CN103136311B - 付费搜索中的投标和预算分配的联合优化 - Google Patents
付费搜索中的投标和预算分配的联合优化 Download PDFInfo
- Publication number
- CN103136311B CN103136311B CN201110416422.3A CN201110416422A CN103136311B CN 103136311 B CN103136311 B CN 103136311B CN 201110416422 A CN201110416422 A CN 201110416422A CN 103136311 B CN103136311 B CN 103136311B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- omega
- value
- condition
- 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
Links
Abstract
本发明涉及付费搜索中的投标和预算分配的联合优化。本发明将该问题建模为受约束的优化问题,在广告客户总预算和投标价格变化范围的约束下,使预期的广告客户收入最大化。通过解决优化问题,可以获得最优的预算分配计划和投标价格设置方案。
Description
技术领域
本发明涉及计算机领域,尤其涉及在线的付费搜索。
背景技术
付费搜索是在线广告的一种常用形式,也是搜索引擎公司的主要收入来源。在付费搜索中,响应于给定的查询,在搜索结果页面中显示一列广告,以及有组织的十个蓝色链接。尽管付费搜索结果是同时显示的并且具有非常类似的外观,但通过和有组织搜索不同的机制来产生付费搜索结果。一般而言,有组织的搜索结果主要基于每个网页和查询的相关度来生成,而付费搜索结果基于竞拍来生成。
在付费搜索中,广告客户可以创建多个活动计划并且为每个活动计划设置一个预算。在每个活动计划中,他/她可以进一步创建带有投标关键词和投标价格的几个广告组。数据分析显示出,许多广告客户正在同时管理具有非常大量的关键词和投标价格的大量活动计划和广告组。这些繁忙广告客户对搜索引擎贡献了很大比例的收入,然而,也很可能并且很需要进一步改进他们的性能和贡献。这主要是因为,当这一广告客户的活动计划和广告组的数量变得很大时,该广告客户手工地优化活动计划预算分配并且为每个价格。
图1示出付费搜索中的典型的广告客户帐户结构。广告客户可以创建多个活动计划。在每个活动计划中,他/她设置一个活动计划预算,构建几组广告副本,并且对每个广告组的某些关键词进行投标。每个关键词是假定通过某些用户查询来触发的一个竞拍条目。给定一查询,搜索引擎将首先根据投标关键词和查询之间的匹配函数,检索最相关的广告作为候选。然后,这些候选广告将参与竞拍,一些广告(例如,具有最大预期收入的广告)将获胜并且被显示在搜索结果页面上。如果用户点击了一个广告,则搜索引擎会向相应的广告客户收费。通常,收费数额由通用第二价格(GSP)竞拍机制来确定,这意味着广告客户的一次点击成本取决于竞拍排序列表中的第二个广告的投标价格。当一个活动计划预算用完时,则在提高预算或者下一次预算周期启动之前,将不允许该活动计划参与任何竞拍。例如,如果按月设置活动计划预算,则活动计划将在下个月重新参与竞拍。
由此可见,除了创建广告组并选择投标关键词以外,广告客户也应当谨慎地考虑以下两个重要问题:
(1)投标价格设置。由于不同的关键词对应于不同的机会(例如,搜索量)和不同程度的竞争,因此应当为这些关键词设置不同的投标价格。然而,最优投标价格设置对于每个单独的广告客户而言是最不可能的,因为他不能访问相关信息且他的竞争者也在动态调整他们的投标价格。
(2)活动计划预算分配。假定对于某一活动计划,有许多高效用的关键词(换言之,这些关键词包含许多广告机会)。为了实现关于这些关键词的显著性能,必须对它们付出许多钱。然而,如果不能提高这一活动计划的预算,则会失去许多这样的机会。于是,类似于关键词的情况,不同的活动计划也有不同的机会和竞争。结果,在一个帐户下,一些活动计划可能很快地用完预算,一些活动计划很慢地消耗他们的预算,而其他活动计划的预算可能根本不被使用。这显然会限制广告客户使用他/她的预算的总体有效性。
以上两个问题对于广告客户是关键的,然而,据数据统计,许多广告客户并未在这两个方面做得很好。这是因为许多广告客户管理着上百种活动计划和上万个关键词,使他们难以手工地调整活动计划预算分配和关键词投标价格。也曾尝试在研究团体内自动地执行任务。然而,这些工作仍不足以满足实际要求。例如,关于关键词投标价格优化的许多工作仅在对广告进行排序时考虑投标价格,而不将相关度和位置考虑在内。再例如,尽管人们研究了关键词投标优化,然而尽我们所知,尚未有关于活动计划预算分配的文献。
发明内容
为了至少解决上述现有技术中的缺陷,本发明提出了一种新颖的方法来解决上述问题。特别是提出了联合地优化活动计划预算分配和投标价格设置。因此本发明将问题形成为一种受约束的优化,将活动计划预算和关键词投标价格作为变量,在帐户级预算的约束下,对于具有多个活动计划的给定广告客户帐户以及帐户级的预算,尝试找到帐户级预算向每个活动计划的最优分配,并且同时为活动计划中的每个投标关键词设置最优价格,最终使广告客户的收入最大化。
为了更好的说明这一概念,首先定义了一些符号,包括成功价格区间,这是以下讨论的基础。然后采用一概率模型来计算给定投标价格的条件下赢得特定广告位置的概率。此后,基于概率模型定义了优化问题,并将该问题转换成有序二元编程问题。通过解决该问题,可以得到对活动计划预算分配和投标价格设置的最后解决方案,即通过对预算分配和关键词投标设置的联合优化而最终使广告客户收入最大化。
通过阅读下面的具体实施方式并参考相关联的附图,本发明的这些及其他特点和优点将变得显而易见。可以理解,前述一般描述和以下的具体实施方式都是说明性的,并且不限制所要求保护的各方面。
附图说明
图1示出付费搜索中的典型的广告客户帐户结构。
图2示出根据本发明一实施例的方法的流程图。
图3示出根据图2所示的方法中所计算的概率的概率密度分布图。
图4示出根据本发明又一实施例的方法的流程图。
图5示出根据本发明还有一种实施例的方法的流程图。
具体实施方式
图1示出数据搜索(例如付费搜索)中的典型的广告客户帐户结构100。如图1所示,广告客户110可以具有一个或多个帐户121、122、123。每一个帐户(例如帐户121)可以具有一个或多个组(例如,活动计划131、132、133)。在每个活动计划中,广告客户110为该活动计划设置一个预算,并同时构建几组广告副本,即广告组141、142、143,并且对每个广告组的某些关键词进行投标,例如图1所示的xbox 360手柄、购买xbox等等。
每个关键词是假定通过某些用户查询来触发的一个竞拍条目。给定一查询,搜索引擎将首先根据投标关键词和查询之间的匹配函数,检索最相关的广告作为候选。然后,这些候选广告将参与竞拍,一些广告(例如,具有最大预期收入的广告)将获胜并且被显示在搜索结果页面上。如果用户点击了一个广告,则搜索引擎会向相应的广告客户收费。通常,收费数额由通用第二价格(GSP)竞拍机制来确定,这意味着广告客户的一次点击成本取决于竞拍排序列表中的第二个广告的投标价格。当一个活动计划预算用完时,则在提高预算或者下一次预算周期启动之前,将不允许该活动计划参与任何竞拍。例如,如果按月设置活动计划预算,则活动计划将在下个月重新参与竞拍。
因此,除了创建广告组并选择投标关键词以外,本发明还进一步考虑了投标价格设置和活动计划预算分配,并且通过对这两个条件进行联合优化来实现广告客户的收入最大化。
图2示出根据本发明一实施例的用于在付费搜索中对投标价格和活动计划预算分配进行联合优化的方法200的流程图。方法200从步骤202开始,在步骤202,方法导入了各参数的定义,其中各参数与投标关键词、投标价格和投标关键词所引起的点击真值相关联。具体说来,在投标价格设置和活动计划预算分配的联合优化中,首先将图1所示的广告客户帐户A定义为:A={C1,C2,…,Cm},其中,m是帐户A下的活动计划数目,Ci(i=1,2,…,m)是第i个活动计划。为简洁起见,在以下讨论中不区分广告组和广告。因而,可以将活动计划Ci表示为:Ci={gi (0),Di,Ki}(i=1,…,m),其中gi (0)表示广告客户设置的原始周期性(例如每月)预算,Di表示一组广告,Ki表示活动计划Ci中的一组投标关键词。
该组广告可以被写为,其中li是活动计划Ci中的广告数目,di,s(s=1,2,…,li)表示活动计划中的第s个广告。
该组投标关键词Ki可以被写为,其中ni是活动计划Ci中的投标关键词的数目,ki,t(t=1,2,…,ni)表示第t个投标关键词,表示ki,t的原始投标价格,υi,t(t=1,2,…,ni)表示ki,t所引起的点击的真值。作为真值的近似估计,可以将υi,t视为的上限。
在付费搜索中,广告客户可以将几个关键词与其广告相关联。当发出查询时,会触发一次竞拍。如果广告的相关联的关键词之一与查询相匹配,则竞拍中将会涉及该广告(以及所匹配的关键词)。因此,竞拍中的候选者其实是以下的多元组,
其中s=1,2,…,li和t=1,2,…,ni。该三元组被称为订单项。为参考简便,对于订单项ω,也使用(·)ω来表示与其相关联的属性,诸如其关键词kω、投标价格bω和真值υω。
同时,使用Φ来表示付费搜索系统的每个搜索结果页面中的广告位的最大数目。假定广告在竞拍中根据它们的排名分数来排列,则具有以下定义。
定义1(获胜分数)
对于竞拍θ,它在位置ρφ处的获胜分数(由μφ,θ表示,φ=1,2,…,Φ)是使一个订单项能在竞拍中获得第φ个广告位ρφ的最小排名分数。令μ0,θ=+∞,则有μ0,θ≥μ1,θ≥…≥μΦ,θ。
定义2(获胜分数区间)
对于竞拍θ,它在位置ρφ处的获胜分数区间是[μφ,θ,μφ-1,θ)(φ=1,2,…,Φ),它是使一个订单项能在竞拍中恰好获得第φ个广告位ρφ的排名分数的范围。
主流搜索引起使用投标价格和相关分数的乘积作为其竞拍中的排名分数。假定订单项ω在竞拍θ中的相关分数为rω,θ,该分数可以基于诸如查询-广告相似性、语义相似性、分类、用户查询事件等一系列特征来计算。如下标所指示的,由于和用于触发查询的时间、位置和用户相关的一些上下文信息,订单项的相关分数rω,θ在不同的竞拍中会不同。通常,这一相关性分数指示出在广告被用户注意到之后会被点击的概率。在该上下文中,有以下关于获胜价格和获胜价格区间的定义。
定义3(获胜分数)
对于竞拍θ中其相关性分数rω,θ为的订单项ω,它在位置ρφ处的获胜分数(由βω,φ,θ表示,φ=1,2,…,Φ)是它是使订单项ω能在竞拍中获得第φ个广告位ρφ的最小排名分数。同样,令βω,0,θ=+∞,则有βω,0,θ≥βω,1,θ≥…≥βω,Φ,θ。
定义4(获胜分数区间)
对于竞拍θ中其相关性分数rω,θ为的订单项ω,它在位置ρφ处的获胜分数区间是[βω,φ,θ,βω,φ-1,θ)(φ=1,2,…,Φ),它是使订单项ω能在竞拍中恰好获得第φ个广告位ρφ的排名分数的范围。
在导入上述各参数之后,方法200从步骤202前进至步骤204,其中使用一概率模型来为所述一组参数,例如订单项ω,计算概率。其中投标价格bω在竞拍中首先排列在位置ρφ。考虑到数据稀疏性问题,在订单项级别上计算这一概率,但不为每个单独的竞拍计算此概率。更具体地说,如下给出了概率分布Pω(bω),
Pω(bω)=(pω(ρ1|bω),pω(ρ2|bω),…,pω(ρΦ|bω),pω(ρΦ+1|bω))
其中,pω(ρφ|bω)(φ=1,2,…,Φ)表示当投标价格为bω时订单项ω排在广告位ρφ的概率,pω(ρΦ+1|bω)表示订单项ω输掉竞拍(即,排列在ρΦ之下)的概率。显然,
公式(1)
为了计算上述概率分布,对概率分布的每一个元素应用贝叶斯(Bayes)定理。
公式(2)
这里pω(ρφ)是任何广告在订单项ω所参与的竞拍θ中处在广告位ρφ的概率,它可以通过仅仅在例示竞拍日志中计数来近似获得。pω(bω|ρφ)是在订单项ω所参与的竞拍θ中的广告位ρφ处在获胜价格区间中观察到ω的概率。直接方式也是通过在例示竞拍日志中计数来获得该值。也就是说,对于ω的每次竞拍θ(θ=1,2,…,Θω,其中Θω表示ω所参与的竞拍数),从竞拍日志中为位置ρφ计算获胜价格区间[βω,φ,θ,βω,φ-1,θ)。如果bω∈[βω,φ,θ,βω,φ-1,θ),则认为有价格bω的观察。然而,该方法的问题在于,需要遍历整个日志来找到bω的每个可能值,这在进行优化时会花费过大。因此,下面提出了一种有效得多的新方法,它无须在优化过程期间重新访问整个竞拍日志。
对于ω的所有竞拍,可以计算它们在位置ρφ处的获胜价格区间。如上所述,获胜价格区间的下限和上限实际上在不同的竞拍中有所波动。为了简洁起见,使用高斯分布来对界限的波动进行建模。
公式(3)
其中x和y是ω在位置ρφ处的获胜价格区间的下限和上限,上标L和U分别代表下限和上限。此外,和σω,φ是对于ω的所有竞拍、在位置ρφ处的获胜价格区间的下限均值和标准差。也就是,
公式(4)
类似的,和σω,φ-1是对于ω的所有竞拍、在位置ρφ处的获胜价格区间的下限均值和标准差。
因此,pω(bω|ρφ)可以如下计算。
公式(5)
这里表示标准正态分布的累积分布函数。特别是,对于第一广告位ρ1,上限y是无穷大。因此,pω(bω<y|ρ1)≡1,于是,
公式(6)
类似的,对于ρΦ+1,下限x为零。因此,pω(x≤bω|ρΦ+1)≡1,于是,
公式(7)
概率pω(bω|ρφ)的计算在图3中详细示出。具体说来,图3示出获胜价格时段的上限和下限的概率密度分布的例子。
在计算完上述概率之后,方法200从步骤204前进至步骤206,计算与所述参数相关联的用户反馈。在一个实施例中,所述用户反馈是点击率。首先定义以下符号:
·τφ:广告位ρφ处的位置偏移。相对CTR表示广告处在正在关注的位置ρφ的概率。进一步考虑相关性分数rω,θ的定义,广告在位于广告位ρφ时被点击的实际概率将为τφrω,θ。
·cω,φ,θ:当ω排在广告位ρφ上时在竞拍θ中点击ω的成本。根据GSP系统,成本可以计算为其中ω′是在竞拍θ中比ω低一个广告位的订单项,bω′是其投标价格。
于是,对于一个广告客户帐户中的所有活动计划,用户反馈(即总预期点击数)可以写为,
公式(8)
其中,因子是当投标价格为bω时在一次竞拍中点击ω的概率。
在计算完上述用户反馈之后,方法200从步骤206前进至步骤208,基于所述用户反馈以及投标价格来计算与付费搜索相关联的返回值。即,考虑每个投标关键词的点击成本和真值,可以如下获得与付费搜索相关联的返回值,即,预期的广告客户收入,
公式(9)
在得到预期的广告客户收入的计算方式后,方法200从步骤208前进至步骤210,在投标价格和活动计划预算的限制条件下,力求使广告客户帐户的总收入最大化,反映了广告客户可以从付费搜索的服务中获得的最终利润。
例如,在给定上述目标函数的情况下,可以如下形成联合优化,其中gi(i=1,2,…,m)和bω分别表示活动计划预算的变量和关键词投标价格。
使帐户内的预期总广告客户收入最大化的优化问题:
(i=1,2,…,m)
0≤bω≤υω(ω∈Ci,i=1,2,…,m) 公式(10)
其中s.t.表示条件。上述优化问题是典型的有限制条件的优化问题,并且可以通过顺序二次编程(SQP)以有效的方式来近似求解。通过求解该SQP问题,可以为每个订单项获得最优的活动计划预算以及最优的投标价格。
图4示出根据本发明又一实施例的用于在付费搜索中对投标价格和活动计划预算分配进行联合优化的方法400的流程图。方法400从步骤402开始,在步骤402,方法导入了各参数的定义,其中各参数与活动计划预算、投标关键词和投标价格相关联。步骤402可以与图2所示的步骤202相同或相近似,为简洁起见不再重复描述。
在导入上述各参数之后,方法400从步骤402前进至步骤404,其中基于上述定义、使用一概率模型来为所述一组参数,尤其是其中的订单项ω,计算概率。步骤404可以与图2所示的步骤204相同或相近似,为简洁起见不再重复描述。
在计算完上述概率之后,方法400从步骤404前进至步骤406,计算与所述参数相关联的用户反馈。步骤406可以与图2所示的步骤206相同或相近似,为简洁起见不再重复描述。
在计算完上述用户反馈之后,方法400从步骤406前进至步骤408,基于所述用户反馈以及投标关键词来实现对投标价格和活动计划预算的联合优化。步骤408不仅计算了付费搜索相关联的返回值,即,预期的广告客户收入,而且在投标价格和活动计划预算的限制条件下,力求使该返回值最大化。
图5示出根据本发明还有一种实施例的用于在付费搜索中对投标价格和活动计划预算分配进行联合优化的方法500的流程图。方法500从步骤502开始,在步骤502,方法导入了各参数的定义,其中各参数与活动计划预算、投标关键词和投标价格相关联。步骤502可以与图2所示的步骤202以及图4所示的步骤402相同或相近似。
在导入上述各参数之后,方法500从步骤502前进至步骤504,其中基于上述定义、使用一概率模型来为所述一组参数,尤其是其中的订单项ω,计算概率。步骤504可以与图2所示的步骤204以及图4所示的步骤404相同或相近似,为简洁起见不再重复描述。
在计算完上述概率之后,方法500从步骤504前进至步骤506。步骤506通过利用所述概率模型来对投标价格和活动计划预算进行联合优化,最终使付费搜索的返回值(即,预期的广告客户收入)最大化。
结论
应当理解,此处的任何示例都是非限制性的。如此,本发明不仅限于此处所描述的任何特定实施例、方面、概念、结构、功能或示例。相反,此处所描述的任何一个实施例、方面、概念、结构、功能或示例都是非限制性的,可以以一般而言在计算机和设备数据通信中提供好处和优点的各种方式来使用本发明。
尽管本发明易于作出各种修改和替换构造,但其某些说明性实施例在附图中示出并在上面被详细地描述。然而应当了解,这不旨在将本发明限于所公开的具体形式,而是相反地,旨在覆盖落入本发明的精神和范围之内的所有修改、替换构造和等效方案。
Claims (13)
1.一种在数据搜索中对第一条件和第二条件进行联合优化的方法,在所述数据搜索中创建了多个组,每个组设有一个与第二条件相关联的第一值,每个组中创建了多个子组,每个子组具有与第一条件相关联的第二值和第三值,所述方法包括:
导入与所述第一值、第二值和第三值相关联的参数;
用一概率模型为所述参数计算概率;
计算与所述参数相关联的用户反馈;
基于所述用户反馈以及所述第二值来实现对所述第一条件和所述第二条件的联合优化。
2.如权利要求1所述的方法,其特征在于,所述第一条件是投标,所述第二条件是活动计划预算分配,所述第一值是活动计划预算,所述第二值是投标关键词,所述第三值是投标价格,所述参数是与投标关键词、投标价格和第四值相关联的项,其中所述第四值是与对第二值的点击相关联的值,所述概率模型是在活动计划中的相应位置处在获胜价格区间中观察到所述参数的概率。
3.如权利要求2所述的方法,其特征在于,所述参数是数据搜索中的参数项ω,所述概率模型定义为:
<mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>&Phi;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,pω(ρφ)是所述子组中的任何条目在所述参数所参与的竞拍中处在条目位置ρφ的概率,bω为投标价格,pω(bω|ρφ)是在所述参数项ω所参与的竞拍中的条目位置ρφ处在获胜价格区间中观察到参数项ω的概率,Φ表示所述数据搜索系统的每个搜索结果页面中的条目位置的最大数目。
4.如权利要求1所述的方法,其特征在于,所述计算与所述参数相关联的用户反馈包括计算所述多个组的总的预期点击率。
5.如权利要求1或4所述的方法,其特征在于,所述基于所述用户反馈以及所述第二值来实现对所述第一条件和所述第二条件的联合优化包括:
计算与付费搜索相关联的返回值;
考虑到所述第一条件和第二条件的限制下而使所述返回值最大化。
6.一种在数据搜索中对第一条件和第二条件进行联合优化的方法,在所述数据搜索中创建了多个组,每个组设有一个与第二条件相关联的第一值,每个组中创建了多个子组,每个子组具有与第一条件相关联的第二值和第三值,所述方法包括:
导入与所述第一值、第二值和第三值相关联的参数;
用一概率模型为所述参数计算概率;
计算与所述参数相关联的用户反馈;
基于所述用户反馈以及所述第一条件来计算与数据搜索相关联的返回值;
使与数据搜索相关联的返回值最大化以实现对所述第一条件和所述第二条件的联合优化。
7.如权利要求6所述的方法,其特征在于,所述第一条件是投标,所述第二条件是活动计划预算分配,所述第一值是活动计划预算,所述第二值是投标关键词,所述第三值是投标价格,所述参数是与投标关键词、投标价格和第四值相关联的项,其中所述第四值是与对第二值的点击相关联的值,所述概率模型是在活动计划中的相应位置处在获胜价格区间中观察到所述参数的概率。
8.如权利要求7所述的方法,其特征在于,所述参数是数据搜索中的参数项ω,所述概率模型定义为:
<mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>&Phi;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,pω(ρφ)是所述子组中的任何条目在所述参数所参与的竞拍中处在条目位置ρφ的概率,bω为投标价格,pω(bω|ρφ)是在所述参数项ω所参与的竞拍中的条目位置ρφ处在获胜价格区间中观察到参数项ω的概率,Φ表示所述数据搜索系统的每个搜索结果页面中的条目位置的最大数目。
9.如权利要求8所述的方法,其特征在于,对于第一个条目位置ρ1,所述概率模型被如下计算:
其中,表示标准正态分布的累积分布函数。
10.如权利要求8所述的方法,其特征在于,对于条目位置ρΦ+1,所述概率模型被如下计算:
其中,表示标准正态分布的累积分布函数。
11.如权利要求6所述的方法,其特征在于,所述计算与所述参数相关联的用户反馈包括计算所述多个组的总的预期点击率。
12.如权利要求6所述的方法,其特征在于,所述与数据搜索相关联的返回值等于
其中,因子是当所述第三值为bω时在一次竞拍中点击所述参数项ω的概率。
13.如权利要求12所述的方法,其特征在于,所述使与数据搜索相关联的返回值最大化以实现对所述第一条件和所述第二条件的联合优化是通过以下式子实现的:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>max</mi>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>w</mi>
</msub>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>&omega;</mi>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>&Theta;</mi>
<mi>&omega;</mi>
</msub>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&Phi;</mi>
</msubsup>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&tau;</mi>
<mi>&phi;</mi>
</msub>
<msub>
<mi>r</mi>
<mrow>
<mi>&omega;</mi>
<mo>,</mo>
<mi>&theta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&upsi;</mi>
<mi>&omega;</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>&omega;</mi>
<mo>,</mo>
<mi>&phi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>m</mi>
</msubsup>
<msubsup>
<mi>g</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>&omega;</mi>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>&Theta;</mi>
<mi>&omega;</mi>
</msub>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>&phi;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&Phi;</mi>
</msubsup>
<msub>
<mi>p</mi>
<mi>&omega;</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&rho;</mi>
<mi>&phi;</mi>
</msub>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&tau;</mi>
<mi>&phi;</mi>
</msub>
<msub>
<mi>r</mi>
<mi>&omega;</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&theta;c</mi>
<mrow>
<mi>&omega;</mi>
<mo>,</mo>
<mi>&phi;</mi>
<mo>,</mo>
<mi>&theta;</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mi>&omega;</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>&upsi;</mi>
<mi>&omega;</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中s.t.表示条件,gi(i=1,2,...,m)和bω分别表示所述第一值的变量和所述第三值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110416422.3A CN103136311B (zh) | 2011-12-05 | 2011-12-05 | 付费搜索中的投标和预算分配的联合优化 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110416422.3A CN103136311B (zh) | 2011-12-05 | 2011-12-05 | 付费搜索中的投标和预算分配的联合优化 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103136311A CN103136311A (zh) | 2013-06-05 |
CN103136311B true CN103136311B (zh) | 2017-12-19 |
Family
ID=48496142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110416422.3A Active CN103136311B (zh) | 2011-12-05 | 2011-12-05 | 付费搜索中的投标和预算分配的联合优化 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103136311B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015184594A1 (en) * | 2014-06-04 | 2015-12-10 | Yahoo! Inc. | Method and system for advertisement coordination |
CN105630836B (zh) * | 2014-11-05 | 2018-11-16 | 阿里巴巴集团控股有限公司 | 搜索结果的排序方法和装置 |
KR20160126210A (ko) * | 2015-04-23 | 2016-11-02 | 에스케이플래닛 주식회사 | 리타게팅 광고 상품 추천 사용자 장치와 서비스 제공 장치, 그를 포함하는 광고 상품 추천 시스템, 그의 제어 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
CN108733846A (zh) * | 2018-06-14 | 2018-11-02 | 湖南数魔网络科技有限公司 | 一种互联网搜索广告竞价优化算法 |
CN108733847A (zh) * | 2018-06-14 | 2018-11-02 | 湖南数魔网络科技有限公司 | 一种互联网搜索广告关键字的推荐方法 |
CN109409593B (zh) * | 2018-10-17 | 2021-07-16 | 郑州大学 | 用于辅助医院财务预算分配决策的流程管理方法及系统 |
CN111401593A (zh) * | 2018-12-29 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 价值组合确定方法、装置、可读存储介质及电子设备 |
CN112052303A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种关键词权重确定方法、装置以及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317192A (zh) * | 2005-12-01 | 2008-12-03 | 微软公司 | 广告战役优化 |
CN101568935A (zh) * | 2006-12-12 | 2009-10-28 | 雅虎公司 | 搜索引擎营销中的出价优化 |
CN101957970A (zh) * | 2010-09-19 | 2011-01-26 | 项国飚 | 一种网络广告计费系统及其计费方法 |
CN102004979A (zh) * | 2009-09-03 | 2011-04-06 | 叶克 | 一种提供商品匹配推广服务的系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7903099B2 (en) * | 2005-06-20 | 2011-03-08 | Google Inc. | Allocating advertising space in a network of displays |
US8150734B2 (en) * | 2008-06-24 | 2012-04-03 | Microsoft Corporation | Estimating advertising prices for an incumbent content provider |
-
2011
- 2011-12-05 CN CN201110416422.3A patent/CN103136311B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101317192A (zh) * | 2005-12-01 | 2008-12-03 | 微软公司 | 广告战役优化 |
CN101568935A (zh) * | 2006-12-12 | 2009-10-28 | 雅虎公司 | 搜索引擎营销中的出价优化 |
CN102004979A (zh) * | 2009-09-03 | 2011-04-06 | 叶克 | 一种提供商品匹配推广服务的系统和方法 |
CN101957970A (zh) * | 2010-09-19 | 2011-01-26 | 项国飚 | 一种网络广告计费系统及其计费方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103136311A (zh) | 2013-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103136311B (zh) | 付费搜索中的投标和预算分配的联合优化 | |
US11216833B2 (en) | Systems and methods for ontology ranking display | |
US8533043B2 (en) | Clickable terms for contextual advertising | |
US8856028B2 (en) | Inventory allocation for advertising with changeable supply landscape | |
Chan et al. | Consumer search activities and the value of ad positions in sponsored search advertising | |
Erdmann et al. | Search engine optimization: The long-term strategy of keyword choice | |
US20170262899A1 (en) | Computing Mathematically-Optimized Properties for Paid Search | |
US8311886B2 (en) | System for display advertising optimization with uncertain supply | |
CN103034718B (zh) | 一种目标数据排序方法及装置 | |
US20120123863A1 (en) | Keyword publication for use in online advertising | |
US20140278916A1 (en) | Building Product-Based Advertising Campaigns | |
US20060095336A1 (en) | Systems and methods for determining bid value for content items to be placed on a rendered page | |
US20100161605A1 (en) | Context transfer in search advertising | |
US20110196733A1 (en) | Optimizing Advertisement Selection in Contextual Advertising Systems | |
US9031863B2 (en) | Contextual advertising with user features | |
US20110213659A1 (en) | System and Method for Automatic Matching of Contracts in an Inverted Index to Impression Opportunities Using Complex Predicates and Confidence Threshold Values | |
US20120084141A1 (en) | System and Method to Predict the Performance of Keywords for Advertising Campaigns Managed on the Internet | |
CN103377250A (zh) | 基于邻域的top-k推荐方法 | |
US20100070373A1 (en) | Auction System | |
WO2014105622A2 (en) | Selecting an advertisement for a traffic source | |
US20110166942A1 (en) | Contract auctions for sponsored search | |
US8311884B2 (en) | System for allocating advertising inventory in a unified marketplace | |
US20130246167A1 (en) | Cost-Per-Action Model Based on Advertiser-Reported Actions | |
US20130159092A1 (en) | System and method for efficient ranking in online advertising by shaping relevance scores | |
CN109598588A (zh) | 一种基于大数据分析的在线商品展示方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
ASS | Succession or assignment of patent right |
Owner name: MICROSOFT TECHNOLOGY LICENSING LLC Free format text: FORMER OWNER: MICROSOFT CORP. Effective date: 20150729 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20150729 Address after: Washington State Applicant after: Micro soft technique license Co., Ltd Address before: Washington State Applicant before: Microsoft Corp. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |