基于关键词广告的最优竞价策略方法技术

本发明专利技术公开了一种基于关键词广告的最优竞价策略方法，属于互联网领域。本发明专利技术首先基于历史数据，基于所构建的短序列作为Multiple‑LSTM网络模型结构的输入；之后利用训练数据集构训练优化网络参数；再以近期的短序列数据，通过应用模型，最终获取竞价价格下所对应的收益大小；最后通过不断调整竞价价格利用预测模型寻找最大收益值，最终以最大收益所对应的竞价价格作为最优竞价价格。以此为广告商在参与关键词广告竞价活动中提供决策支持。

【技术实现步骤摘要】
基于关键词广告的最优竞价策略方法
本专利技术属于互联网领域，具体涉及一种广告商参与关键词广告竞价的出价决策方法。
技术介绍
在互联网广告中，搜索引擎广告占据着巨大的市场并具有高发展潜力。在搜索引擎广告市场中有三个重要的角色，分别是用户、广告主和搜索引擎平台服务商。用户利用搜索引擎例如Yahoo！、Google、百度等来查询他们感兴趣的内容，广告商希望通过在搜索引擎投放广告的方式找到潜在客户，而搜索引擎正是充当了用户和广告主之间媒介的角色。目前，搜索引擎提供的机制是需要广告商对用户搜索展示进行竞价排序，搜索引擎针对用户搜索的结果根据竞价规则来决定哪一个广告商的广告展示给该用户。然而搜索引擎方的竞价方式是密封的投标拍卖。换言之，广告商可以在任何时候去改变他们的竞价价格，但是却不清楚其他竞争者的竞价价格。这就导致了广告商对竞价结果有很大的未知性。所以，如何利用科学的方法为广告商制定有效的竞价策略，对广告商参与关键词竞价活动尤为重要，而竞价价格作为竞价的基础，是一项不容忽视的环节。目前关键词竞价价格出价策略主要是通过人工进行的，通过竞价结果数据，比如在一天内参与竞价关键词的展现次数、点击次数、转化率、平均排名、和平均点击花费等。同时结合一些人工经验来决定关键词出价大小，但是这种方式太依靠经验，具有较大的不确定性。目前一些研究针对最优化竞价价格设置也提供了许多方法。Feldman等人提出了一种竞价策略，以关键词被用户接受的兴趣程度作为对关键词投标对的标准，这样可以在预算限定下最大化用户点击的次数，该方法只给出了最优选择参与竞价的关键词，并没有解决如何指定价格的问题。AbhishekV提出了动态线性投标模型，该模型提出了在投放关键词广告中一次组合多少关键词能达到最优竞价策略，Rusmevichientong和Williamson提出一种在大量候选关键字池中选择竞价关键字的模型，然而他们的模型也并没有解决针对这些关键字如何制定最优化竞价的问题。目前，在为广告商参与关键词广告活动制定的有些策略主要是集中在如何筛选关键词以及如何组合竞价等方法，虽然有效的帮助广告商提高了竞价的效率，但是在竞价价格设置方面广告商同样有较高的需求。另一方面，传统方法在设置关键词价格中考虑的因素单一，且准确率较低，没有充分考虑竞价预测与短期竞价表现有着密切联系。基于以上考虑本专利技术设计的方法能够在保证广告商最大收益的前提下制定最优竞价价格策略。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供了一种应用于关键词广告中辅助广告商对关键词出价策略的方法。本专利技术的基于关键词广告的最优竞价策略方法，包括下列步骤：步骤1：构造训练数据集：获取当前关键词收益预测相关数据的时间序列，以固定步长t循环重叠截取时间序列，构建短序列并进行标准化处理；其中，收益预测相关数据包括五类，分别为：竞价价格、展现次数、点击率、收益转化率和收益；对标准化处理后的每个短序列进行特征提取：基于短序列的所有竞价价格得到竞争价格特征，分别基于短序列的前t-1个展现次数、点击率、收益转化率和收益得到展现次数特征、点击率特征、收益转化率特征和收益特征；步骤2：构建Multiple-LSTM神经网络模型，其网络结构为：五个并列的LSTM(LongShort-TermMemory，长短期记忆网络)层的输出通过两层全连接层接入输出层；所述输出层包括四个输出函数，分别输出展现次数、点击率、收益转化率和收益的预测值；其中，五个LSTM层的输入特征分别为：竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征；步骤3：初始化Multiple-LSTM神经网络模型的模型参数，并基于每个短序列的竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征对Multiple-LSTM神经网络模型进行神经网络训练，当满足精度需求时停止，得到训练好的Multiple-LSTM神经网络模型；步骤4：基于训练好的Multiple-LSTM模型对收益的预测值寻找最优竞价价格：基于历史竞价数据统计当前关键词的竞价范围，并将其离散为了多个可能竞价价格；将每个可能竞价价格和前q天的收益预测相关数据得到Multiple-LSTM模型的输入特征信息，并获取对应的收益预测值，将收益预测值进行反标准化处理后作为各可能竞价价格的预测收益值，其中q≤t-1；选择最大预测收益值所对应的可能竞价价格作为最优竞价。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：(1)采用了多LSTM层对每类时间序列分开处理，并通过神经网络学习各时间序列下的关联性，最终达到了预测的高准确率；(2)与单纯地将多维的特征向量直接输入到传统多层全连接神经网络中学习的方式相比，本专利技术将特征分块输入，相对减少权重个数，加快学习速度，保证了收敛的时间更快。(3)通过不断调整竞价价格利用预测模型寻找最大收益值，最终以最大收益所对应的竞价价格作为最优竞价价格。以此为广告商在参与关键词广告竞价活动中提供决策支持。附图说明图1是STM的记忆块内部结构；图2是本专利技术预测收益率的Multiple-LSTM神经网络结构图；图3是本专利技术预测收益率的Multiple-LSTM神经网络的训练过程示意图；图4是获取最优竞价价格流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本专利技术作进一步地详细描述。本专利技术基于所构建的一种场景适用性更强的Multiple-LSTM神经网络模型，通过初始化训练样本集训练该神经网络模型，利用训练后的神经网络模型对即将参与竞价的关键词进行收益预测，通过选择收益最大的竞价价格作为最终该关键词的出价价格，由此通过该方法解决关键词最优出价的技术问题。其具体步骤如下：S1.构造训练数据集。本专利技术方法是一个通用的模型，用于预测收益的数据特征也是广告商在参与关键词广告营销中最常获得的数据特征。这些数据主要包括某关键词在一天的竞价过程中产生的竞价结果信息，比如竞价价格、展现次数、点击率、点击次数、每千次消费、收益转化率、客户类型、地域、IP地址、收益等。本专利技术利用其中五种数据作为模型的输入特征，其预测效果最佳，分别为：竞价价格、展现次数、点击率、收益转化率、收益。方法预测收益采用数据的时间长度一般为5-10天，可作为近期走势的一个趋势。S1-1.获取关键词收益预测相关数据的时间序列。针对某个关键词获取某个时间点以来(如2015年1月1日)，到当前参与竞价日的所有竞价价格、展现次数、点击率、收益转化率、收益数据，形成一个数组，记为A。其中，数组A是一个二维数组，总共有五行数据，每一行表示上述所表示的一种数据，k表示数组的长度。数组中每个元素都有对应的日期，数组A是一个时间序列。S1-2.以固定步长循环重叠截取时间序列，构建短序列并进行标准化处理。假设序列的步长为t，该值为一整数，一般取值范围在10-30区间。构建短序列：从数组A中第一个元素开始，到k-t+1结束，以步长t循环重叠截取时间序列，最终形成由一些列短序列组成的数组Data。S1-3.接下来对短序列进行标准化处理，为适应后续步骤中长短期记忆深度学习网络的输入。以整个时间序列的均值和方差为基础的标准化处理，假设数组A的均值为μ，方差为σ，将每个元本文档来自技高网...

【技术保护点】
1.基于关键词广告的最优竞价策略方法，其特征在于，包括下列步骤：步骤1：构造训练数据集：获取当前关键词收益预测相关数据的时间序列，以固定步长t循环重叠截取时间序列，构建短序列并进行标准化处理；其中，收益预测相关数据包括五类，分别为：竞价价格、展现次数、点击率、收益转化率和收益；对标准化处理后的每个短序列进行特征提取：基于短序列的所有竞价价格得到竞争价格特征，分别基于短序列的前t‑1个展现次数、点击率、收益转化率和收益得到展现次数特征、点击率特征、收益转化率特征和收益特征；步骤2：构建Multiple‑LSTM神经网络模型，其网络结构为：五个并列的LSTM层的输出通过两层全连接层接入输出层；所述输出层包括四个输出函数，分别输出展现次数、点击率、收益转化率和收益的预测值；其中，五个LSTM层的输入特征分别为：竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征；步骤3：初始化Multiple‑LSTM神经网络模型的模型参数，并基于每个短序列的竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征对Multiple‑LSTM神经网络模型进行神经网络训练，当满足精度需求时停止，得到训练好的Multiple‑LSTM神经网络模型；步骤4：基于训练好的Multiple‑LSTM模型对收益的预测值寻找最优竞价价格：基于历史竞价数据统计当前关键词的竞价范围，并将其离散为了多个可能竞价价格；将每个可能竞价价格和前q天的收益预测相关数据得到Multiple‑LSTM模型的输入特征信息，并获取对应的收益预测值，将收益预测值进行反标准化处理后作为各可能竞价价格的预测收益值，其中q≤t‑1；选择最大预测收益值所对应的可能竞价价格作为最优竞价。...

【技术特征摘要】
1.基于关键词广告的最优竞价策略方法，其特征在于，包括下列步骤：步骤1：构造训练数据集：获取当前关键词收益预测相关数据的时间序列，以固定步长t循环重叠截取时间序列，构建短序列并进行标准化处理；其中，收益预测相关数据包括五类，分别为：竞价价格、展现次数、点击率、收益转化率和收益；对标准化处理后的每个短序列进行特征提取：基于短序列的所有竞价价格得到竞争价格特征，分别基于短序列的前t-1个展现次数、点击率、收益转化率和收益得到展现次数特征、点击率特征、收益转化率特征和收益特征；步骤2：构建Multiple-LSTM神经网络模型，其网络结构为：五个并列的LSTM层的输出通过两层全连接层接入输出层；所述输出层包括四个输出函数，分别输出展现次数、点击率、收益转化率和收益的预测值；其中，五个LSTM层的输入特征分别为：竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征；步骤3：初始化Multiple-LSTM神经网络模型的模型参数，并基于每个短序列的竞争价格特征、展现次数特征、点击率特征、收益转化率特征和收益特征对Multiple-LSTM神经网络模型进行神经网络训练，当满足精度需求时停止，得到训练好的Multiple-LSTM神经网络模型；步骤4：基于训练好的Multiple-LSTM模型对收益的预测值寻找最优竞价价格：基于历史竞价数据统计当前关键词的竞价范围，并将其离散为了多个可能竞价价格；将每个可能竞价价格和前q天的收益预测相关数据得到Multiple-LSTM模型的输入特征信息，并获取对应的收益预测值，将收益预测值进行反标准化处理后作为各可能竞价价格的预测收益值，其中q≤t-1；选择最大预测收益值所对应的可能...

【专利技术属性】
技术研发人员：秦科，罗光春，段贵多，许毅，罗一峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51