🤖 AI

HMAF: A Hierarchical Multi-Slot GD-RTB Allocation Framework

यह शोध पत्र HMAF का प्रस्ताव करता है, जो एक एकीकृत पदानुक्रमित ढांचा (unified hierarchical framework) है जो जटिल मल्टी-स्लॉट विज्ञापन परिवेशों में दीर्घकालिक गारंटीकृत डिलीवरी अनुबंध पूर्ति और अल्पकालिक रियल-टाइम बिडिंग राजस्व अधिकतमकरण के बीच प्रभावी ढंग से संतुलन बनाने के लिए ऑफलाइन बाधा अनुकूलन (offline constraint optimization) को ऑनलाइन लिस्टवाइज निर्णय लेने (online listwise decision-making) के साथ एकीकृत करता है, जिससे मीटुआन (Meituan) के मार्केटिंग परिदृश्यों में महत्वपूर्ण प्रदर्शन सुधार प्राप्त होता है।

मूल लेखक: Tianxing Bu, Zhaoqi Zhang, Linyou Cai, Miao Xie, Shengri Xue, Tan Qu, Qianlong Xie, Xingxing Wang, Siqiang Luo, Gao Cong

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tianxing Bu, Zhaoqi Zhang, Linyou Cai, Miao Xie, Shengri Xue, Tan Qu, Qianlong Xie, Xingxing Wang, Siqiang Luo, Gao Cong

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक व्यस्त रेस्टोरेंट (विज्ञापन मंच) है जिसमें दो प्रकार के ग्राहक हैं:

वीआईपी (GD अनुबंध): ये बड़े विज्ञापनदाता हैं जिन्होंने महीनों पहले एक अनुबंध पर हस्ताक्षर किए हैं। उन्होंने एक निश्चित कीमत चुकाई है और कहा है, "हमें अगले एक महीने में 10,000 टेबल आरक्षण (विज्ञापन इंप्रेशन) मिलना ही चाहिए, चाहे कुछ भी हो।" यदि रेस्टोरेंट उन्हें बैठाने में विफल रहता है, तो उसे जुर्माना भरना होगा।
वॉक-इन्स (RTB विज्ञापन): ये वे विज्ञापनदाता हैं जो हर दिन आते हैं और कहते हैं, "मैं अभी बाजार की वर्तमान कीमत जो भी होगी, उसके अनुसार भुगतान करूँगा।" रेस्टोरेंट चाहता है कि वह इन टेबलों को उच्चतम बोली लगाने वालों के साथ भर दे ताकि वह आज अधिक से अधिक पैसा कमा सके।

समस्या:
रेस्टोरेंट के पास प्रत्येक पेज पर सीमित संख्या में टेबल (विज्ञापन स्लॉट) हैं। कभी-कभी, वीआईपी को एक टेबल की आवश्यकता होती है, लेकिन वॉक-इन उसी टेबल के लिए बहुत बड़ी राशि की पेशकश कर रहे होते हैं।

यदि आप टेबल वॉक-इन को देते हैं, तो आप आज अधिक पैसा कमाते हैं, लेकिन आप महीने के अंत तक पर्याप्त वीआईपी को बैठाने में विफल हो सकते हैं।
यदि आप वीआईपी को टेबल देते हैं, तो आप अपने अनुबंध को खुश रखते हैं, लेकिन आप वॉक-इन से मिलने वाले भारी नकदी के लाभ को खो सकते हैं।
पिछले सिस्टमों ने या तो महीने के अंत तक वीआईपी को अनदेखा करने (जो जोखिम भरा है) या सरल, कठोर नियमों (जैसे "वीआईपी हमेशा पहले जाएंगे") का उपयोग करने की कोशिश की (जिससे पैसा बर्बाद होता है)।

समाधान: HMAF (एक स्मार्ट रेस्टोरेंट मैनेजर)
यह पेपर एक नए सिस्टम HMAF (Hierarchical Multi-Slot Allocation Framework) का परिचय देता है। इसे एक तीन-चरणीय प्रबंधन टीम के रूप में सोचें जो आपके रेस्टोरेंट को पूरी तरह से चलाती है।

चरण 1: योजनाकार (द "प्लान" चरण)

दिन शुरू होने से पहले, योजनाकार (Planner) पूरे महीने के शेड्यूल को देखता है।

वे क्या करते हैं: वे गणना करते हैं कि वीआईपी को कितने टेबल चाहिए और कितने उपलब्ध हैं। वे प्रत्येक टेबल की "शैडो प्राइस" (shadow price) का पता लगाते हैं।
उपमा: कल्पना कीजिए कि योजनाकार को एहसास होता है, "दूसरी मंजिल पर टेबल नंबर 4 बहुत लोकप्रिय है, लेकिन हमारे पास केवल 5 ही हैं। यदि हम टेबल 4 वीआईपी को देते हैं, तो इसमें बहुत अधिक संभावित वॉक-इन पैसा खर्च होगा। लेकिन यदि हम इसे वॉक-इन को देते हैं, तो हमें वीआईपी अनुबंध चूकना पड़ सकता है।"
आउटपुट: योजनाकार "नियमों के समूह" (जिन्हें ड्यूल वेरिएबल्स कहा जाता है) बनाता है जो स्टाफ को बताते हैं: "टेबल 4 अभी महंगा है; इसे वीआईपी को तभी दें जब वे वास्तव में तत्काल हों। अन्यथा, इसे उच्च भुगतान करने वाले वॉक-इन्स के लिए बचा कर रखें।"

चरण 2: कैलिब्रेटर (द "कैलिब्रेट" चरण)

जब कोई ग्राहक आता है (कोई उपयोगकर्ता ऐप खोलता है), तो कैलिब्रेटर (Calibrator) योजनाकार के नियमों को लेता है और वास्तविक समय में विज्ञापनों के स्कोर को समायोजित करता है।

यह क्या करता है: यह वीआईपी और वॉक-इन्स को देखता है। यदि एक वीआईपी अनुबंध अपने वितरण लक्ष्य से पीछे चल रहा है, तो कैलिब्रेटर उस वीआईपी के स्कोर में "बूस्ट" (बढ़ावा) देता है, जिससे उनके टेबल पाने की संभावना बढ़ जाती है। यदि एक वीआईपी पहले से ही आगे चल रहा है, तो बूस्ट हटा दिया जाता है।
उपमा: यह दरवाजे पर खड़े एक ट्रैफिक पुलिसकर्मी की तरह है। यदि वीआईपी सेक्शन खाली है, तो पुलिसकर्मी वीआईपी को तेजी से अंदर आने का इशारा करता है। यदि वीआईपी सेक्शन भरा हुआ है, तो वह उच्च भुगतान करने वाले वॉक-इन्स को अंदर आने देता है। यह दोनों समूहों को गतिशील रूप से, प्रति सेकंड संतुलित करता है।

चरण 3: निष्पादक (द "एग्जीक्यूट" चरण)

यह अंतिम निर्णय लेने वाला है जो वास्तव में टेबल आवंटित करता है।

यह क्या करता है: एक आधुनिक रेस्टोरेंट में, आपके पास केवल एक टेबल नहीं होती है; आपके पास टेबलों की एक पूरी पंक्ति (एक "मल्टी-स्लोट" पेज) होती है। निष्पादक (Executor) केवल सबसे अच्छा एकल टेबल नहीं चुनता; यह पूरे रो (row) के लिए सबसे अच्छा संयोजन चुनता है।
उपमा: कल्पना कीजिए कि निष्पादक एक शेफ की तरह है जो एक थाली सजा रहा है। वह केवल सबसे महंगी डिश को बीच में नहीं रखता; वह पूरी प्लेट को इस तरह व्यवस्थित करता है कि वीआईपी को उनके विशिष्ट स्थान मिलें बिना वॉक-इन्स के दृश्य को बाधित किए, जिससे यह सुनिश्चित हो सके कि पूरा "प्लैटर" (उपयोगकर्ता की स्क्रीन) अच्छा दिखे और अधिक से अधिक पैसा बनाए।
जादू: यह हिस्सा एक "जेनरेटर-इवैल्यूएटर" नेटवर्क का उपयोग करता है। जेनरेटर (Generator) बैठने की कुछ संभावित व्यवस्थाएं बनाता है (जैसे, "क्या होगा यदि हम वीआईपी को यहाँ और वॉक-इन को वहाँ रखें?")। इवैल्यूएटर (Evaluator) एक जज की तरह कार्य करता है, उन सभी विकल्पों को देखता है और उनमें से एक को चुनता है जो सबसे अधिक पैसा बनाता है और वीआईपी को भी खुश रखता है।

परिणाम

पेपर कहता है कि इस सिस्टम का परीक्षण Meituan में किया गया था, जो चीन का एक विशाल फूड डिलीवरी प्लेटफॉर्म है (इसे एक विशाल डिजिटल रेस्टोरेंट के रूप में सोचें)।

परिणाम: इस तीन-चरणीय मैनेजर का उपयोग करके, Meituan ने 3.72% अधिक वीआईपी को बैठाया (अधिक अनुबंधों को पूरा किया) और वॉक-इन्स से 1.59% अधिक कुल पैसा भी बनाया।
यह क्यों आश्चर्यजनक है: आमतौर पर, यदि आप अधिक वीआईपी को बैठाते हैं, तो आप कम पैसा कमाते हैं क्योंकि आप वॉक-इन्स से उतना अधिक शुल्क नहीं ले सकते हैं। लेकिन क्योंकि HMAF यह बहुत समझदारी से करता है कि किन टेबलों को किसे दिया जाए (योजनाकार से प्राप्त "शैडो प्राइस" का उपयोग करके), इसने एक ही समय में दोनों काम करने का तरीका खोज लिया।

संक्षेप में:
HMAF एक सुपर-स्मार्ट रेस्टोरेंट मैनेजर की तरह है जो केवल ग्राहकों के आने पर प्रतिक्रिया नहीं देता। इसके बजाय, यह पूरे महीने की योजना बनाता है, वीआईपी सेक्शन कितना भरा है इसके आधार पर वास्तविक समय में प्रवेश नीति को समायोजित करता है, और टेबलों को पूरी तरह से व्यवस्थित करता है ताकि यह सुनिश्चित हो सके कि सभी को उनकी आवश्यकता के अनुसार मिले और रेस्टोरेंट अधिकतम संभव लाभ कमा सके।

तकनीकी सारांश: HMAF – एक पदानुक्रमित बहु-स्लॉट GD-RTB आवंटन ढांचा (HMAF – A Hierarchical Multi-Slot GD-RTB Allocation Framework)

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र बड़े पैमाने के ऑनलाइन विज्ञापन पारिस्थितिक तंत्रों में इंप्रेशन आवंटन की जटिल चुनौती को संबोधित करता है जहाँ गारंटीकृत वितरण (Guaranteed Delivery - GD) अनुबंध रियल-टाइम बिडिंग (Real-Time Bidding - RTB) नीलामियों के साथ सह-अस्तित्व में होते हैं। विशेष रूप से, लेखक बहु-स्लॉट वातावरण (जैसे, कंटेंट फीड्स) पर ध्यान केंद्रित करते हैं, जहाँ एक एकल पेज व्यू में कई विज्ञापन स्लॉट होते हैं।

मुख्य समस्या को एक एकीकृत आवंटन कार्य के रूप में तैयार किया गया है जिसका उद्देश्य सख्त बाधाओं के अधीन कुल प्लेटफॉर्म राजस्व (RTB नीलामी मूल्य और GD संविदात्मक मूल्यों का योग) को अधिकतम करना है:

GD वितरण बाधाएं (GD Delivery Constraints): यह सुनिश्चित करना कि दंड से बचने के लिए अनुबंध न्यूनतम और अधिकतम इंप्रेशन वॉल्यूम ( $B_j$ ) को पूरा करें।
आपूर्ति बाधाएं (Supply Constraints): प्रत्येक अनुरोध (पेज व्यू) को प्रत्येक स्लॉट में अधिकतम एक विज्ञापन को आवंटित किया जा सकता है।
पेज व्यू (PV) बाधाएं: विज्ञापन थकान (ad fatigue) और अत्यधिक एक्सपोज़र को रोकने के लिए एक विशिष्ट अनुरोध द्वारा कई स्लॉट में दिए जा सकने वाले इंप्रेशन की संख्या पर सूक्ष्म सीमाएं।

लेखक इस समस्या को हल करने के लिए तीन मौलिक चुनौतियों की पहचान करते हैं:

NP-Hardness: यह समस्या सूक्ष्म-स्तरीय PV बाधाओं के तहत मल्टीडायमेंशनल नैपसैक प्रॉब्लम (Multidimensional Knapsack Problem - MKP) का सामान्यीकरण करती है, जिससे लाखों अनुरोधों के लिए वैश्विक अनुकूलन (global optimization) गणनात्मक रूप से अव्यवहार्य हो जाता है।
eCPM-Fulfillment ट्रेड-ऑफ: अल्पकालिक राजस्व अधिकतमकरण (उच्च eCPM) और दीर्घकालिक अनुबंध वितरण गारंटी के बीच संतुलन बनाना कठिन है; आक्रामक पूर्ति अक्सर राजस्व को नुकसान पहुँचाती है, जबकि शुद्ध राजस्व फोकस कम-वितरण का जोखिम पैदा करता है।
कमजोर पर्यवेक्षण (Weak Supervision): मानक CTR भविष्यवाणी के विपरीत, हाइब्रिड रैंकिंग के लिए इष्टतम सूची के लिए कोई स्पष्ट ग्राउंड-ट्रूथ लेबल नहीं होता है, जिसके लिए सिस्टम को समग्र वितरण अवस्थाओं से प्राप्त अप्रत्यक्ष, विलंबित फीडबैक से सीखना आवश्यक होता है।

2. कार्यप्रणाली: HMAF ढांचा (Methodology: The HMAF Framework)

लेखक HMAF (Hierarchical Multi-Slot Allocation Framework) का प्रस्ताव करते हैं, जो इस अव्यवहार्य समस्या को योजना-अंशांकन-निष्पादन (Plan–Calibrate–Execute) प्रतिमान में विभाजित करता है। यह ढांचा ऑफलाइन बाधा अनुकूलन को ऑनलाइन न्यूरल निर्णय लेने के साथ मजबूती से जोड़ता है।

A. योजना चरण (Plan Stage): पेज व्यू-बाधित आवंटन मॉड्यूल

यह मॉड्यूल ऑफलाइन रूप से आवंटन समस्या को एक बाधित अनुकूलन समस्या के रूप रूप में तैयार करता है।

उद्देश्य: एक लॉस फंक्शन को कम करना जो अनुबंध पूर्ति, उपयोगकर्ता रुचि और प्रति स्लॉट एक्सपोज़र को सीमित करने के लिए एक नवीन पेज व्यू (PV) बाधा को संतुलित करता है।
तंत्र: इस समस्या को लैग्रेंजियन रिलैक्सेशन (Lagrangian relaxation) और KKT शर्तों का उपयोग करके हल किया जाता है। प्राइमल समस्या को सीधे हल करने के बजाय, सिस्टम प्रोजेक्टेड ग्रेडिएंट स्टेप्स के माध्यम से डुअल वेरिएबल्स ( $\alpha, \beta, \delta$ $α, β, δ$ ) को पुनरावृत्ति से अपडेट करता है।
- $\alpha_j$ : अनुबंध मांग (डिलीवरी दबाव) के लिए शैडो प्राइस।
- $\beta_i$ : अनुरोध क्षमता के लिए शैडो प्राइस।
- $\delta_{ij}$ : स्लॉट-स्तरीय PV बाधाओं के लिए शैडो प्राइस।
आउटपुट: ये डुअल वेरिएबल्स "शैडो प्राइस" के रूप में कार्य करते हैं जो वैश्विक संसाधन दुर्लभता और वितरण दबाव को एनकोड करते हैं, जो डाउनस्ट्रीम चरणों के लिए संक्षिप्त नियंत्रण संकेतों के रूप में कार्य करते हैं।

B. अंशांकन चरण (Calibrate Stage): डुअल-गाइडेड प्री-रैंकिंग मॉड्यूल

यह मॉड्यूल डुअल वेरिएबल्स को रैंकिंग स्कोर में इंजेक्ट करके ऑफलाइन योजना को ऑनलाइन निष्पादन से जोड़ता है।

एकीकृत स्कोरिंग (Unified Scoring): यह GD और RTB उम्मीदवारों के लिए एक रैंकिंग स्कोर ( $rs_j$ ) को परिभाषित करता है।
डुअल-गाइडेड मॉड्यूलेशन: GD विज्ञापनों के लिए, स्कोर को $x_{ij} \cdot PID_{Error}$ द्वारा समायोजित किया जाता है, जहाँ $x_{ij}$ ऑफलाइन अनुकूलन से प्राप्त आवंटन आत्मविश्वास है। यह संदर्भ-विशिष्ट वितरण दबाव के आधार पर प्रतिस्पर्धात्मकता को गतिशील रूप से समायोजित करता है, न कि समान PID नियंत्रण लागू करता है।
कार्य: यह चरण मोटे तौर पर फ़िल्टरिंग और रैंकिंग करता है, जिससे आवंटन गुणवत्ता को बनाए रखते हुए निर्णय स्थान (decision space) को काफी कम कर दिया जाता है।

C. निष्पादन चरण (Execute Stage): जनरेटर-इवैल्यूएटर लिस्टवाइज आवंटन मॉड्यूल

यह चरण कई स्लॉटों में लिस्टवाइज रैंकिंग को संभालता है, जो मल्टी-स्लॉट विज्ञापनों की स्थिति-निर्भर प्रकृति को संबोधित करता है।

डुअल-ऑगमेंटेड फीचर स्पेस: ऑफलाइन डुअल वेरिएबल्स ( $\alpha, \beta, \delta$ ) को ग्लोबल स्टेट फीचर्स के रूप में न्यूरल नेटवर्क में इंजेक्ट किया जाता है, जो सिस्टम बाधाओं पर "पूर्वाभास" (foresight) प्रदान करते हैं।
जनरेटर (Generator): एक ट्रांसफार्मर-आधारित एनकोडर उम्मीदवार-स्थिति इंटरैक्शन को मॉडल करता है, जो उम्मीदवारों को स्लॉट असाइन करने के लिए एक प्रायिकता मैट्रिक्स आउटपुट करता है। यह एक प्राथमिक सूची और अन्वेषण (exploration) के लिए विक्षेपित (perturbed) सूचियाँ उत्पन्न करता है।
इवैल्यूएटर (Evaluator): एक लिस्टवाइज सुपरवाइजर भविष्यित मेट्रिक्स और वितरण बाधाओं को एकत्रित करने वाले रिवॉर्ड ( $R(S_k)$ ) का अनुमान लगाकर उत्पन्न उम्मीदवारों में से इष्टतम रैंकिंग सूची का चयन करता है।
प्रशिक्षण उद्देश्य: मॉडल को एक संयुक्त लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है:
- $L_{ce}$ : क्रॉस-एन्ट्रॉपी लॉस जो भविष्यवाणियों को इवैल्यूएटर की इष्टतम असाइनमेंट के साथ संरेखित करता है।
- $L_{re}$ : रिवॉर्ड-अवेयर लॉस जो भविष्यित और वास्तविक eCPM के बीच विचलन को दंडित करता है, जिससे व्यवस्थित पूर्वाग्रहों (systematic biases) को सुधारा जा सके।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा: HMAF का प्रस्ताव, जो ऑफलाइन बाधा अनुकूलन को ऑनलाइन न्यूरल निर्णय लेने के साथ एकीकृत करता है, जो बहु-स्लॉट GD-RTB आवंटन के लिए एक मजबूत वास्तुशिल्प आधार प्रदान करता है।
तीन मुख्य घटक:
- एक पेज व्यू-बाधित अनुकूलन मॉड्यूल जो सूक्ष्म-स्तरीय आपूर्ति-पक्ष की बाधाओं को कैप्चर करता है और डुअल सिग्नल प्राप्त करता है।
- एक डुअल-गाइडेड यूनिफाइड रैंकिंग मॉड्यूल जो eCPM और पूर्ति को संतुलित करने के लिए ऑफलाइन डुअल वेरिएबल्स का उपयोग करके ऑनलाइन स्कोरिंग को अंशांकित करता है।
- एक जनरेटर-इवैल्यूएटर मॉड्यूल जो वैश्विक मार्गदर्शन के तहत उम्मीदवार-स्थिति इंटरैक्शन को संयुक्त रूप से मॉडल करके लिस्टवाइज रैंकिंग को सक्षम बनाता है।
अनुभवजन्य सत्यापन (Empirical Validation): बड़े पैमाने पर प्रयोग और ऑनलाइन A/B परीक्षण जो वितरण दर और कुल राजस्व दोनों में सांख्यिकीय रूप रूप से महत्वपूर्ण सुधार प्रदर्शित करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन मेइतुआन (Meituan) के प्रोडक्शन एनवायरनमेंट (123M+ इंप्रेशन, 32 दिन) के डेटासेट का उपयोग करके किया गया और इसे ऑनलाइन A/B परीक्षणों में तैनात किया गया।

ऑफलाइन प्रदर्शन:

HMAF ने सभी मेट्रिक्स में बेसलाइन्स (CF, PID, AUAF, CONFLUX, और LIBRA सहित) को पछाड़ दिया।
ग्रुप AUC (GA): 0.8984 (सर्वश्रेष्ठ बेसलाइन, LIBRA के 0.8538 के मुकाबले)।
डिलीवरी रेट (DR): 0.9638 (LIBRA के 0.9554 के मुकाबले)।
यूटिलिटी रेट (UR): 0.9812 (LIBRA के 0.9513 के मुकाबले)।
RTB eCPM: उच्चतम सामान्यीकृत स्कोर (1.0000) प्राप्त किया।

ऑनलाइन A/B टेस्टिंग (2 महीने, 50/50 ट्रैफिक स्प्लिट):

GD डिलीवरी रेट: 3.72% की वृद्धि हुई (सांख्यिकीय रूप से महत्वपूर्ण, p-value 0.018)।
कुल विज्ञापन राजस्व: 1.59% की वृद्धि हुई (सांख्यिकीय रूप से महत्वपूर्ण, p-value 0.024)।
सिस्टम दक्षता: ऑफलाइन प्लानिंग 20 मशीनों पर ~2 घंटे में चलती है; ऑनलाइन इन्फरेंस हल्का है (<50ms प्रति पेज व्यू)।
परिणामों का महत्व: लेखक नोट करते हैं कि डिलीवरी और राजस्व दोनों में एक साथ लाभ प्राप्त करना विरोधाभासी है। वे इस लाभ का श्रेय GE मॉडल की क्षमता को देते हैं जो $\delta_{ij}$ संकेतों का उपयोग करके GD इंप्रेशन को गैर-प्रीमियम स्लॉट में बुद्धिमानी से स्थानांतरित करता है, जिससे RTB के लिए उच्च-मूल्य वाली इन्वेंट्री मुक्त हो जाती है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि HMAF हाइब्रिड विज्ञापन बाजारों में अल्पकालिक राजस्व दक्षता और दीर्घकालिक वितरण गारंटी के बीच अंतर्निहित संघर्ष को सफलतापूर्वक संबोधित करता है। योजना-अंशांकन-निष् pelaksanaan (Plan–Calibrate–Execute) प्रतिमान पेश करके, यह ढांचा ह्यूरिस्टिक प्राथमिकता नियमों या अलग-थलग पाइपलाइनों से आगे बढ़ता है।

लेखक इस बात पर जोर देते हैं कि डुअल-गाइडेड न्यूरल दृष्टिकोण के माध्यम से सूक्ष्म-स्तरीय बहु-स्लॉट बाधाओं और NP-hard कॉम्बिनेटोरियल ऑप्टिमाइजेशन को संभालने की क्षमता ही इसकी प्राथमिक नवीनता है। वे कहते हैं कि HMAF बहु-स्लॉट एक्सपोज़र बाधाओं, वास्तविक समय की बोली मूल्यों और गारंटीकृत वितरण आवश्यकताओं पर निर्भर करते हुए, GD-RTB आवंटन के लिए एक "विश्वसनीय वास्तुशिल्प आधार" प्रदान करता है और इसे मेइतुआन के प्रोडक्शन सिस्टम में सफलतापूर्वक तैनात किया गया है, जिससे मापने योग्य व्यावसायिक मूल्य प्राप्त हुआ है। शोध पत्र निष्कर्ष निकालता है कि यह ढांचा अन्य प्लेटफार्मों के लिए भी अनुकूलनीय है जिनमें समान GD-RTB सेटिंग्स हैं।