联合营销生态下的广告机制设计与实践

本文目录

• 1 背景介绍
• 1.1 联合营销介绍
• 1.2 集资拍卖介绍
• 2 联合营销广告机制算法设计
• 2.1 规则化集资拍卖
• 2.2 模型化集资拍卖
• 2.3 整体集资拍卖
• 2.4 技术总结 & 落地情况
• 3 总结与展望

01 背景介绍

| 1.1 联合营销介绍

即时零售行业蓬勃发展，在为消费者提供高效便捷服务的同时，也成为众多零售商和品牌商实现业务增长的关键渠道。在此生态下，美团零售广告成为助力零售商家和品牌商扩大生意规模的重要驱动力，并有力支撑平台商业化战略发展。目前零售广告流量资源已覆盖美团App、外卖App等多个核心渠道，包括推荐/搜索信息流、品牌专区、店内货架等多种形态，贯穿消费者购前、购中、购后等场景，为广告主提供了多形态、全链路的精准营销能力，部分典型资源位示例如下：

传统的广告商业模式中，广告主（包括零售商和品牌商）通常作为独立的出资方参与竞价，并单独承担广告费用。在传统业务场景中，一个广告资源位只能售卖给一个出资方。而当同一广告资源涉及多个出资方时（例如：零售商和品牌商同时愿意为同一个商品支付广告费），传统业务模式无法共享同一个流量资源位，这使得传统的业务模式难以实现多方利益的有效兼顾，容易造成资源浪费，无法最大化地满足平台、零售商、品牌商及用户的多方利益。

具体而言，在美团的商业场景中，品牌商通常会为门店中自有品牌商品投放广告以提升品牌销量，而门店则通过投放广告提升整体店铺销量，使得品牌商与零售商具备了相似的营销目标和营销诉求。为了实现单个流量资源位的共享，平台创新性地设计了多方协同的营销模式——“联合营销”，即由品牌商和零售商共同出资，为同一商品投放广告的营销模式。联合营销助力品牌与零售商协同发力，更好地平衡和满足各方的利益诉求，实现营销效率提升（如ROI优化）、双边成本降低及平台收入增长的多方共赢格局。

| 1.2 集资拍卖介绍

在联合营销业务模式下，亟需设计科学合理的流量售卖机制，实现广告资源的高效分配与扣费，并确保系统具备激励兼容性。因此，我们将联合营销场景下的广告拍卖问题抽象为“集资拍卖”，即由多方共同出价参与，对相同标的物进行竞价扣费的拍卖场景，旨在解决联合营销场景下的流量售卖问题。这是一个针对联合营销业务需求提出的全新机制设计问题。

如下图所示，品牌E的商品C在门店A的线上渠道销售时，门店A和品牌E均有意愿为商品出资参与流量竞争，则双方构成了集资关系：

联合营销的业务特点主要包括“多元预算协同”、“多边竞合博弈”、“公私域协同”等（①多元预算协同：广告预算来自多类客户（品牌商、零售商）；②多边竞合博弈：与一般广告生态不同，联合营销业务是一个工业界特有的多方竞合博弈的场景，需考虑四方利益博弈：用户、平台、品牌商、零售商；③公私域协同：在公域流量场中存在四方博弈关系，而在私域流量场中主要是三方博弈（用户、平台、品牌商），公域拍卖缺乏对店内私域流量价值感知，存在流量价值低估、以及“搭便车”的问题）。

针对“联合营销”业务中的流量售卖需求，我们结合“多元预算协同”和“多边竞合博弈”的业务特性，创新性地设计了“集资拍卖”机制方案。同时，针对“公私域协同”的场景特点，我们深入探索了公域与私域流量的联合拍卖模式，并提出了“两阶段集资拍卖”解决方案。值得注意的是，区别于Facebook提出的（Collaborative Ads）模式——该模式通过品牌商引流、零售商转化及数据贯通实现“品效合一”，集资拍卖在机制设计层面进行了深度创新，系统性地解决了联合营销下的流量变现问题。

02 联合营销广告机制算法设计

集资拍卖是一个全新的问题，目前该问题尚未有成熟的落地机制与算法。整体来看，随着业务目标和技术需求的不断演变，我们将技术发展路径总结为三个主要阶段：规则化集资拍卖->模型化集资拍卖->整体集资拍卖。

• 阶段一：目标是快速上线以进行效率验证。我们采用了GSP结合保留价的策略，有效规避了计费时结果为负的风险，从而保障了平台收入。同时，两阶段集资拍卖的升级，使得广告在公域流量排序时，综合考虑了点击候选后进入私域场景的价值，即在公域流量拍卖时衡量了公私流量域的整体价值，提升了公私域流量的协同效率。
• 阶段二：目标是构建数据驱动、多方激励兼容的端到端模型化方案。我们针对差异化的问题探索了多元化的解决方案，更好的保障了多方客户的激励兼容性。这一阶段，我们重点探索联合营销场景下的自动拍卖机制设计范式，在保障多方激励兼容的基础上提升平台收益。 技术实现路径上经历仿射->regretNet-based NN->匿名性&公平性保障。
• 阶段三：目标在于全面提升整体效率。主要的升级包括引入外部性建模，更加聚焦于业务和场景的特性，实现多方动态价值融合与多出价分布的优化等方式，我们持续探索并迭代整体拍卖集资方案，推动效率的进一步提升。

在工业界落地实践中，有两个必要的前提，一是要确定合适的计费点，二是设计合适的集资逻辑。由于品牌广告（曝光计费）和门店广告（点击计费）的计费策略差异，首先需要完成计费链路的改造，为此工程链路上升级了计费系统以及上报链路，构建了适配联合营销广告的双计费系统。此外，不同的集资逻辑会影响集资规模，即在什么条件下门店和品牌可以融合成一个捆绑Bundle，从而完成后续合作；在美团场景下，我们设计了以门店为基础的集资条件，以提升集资规模。

| 2.1 规则化集资拍卖

2.1.1 GSP+保留价集资

首先，在业务发展初期，在技术选型上主要对比了GSP-Based和VCG-Based方案。GSP拍卖的优势在于计费思路清晰，可解释性较强，更利于平台优化自身流量营销指标，但缺陷为无法完全保证激励兼容，由于联合营销场景更为复杂（涉及多参与方、多物品），GSP不满足激励兼容的特性导致拍卖系统不稳定的现象会更加突出；VCG拍卖的优势在于可以保证激励兼容的特性，而且可以产生很好的社会福利，但是收益较低。为了快速支持上线，且保证平台收益，在原有GSP基础上，我们选择了GSP+保留价的多方规则化集资拍卖方案。

2.1.2 两阶段集资拍卖

基于现有的公私域联合营销模式，我们创新性地引入在联合营销下的公域与私域流量价值融合的拍卖模式，提出了面向用户行为路径的两阶段集资拍卖机制。该机制在美团推荐和搜索场景中，将用户在一阶段（推荐/搜索列表页）、落地页（点击跳转页）和详情页（最终转化页）中的全链路行为纳入整体优化视角，从而能够建模后链路价值以缓解“搭便车”的问题，突破了传统仅依赖单点价值的排序范式。

通过引入落地页价值系数，两阶段集资拍卖实现了对各阶段价值贡献的灵活调控，并构建了状态转移价值模型，以细粒度捕捉用户在浏览、翻页、点击、退出等各类行为下的价值流转。实际业务落地效果表明，该机制有效地提升了公私域流量的整体价值，显著促进了落地页广告收入的增长，为公域联合营销场景下的商业化变现提供了坚实的技术支撑和可迁移的技术框架。

| 2.2 模型化集资拍卖

在传统拍卖机制的理论框架下，平台、零售商、品牌商与用户等多方利益主体的价值最大化难以实现有效均衡。为了构建更高效的拍卖算法以支撑联合业务健康发展，我们主要探索了以下三个模型化解决方案，重点突破算法效率与激励兼容性等核心问题，以实现联合营销场景下的端到端的多物品拍卖机制。

• JAMA：基于AMA的泛化版本，通过随机采样大量初始分配结果，并采用多层感知机进行优化，在满足激励兼容的基础上，解决弱预算平衡（WBB）问题，从而提升平台收益。
• JRegNet：采用多层感知机作为网络的基础架构，包含分配网络和支付网络两个部分来分别生成分配结果和支付结果，以最大化平台收益为目标，将占优策略激励兼容DSIC转化为对遗憾值Regret的约束，采用增广拉格朗日方法将有约束的目标函数转换为无约束的目标函数进行学习优化，相比JAMA建模更灵活且在收入表现较优。
• JTransNet：算法主要解决了拍卖中的匿名性拍卖问题，使广告序列满足置换不变性提升拍卖的公平性，并实现了确定性分配更好的支持上线，提升了平台业务收入。

2.2.1 JAMA：基于AMA的集资拍卖解决方案

VCG机制是传统的基于规则的拍卖机制，其泛化版本AMA在保证不违反DSIC条件的前提下，在社会福利损失可控的前提下提升了收益表现。而由于AMA机制无法直接应用到联合拍卖的场景中，我们首先将VCG机制拓展到联合拍卖场景中，设计了RVCG机制，RVCG机制修改了VCG机制的支付规则，确保在联合拍卖场景中不会违反弱预算平衡WBB条件。

同时，提出了基于AMA的集资拍卖算法JAMA，JAMA在输入阶段对零售商和品牌商的出价通过加权生成出价组合，随后通过零售商和品牌商之间的出价二分关系图得到联合出价，然后得到广告的分配和扣费结果，更多细节详见。为了提高 JAMA 的收入表现，初始化时生成了多个带约束的分配规则，但其在处理较为复杂的集资关系时，模型的收敛性不够稳定，进而影响广告收入。为此继续探索了基于Regret的拍卖方案JRegNet。

2.2.2 JRegNet：基于Regret的神经网络集资拍卖解决方案

集资拍卖场景中，如何克服捆绑出价的依赖性以及如何决定捆绑内两方的支付，导致大多数经典和常用的机制不适用于联合广告。近年来随着机器学习的快速发展，基于regret的自动化机制设计的概念被提出用于计算最优机制。

然而，当前的神经网络架构并不适用于联合拍卖，主要原因是它们无法处理Bundle的分配问题。因此，我们基于自动机制设计的技术，设计了一个新的适用于联合拍卖的神经网络架构JRegNet，并通过JRegNet来计算联合拍卖机制。JRegNet的架构，主要包含负责分配规则的分配网络和确定支付规则的支付网络。这两个网络的输出用于计算竞标者的效用、收入、遗憾值以及整个网络的损失函数值。网络的输入部分，包含了门店和品牌在广告位上的预期出价，以及门店和品牌之间的联合关系矩阵。在 JRegNet 中，为了适应联合拍卖设置，分配网络首先输出捆绑的分配概率矩阵，分配矩阵包含每个广告位上由门店和品牌组成的每个捆绑包的分配概率，然后基于支付网络输出所有竞标者的支付结果，更多细节详见。

该方案在收入提升等方面相比于JAMA取得了更好的表现，但是在实际工业落地存在一些限制（如工业场景中广告位实体不可分割，一般来讲，一个广告资源位只能售卖给一个广告/一个Bundle广告），于是进一步探索了更符合实际工业场景的方案JTransNet。

2.2.3 JTransNet：满足匿名性和确定性分配的解决方案

无论是 JRegNet 还是JAMA架构，均无法同时满足匿名性和确定性分配。为了同时满足匿名性（匿名性是指拍卖参与者的身份和竞标顺序不影响拍卖结果，即拍卖结果仅取决于竞标的价值，与拍卖参与者的身份和竞标顺序无关）和确定性分配两个条件，给基于 AMD 架构实现的算法在工业的实际应用时带来了巨大的挑战。

算法如果不具备匿名性，意味着仅仅改变竞标顺序就会导致算法的分配和支付结果不同。具体到实际线上场景来说，在一次请求中，高价值的广告候选，如果受输入模型的位置影响而改变了竞标结果，这容易使得拍卖结果非常不公平且不令人信服。JTransNet主要解决了集资拍卖中的匿名性和确定性分配的问题，使得广告候选满足置换不变性，并且确定性分配使JTransNet成为一个真正的符合实际工业场景的端到端神经网络架构，更符合真实线上广告分配场景，从而更好地支持了业务的发展。更多细节详见。

上述方案在实际业务中取得了较好的落地效果，为了进一步打开集资拍卖的收益空间，我们从宏观（如全局视角、自然外部性）和微观（如个体视角、客户分布差异）两个层面持续进行技术探索和升级，构建了整体集资拍卖。

| 2.3 整体集资拍卖

在集资拍卖技术设计的前中期，我们尝试了规则化和探索了模型化方案，并在实际业务落地中取得了较好的效果。然而，上述工作普遍不考虑自然外部性的影响，而真实的广告曝光及效果会受到自然上下文的影响。

为了更好的建模自然外部性，同时构建一套整体效率更优的AMD机制框架，在JRegNet的基础上升级到了整体集资拍卖方案。该方案整合了广告候选和自然候选作为模型的共同输入来决策，同时建模时考虑了譬如多方广告主出价的差异性等问题，我们提出了JAE，一种基于自然上下文特征的自适应神经网络。该框架基于AMD方法，将平台收益和用户体验作为核心优化项，它是第一个将自然外部性影响引入联合拍卖的AMD方法，能够自适应感知不同广告主的出价分布和实现多方动态价值融合，并且可以将联合广告与传统广告进行统一拍卖。

同时，在该框架中将广告队列和自然队列进行统一分配和扣费，以生成全局最优的混合列表。JAE在多物品拍卖中也取得了较好的实验效果，且并具有良好的可迁移性，在显着提高平台收入的同时更好的兼顾用户体验。

| 2.4 技术总结 & 落地情况

2.4.1 技术总结

在联合营销生态下，我们首次提出了多方出资下的联合拍卖机制范式，并开创性的构建了“集资拍卖”技术体系。整体围绕着如何快速支持联合拍卖上线，如何构建自动化的模型拍卖机制提升效率，以及如何构建全局最优的整体拍卖机制展开递进式迭代，形成了多元化且易迁移的技术栈——包括基于传统拍卖机制的集资拍卖方案，基于深度神经网络的集资拍卖方案，以及整体集资拍卖方案等。

这一系列创新显著推动了拍卖理论的发展，首个基于AMD集资拍卖解决方案为行业树立了标杆，不仅拓展了广告拍卖机制的理论基础，也为机制设计领域开辟了新的方向。按照联合拍卖适配、自动化AMD拍卖机制提效、外部性考虑相关技术线条来划分，可以将部分方法总结如下：

2.4.2 落地情况

相关技术在美团零售广告实际业务场景落地并取得了较好的结果，提升了广告变现效率的同时，还保障了联合营销生态的健康发展，助力品牌和门店更好地实现了生意的增长。在业务数据方面，助力联合营销业务下集资广告部分相比普通广告在CPM、ROI上均显著提升超20%。

同时，针对联合营销业务的技术研究，开辟了一个崭新的机制研究方向，在工业界和学术界均产生了积极的响应。集资拍卖系列技术沉淀的也相继发表在KDD 2024、TAMC 2024、SIGIR 2025等高水平会议/期刊上，同时也有多篇论文在人工智能相关顶会会议审稿中。

03 总结与展望

“联合营销”业务模式的打造，以及围绕其设计的“集资拍卖”系列算法的持续落地，不仅显著提升了零售广告收入，还推动了该模式实现系统化和产品化升级。未来，我们将持续从产品和技术两大维度协同推进，进一步加速零售业务的商业化进程。