AuctionNet
收藏AuctionNet: 大规模游戏中决策制定的新基准
数据集概述
AuctionNet 是一个用于大规模广告拍卖中竞价决策制定研究的基准数据集，源自真实的在线广告平台。数据集由以下三部分组成：
- 广告拍卖环境：该环境有效地复制了真实世界广告拍卖的完整性和复杂性，包含广告机会生成模块、竞价模块和拍卖模块。
- 预生成数据集：基于拍卖环境预生成的数据集，包含48个不同代理之间的竞争轨迹，总计超过5亿条记录，大小为80GB。
- 多种基线竞价决策算法：实现了多种基线算法，如线性规划、强化学习和生成模型。
数据集应用
AuctionNet 不仅适用于广告拍卖中的竞价决策算法研究，还可应用于大规模游戏中的决策制定研究，并能惠及强化学习、生成模型、运筹学和机制设计等领域的研究人员。
数据集结构
- config：配置文件，用于设置超参数。
- main_test.py：运行评估的主入口。
- run：执行测试的核心逻辑。
- simul_bidding_env：广告拍卖环境，包含控制模拟流程和逻辑的模块。
- pre_generated_dataset：预生成的数据集。
- strategy_train_env：多种基线竞价决策算法，包含训练竞价策略的核心组件。
快速开始
-
创建并激活conda环境： bash conda create -n AuctionNet python=3.9.12 pip=23.0.1 conda activate AuctionNet
-
安装依赖： bash pip install -r requirements.txt
-
训练策略与离线评估：
- 数据处理：将原始数据转换为模型训练所需的轨迹数据。
- 策略训练：加载训练数据并训练竞价策略。
- 离线评估：构建离线评估环境以评估竞价策略。
实现竞价决策算法
- 强化学习：IQL、BC、BCQ、TD3_BC
- 在线线性规划：OnlineLp
- 生成模型：Decision-Transformer、Diffbid（待实现）
- 其他：Abid（固定竞价率）、PID
贡献
欢迎对项目进行贡献，可以通过fork仓库并创建pull request来提交您的更改。
许可证
本项目基于Apache License 2.0开源。
引用
如果您的工作使用了本数据集，请引用以下论文：
@inproceedings{ su2024a, title={A Novel Benchmark for Decision-Making in Uncertain and Competitive Games}, author={Kefan Su and Yusen Huo and Zhilin Zhang and Shuai Dou and Chuan Yu and Jian Xu and Zongqing Lu and Bo Zheng}, booktitle={The Thirty-eight Conference on Neural Information Processing Systems Datasets and Benchmarks Track}, year={2024}, url={https://openreview.net/forum?id=OTjTKFk7gb} }
