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...

【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