一种基于机器学习的搜索引擎营销竞价方法及系统技术方案

本申请公开了一种基于机器学习的搜索引擎营销竞价方法及系统，该方法包括：预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据，并利用训练数据进行模型训练，得到用于预测关键词转化率的预测模型；其中，用户历史搜索信息包括用户搜索关键词和搜索到的广告文档；利用上述预测模型，计算目标关键词的转化率；利用目标关键词的成本值以及转化率，计算得到目标关键词的出价。本申请提高了关键词出价与广告推广效率之间的匹配程度，从而提升了广告主的广告投资回报率。

【技术实现步骤摘要】

本专利技术涉及搜索引擎营销
，特别涉及一种基于机器学习的搜索引擎营销竞价方法及系统。
技术介绍
搜索引擎竞价广告是当前互联网广告中最为成功的商业模式，它背后的核心技术是竞价关键词技术。广告主能够通过在搜索引擎上购买与其推广内容相关的关键词，从而在互联网搜索引擎上对旗下相关产品或服务进行推广。然而，广告主在以一定的价钱购买了某个关键词后，最终的广告推广效率往往无法达到与关键词出价相匹配的程度，也即，广告的投资回报率较低。综上所述可以看出，如何提高关键词出价与广告推广效率之间的匹配程度，以提升广告主的广告投资回报率是目前有待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于机器学习的搜索引擎营销竞价方法及系统，提高了关键词出价与广告推广效率之间的匹配程度，从而提升了广告主的广告投资回报率。其具体方案如下：一种基于机器学习的搜索引擎营销竞价方法，包括：预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据，并利用所述训练数据进行模型训练，得到用于预测关键词转化率的预测模型；其中，所述用户历史搜索信息包括用户搜索关键词和搜索到的广告文档；利用所述预测模型，计算目标关键词的转化率；利用所述目标关键词的成本值以及所述转化率，计算得到所述目标关键词的出价。优选的，所述搜索引擎营销竞价方法，还包括：按照预设的数据更新周期，定期对所述用户历史搜索信息和所述痕迹信息进行更新，并利用更新后的用户历史搜索信息和痕迹信息，重新进行模型训练，以对所述预测模型进行更新。优选的，所述预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据的过程，包括：预先利用自然语言处理技术，对所述用户历史搜索信息中的广告文档进行分词处理，并利用主成分分析法，对分词处理后得到的所有分词进行数据降维处理，得到相应的分词集合；根据所述痕迹信息，并按照预设特征值确定规则，确定所述分词集合中每一分词对应的特征值，得到相应的特征值集合；对所述特征值集合进行筛选，得到N个特征值，并确定所述N个特征值中每一特征值对应的权重，将所述N个特征值以及对应的分词和权重确定为所述训练数据，其中，N为正整数。优选的，所述对所述特征值集合进行筛选，得到N个特征值，并确定所述N个特征值中每一特征值对应的权重的过程，包括：对所述特征值集合中每一个特征值单独进行逻辑回归，得到每一个特征值对应的初始权重；从所述特征值集合中筛选出所述N个特征值，其中，所述N个特征值中每一个特征值对应的初始权重均不小于所述特征值集合中其余特征值对应的初始权重；对所述N个特征值再次进行逻辑回归，得到所述N个特征值中每一特征值对应的权重。优选的，所述预设特征值确定规则为：若所述痕迹信息显示任一分词能够为相应的广告文档带来有效点击，则将该分词的特征值确定为1，否则，将该分词的特征值确定为0。优选的，所述预设特征值确定规则为：若所述痕迹信息显示任一分词能够为相应的广告文档带来有效点击，并且用户浏览该广告文档的时间不小于预设时间，则将该分词的特征值确定为1；若所述痕迹信息显示任一分词能够为相应的广告文档带来有效点击，并且用户浏览该广告文档的时间小于所述预设时间，则将该分词的特征值确定为0.5；若所述痕迹信息显示任一分词未能为相应的广告文档带来有效点击，则将该分词的特征值确定为0。优选的，所述预测模型为： C T R = 1 1 + e - Z ; ]]>其中，fi(A)表示广告文档A中第i个特征值，wi表示第i个特征值的权重。优选的，所述利用所述目标关键词的成本值以及所述转化率，计算得到所述目标关键词的出价的过程中，相应的计算公式为：Pj＝Cj*CTR′；其中，Pj表示在任意一天内的第j个小时中，所述目标关键词对应的出价；Cj表示在任意一天时间内的第j个小时中，所述目标关键词对应的成本值；CTR′表示所述目标关键词的转化率，j∈{1,2,...,24本文档来自技高网...

【技术保护点】
一种基于机器学习的搜索引擎营销竞价方法，其特征在于，包括：预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据，并利用所述训练数据进行模型训练，得到用于预测关键词转化率的预测模型；其中，所述用户历史搜索信息包括用户搜索关键词和搜索到的广告文档；利用所述预测模型，计算目标关键词的转化率；利用所述目标关键词的成本值以及所述转化率，计算得到所述目标关键词的出价。

【技术特征摘要】
1.一种基于机器学习的搜索引擎营销竞价方法，其特征在于，包括：预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据，并利用所述训练数据进行模型训练，得到用于预测关键词转化率的预测模型；其中，所述用户历史搜索信息包括用户搜索关键词和搜索到的广告文档；利用所述预测模型，计算目标关键词的转化率；利用所述目标关键词的成本值以及所述转化率，计算得到所述目标关键词的出价。2.根据权利要求1所述的基于机器学习的搜索引擎营销竞价方法，其特征在于，还包括：按照预设的数据更新周期，定期对所述用户历史搜索信息和所述痕迹信息进行更新，并利用更新后的用户历史搜索信息和痕迹信息，重新进行模型训练，以对所述预测模型进行更新。3.根据权利要求1所述的基于机器学习的搜索引擎营销竞价方法，其特征在于，所述预先利用机器学习技术，对用户历史搜索信息和用户点击广告的痕迹信息进行处理，得到训练数据的过程，包括：预先利用自然语言处理技术，对所述用户历史搜索信息中的广告文档进行分词处理，并利用主成分分析法，对分词处理后得到的所有分词进行数据降维处理，得到相应的分词集合；根据所述痕迹信息，并按照预设特征值确定规则，确定所述分词集合中每一分词对应的特征值，得到相应的特征值集合；对所述特征值集合进行筛选，得到N个特征值，并确定所述N个特征值中每一特征值对应的权重，将所述N个特征值以及对应的分词和权重确定为所述训练数据，其中，N为正整数。4.根据权利要求3所述的基于机器学习的搜索引擎营销竞价方法，其特征在于，所述对所述特征值集合进行筛选，得到N个特征值，并确定所述N个特征值中每一特征值对应的权重的过程，包括：对所述特征值集合中每一个特征值单独进行逻辑回归，得到每一个特征值对应的初始权重；从所述特征值集合中筛选出所述N个特征值，其中，所述N个特征值中每一个特征值对应的初始权重均不小于所述特征值集合中其余特征值对应的初...

【专利技术属性】
技术研发人员：董启文，
申请(专利权)人：上海珍岛信息技术有限公司，
类型：发明
国别省市：上海;31