Современные платформы электронной коммерции используют различные аукционные механизмы для распределения платных слотов под данный товар. Чтобы масштабировать этот подход на миллионы аукционов, платформы предлагают инструменты продвижения на основе алгоритмов автоматических ставок. Эти алгоритмы обычно зависят от оценок кликабельности (CTR) и конверсии (CVR), предоставляемых предобученной моделью машинного обучения. Однако прогнозы таких моделей неопределённы и могут существенно влиять на работу алгоритма автоматических ставок. Чтобы решить эту проблему, мы предлагаем метод DenoiseBid, который корректирует сгенерированные CTR и CVR, делая итоговые ставки более эффективными на аукционах. Основная идея нашего метода — применить байесовский подход и заменить зашумлённые оценки CTR или CVR оценками из восстановленных распределений. Чтобы продемонстрировать эффективность предложенного подхода, мы проводим обширные эксперименты на синтетическом наборе данных, iPinYou и BAT. Для оценки устойчивости нашего подхода к масштабу шума мы используем синтетический шум и шум, оценённый по прогнозам предобученной модели машинного обучения.
статья