CN102375810B - 整体帐户搜索关键词的估计值反馈方法及服务器 - Google Patents

整体帐户搜索关键词的估计值反馈方法及服务器 Download PDF

Info

Publication number
CN102375810B
CN102375810B CN201010247942.1A CN201010247942A CN102375810B CN 102375810 B CN102375810 B CN 102375810B CN 201010247942 A CN201010247942 A CN 201010247942A CN 102375810 B CN102375810 B CN 102375810B
Authority
CN
China
Prior art keywords
estimated value
key word
searched key
value
whole account
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201010247942.1A
Other languages
English (en)
Other versions
CN102375810A (zh
Inventor
张涛
郭家清
郭宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to CN201010247942.1A priority Critical patent/CN102375810B/zh
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to JP2013523334A priority patent/JP5986082B2/ja
Priority to PCT/US2011/046584 priority patent/WO2012019001A2/en
Priority to US13/318,335 priority patent/US9449049B2/en
Priority to EP11815318.8A priority patent/EP2601623A4/en
Publication of CN102375810A publication Critical patent/CN102375810A/zh
Priority to HK12104322.7A priority patent/HK1163870A1/zh
Priority to HK12108564.5A priority patent/HK1168519A1/zh
Application granted granted Critical
Publication of CN102375810B publication Critical patent/CN102375810B/zh
Priority to JP2016153925A priority patent/JP2016201141A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0247—Calculate past, present or future revenues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0273—Determination of fees for advertising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0273—Determination of fees for advertising
    • G06Q30/0275—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种整体帐户搜索关键词的估计值反馈方法及搜索引擎服务器，该方法包括：获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；预测每个搜索关键词在预测周期内的估计值；根据已保存的每个搜索关键词的历史数据和设置参数对搜索关键词的估计值进行修正，得到修正估计值；对每个搜索关键词的修正估计值进行加和，生成整体帐户的估计值；将整体帐户的估计值返回整体帐户所登录的客户端。本申请对每个搜索关键词的估计值进行修正，使得整体帐户的估计值能够满足用户的预期值，提升了用户体验；并且，搜索引擎服务器与用户之间也无需对估计值进行多次通信返回和重复计算，节约了网络资源和服务器的工作量。

Description

整体帐户搜索关键词的估计值反馈方法及服务器
技术领域
本申请涉及搜索引擎技术领域，尤其涉及一种整体帐户搜索关键词的估计值反馈方法及搜索引擎服务器。
背景技术
在搜索引擎的应用模式中，搜索引擎会向用户提供若干用于投放广告的搜索关键词，而用户终端中通常都拥有一定的资源或数据，简称“自有资源”，例如，数据传输带宽、数据发送优先级以及数据传送的服务质量(QOS)等，或者对搜索引擎而言有价值的信息数据、资金等。用户通过用户终端将一定的资源或数据传输给搜索引擎后，可以获取其选择的若干搜索关键词，对于每个搜索关键词，根据用户提供的自有资源的数量的不同，可以将与该搜索关键词匹配的用户广告呈现在网页中与用户提供的自有资源的数量相对应的位置。当用户选择了多个搜索关键词时，将该用户提供的所有自有资源的数量记录于数据库中的数据文件中，并称该数据文件为一个整体帐户。通过该整体账户可以反映出用户所拥有的自有资源的数量，并且根据用户所拥有的自有资源的历史数据可以预测出该用户整体帐户的消耗估计值和收益估计值，其中，消耗主要指用户选择搜索关键词所提供的自有资源，收益指用户通过所选择搜索关键词进行广告投放所获得的点击量、反馈量、成交量等。
现有技术中在预测消耗和收益估计值时，将用户选择的每个搜索关键词的消耗估计值和收益估计值分别累加，以获得该用户整体帐户的消耗估计值和收益估计值。例如，某个用户选择了搜索关键词a和b，分别为每个搜索关键词提供的自有资源为p1和p2，如果搜索关键词a在自有资源p1时的收益估计值为v1，消耗估计值为c1，搜索关键词b在自有资源p2时的收益估计值为v2，消耗估计值为c2。由此可知，该用户的整体帐户收益估计值为v1+v2，整体帐户消耗估计值为c1+c2。
发明人在对现有技术的研究过程中发现，现有的估计值预测方法仅通过累加每个搜索关键词的估计值得到整体帐户估计值，因此所预测的估计值往往与用户预期值偏差较大，最常见的就是预测的消耗估计值大于用户预期的消耗上限值；当搜索引擎服务器将大于消耗上限值的消耗估计值返回到用户时，由用户根据估计值选择需要减少的搜索关键词，并将选择结果反馈到搜索引擎服务器，由于增加了用户侧的操作，因此降低了用户体验；并且，搜索引擎服务器需要根据用户反馈的结果对该用户的整体帐户关键词重新进行估计并返回用户，由此使得搜索引擎服务器与用户之间因为多次通信而占用过多的网络资源，并且搜索引擎服务器为了满足用户的需要而多次进行估计值的预测，也增加了搜索引擎服务器的工作量。
发明内容
本申请实施例的目的是提供一种整体帐户搜索关键词的估计值反馈方法及搜索引擎服务器，以解决现有技术中估计值不准确导致占用过多网络资源，且增加服务器工作量的问题。
为解决上述技术问题，本申请实施例提供了一种基于整体帐户搜索关键词的估计值生成方法，是这样实现的：
一种整体帐户搜索关键词的估计值反馈方法，包括：
获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测每个搜索关键词在所述预测周期内的估计值；
根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
将所述整体帐户的估计值返回所述整体帐户所登录的客户端。
为解决上述技术问题，本申请实施例还提供了一种搜索引擎服务器，是这样实现的：
一种搜索引擎服务器，包括：
获取单元，用于获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测单元，用于预测每个搜索关键词在所述预测周期内的估计值；
修正单元，用于根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
生成单元，用于对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
返回单元，用于将所述整体帐户的估计值返回所述整体帐户所登录的客户端。
可见，本申请实施例中搜索引擎服务器获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数，预测每个搜索关键词在预测周期内的估计值，根据已保存的每个搜索关键词的历史数据和设置参数对搜索关键词的估计值进行修正，然后对每个搜索关键词的修正估计值进行加和，生成整体帐户的估计值，并将该整体帐户的估计值返回该整体帐户所登录的客户端。本申请实施例与现有技术采用简单累加搜索关键词的估计值获得整体帐户估计值的方式不同，本申请实施例综合考虑了历史数据和用户设置参数，对每个搜索关键词的估计值进行修正，使得整体帐户的估计值能够满足用户的预期值，当搜索引擎服务器将估计值返回用户时，由于该估计值准确度较高，因此无需用户进行进一步操作，提升了用户体验；并且，搜索引擎服务器与用户之间也无需对估计值进行多次通信返回和重复计算，由此节约了网络资源和服务器的工作量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请整体帐户搜索关键词的估计值反馈方法的第一实施例流程图；
图2为本申请整体帐户搜索关键词的估计值反馈方法的第二实施例流程图；
图3为本申请整体帐户搜索关键词的估计值反馈方法实施例的应用流程图；
图4为本申请搜索引擎服务器的第一实施例框图；
图5为本申请搜索引擎服务器的第二实施例框图；
图6为本申请搜索引擎服务器的第三实施例框图。
具体实施方式
本申请实施例提供一种整体帐户搜索关键词的估计值反馈方法及搜索引擎服务器。
为了使本技术领域的人员更好地理解本申请实施例中的技术方案，并使本申请实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例中技术方案作进一步详细的说明。
参见图1，为本申请整体帐户搜索关键词的估计值反馈方法的第一实施例流程图：
步骤101：获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数。
应用搜索引擎服务器提供的网页进行广告投放的用户都会在搜索引擎服务器所属的网站进行注册获得帐户，网站向用户提供若干用于投放广告的搜索关键词，每个用户可以选择需要的若干搜索关键词。当用户选择了多个搜索关键词时，将该用户作为一个整体帐户，需要预测出该用户整体帐户的消耗估计值和收益估计值，其中，消耗主要指用户选择搜索关键词所提供的自有资源，收益指用户通过所选择搜索关键词进行广告投放所获得的点击量、反馈量、成交量等。用户所选择的搜索关键词可以存放在搜索引擎服务器的数据表中，该数据表的每个表项用于存储该用户的整体帐户的标识与所选择的搜索关键词，当需要对某个整体帐户的搜索关键词进行估计时，可以该整体帐户的标识在数据表中查找对应的搜索关键词；另外，用户也可以直接向搜索引擎服务器输入搜索关键词。
预测周期可以由用户输入，也可以由搜索引擎确定，可以为每个搜索关键词设置预测周期，也可以为所有关键词设置相同的预测周期，预测周期用于限定在某个时间范围内用户所选择的多个搜索关键词的消耗和收益估计值。
每个搜索关键词的设置参数可以包括用户的整体帐户对每个搜索关键词的出价值、每个搜索关键词在搜索页面内的呈现时间。
步骤102：预测每个搜索关键词在预测周期内的估计值。
预测每个搜索关键词在预测周期内的估计值可以采用现有的估计算法，例如，可以使用相同用户或者相似用户对该搜索关键词的历史数据预测该搜索关键词在预测周期内的收益估计值和消耗估计值，其中，相同用户指该用户本身，并且该用户本身已经在历史时期内选择过这些搜索关键词，而相似用户指在历史时期选择过与当前用户所选择的搜索关键词一致的搜索关键词的用户；上述历史数据存储在搜索引擎服务器的数据库中，数据库中可以为每个用户提供一个历史数据表，历史数据表的每个表项用于存储每个周期该用户选择的搜索关关键词，以及这些搜索关键词的实际收益值和消耗值。又例如，也可以通过该用户对搜索关键词的出价值在所有用户出价值中的排列位置，通过计算该排列位置上对应的收益估计值和消耗估计值作为该搜索关键词的收益估计值和消耗估计值。上述仅是列举两种算法，本实施例不限制还可以采用其它算法对每个搜索关键词的估计值进行预测。
步骤103：根据已保存的每个搜索关键词的历史数据和设置参数对该搜索关键词的估计值进行修正，得到修正估计值。
对于某个搜索关键词，如果在预测周期之前的历史时期内，已经有整体帐户选择过该搜索关键词，也就是根据历史统计数据可以获得该搜索关键词在历史时期内的收益值和消耗值，此时可以选取与用户设置的搜索关键词的呈现时间长度相等的若干时间段，若干时间段组成历史时间，根据搜索关键词在每个时间段内的收益值和消耗值，计算每个时间段内的收益值和消耗值占该历史时间内总收益值和总消耗值的比例，即根据历史统计数据获取搜索关键词在若干呈现时间内的历史收益值的分布比例和历史消耗值的分布比例。
在对收益估计值进行修正时，可以将步骤102中预测的收益估计值与每个历史收益值的分布比例相乘，并将所有乘积结果进行累加，得到修正后的收益估计值；在对消耗估计值进行修正时，可以将步骤102中预测的消耗估计值与每个历史消耗值的分布比例相乘，并将所有乘积结果进行累加，得到修正后的消耗估计值。
在前述通过历史数据和用户设置的呈现时间对估计值进行修正后，还可以通过与预测周期长度相同的历史周期内的该搜索关键词的收益估计值和消耗估计值对上述修正后的估计值进行进一步修正。以收益估计值为例，设置一个消耗误差阈值和消耗补偿阈值，则判断当修正后的消耗估计值与历史周期内的消耗估计值的差值如果小于该消耗误差阈值，则保持修正后的消耗估计值不变，如果差值大于该消耗误差阈值，则将历史周期内的消耗估计值与消耗补偿阈值加和作为修正后的消耗估计值。
步骤104：对每个搜索关键词的修正估计值进行加和，生成该整体帐户的估计值。
将每个搜索关键词的收益估计值进行累加得到该整体帐户的收益估计值，将每个搜索关键词的消耗估计值进行累加得到该整体帐户的消耗收益值。本步骤加和计算过程与现有技术一致，在此不再赘述。
步骤105：将整体帐户的估计值返回该整体帐户所登录的客户端，结束当前流程。
上述实施例对每个搜索关键词的估计值进行修正，使得整体帐户的估计值能够满足用户的预期值，当搜索引擎服务器将估计值返回用户时，由于该估计值准确度较高，因此无需用户进行进一步操作，提升了用户体验；并且，搜索引擎服务器与用户之间也无需对估计值进行多次通信返回和重复计算，由此节约了网络资源和服务器的工作量。
参见图2，为本申请整体帐户搜索关键词的估计值反馈方法的第二实施例流程图，本实施例中的自有资源为用户向搜索引擎提供的资金为例进行说明，该实施例结合实例详细描述了估计值反馈方法的详细流程：
步骤201：获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的出价值和在搜索页面内的呈现时间。
其中，应用搜索引擎服务器提供的网页进行广告投放的用户都会在搜索引擎服务器所属的网站进行注册获得帐户，网站向用户提供若干用于投放广告的搜索关键词，每个用户可以选择需要的若干搜索关键词，搜索引擎服务器所在的网站还可以向用户提供每个搜索关键词的出价范围；
预测周期可以由用户输入，也可以由搜索引擎确定，可以为每个搜索关键词设置预测周期，也可以为所有关键词设置相同的预测周期，预测周期用于限定在某个时间范围内用户所选择的多个搜索关键词的消耗和收益估计值。预测周期可以由用户输入，也可以由搜索引擎确定，可以为每个搜索关键词设置预测周期，也可以为所有关键词设置相同的预测周期，预测周期用于限定在某个时间范围内用户所选择的多个搜索关键词的消耗和收益估计值。
用户对每个关键词的出价值应属于网站给出的该搜索关键词的出价范围，呈现时间指用户希望所选择的搜索关键词在网页上展现的时间长度，进一步用户还可以输入整体帐户的消耗上限值，用于对后续预测的消耗估计值进行修正。
例如：搜索引擎服务器获取到用户选择的搜索关键词为“mp3”，对该搜索关键词的出价值为“3元”，即该搜索关键词每一次被点击时需要支付的消耗值，该搜索关键词的呈现时间为“一周”，相应的预测周期也可以设置为“一周”。
步骤202：预测每个搜索关键词在预测周期内的估计值。
可以采用现有技术中的估计算法预测每个搜索关键词在预测周期内的估计值，本申请不再详细赘述，仅举如下一例进行描述，即本申请实施例优选采用的预测估计值算法：
首先利用搜索关键词的历史展现量数据预测出该搜索关键词在预测周期内的展现量pv，再根据历史数据的统计分别得到搜索关键词在每个呈现位置上的点击率ctri(表示第i个呈现位置上的点击率)、在该出价值时每个呈现位置上可能展现的次数比例impi(表示第i个呈现位置上可能展现的次数比例)、每个呈现位置上的每次点击的消耗值costi(表示第i个呈现位置每次点击的消耗值)以及从点击数到收益值的转化率percent，由此可知对于一个用户对某个搜索关键词的一次出价在一个预测周期内所得到的收益估计值和消耗估计值可以按照下式进行计算：
Figure BSA00000221165400071
(n为呈现位置的个数，n取自然数)
(n为呈现位置的个数，n取自然数)
步骤203：根据历史收益值的分布比例、历史消耗值的分布比例、搜索关键词的收益估计值和消耗估计值，分别累计若干呈现时间内的收益估计值和消耗估计值。
仍以搜索关键词“mp3”为例，用户设置的呈现时间段为“一周”，因此通过历史数据统计“mp3”在若干个历史“一周”内的收益值和消耗值，并根据历史总时间内的收益值总和和消耗值总和计算每个历史“一周”内的收益值和消耗值分别占收益值总和和消耗值总和的比例，分别记为profit_ratioi(第i个历史呈现时间段的收益比例)、cost_ratioi(第i个历史呈现时间段的消耗比例)，其中用户允许的呈现时间段可以为一个月中的某几周。假设步骤202中预测的搜索关键词“mp3”的收益估计值为profit，消耗估计值为cost，则可以按照如下公式对收益估计值和消耗估计值分别进行修正：
Figure BSA00000221165400082
Figure BSA00000221165400083
上式中，n为所选择的历史“呈现时间”的个数，n取自然数，上式即为根据与呈现时间长度一致的若干历史呈现时间内的收益估计值和消耗估计值的比例分布对每个搜索关键词的收益估计值和消耗估计值进行的修正。
步骤204：通过与预测周期长度相同的历史周期内的该搜索关键词的收益估计值和消耗估计值对累计的若干呈现时间内的收益估计值和消耗估计值分别进行修正。
进一步，可以按照如下公式对上述修正后的收益估计值和消耗估计值进行修正：
result = p if fun ( p , r ) < &epsiv; r + &delta; if fun ( p , r ) &GreaterEqual; &epsiv;
上式中，p为经过步骤203中修正后的收益估计值或消耗估计值，r为与预测周期长度相等的历史周期内该用户对该搜索关键词“mp3”在同一个出价值下的实际收益值和消耗值；如果该用户未对“mp3”出过价，则可选择相似用户在该出价值下的历史周期的收益值和消耗值，相似用户指与该用户的消耗上限值和设置的呈现时间段的误差在预设范围内的用户；如果历史周期内没有对该搜索关键词出价的记录，则可以直接选择步骤203中的修正结果作为修正后的估计值。
上式中δ为估计值的补偿阈值，例如当估计值为消耗估计值时，该δ可以预设为“1”；fun为误差函数，该误差函数可以为绝对误差函数，也可以为相对误差函数，例如fun(p，r)＝|p-r|；ε为预设的误差阈值，该误差阈值可以为根据实际需求设定的固定值，也可以为经过统计计算得到的值，例如，对于收益估计值的误差阈值可以设置为固定值“0.2”。
进一步，还可以使用用户设置的消耗上限对估计值进行修正，当该用户设置的消耗上限值与前第n(n为自然数)天的消耗上限的差值小于某个阈值时，例如阈值为“1”，则可以采用前第n天的实际收益值和消耗值分别对收益估计值和消耗估计值进行修正。
步骤205：对每个搜索关键词的修正估计值进行加和，生成该整体帐户的估计值。
将每个搜索关键词的收益估计值进行累加得到该整体帐户的收益估计值，将每个搜索关键词的消耗估计值进行累加得到该整体帐户的消耗收益值。本步骤加和计算过程与现有技术一致，在此不再赘述。
步骤206：对整体帐户的估计值进行区间处理，生成区间估计值。
将多个搜索关键词的修正估计值相加，利用区间处理算法将该修正结果值转化为区间值。
以对收益估计值为用户的整体点击量的区间处理为例，首先，定义点击量的区间段，区间段为点击数量的不同范围，例如，将点击量分为0至10、10至20、20至30以及30以上这四个区间段；其次，定义期望真实值与点击量估计值的误差计算函数为相对误差函数，相对误差函数的计算公式如下所示：
&epsiv; = | r - p | p
上式中，r为点击量的期望真实值，即r为上述所定义的每个区间段的两个端点值，比如对于区间段0至10，则r取值为0和10，p为步骤205所求得的点击量估计值。
进一步，定义不同区间段的允许误差，例如：当期望真实值在0至10时，定义允许误差为ε1，期望真实值在10至20时，定义允许误差值为ε2，期望真实值在20至30时，定义允许误差值为ε3，期望真实值在30以上时，定义允许误差值为ε4，上述ε1至ε4可以为递减序列。
按照上述定义的不同区间的允许误差对估计值进行如下处理：
当r∈[0，10]时，
Figure BSA00000221165400101
由此推导出
0≤(1-ε1)×p≤r≤(1+ε1)×p≤10
由上式可以得到
Figure BSA00000221165400102
时，期望真实值的区间处理结果如下所示：(1-ε1)×p≤r≤(1+ε1)×p
由此可知，当r在期望真实值的不同区间段时，如果
Figure BSA00000221165400103
(leveldowni为第i个区间段的下界，levelupi为第i个区间段的上界)时，则区间处理结果如下：
(1-εi)×p≤r≤(1+εi)×p
又如果，当
Figure BSA00000221165400104
时，则区间处理结果如下：
(1-εi(εi+1))×p≤r≤(1+εi(εi+1))×p
步骤207：将该整体帐户的区间估计值返回整体帐户所在的客户端，结束当前流程。
由上述实施例可见，本申请实施例与现有技术采用简单累加搜索关键词的估计值获得整体帐户估计值的方式不同，本申请实施例综合考虑了历史数据和用户设置参数，对每个搜索关键词的估计值进行修正，使得整体帐户的估计值能够满足用户的预期值，当搜索引擎服务器将估计值返回用户时，由于该估计值准确度较高，因此无需用户进行进一步操作，提升了用户体验；并且，搜索引擎服务器与用户之间也无需对估计值进行多次通信返回和重复计算，由此节约了网络资源和服务器的工作量。
下面结合一个应用实例对上述本申请整体帐户搜索关键词的估计值反馈方法进行描述：
假设某个用户的搜索关键词为a、b、c，出价值分别为p1、p2、p3，预测周期为1天。则根据估计值预测算法预测出每个搜索关键词的收益估计值为v1、v2、v3，消耗估计值为c1、c2、c3；
经过若干历史呈现时间内的收益估计值和消耗估计值的比例分布对每个搜索关键词的收益估计值和消耗估计值进行修正，则修正后的收益估计值为t_v1、t_v2、t_v3，修正后的消耗估计值为t_c1、t_c2、t_c3；
根据历史数据得到该用户在n(根据不同的应用可以选取不同的n，例如可以取n＝2，即前两天)个时间段的每个搜索关键词在同一出价值下的收益值为r_v1、r_v2、r_v3，消耗值为r_c1、r_c2、r_c3；定义一个误差阈值，例如0.3，定义一个固定的补偿阈值，例如1，再定义一个绝对误差函数函数fun()，修正的过程如下：对搜索关键词a，当fun(t_v1-r_v1)＜0.1时，最终预测结果为t_v1，否则最终预测结果为r_v1+1，搜索关键词b与搜索关键词c的修正过程同搜索关键词a；
将搜索关键词a、b、c修正后的收益估计值和消耗估计值分别相加，得到该用户整体帐户的估计值，并对整体帐户的估计值进行如下区间化处理：在进行区间处理时，假设期望真实值的区间在0-10内时，定为允许误差为0.5，期望真实值的区间在10-20时，定义允许误差为0.4，期望真实值的区间在20-30时，定义允许误差为0.25，期望真实值的区间在30以上时，定义允许误差为0.05；
假设修正后的估计值为5，
因为
Figure BSA00000221165400111
即将5代入上式得到
Figure BSA00000221165400112
由此可知，期望真实值的预测区间采用(1-ε1)×p≤r≤(1+ε1)×p，将5代入以上公式得(1-0.5)×5≤r≤(1+0.5)×5，即区间处理后的结果值为[2.5，7.5]，此时将该区间[2.5，7.5]返回整体帐户所登录的客户端；
假设修正后的估计值为15，
因为
Figure BSA00000221165400121
即将15代入上式得到
由此可知，期望真实值的预测区间采用(1-εi(εi+1))×p≤r≤(1+εi(εi+1))×p，将15代入以上公式得(1-0.4(0.4+1))×15≤r≤(1+0.4(0.4+1))×15，即区间处理后的结果值为[9(11.25)，21(18.75)]，此时将该区间[9(11.25)，21(18.75)]返回整体帐户所登录的客户端。
参见图3，为本申请整体帐户搜索关键词的估计值反馈方法的一种应用实施例流程图，该流程中所应用的估计值可以通过前述第一实施例和第二实施例的描述过程获取：
步骤301：搜索引擎服务器以整体帐户为索引，保存所有整体帐户的估计值。
前述实施例中详述了生成整体帐户的估计值的过程，搜索引擎服务器可以将上述所生成的整体帐户的估计值保存在数据库的估计值列表中，该列表以整体帐户为索引，每个表项中记录了该整体帐户和其对应的估计值，进一步还可以记录每个估计值的生成时间。
步骤302：搜索引擎服务器接收到发送通知消息的命令。
由于搜索引擎中保存了若干整体帐户的历史估计值，而在一定的周期内，可能需要根据这些历史估计值的统计情况向用户发送通知消息，例如，对于估计值较低的用户进行相应的提醒。
该发送通知消息的命令中可以包含所要统计的时间段，所要发送通知消息的数量等。
步骤303：搜索引擎服务器从保存的估计值中获取符合命令要求的估计值。
搜索引擎服务器可以按照要求的时间段从估计值列表中提取满足该时间段的所有估计值。
步骤304：对获取的整体帐户的估计值按照从小到大的顺序排序。
步骤305：从排序中按照估计值从小到大的顺序获取满足预设数目的整体帐户。
步骤306：向获取的整体帐户所登录的客户端返回通知消息，结束当前流程。
本实施例中，通过对估计值从小到大排序获得了一定数量的估计值较小的整体帐户，这些估计值较小的整体帐户可能存在关键词选择有误差，或者与整体帐户预设的消耗上限值不符的情况，因此搜索引擎服务器有针对性的选择向这些整体帐户所登录的客户端发送通知消息，用于提醒这些整体帐户。当然本实施例中也可以按照从大到小的顺序进行排序，仍然可以实现本申请实施例的目的，本申请对此并不作限定。
由上述实施例可见，由于本申请实施例中所生成的整体帐户的估计值更准确，因此在依据估计值向整体帐户发送通知消息时，无需对所有的用户都发送通知消息，而只是有针对性的选择部分整体帐户发送通知消息，因此相应减少了消息在服务器和客户端网络中传输的数据量，从而减轻了搜索引擎服务器的负担，节约了网络传输资源。
与本申请整体帐户搜索关键词的估计值反馈方法的实施例相对应，本申请还提供了搜索引擎服务器的实施例。
参见图4，为本申请搜索引擎服务器的第一实施例框图：
该搜索引擎服务器包括：获取单元410、预测单元420、修正单元430、生成单元440和返回单元450。
其中，获取单元410，用于获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测单元420，用于预测每个搜索关键词在所述预测周期内的估计值；
修正单元430，用于根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
生成单元440，用于对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
返回单元450，用于将所述整体帐户的估计值返回所述整体帐户所登录的客户端。
参见图5，为本申请搜索引擎服务器的第二实施例框图：
该搜索引擎服务器包括：获取单元510、预测单元520、修正单元530、生成单元540、处理单元550和返回单元560。
其中，获取单元510，用于获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数，其中，设置参数包括：所述整体帐户对所述搜索关键词的出价值、所述搜索关键词在搜索页面内的呈现时间；
预测单元520，用于预测每个搜索关键词在所述预测周期内的估计值，其中，估计值包括：收益估计值和消耗估计值；
修正单元530，用于根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
生成单元540，用于对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
处理单元550，用于对所述生成单元生成的整体帐户的估计值进行区间处理，生成区间估计值；
返回单元560，用于将所述整体帐户的区间估计值返回所述整体帐户所在的客户端。
具体的，预测单元520可以包括(图5中未示出)：
参数获取单元，用于获取所述搜索关键词的历史呈现量，以及所述搜索关键词在不同呈现位置上的呈现比例；
次数计算单元，用于根据所述搜索关键词的历史呈现量和所述呈现比例计算所述搜索关键词在不同呈现位置上的呈现次数；
估计值计算单元，用于将所述搜索关键词在不同呈现位置上的单次呈现收益值、单次呈现消耗值和所述不同呈现位置上的呈现次数相乘，获得所述搜索关键词在不同呈现位置上的收益估计值和消耗估计值；
估计值累加单元，用于分别累加所述不同呈现位置上的搜索关键词的收益估计值和消耗估计值，得到所述预测周期内的估计值。
具体的，修正单元530可以包括(图5中未示出)：
比例获取单元，用于根据历史统计数据获取所述搜索关键词在若干所述呈现时间内的历史收益值的分布比例和历史消耗值的分布比例；
估计值累计单元，用于根据所述历史收益值的分布比例、历史消耗值的分布比例、所述搜索关键词的收益估计值和消耗估计值，分别累计所述若干呈现时间内的收益估计值和消耗估计值；
历史数据修正单元，用于通过与所述预测周期长度相同的历史周期内的所述搜索关键词的收益估计值和消耗估计值对所述累计的若干呈现时间内的收益估计值和消耗估计值分别进行修正。
参见图6，为本申请搜索引擎服务器的第三实施例框图：
该搜索引擎服务器包括：获取单元610、预测单元620、修正单元630、生成单元640、返回单元650和排序单元660。
其中，获取单元610，用于获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测单元620，用于预测每个搜索关键词在所述预测周期内的估计值；
修正单元630，用于根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
生成单元640，用于对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
返回单元650，用于将所述整体帐户的估计值返回所述整体帐户所登录的客户端；
排序单元660，用于对所有整体帐户的估计值按照从小到大的顺序排序，并从所述排序中按照估计值从小到大的顺序获取满足预设数目的整体帐户；
返回单元650，还用于向所述获取的整体帐户所登录的客户端返回通知消息。
通过以上的实施方式的描述可知，本申请实施例中搜索引擎服务器获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数，预测每个搜索关键词在预测周期内的估计值，根据已保存的每个搜索关键词的历史数据和设置参数对搜索关键词的估计值进行修正，然后对每个搜索关键词的修正估计值进行加和，生成整体帐户的估计值，并将该整体帐户的估计值返回该整体帐户所登录的客户端。本申请实施例与现有技术采用简单累加搜索关键词的估计值获得整体帐户估计值的方式不同，本申请实施例综合考虑了历史数据和用户设置参数，对每个搜索关键词的估计值进行修正，使得整体帐户的估计值能够满足用户的预期值，当搜索引擎服务器将估计值返回用户时，由于该估计值准确度较高，因此无需用户进行进一步操作，提升了用户体验；并且，搜索引擎服务器与用户之间也无需对估计值进行多次通信返回和重复计算，由此节约了网络资源和服务器的工作量。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (12)

1.一种整体帐户搜索关键词的估计值反馈方法，其特征在于，包括：
获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测每个搜索关键词在所述预测周期内的估计值；
根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
将所述整体帐户的估计值返回所述整体帐户所登录的客户端；
所述每个搜索关键词的设置参数包括：所述整体帐户对所述搜索关键词的出价值、所述搜索关键词在搜索页面内的呈现时间；
所述预测周期内的估计值包括：收益估计值和消耗估计值；
消耗为用户选择搜索关键词所提供的自有资源。
2.根据权利要求1所述的方法，其特征在于，预测每个搜索关键词在所述预测周期内的估计值包括：
获取所述搜索关键词的历史呈现量，以及所述搜索关键词在不同呈现位置上的呈现比例；
根据所述搜索关键词的历史呈现量和所述呈现比例计算所述搜索关键词在不同呈现位置上的呈现次数；
将所述搜索关键词在不同呈现位置上的单次呈现收益值、单次呈现消耗值和所述不同呈现位置上的呈现次数相乘，获得所述搜索关键词在不同呈现位置上的收益估计值和消耗估计值；
分别累加所述不同呈现位置上的搜索关键词的收益估计值和消耗估计值，得到所述预测周期内的估计值。
3.根据权利要求1所述的方法，其特征在于，所述根据已保存的每个搜索关键词的历史数据和设置参数对所述搜索关键词的估计值进行修正包括：
根据历史统计数据获取所述搜索关键词在若干所述呈现时间内的历史收益值的分布比例和历史消耗值的分布比例；
根据所述历史收益值的分布比例、历史消耗值的分布比例、所述搜索关键词的收益估计值和消耗估计值，分别累计所述若干呈现时间内的收益估计值和消耗估计值。
4.根据权利要求3所述的方法，其特征在于，还包括：
通过与所述预测周期长度相同的历史周期内的所述搜索关键词的收益估计值和消耗估计值对所述累计的若干呈现时间内的收益估计值和消耗估计值分别进行修正。
5.根据权利要求1所述的方法，其特征在于，所述将整体帐户的估计值返回所述整体帐户所在的客户端之前，还包括：对所述整体帐户的估计值进行区间处理，生成区间估计值；
所述将所述整体帐户的估计值返回所述整体帐户所在的客户端具体为：将所述整体帐户的区间估计值返回所述整体帐户所在的客户端。
6.根据权利要求1所述的方法，其特征在于，还包括：
对所有整体帐户的估计值按照大小顺序排序，并从所述排序中按照估计值大小顺序获取满足预设数目的整体帐户；
向所述获取的整体帐户所登录的客户端返回通知消息。
7.一种搜索引擎服务器，其特征在于，包括：
获取单元，用于获取一个整体帐户所选择的多个搜索关键词、预测周期、每个搜索关键词的设置参数；
预测单元，用于预测每个搜索关键词在所述预测周期内的估计值；
修正单元，用于根据已保存的每个搜索关键词的历史数据和所述设置参数对所述搜索关键词的估计值进行修正，得到修正估计值；
生成单元，用于对所述每个搜索关键词的修正估计值进行加和，生成所述整体帐户的估计值；
返回单元，用于将所述整体帐户的估计值返回所述整体帐户所登录的客户端；
所述获取单元获取的每个搜索关键词的设置参数包括：所述整体帐户对所述搜索关键词的出价值、所述搜索关键词在搜索页面内的呈现时间；
所述预测单元预测的所述预测周期内的估计值包括：收益估计值和消耗估计值；
消耗为用户选择搜索关键词所提供的自有资源。
8.根据权利要求7所述的服务器，其特征在于，所述预测单元包括：
参数获取单元，用于获取所述搜索关键词的历史呈现量，以及所述搜索关键词在不同呈现位置上的呈现比例；
次数计算单元，用于根据所述搜索关键词的历史呈现量和所述呈现比例计算所述搜索关键词在不同呈现位置上的呈现次数；
估计值计算单元，用于将所述搜索关键词在不同呈现位置上的单次呈现收益值、单次呈现消耗值和所述不同呈现位置上的呈现次数相乘，获得所述搜索关键词在不同呈现位置上的收益估计值和消耗估计值；
估计值累加单元，用于分别累加所述不同呈现位置上的搜索关键词的收益估计值和消耗估计值，得到所述预测周期内的估计值。
9.根据权利要求7所述的服务器，其特征在于，所述修正单元包括：
比例获取单元，用于根据历史统计数据获取所述搜索关键词在若干所述呈现时间内的历史收益值的分布比例和历史消耗值的分布比例；
估计值累计单元，用于根据所述历史收益值的分布比例、历史消耗值的分布比例、所述搜索关键词的收益估计值和消耗估计值，分别累计所述若干呈现时间内的收益估计值和消耗估计值。
10.根据权利要求9所述的服务器，其特征在于，所述修正单元还包括：
历史数据修正单元，用于通过与所述预测周期长度相同的历史周期内的所述搜索关键词的收益估计值和消耗估计值对所述累计的若干呈现时间内的收益估计值和消耗估计值分别进行修正。
11.根据权利要求7所述的服务器，其特征在于，还包括：
处理单元，用于对所述生成单元生成的整体帐户的估计值进行区间处理，生成区间估计值；
所述返回单元，具体用于将所述整体帐户的区间估计值返回所述整体帐户所在的客户端。
12.根据权利要求7所述的服务器，其特征在于，还包括：
排序单元，用于对所有整体帐户的估计值按照大小顺序排序，并从所述排序中按照估计值大小顺序获取满足预设数目的整体帐户；
返回单元，还用于向所述获取的整体帐户所登录的客户端返回通知消息。
CN201010247942.1A 2010-08-04 2010-08-04 整体帐户搜索关键词的估计值反馈方法及服务器 Active CN102375810B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201010247942.1A CN102375810B (zh) 2010-08-04 2010-08-04 整体帐户搜索关键词的估计值反馈方法及服务器
PCT/US2011/046584 WO2012019001A2 (en) 2010-08-04 2011-08-04 Returning estimated value of search keywords of entire account
US13/318,335 US9449049B2 (en) 2010-08-04 2011-08-04 Returning estimated value of search keywords of entire account
EP11815318.8A EP2601623A4 (en) 2010-08-04 2011-08-04 REFERENCE OF THE ESTIMATED VALUE OF KEYWORDS IN SEARCHING AN ENTIRE ACCOUNT
JP2013523334A JP5986082B2 (ja) 2010-08-04 2011-08-04 全アカウントの検索キーワードの推定値の返信
HK12104322.7A HK1163870A1 (zh) 2010-08-04 2012-05-03 整體帳戶搜索關鍵詞的估計值反饋方法及服務器
HK12108564.5A HK1168519A1 (zh) 2010-08-04 2012-09-03 防風曬衣桿及衣架
JP2016153925A JP2016201141A (ja) 2010-08-04 2016-08-04 全アカウントの検索キーワードの推定値の返信

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010247942.1A CN102375810B (zh) 2010-08-04 2010-08-04 整体帐户搜索关键词的估计值反馈方法及服务器

Publications (2)

Publication Number Publication Date
CN102375810A CN102375810A (zh) 2012-03-14
CN102375810B true CN102375810B (zh) 2014-03-19

Family

ID=45560070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010247942.1A Active CN102375810B (zh) 2010-08-04 2010-08-04 整体帐户搜索关键词的估计值反馈方法及服务器

Country Status (6)

Country Link
US (1) US9449049B2 (zh)
EP (1) EP2601623A4 (zh)
JP (2) JP5986082B2 (zh)
CN (1) CN102375810B (zh)
HK (2) HK1163870A1 (zh)
WO (1) WO2012019001A2 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5629404B2 (ja) * 2012-05-25 2014-11-19 花王株式会社 自動食器洗浄機用洗浄剤組成物
CN103514172A (zh) * 2012-06-20 2014-01-15 同程网络科技股份有限公司 设置搜索引擎关键词的下词方法
CN103336765B (zh) * 2013-06-20 2016-04-27 上海大学 一种文本关键词的马尔可夫矩阵离线修正方法
US9864781B1 (en) 2013-11-05 2018-01-09 Western Digital Technologies, Inc. Search of NAS data through association of errors
CN104731788B (zh) * 2013-12-18 2019-01-22 阿里巴巴集团控股有限公司 推广信息的处理方法及设备
CN103886018B (zh) * 2014-02-21 2017-02-08 车智互联（北京）科技有限公司 数据预测装置、数据预测方法以及电子设备
US10417226B2 (en) * 2015-05-29 2019-09-17 International Business Machines Corporation Estimating the cost of data-mining services
CN111598631A (zh) * 2020-06-05 2020-08-28 上海智子信息科技股份有限公司 一种效果目标导向的跨渠道关键字价格优化方法
KR102503586B1 (ko) * 2020-09-29 2023-02-24 네이버 주식회사 음성을 텍스트로 변환한 음성 기록에서 유사 발음의 단어를 포함하여 검색하는 방법, 시스템, 및 컴퓨터 판독가능한 기록 매체
CN112884534A (zh) * 2021-01-26 2021-06-01 中通诚资产评估有限公司 一种收益法估值模型

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7043471B2 (en) * 2001-08-03 2006-05-09 Overture Services, Inc. Search engine account monitoring
US8224689B1 (en) * 2003-01-10 2012-07-17 Google Inc. Estimating inventory, user behavior, and/or cost and presentation attributes for an advertisement for use with an advertising system
US20040133469A1 (en) * 2003-11-04 2004-07-08 Dario Chang System and method of promote website using Cycle Hits and Hits History
KR100458459B1 (ko) * 2004-01-27 2004-11-26 엔에이치엔(주) 검색자의 검색 요청에 응답하여 검색 결과 목록을생성하고 검색어 광고를 제공하는 방법 및 검색어 광고제공 시스템
KR100481141B1 (ko) 2004-04-17 2005-04-07 엔에이치엔(주) 소정의 검색 요청에 의해 검색 목록순을 추출하는 검색어광고 제공 시스템 및 검색어 광고 제공 방법
US7716219B2 (en) * 2004-07-08 2010-05-11 Yahoo ! Inc. Database search system and method of determining a value of a keyword in a search
US7904337B2 (en) * 2004-10-19 2011-03-08 Steve Morsa Match engine marketing
US20060206479A1 (en) 2005-03-10 2006-09-14 Efficient Frontier Keyword effectiveness prediction method and apparatus
US20060248035A1 (en) 2005-04-27 2006-11-02 Sam Gendler System and method for search advertising
KR100522029B1 (ko) 2005-07-27 2005-10-18 엔에이치엔(주) 실시간 급상승 검색어 검출 방법 및 실시간 급상승 검색어검출 시스템
US20070255690A1 (en) 2006-04-28 2007-11-01 Chi-Chao Chang System and method for forecasting the performance of advertisements
US20080033810A1 (en) 2006-08-02 2008-02-07 Yahoo! Inc. System and method for forecasting the performance of advertisements using fuzzy systems
US20090327163A1 (en) * 2006-08-21 2009-12-31 Peter Lawrence Swan Choice Engine
US20080052278A1 (en) * 2006-08-25 2008-02-28 Semdirector, Inc. System and method for modeling value of an on-line advertisement campaign
US8527352B2 (en) * 2006-10-30 2013-09-03 Adchemy, Inc. System and method for generating optimized bids for advertisement keywords
US20080256056A1 (en) * 2007-04-10 2008-10-16 Yahoo! Inc. System for building a data structure representing a network of users and advertisers
US20080255922A1 (en) * 2007-04-12 2008-10-16 Jon Feldman Preferred cost bidding for online advertising
US7693823B2 (en) * 2007-06-28 2010-04-06 Microsoft Corporation Forecasting time-dependent search queries
KR100909563B1 (ko) 2007-09-06 2009-07-27 엔에이치엔비즈니스플랫폼 주식회사 광고에 대한 예상 과금액을 산출하는 방법 및 상기 방법을수행하는 시스템
US8682839B2 (en) * 2008-06-02 2014-03-25 Microsoft Corporation Predicting keyword monetization
US8117050B2 (en) * 2008-06-02 2012-02-14 Microsoft Corporation Advertiser monetization modeling
US20090327030A1 (en) * 2008-06-25 2009-12-31 Yahoo! Inc. Systems and Methods for Creating an Index to Measure a Performance of Digital Ads as Defined by an Advertiser
WO2010030116A2 (ko) * 2008-09-09 2010-03-18 엔에이치엔비즈니스플랫폼 주식회사 검색 광고에 대한 경매 및 과금을 수행하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
US8069160B2 (en) 2008-12-24 2011-11-29 Yahoo! Inc. System and method for dynamically monetizing keyword values
US20110035276A1 (en) * 2009-08-05 2011-02-10 Arpita Ghosh Automatic Campaign Optimization for Online Advertising Using Return on Investment Metrics
US20110035259A1 (en) 2009-08-07 2011-02-10 Yahoo! Inc. Cost and participation models for exchange third-party integration in online advertising
US20110055229A1 (en) 2009-08-25 2011-03-03 Yahoo! Inc. System and method for generating a valuation of revenue opportunity for a keyword from a valuation of online sessions on a website from user activities following a keyword search
US8266006B2 (en) * 2009-11-03 2012-09-11 Ebay Inc. Method, medium, and system for keyword bidding in a market cooperative
US20110191169A1 (en) * 2010-02-02 2011-08-04 Yahoo! Inc. Kalman filter modeling in online advertising bid optimization
US20110196736A1 (en) 2010-02-09 2011-08-11 Yahoo! Inc. Keyword bid optimization under cost per click constraints
US8572011B1 (en) * 2010-07-16 2013-10-29 Google Inc. Outcome estimation models trained using regression and ranking techniques
US20120253945A1 (en) * 2011-04-01 2012-10-04 Microsoft Corporation Bid traffic estimation

Also Published As

Publication number Publication date
JP5986082B2 (ja) 2016-09-06
JP2016201141A (ja) 2016-12-01
US9449049B2 (en) 2016-09-20
JP2013535751A (ja) 2013-09-12
HK1168519A1 (zh) 2013-01-04
HK1163870A1 (zh) 2012-09-14
WO2012019001A3 (en) 2013-05-02
EP2601623A4 (en) 2014-04-09
US20130254175A1 (en) 2013-09-26
EP2601623A2 (en) 2013-06-12
WO2012019001A2 (en) 2012-02-09
CN102375810A (zh) 2012-03-14

Similar Documents

Publication Publication Date Title
CN102375810B (zh) 整体帐户搜索关键词的估计值反馈方法及服务器
CN102479190A (zh) 一种搜索关键词的估计值预测方法和装置
CN108268967B (zh) 一种话务量预测的方法和系统
US11748452B2 (en) Method for data processing by performing different non-linear combination processing
CN103593353A (zh) 信息搜索方法、展示信息排序权重值确定方法及其装置
CN109961198B (zh) 关联信息生成方法和装置
US20160055494A1 (en) Booking based demand forecast
CN108133390A (zh) 用于预测用户行为的方法和装置以及计算设备
CN109002925A (zh) 业务量预测方法和装置
CN110910201A (zh) 信息推荐的控制方法、装置、计算机设备及存储介质
WO2018231740A1 (en) Software-based erm watchtower for aggregating risk data, calculating weighted risk profiles, reporting, and managing risk
Zhang et al. A request-level guaranteed delivery advertising planning: Forecasting and allocation
CN115202847A (zh) 任务的调度方法和装置
CN102411757A (zh) 一种大型主机cpu容量预测方法及系统
CN109075987A (zh) 优化数字组件分析系统
Reinhard et al. The severity of ruin in a discrete semi-Markov risk model
CN113515703A (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN111930350A (zh) 一种基于计算模板的精算模型建立方法
CN113240487B (zh) 流量调控方法和装置
CN110766488A (zh) 一种自动确定主题场景的方法和装置
Kacperczyk et al. A new class of Bayesian semi-parametric models with applications to option pricing
CN113760550A (zh) 资源分配方法和资源分配装置
CN115129964A (zh) 推送待推荐内容项的方法、推送系统、电子设备
CN113780703A (zh) 一种指标调整方法和装置
CN113269600B (zh) 一种信息发送的方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1163870

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1163870

Country of ref document: HK