Competition-Aware CPC Forecasting with Near-Market Coverage# Competition-Aware CPC Forecasting with Near-Market Coverage¶
- 价值: ⭐⭐ 与视觉社区关联弱，偏广告/商业分析- 写作质量: ⭐⭐⭐⭐ 结构清晰，论述严谨- 实验充分度: ⭐⭐⭐⭐ 模型覆盖极广，消融彻底- 新颖性: ⭐⭐⭐ 问题视角新颖但方法偏传统组合## 评分- 粗粒度先验优于细粒度的发现值得跨领域验证- 部分可观测环境下恢复潜在结构的思路可迁移到其他竞争场景## 启发与关联- STGNN 选用 DCRNN/GConvLSTM/GraphWaveNet 三种经典架构验证语义图先验的通用增益- 首次在关键词级 CPC 上系统评估 Chronos-2、TimeGPT、Moirai- 比 Oldenburg et al. (DSAA 2024) 新增基础模型评估和文本衍生关系结构## 与相关工作的对比- 论文归类为 cs.LG 而非 cs.CV，与视觉社区关联较弱- 语义图固定不变，无法捕捉关键词关系的时变演化- 仅在汽车租赁这一高集中度垂直市场验证，跨行业泛化性未知## 局限性 / 可改进方向- "竞争前沿"分析表明改进集中在高 CPC 高波动关键词——恰好是预算风险最大的区域- 系统比较了统计基线、树模型、TSFM（Chronos-2/TimeGPT/Moirai）和 STGNN 四族- 将 CPC 预测重新表述为部分可观测竞争下的预测问题，视角新颖## 亮点- 短期 STGNN 占优，中长期 TSFM 占优，竞争结构的最佳注入方式随预测窗口变化- 盲目叠加所有特征在 6 周时恶化 3.3 点（30.7% → 34.0%），选择性代理优于穷举堆叠- 大洲级地理编码一致优于国家级（低 0.61 点）和城市级（低 0.93 点），粗粒度避免训练信号碎片化### 消融实验要点6 周 Chronos-2 + 地理意图达全局最优 27.14%，较最佳基线降约 8 点。| 最佳 STGNN (DCRNN+语义图) | 25.82 | 30.42 | 37.46 || 最佳 TSFM (Chronos-2+地理) | 27.94 | 27.14 | 29.14 || 最佳传统/ML 基线 | 30.42 | 35.04 | 40.23 ||---|---|---|---|| 模型族 | 1 周 sMAPE% | 6 周 sMAPE% | 12 周 sMAPE% |## 实验关键数据STGNN 使用 MAE 优化（对重尾 CPC 更鲁棒）；严格时间顺序划分，后 20% 为测试集，所有竞争特征无泄漏。### 损失函数 / 训练策略4. 竞争前沿分析: 以 CPC 均值 vs 变异系数将关键词划分四象限，重点评估高价值高波动象限（402 个关键词）的模型表现3. 地理意图协变量: 从关键词文本和地名词典提取大洲/国家/城市级地理意图编码，充当空间竞争代理2. 行为邻域（DTW）: 对 CPC 轨迹使用带 Sakoe-Chiba 约束的 DTW 衡量时序相似性，捕捉共同暴露于相同需求冲击或竞价再分配下的关键词对1. 语义邻域: 用 all-MiniLM-L6-v2 将每个关键词编码为 384 维向量，按 cosine 相似度找 top-k 邻居，同时构建固定的 k=10 近邻有向语义图作为 STGNN 邻接矩阵### 关键设计构建三族竞争代理信号，通过两条路径注入预测模型：(1) 作为协变量喂给时间序列基础模型；(2) 作为关系先验构建语义图供时空图网络使用。在 1,811 个关键词、127 周的 Google Ads 竞价日志上评估 1/6/12 周三种预测窗口。### 整体框架## 方法详解如何在不直接观察竞争者行为的条件下，从可观测信号中恢复潜在竞争结构，改善拍卖驱动市场中的多期 CPC 预测？## 核心问题付费搜索广告中 CPC 由实时拍卖产生，单个广告商只能观察到自己的出价结果，无法看到竞争对手的出价、质量分数或完整拍卖状态。这种部分可观测性使得纯自回归方法在中长期预测中表现不佳，因为竞争格局变化、需求季节性和地域异质性主导了价格波动。汽车租赁市场尤其适合研究此问题：竞争集中在少数大品牌之间，需求强烈地理锚定（机场/城市），CPC 呈重尾分布（均值 2.86，最大值 80.16）。## 背景与动机针对付费搜索中 CPC 预测的"部分可观测竞争"难题，通过语义邻域、DTW 行为邻域和地理意图三类竞争代理信号，以协变量或图关系先验的形式增强时间序列基础模型和时空图网络，在中长期预测上显著提升稳定性。## 一句话总结关键词: CPC预测, 竞争感知, 语义邻域, 时间序列基础模型, 时空图网络领域: 广告竞价预测 / 时序预测 / 图神经网络 代码: 无 arXiv: 2603.13059 会议: CVPR 2026
会议: CVPR 2026
arXiv: 2603.13059
代码: 无
领域: 广告竞价预测 / 时序预测 / 图神经网络
关键词: CPC预测, 竞争感知, 语义邻域, 时间序列基础模型, 时空图网络
一句话总结¶
针对付费搜索中 CPC 预测的"部分可观测竞争"难题，通过语义邻域、DTW 行为邻域和地理意图三类竞争代理信号，以协变量或图关系先验的形式增强时间序列基础模型和时空图网络，在中长期预测上显著提升稳定性。
背景与动机¶
付费搜索广告中 CPC 由实时拍卖产生，单个广告商只能观察到自己的出价结果，无法看到竞争对手的出价、质量分数或完整拍卖状态。这种部分可观测性使得纯自回归方法在中长期预测中表现不佳，因为竞争格局变化、需求季节性和地域异质性主导了价格波动。汽车租赁市场尤其适合研究此问题：竞争集中在少数大品牌之间，需求强烈地理锚定（机场/城市），CPC 呈重尾分布（均值 2.86，最大值 80.16）。
核心问题¶
如何在不直接观察竞争者行为的条件下，从可观测信号中恢复潜在竞争结构，改善拍卖驱动市场中的多期 CPC 预测？
方法详解¶
整体框架¶
构建三族竞争代理信号，通过两条路径注入预测模型：(1) 作为协变量喂给时间序列基础模型；(2) 作为关系先验构建语义图供时空图网络使用。在 1,811 个关键词、127 周的 Google Ads 竞价日志上评估 1/6/12 周三种预测窗口。
关键设计¶
- 语义邻域（Semantic Neighborhoods）: 用 all-MiniLM-L6-v2 将每个关键词编码为 384 维向量，按 cosine 相似度找 top-k 邻居，同时构建固定的 k=10 近邻有向语义图作为 STGNN 的邻接矩阵
- 行为邻域（DTW Behavioral Neighborhoods）: 对 CPC 轨迹使用 DTW（带 Sakoe-Chiba 约束）衡量时序相似性，捕捉共同暴露于相同需求冲击或竞价再分配下的关键词对
- 地理意图协变量: 从关键词文本和地名词典中提取大洲/国家/城市级地理意图，编码为结构化位置指示变量，充当空间竞争代理
- 竞争前沿分析: 以 CPC 均值 vs 变异系数将关键词划分四象限，重点关注高价值高波动的右上角象限（402 个关键词），衡量模型在最困难区域的表现
损失函数 / 训练策略¶
STGNN 使用 MAE 优化（对重尾 CPC 分布比 MSE 更鲁棒）；严格时间顺序划分，后 20% 为测试集，所有竞争特征无泄漏（仅从历史窗口构建）。
实验关键数据¶
| 模型族 | 指标(sMAPE%) | 1 周 | 6 周 | 12 周 |
|---|---|---|---|---|
| 最佳传统/ML 基线 | sMAPE | 30.42 | 35.04 | 40.23 |
| 最佳协变量增强 TSFM (Chronos-2+地理) | sMAPE | 27.94 | 27.14 | 29.14 |
| 最佳 STGNN (DCRNN+语义图) | sMAPE | 25.82 | 30.42 | 37.46 |
6 周时 Chronos-2 配合地理意图协变量达到全局最优 27.14%，较最佳基线 TabPFN 降低约 8 个点。
消融实验要点¶
- 大洲级地理编码一致优于国家级（低 0.61 点）和城市级（低 0.93 点），粗粒度地理避免训练信号碎片化
- 盲目叠加所有特征在 6 周时 sMAPE 恶化 3.3 个百分点，选择性代理比穷举式堆叠更优
- 短期（1 周）STGNN 占优，中长期（6/12 周）TSFM 占优，竞争结构最佳注入方式随预测窗口变化
亮点¶
- 将 CPC 预测重新表述为部分可观测竞争下的预测问题，视角新颖
- 系统比较了统计基线、树模型、TSFM（Chronos-2/TimeGPT/Moirai）和 STGNN 四大族
- "竞争前沿"分析揭示改进集中在高 CPC 高波动关键词——恰好是预算风险最大的区域
局限性 / 可改进方向¶
- 仅在汽车租赁这一高集中度垂直市场验证，跨行业泛化性未知
- 语义图固定不变，无法捕捉关键词关系的时变演化
- 论文归类为 cs.LG 而非 cs.CV，与视觉社区关联较弱
与相关工作的对比¶
- 与 Oldenburg et al. (DSAA 2024) 相比，本文新增了基础模型评估、文本衍生关系结构、以及协变量 vs 图两条路径的统一比较
- STGNN 方面选用 DCRNN/GConvLSTM/GraphWaveNet 三种经典架构，验证语义图先验的通用增益
- TSFM 方面首次在关键词级 CPC 上系统评估 Chronos-2、TimeGPT、Moirai
启发与关联¶
- 部分可观测环境下从可观测信号恢复潜在结构的思路，可迁移到其他拍卖/竞争场景
- 粗粒度先验优于细粒度的发现值得在其他领域验证
评分¶
- 新颖性: ⭐⭐⭐ 问题视角新颖但方法组件偏传统组合
- 实验充分度: ⭐⭐⭐⭐ 模型覆盖极广，消融彻底，竞争前沿分析有洞见
- 写作质量: ⭐⭐⭐⭐ 结构清晰，问题驱动，论述严谨
- 价值: ⭐⭐ 与视觉社区关联弱，偏广告/商业分析应用