🤖 AI

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

Het artikel stelt HMAF voor, een verenigd hiërarchisch framework dat offline constraint-optimalisatie integreert met online listwise besluitvorming om effectief de balans te vinden tussen langetermijnverplichtingen voor het nakomen van Guaranteed Delivery-contracten en kortetermijnmaximalisatie van Real-Time Bidding-omzet in complexe multi-slot advertentieomgevingen, waarbij significante prestatieverbeteringen worden bereikt in de marketingscenario's van Meituan.

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

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een druk restaurant voor (het advertentieplatform) dat twee soorten klanten heeft:

De VIP's (GD Contracten): Dit zijn grote adverteerders die maanden geleden al een contract hebben getekend. Ze hebben een vaste prijs betaald en gezegd: "Wij moeten de komende maand 10.000 tafelreserveringen (advertentie-impressies) krijgen, wat er ook gebeurt." Als het restaurant er niet in slaagt hen te serveren, moet het een boete betalen.
De Walk-ins (RTB Advertenties): Dit zijn adverteerders die elke dag binnenlopen en zeggen: "Ik betaal wat de huidige marktprijs voor een tafel is op dit moment." Het restaurant wil deze tafels vullen met de hoogste bieders om vandaag zoveel mogelijk geld te verdienen.

Het Probleem:
Het restaurant heeft een beperkt aantal tafels (advertentieslots) op elke pagina. Soms moeten de VIP's een tafel hebben, maar biedt een Walk-in op datzelfde moment een enorme hoeveelheid geld voor die tafel.

Als je de tafel aan de Walk-in geeft, verdien je vandaag meer geld, maar loop je het risico dat je aan het einde van de maand niet genoeg VIP's hebt geplaatst.
Als je de tafel aan de VIP geeft, houd je het contract tevreden, maar kun je een enorme geldwindfall van een Walk-in missen.
Vorige systemen probeerden dit op te lossen door ofwel de VIP's tot het einde van de maand te negeren (riskant), ofwel door eenvoudige, rigide regels te gebruiken zoals "VIP's gaan altijd eerst" (wat geld verspilt).

De Oplossing: HMAF (De Slimme Restaurantmanager)
Het paper introduceert een nieuw systeem genaamd HMAF (Hierarchical Multi-Slot Allocation Framework). Denk aan een driestappen-managementteam dat het restaurant perfect laat draaien.

Stap 1: De Planner (De "Plan"-fase)

Voordat het restaurant de dag überhaupt opent, kijkt de Planner naar het volledige schema van de maand.

Wat zij doen: Ze berekenen precies hoeveel tafels de VIP's nodig hebben en hoeveel er beschikbaar zijn. Ze bepalen de "schaduwprijs" van elke tafel.
De Analogie: Stel je voor dat de Planner beseft: "Tafel 4 op de tweede verdieping is erg populair, maar we hebben er slechts 5 van. Als we Tafel 4 aan een VIP geven, kost dat ons veel potentieel geld van Walk-ins. Maar als we hem aan een Walk-in geven, komen we misschien de VIP-contracten tekort."
De Output: De Planner creëert een set "vuistregels" (genaamd duale variabelen) die de staf vertellen: "Tafel 4 is nu duur; geef hem alleen aan een VIP als het echt dringend is. Bewaar hem anders voor hoogbetalende Walk-ins."

Stap 2: De Calibrator (De "Calibrate"-fase)

Wanneer een klant arriveert (een gebruiker opent de app), neemt de Calibrator de regels van de Planner en past de scores van de advertenties in realtime aan.

Wat zij doen: Het kijkt naar de VIP's en de Walk-ins. Als een VIP-contract achterloopt op zijn leveringsdoel, geeft de Calibrator die VIP een "boost" in hun score, waardoor ze een grotere kans maken op een tafel. Als een VIP al voorop ligt, wordt de boost verwijderd.
De Analogie: Het is als een verkeersregelaar bij de deur. Als de VIP-sectie leeg is, laat de regelaar de VIP's sneller binnenstromen. Als de VIP-sectie vol is, laat de regelaar de hoogbetalende Walk-ins binnen. Het balanceert de twee groepen dynamisch, seconde per seconde.

Stap 3: De Executor (De "Execute"-fase)

Dit is de uiteindelijke beslisser die de tafels daadwerkelijk toewijst.

Wat zij doen: In een modern restaurant heb je niet zomaar één tafel; je hebt een hele rij tafels (een "multi-slot" pagina). De Executor kiest niet alleen de beste enkele tafel; het kiest de beste arrangement voor de hele rij.
De Analogie: Stel je voor dat de Executor een serveerplank arrangeert. Hij zet niet alleen het duurste gerecht in het midden; hij arrangeert de hele schotel zodat de VIP's hun specifieke plekken krijgen zonder het zicht op de Walk-ins te blokkeren, en zorgt ervoor dat de hele "schotel" (het scherm van de gebruiker) er goed uitziet en het meeste geld oplevert.
De Magie: Dit deel gebruikt een "Generator-Evaluator" netwerk. De Generator creëert een paar mogelijke tafelindelingen (bijv. "Wat als we de VIP hier zetten en de Walk-in daar?"). De Evaluator fungeert als een rechter, bekijkt al die opties en kiest degene die het meeste geld oplevert terwijl de VIP's tevreden blijven.

De Resultaten

Het paper zegt dat dit systeem werd getest bij Meituan, een enorm voedselbezorgplatform in China (denk aan het als een gigantisch digitaal restaurant).

De Uitkomst: Door dit driestappen-management te gebruiken, slaagde Meituan erin om 3,72% meer VIP's te serveren (meer contracten te vervullen) EN 1,59% meer totaal geld te verdienen uit Walk-ins.
Waarom het verrassend is: Normaal gesproken, als je meer VIP's serveert, verdien je minder geld omdat je de Walk-ins niet zoveel kunt rekenen. Maar omdat HMAF zo slim is over welke tafels het aan wie geeft (door gebruik te maken van de "schaduwprijzen" van de Planner), vond het een manier om beide tegelijkertijd te doen.

Samenvattend:
HMAF is als een super-slimme restaurantmanager die niet alleen reageert op klanten wanneer ze binnenlopen. In plaats daarvan plant het de hele maand, past het het deurbeleid in realtime aan op basis van hoe vol de VIP-sectie is, en arrangeert de tafels perfect om ervoor te zorgen dat iedereen krijgt wat hij nodig heeft terwijl het restaurant de maximale winst maakt.

Technische Samenvatting: HMAF – Een Hiërarchisch Multi-Slot GD-RTB Allocatiekader

1. Probleemformulering

Het artikel behandelt de complexe uitdaging van impressie-allocatie in grootschalige online advertentie-ecosystemen waar Guaranteed Delivery (GD) contracten coëxisteren met Real-Time Bidding (RTB) veilingen. Specifiek richt de focus van de auteurs zich op multi-slot omgevingen (bijv. content feeds), waarbij een enkele paginaweergave meerdere advertentieslots bevat.

Het kernprobleem wordt geformuleerd als een verenigde allocatietaak om de totale platformomzet (de som van RTB-veilingwaarden en GD contractuele waarden) te maximaliseren, onder strikte voorwaarden:

GD Leveringsvoorwaarden: Het waarborgen dat contracten voldoen aan minimale en maximale impressievolumes ( $B_j$ ) om boetes te voorkomen.
Aanbodbeperkingen: Elke aanvraag (paginaweergave) kan aan maximaal één advertentie per slot worden toegewezen.
Paginaweergave (PV) Beperkingen: Verfijnde limieten op het aantal impressies die een specifieke aanvraag over meerdere slots kan bijdragen om advertentiemoeheid en overmatige blootstelling te voorkomen.

De auteurs identificeren drie fundamentele uitdagingen bij het oplossen van dit probleem:

NP-Hardheid: Het probleem generaliseert het Multidimensional Knapsack Problem (MKP) onder verfijnde PV-beperkingen, waardoor globale optimalisatie computationeel onuitvoerbaar is voor miljoenen aanvragen.
eCPM-Fulfillment Trade-off: Het balanceren van korte-termijn omzetmaximalisatie (hoge eCPM) met lange-termijn contractuele leveringsgaranties is moeilijk; agressieve fulfillment schaadt vaak de omzet, terwijl een pure focus op omzet het risico op onderlevering met zich meebrengt.
Zwakke Supervisie: In tegenstelling tot standaard CTR-voorspelling mist hybride ranking expliciete grondwaarheid-labels voor de optimale lijst, waardoor het systeem moet leren van impliciete, vertraagde feedback afgeleid van geaggregeerde leveringsstatussen.

2. Methodologie: Het HMAF-kader

De auteurs stellen HMAF (Hierarchical Multi-Slot Allocation Framework) voor, dat het onhandelbare probleem deelt op in een Plan–Calibrate–Execute paradigma. Dit kader koppelt offline constraint-optimalisatie nauw aan online neurale besluitvorming.

A. Plan-fase: Paginaweergave-beperkt Allocatiemodule

Deze module formuleert het allocatieprobleem offline als een beperkt optimalisatieprobleem.

Doel: Minimaliseert een verliesfunctie die contract fulfillment, gebruikersinteresse en een nieuwe Paginaweergave (PV) beperking balanceert om blootstelling per slot te beperken.
Mechanisme: Het probleem wordt opgelost met behulp van Lagrangiaanse relaxatie en KKT-condities. In plaats van het primaire probleem direct op te lossen, werkt het systeem iteratief de duale variabelen ( $\alpha, \beta, \delta$ $α, β, δ$ ) bij via geprojecteerde gradiëntstappen.
- $\alpha_j$ : Schaduwprijs voor contractvraag (leveringsdruk).
- $\beta_i$ : Schaduwprijs voor aanvraagcapaciteit.
- $\delta_{ij}$ : Schaduwprijs voor slot-niveau PV-beperkingen.
Output: Deze duale variabelen fungeren als "schaduwprijzen" die globale schaarste van resources en leveringsdruk coderen, en dienen als compacte controlesignalen voor de volgende fasen.

B. Calibrate-fase: Dual-Guided Pre-Ranking Module

Deze module overbrugt de kloof tussen offline planning en online uitvoering door de duale variabelen in de ranking score te injecteren.

Verenigde Scoring: Het definieert een ranking score ( $rs_j$ ) voor zowel GD als RTB kandidaten.
Dual-Guided Modulatie: Voor GD-advertenties wordt de score aangepast door een term $x_{ij} \cdot PID_{Error}$ , waarbij $x_{ij}$ de allocatie-betrouwbaarheid is die is afgeleid van de offline optimalisatie. Dit past de concurrentiekracht dynamisch aan op basis van context-specifieke leveringsdruk in plaats van een uniforme PID-controle toe te passen.
Functie: Deze fase voert grove filtering en ranking uit, wat de beslissingsruimte aanzienlijk verkleint terwijl de allocatiekwaliteit behouden blijft.

C. Execute-fase: Generator-Evaluator Listwise Allocatie Module

Deze fase handelt de uiteindelijke listwise ranking af over meerdere slots, waarbij rekening wordt gehouden met het positie-afhankelijke karakter van multi-slot advertenties.

Dual-Augmented Feature Space: De offline duale variabelen ( $\alpha, \beta, \delta$ ) worden geïnjecteerd als globale staat-features in het neurale netwerk, wat zorgt voor "vooruitziendheid" op systeembeperkingen.
Generator: Een Transformer-gebaseerde encoder modelleert kandidaat-positie interacties en geeft een waarschijnlijkheidsmatrix uit voor het toewijzen van kandidaten aan slots. Het genereert een primaire lijst en geperturbeerde lijsten voor exploratie.
Evaluator: Een listwise supervisor selecteert de optimale rankinglijst uit de gegenereerde kandidaten door een beloning ( $R(S_k)$ ) te schatten die voorspelde metrieken en leveringsbeperkingen aggregeert.
Trainingsdoel: Het model wordt getraind met een gecombineerde verliesfunctie:
- $L_{ce}$ : Cross-entropy verlies dat voorspellingen afstemt op de optimale toewijzing van de evaluator.
- $L_{re}$ : Beloningsbewuste verlies die afwijkingen tussen voorspelde en gerealiseerde eCPM bestraft, om systematische biases te corrigeren.

3. Belangrijkste Bijdragen

Verenigd Kader: De voorstel van HMAF, een hiërarchisch kader dat offline constraint-optimalisatie integreert met online neurale besluitvorming, wat een robuuste architecturale basis biedt voor multi-slot GD-RTB allocatie.
Drie Kerncomponenten:
- Een Paginaweergave-beperkte Optimalisatie module die fijnmazige aanbodzijde-beperkingen vastlegt en duale signalen afleidt.
- Een Dual-Guided Unified Ranking module die online scoring kalibreert met behulp van offline duale variabelen om eCPM en fulfillment te balanceren.
- Een Generator-Evaluator module die listwise ranking mogelijk maakt door gezamenlijk kandidaat-positie interacties te modelleren onder globale begeleiding.
Empirische Validatie: Grootschalige experimenten en online A/B-tests die statistisch significante verbeteringen laten zien in zowel leveringspercentages als de totale omzet.

4. Experimentele Resultaten

Het kader werd geëvalueerd met een dataset uit de productieomgeving van Meituan (123M+ impressies, 32 dagen) en ingezet in online A/B-tests.

Offline Prestaties:

HMAF presteerde beter dan de baselines (inclusief CF, PID, AUAF, CONFLUX en LIBRA) op alle metrieken.
Group AUC (GA): 0.8984 (tegenover 0.8538 voor de beste baseline, LIBRA).
Leveringspercentage (DR): 0.9638 (tegenover 0.9554 voor LIBRA).
Utility Rate (UR): 0.9812 (tegenover 0.9513 voor LIBRA).
RTB eCPM: Bereikte de hoogste genormaliseerde score (1.0000).

Online A/B-testen (2 maanden, 50/50 verkeersverdeling):

GD Leveringspercentage: Gestegen met 3,72% (statistisch significant, p-waarde 0,018).
Totale Advertentie-omzet: Gestegen met 1,59% (statistisch significant, p-waarde 0,024).
Systeemefficiëntie: De offline planning draait in ongeveer 2 uur op 20 machines; online inferentie is lichtgewicht (<50ms per paginaweergave).
Betekenis van de resultaten: De auteurs merken op dat het gelijktijdig behalen van winst in zowel levering als omzet contra-intuïtief is. Zij schrijven dit toe aan het vermogen van het GE-model om GD-impressies intelligent te verschuiven naar niet-premium slots (met behulp van $\delta_{ij}$ signalen), waardoor waardevolle inventaris vrijkomt voor RTB.

5. Betekenis en Claims

Het artikel claimt dat HMAF succesvol het inherente conflict tussen korte-termijn omzetefficiëntie en lange-termijn leveringsgaranties in hybride advertentiemarkten aanpakt. Door een Plan–Calibrate–Execute paradigma te introduceren, gaat het kader verder dan heuristische prioriteitsregels of ontkoppelde pipelines.

De auteurs benadrukken dat het vermogen van het kader om fijnmazige multi-slot beperkingen en NP-harde combinatorische optimalisatie te behandelen via een dual-guided neurale aanpak, de primaire innovatie is. Zij stellen dat HMAF een "betrouwbare architecturale basis" biedt voor GD-RTB allocatie en succesvol is ingezet in het productiesysteem van Meituan, met meetbare zakelijke waarde. Het artikel concludeert dat het kader aanpasbaar is aan andere platforms met vergelijkbare GD-RTB instellingen, waarbij enkel vertrouwd kan worden op de vereisten voor gegarandeerde levering, real-time biedwaarden en multi-slot blootstellingsbeperkingen.