型输出。

环节	更新方式
转化模型	按天训练，吸收最新实验样本
用户级组合预估	按周全量推理并发布到线上存储
校准系数与约束参数	按天计算，绑定线上已生效的预估版本
实时请求	读取预估与参数，选择媒体组合并返回出价系数

模型校准更新转化和消耗估计，出价调控根据实际投放效果调整购买强度。实验和对照指标按流量占比归一化后，以转化量 N、消耗 S 定义相对效率：

E = (N实验 / N对照) ÷ (S实验 / S对照)
  = CPA对照 / CPA实验

CPA = 广告消耗 / 广告归因转化量

E>1 表示实验组平均转化成本更低。调控同时观察消耗、转化规模和效率，保留有效的规模增长。

调控目标	执行方式
增加投放量	固定 low，优先上调 high
降低重复请求的购买强度	优先下调 medium
稳定反馈节奏	排除修改当日，回收至少两个完整自然日，每次小步调整一个系数

实验效果与技术影响

方案将用户级转化建模、带预算约束的媒体选择、请求级差异出价连接起来，实现从预测到竞价执行的完整决策链路。

该方案应用于抖音卸载用户召回广告投放，以广告归因的用户回流为转化目标，实验效果如下待补充：

维度	结果
转化规模与成本	归因回流用户量变化【待补充】；消耗变化【待补充】；CPA 变化【待补充】
价值收益	价值收益变化【待补充】
实验口径	对照策略、实验周期、流量范围与统计结论【待补充】
公司内技术／业务影响	采用团队、跨业务复用、技术分享或标准沉淀【待补充】