一种基于关键字的网络广告精准投放方法
【技术领域】
[0001] 本发明涉及一种面向网络广告投放的关键字定价方案，针对广告商网络广告投放 策略的问题，基于已有的CPC、CPM模型和如今被搜索引擎及广告商广泛接受的关键字竞价 排名机制，设计一个在达到一定展现量或收益的前提下为广告商求得最低成本的广告投放 模型。
【背景技术】
[0002] 随着互联网的发展，网络广告成为企业将产品推向市场的重要手段。而据《2014 年中国互联网络发展状况统计报告》统计，在众多网络应用中，搜索引擎使用率高达 80.3%。搜索引擎已经被证明是大多数互联网用户寻找信息的主要通道。这使得搜索引擎 在互联网的网络营销渠道占据了主导地位，从而使得基于关键字的网络广告成为主流。针 对这类广告投放方式中同一广告需要对大量不同的关键字进行竞价、竞价参与者多、竞价 随时的特点，传统的投标式竞价方式已无法适用于这类广告的投放，新的广告拍卖方式对 广告商的广告投放策略提出了如下新的要求：1、同一广告需要对大量的关键字进行竞价； 2、实时的调整关键字竞价策略；3、在广告目标一定的情况下，降低自己的成本。而且面对这 一复杂的非线性背包问题，如何迅速的找到最优的广告投放策略显得尤为重要。
[0003] 对于此类问题的传统优化算法从线性规划理论发展而来，学者们基于线性规划的 结果然后扩展到非线性领域，但传统优化算法有着下列局限：
[0004] (1)只能解决优化问题中数学特征可以精确认知的那类问题，传统优化算法是确 定性的，精确的算法，每次搜索都需要有精确的依据。
[0005] (2)无法跳出局部优化解，无法保证收敛到全局最优解。
[0006] (3)必须求得优化问题的优化解的数学特征，然后再针对该特征进行设计算法。
[0007] Nittala Chaitanya等人假设在在局部无嫉妒均衡的条件下，将此问题看成一个 线性规划问题，以此建立一个分析模型使得广告商的投资回报最大化。Cookhwan Kim等人 根据经验利用分层贝叶斯模型预测销售排名，该模型形式化层次结构的良好表现减少了市 场随机行为对结果预测带来的影响。Yunhong Zhou等人在广告预算被约束的情况下将关键 字竞价看做一个在线背包问题，以此提出了一个分析模型，并验证了该模型的结果与实际 数据有90 %的相似度。
[0008] 也有学者对拍卖与排名机制产生了兴趣，对此做了许多具有建设意义的研究。 Matthew Richardson等人通过分析关键字的历史点击率预测用户行为估计广告的点击率， 以此建立排名规则模型使得排名更高的关键词或得更高的点击率。Ashish Goel等人分析 了各种拍卖方式的优劣，提出了混合拍卖机制以使广告商和拍卖商来实现复杂的动态编程 策略来处理的原来拍卖方式的不确定性。Feng等人采用不完全信息博弈模型分析了不同竞 价排名机制下的收益差异性。
[0009] 而一些最近的研究主要集中于为广告商提供更为优化的关键字竞价策略。 LiwenHou等人通过实际数据分析了搜索次数与印象次数之间的关系，得到两者成正太分 布，再基于贝叶斯网络的协助投标的预测，为广告商提供优化策略。李俊分析了主流关键字 竞价拍卖产品的特征提出了基于贝叶斯网络模型的关键字竞价效果预测方法，以此建立了 各种全局及局部限制条件限制下的全局最优竞价策略的数学模型，并将预测方法用于全局 最优化方程的求解。董红斌等人提出了一种基于优化算法的竞价策略制定Agent模型，并 给出该模型的实现方法.该Agent模型将竞价的策略制定问题抽象成为一个多选择背包问 题.采用差分进化算法解决多选择背包问题的约束特性。
【发明内容】
[0010] 为了克服已有网络广告投放方式的可靠性较差、实时性较差、优化计算难度大、优 化效果不理想的不足，本发明提供了一种可靠性较高、实时性良好、优化计算难度较低、优 化效果较好的基于关键字的网络广告精准投放方法。
[0011] 本发明解决其技术问题所采用的技术方案是：
[0012] 一种基于关键字的网络广告精准投放方法，包括以下步骤：
[0013] 第一步，关键字分析确定关键字信息
[0014] 关键字分析的目的是得到系统进行关键字定价策略制定的必要的关键字信息，过 程如下：
[0015] I. 1)导入网民上网时间分布，利用MATLAB拟合得到网民上网时间分布函数Fw;
[0016] 1. 2)确定要投放的关键字数量，即为粒子维度d;
[0017] 1. 3)根据不同搜索引擎的定价方式选择CPC定价模型、CPM定价模型或混合定价 模型，并根据不同的定价模型设置目标点击率和目标印象次数；
[0018] 第二步，对优化模型进行确定
[0019] 确定关键字信息后，要通过对特定关键字和搜索引擎的选择确定优化模型，过程 如下：
[0020] 2. 1)CPC定价方式如公式（6)、（7):
[0021] 总花费：
[0022] MinTC(b)= 2kEKik(t)bkE[Pk] (6)
[0023] 约束条件：
[0030] 混合定价方式如公式（10)、（11)、（12)、（13)
[0031] 总花费：
[0032] MinTC(b) =AX2keKik(t)bkE[PJ+BXXkeKik(t)bk (10)
[0033] 约束条件：
[0036] bk^ 0 (13)
[0037] 2. 2)根据百度流量统计，得到最近一年中网民上网的时间分布，以此拟合出以时 间t为自变量的函数F(t)，代入公式中；
[0038] 2. 3)根据对关键字的研究和经验得到关键字印象次数ik、关键字自然点击率Ck、 关键字评估等级Qk、关键字综合分数Mk，代入公式中；
[0039] 第三步，粒子群算法参数确定及计算优化，过程如下：
[0040] 3. 1)确定关键字竞价的取值范围[0,b_]，采用的定价模型fun、粒子群算法的粒 子数m、粒子维度数d、算法最大迭代次数maxGen、当前最优适应度值pbest、全局最优适应 度值gbest，利用随机函数rand()在范围[0，bmax]内随机生成m个粒子，初始化粒子每个维 度的信息，当前进化代数Gen= 0 ;
[0041] 3.2)根据不同的定价模型，采用不同的适应度函数（15) (17) (20)，计算每一个粒 子的适应度值；
[0051] F(X) =TC(b)_a* [A*max(0,-g(X)J+B*max(0,-g(X) 2)]
[0052] (20)
[0053] 其中公式（14) (16) (18) (19)为根据不同定价模型的约束条件得出的惩罚函数；
[0054] 3. 3)比较各个粒子的适应度函数值得出当前适应值最高的为个体极值pbest，与 上一代gbest比较根找出全局极值gbest，进化代数gen=gen+1 ;
[0055] 3. 4)当进化代数Gen彡maxGen，根据公式（21)和（22)更新粒子位置和速度，然 后转向3.2);否则转向3.5);
[0056] vk (i+1) =w*vk (i)+cl*rl* (pbest_bk (i))+c2*r2* (gbest-
[0057] b"i)) (21)
[0058] bk (i+1) =Wi)+vk (i+1) (22)
[0059] 3. 5)输出全局最优适应度gbest，即为最低成本，输出达到该适应度的关键字价 格。
[0060] 本发明中品，首先建立一个贴近实际的模拟排名机制，对于市场上两大搜索引擎 的排名机制进行研究如下：
[0061] 百度推广的排名是由广告商和其他客户的质量度和出价共同决定的，由系统实时 调整。在关键词质量度不变的情况下，出价越高，排名就越靠前；在出价不变的情况下，质量 度越高，排名就越靠前。如果想改善推广排名，既可以提升出价快速获得足够的流量，也可 以通过优化质量度，在节省推广费用的同时获得更好的排名，提高投资回报率。而百度推广 所指的质量度主要由点击率、相关性、创意撰写水平、账户综合表现共同决定。
[0062] GoogleAdwords同样有与百度质量度类似的评判标准称为pagerank分数。 GoogleScore=(KffUsageScore*0.3) +(DomainStrength*0. 25) +(InboundLink Score*0. 25) +(UserData*0.I) +(ContentQualityScore*0.I) +(ManualBoosts)-(Automated&ManualPenalties)。从公式中我们可以清楚的知道，影响pagerank分数的因 素依次是"相关关键词"、"域名"、"外链"、"用户数据"、"内容质量"以及"人工干预"六个方 面。
[0063] 采用一种模拟排名机制，将类似于百度质量度、pagerank分数的因素称之为评估 等级Qk，评估等级Qk与关键字竞价一起构成关键字综合分数Mk。
[0064] 定义一：关键字K的关键字综合分数为：
[0065] Mk=bk*Qk (1)
[0066] 所竞标的K关键字的综合分数Mk与竞标所有K关键字的平均分数Nk-同影响关 键字的排名。
[0067] (2)基于这样的模拟排名机制我们给出实时的优化模型。我们假设广告商知道他 所要投放广告的关键字的一些基本信息，广告商通过对这些关键字竞价来参与广告活动。 关键字竞价的高低影响广告的位置，从而影响广告的效果。反过来关键字竞价的高低与广 告的效果（点击量或展现量）通过某种定价模型计算广告投放的成本。
[0068] 让我们考虑一个打算投标一系列关键词的广告商，为各个关键字编号为k= 1， 2，...，n。我们使用以下的符号。
[0069] bk:为关键词k投标的价格的决策变量。
[0070] b:所有关键词b=Od1,b2, . . .，bn)的投标价格向量
[0071] ik:每个时间段关键词k将会获得的印象次数（我们假定在这个展现期内为每天）
[0073] k:关键词k的每日CTR(取决于Xk)
[0074] 0 *:目标CTR
[0075] a*:目标印象数
[0076] Qk:K关键字的评估等级
[0077] Mk:K关键字的综合分数
[0078] Nk:K关键字的平均分数
[0079] 首先用P分布来表示关键字的随机广告位置Xk，选择P分布有助于从0到1建 模广告位置Xk，而O表示页顶，1表示页尾。用关键字的综合分数Mk与竞争格局Nk来预测 投放广告的排名及位置。关键字的综合分数Mk通过关键字投标价格bk和关键字评估等级 Qk来共同决定。现有的搜索引擎广告提供商（例如google和百度）都会为广告商提供一 个参考的关键字评估等级Qk。
[0080] 定义二：利用P分布可以得出关键字在页面的位置由竞争格局Nk和关键字的综 合分数Mk来决定：
[0082] 广告商可以通过对以往投资数据的分析和搜索引擎提供的参考数据得到的竞争 格局队具体数值，那么关键字的综合分数M,将成为这个竞争格局下的一个决定量。公式 (2)和我们的直觉相一致。当关键字的综合分数增加时，预期广告位置往页面上移动，反之 亦然。同样的，竞争格局大队代表竞争性越大，这使得广告更难到达页面的顶部。
[0083] 定义三：点击率P15是一个取决于广告位置Xk的随机变量。我们基于观察现实生 活中的数据使用如下点击率的函数形式：
[0084] 0 k=ck(l_xk)m，m彡 1 (3)
[0085] 公式（3)中，ck表示关键词k的自然点击率。从这个函数形式中我们注意到投标 价格bk的值就越大，广告位置越接近页面的顶（Xk= 0)，广告接收到的点击数就越多。
[0086] 将我们对广告