CN103150661B - 预测广告客户关键词性能指示值 - Google Patents
预测广告客户关键词性能指示值 Download PDFInfo
- Publication number
- CN103150661B CN103150661B CN201210577860.2A CN201210577860A CN103150661B CN 103150661 B CN103150661 B CN 103150661B CN 201210577860 A CN201210577860 A CN 201210577860A CN 103150661 B CN103150661 B CN 103150661B
- Authority
- CN
- China
- Prior art keywords
- advertiser
- keyword
- attributes
- performance indicator
- advertisers
- 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
Images
Classifications
-
- 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
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
提供了用于基于广告客户彼此的接近性来预测广告客户关键词性能指示值的方法、系统和计算机可读存储媒体。从之前没有对该关键词进行过出价的第一广告客户接收关键词。识别与第一广告客户相似并且之前对该关键词进行过出价的另一广告客户,并且基于针对另一个广告客户的、该关键词的已建立的性能指示值针对第一广告客户计算对于该关键词的预测的性能指示值。以这种方式,与并不考虑广告客户相似性的传统方法相比,能够更为准确地计算针对想要对某关键词进行出价的某广告客户的性能预测,所述关键词对于所述广告客户而言是全新的。
Description
背景技术
广告客户经常使用关键词广告发布来向消费者推广其商品和服务。关键词广告发布使用具体的词和短语来为消费者设定目标。例如,如果消费者搜索特定关键词,则被设定目标的广告发布条幅将基于被搜索的关键词而得以显示。广告客户试图通过被设计来吸引消费者的图像或消息来使得其商品或服务的消费有所增加。例如,在线广告发布可以通过服务器、在搜索引擎结果页面上、经条幅广告和/或以文本广告进行传递。广告客户对关键词或短语进行出价,从而他们的广告将在所述关键词或短语被使用时向消费者进行显示。广告客户还对关键词在广告发布市场中的成功率进行追踪。例如,曝光(impression)是指广告被显示的次数。广告每次被显示都被算作为一次曝光。对关键词如何执行进行追踪对于广告客户是非常重要的,因为这是一种对Web广告发布进行解释和支付的关键方式。
发明内容
本发明内容被提供来以简化的形式介绍概念的选择,这些概念下面在具体实施方式被进一步描述。本发明内容既不旨在识别所要求保护主题的关键特征或必要特征,也不旨在被孤立地使用来帮助确定所要求保护的主题的范围。
本发明的实施例涉及基于广告客户彼此的接近性来预测广告客户关键词性能指示值。关键词被从之前没有对该关键词进行过出价的第一广告客户进行接收。识别与第一广告客户相似并且之前对该关键词进行过出价的另一广告客户,并且基于针对另一个广告客户的、对于该关键词的已建立的性能指示值针对第一广告客户计算对于该关键词的预测的性能指示值。替换地,多个其它广告客户基于第一广告客户和所述多个其它广告客户中的每一个之间的相似性的距离被识别。在这样的情况下,针对第一广告客户的、对于该关键词的预测的性能指示值可以基于针对所述多个其它广告客户中的每一个的、该关键词的已建立的性能指示值来计算。例如,针对第一广告客户的、对于该关键词的预测的性能指示值可以被计算为针对所述多个其它广告客户中的每一个的、对于该关键词的已建立的性能指示值的平均。以这种方式,与并不考虑广告客户相似性的传统方法相比,能够更为准确地计算针对想要对某关键词进行出价的某广告客户的性能预测,所述关键词对于所述广告客户而言是全新的。
附图说明
以下参考附图对本发明的实施例进行描述,其中:
图1是适合于在实施本发明的实施例中使用的示范性计算环境的方块图;
图2是适合于在实施本发明的实施例中使用的示范性计算系统架构的方块图;
图3是示出根据本发明的实施例的、广告客户属性的数据集以及与该数据集中的广告客户相关联的相对应的值的示意图;
图4是示出根据本发明的实施例的、用于预测广告客户关键词性能指示值的方法的流程图;
图5是示出用于使用多个其它广告客户来预测广告客户关键词性能指示值的方法的流程图;和
图6是示出用于使用广告客户属性的数据集来预测广告客户关键词性能指示值的方法的流程图。
具体实施方式
这里对本发明的实施例的主题进行具体描述以满足法定要求。然而,该描述本身并不旨在限制本专利的范围。相反,发明人已经设想到所要求保护的主题还可能结合其它当前或未来的技术而以其它方式来体现,以包括不同的步骤或与在本文档中所描述的步骤相似的步骤的组合。而且,尽管术语“步骤”和/或“方块”可以在这里被使用来暗示所利用的方法的不同的单元,但是所述术语不应该被解释为这里所公开的各种步骤之中或之间隐含任何特定的次序,除非和除了明确地描述了个别步骤的次序时。
本发明的实施例涉及尤其用于基于广告客户彼此的接近性来预测广告客户关键词性能指示值的系统、方法和计算机可读存储媒体。广告客户关键词性能指示可以包括各种各样的不同的性能指示,包括但不限于曝光、点击量、每次点击成本和转换。关键词从之前没有对该关键词进行过出价的第一广告客户被接收。识别与该第一广告客户相似并且之前对该关键词进行过出价的另一广告客户,并且基于针对另一个广告客户的、该关键词的已建立的性能指示值来针对第一广告客户计算对于该关键词的预测的性能指示值。替换地,多个其它广告客户基于第一广告客户和所述多个其它广告客户中的每一个之间的相似性的距离被识别。在这样的情况下,针对第一广告客户的、对于该关键词的预测的性能指示值可以基于针对所述多个其它广告客户中的每一个的、该关键词的已建立的性能指示值被计算。例如,针对第一广告客户的、对于该关键词的预测的性能指示值可以被计算为针对所述多个其它广告客户中的每一个的、对于该关键词的已建立的性能指示值的平均。以这种方式,与并不考虑广告客户相似性的传统方法相比,能够更为准确地计算针对想要对某关键词进行出价的某广告客户的性能预测,所述关键词对于所述广告客户而言是全新的。
因此,在一个实施例中,本发明针对存储计算机可用指令的一个或多个计算机可读存储媒体,当所述计算机可用指令被一个或多个计算设备使用时,使得所述一个或多个计算设备执行用于预测广告客户关键词性能指示值的方法。该方法包括从第一广告客户接收关键词,其中第一广告客户之前没有对该关键词进行过出价。该方法进一步包括识别与第一广告客户相似的至少一个其它广告客户。所述至少一个其它广告客户之前已经对该关键词进行过出价。该方法还包括基于针对所述至少一个其它广告客户的、该关键词的至少一个已建立的性能指示值来针对第一广告客户计算对于该关键词的至少一个预测的性能指示值。
在另一个实施例中,本发明针对存储计算机可用指令的一个或多个计算机可读存储媒体,当所述计算机可用指令被一个或多个计算设备使用时,使得所述一个或多个计算设备执行用于使用多个其它广告客户来预测广告客户关键词性能指示值的方法。该方法包括从第一广告客户接收关键词,其中该第一广告客户之前没有对该关键词进行过出价。该方法进一步包括基于第一广告客户和多个广告客户中的每一个之间的相似性的距离来识别还没有对该关键词进行过出价的所述多个其它广告客户的子集。该方法还包括基于针对所述多个其它广告客户的子集的、该关键词的至少一个已建立的性能指示值来针对第一广告客户计算对于该关键词的至少一个预测的性能指示值。
在又另一个实施例中,本发明针对一种用于使用广告客户属性的数据集来预测广告客户关键词性能指示值的方法,该方法由一个或多个包括至少一个处理器的计算设备来执行。该方法包括从第一广告客户接收关键词,其中该第一广告客户之前没有对该关键词进行过出价并且该关键词来自流行关键词列表。该方法进一步包括生成针对第一广告客户以及之前还没有对该关键词进行过出价的多个其它广告客户的广告客户属性的数据集,其中生成广告客户属性的数据集的过程包括:接收多个属性作为该数据集中的变量;并且用来自拍卖数据存储的值填充广告客户属性的数据集。该方法进一步包括基于第一广告客户和所述多个其它广告客户中的每一个之间的相似性的距离来识别所述多个其它广告客户的子集,其中相似性的距离是一个或多个属性在它们与第一广告客户相关时的值与所述一个或多个属性在它们与所述多个其它广告客户中的每一个相关时的值之间的Euclidean(欧几里德)距离。该方法还包括基于针对所述多个其它广告客户的子集中的多个其它广告客户中的每一个的、该关键词的至少一个已建立的性能指示值的平均来针对第一广告客户计算对于该关键词的至少一个预测的性能指示值。
以下对适合于在实施本发明的实施例中使用的示范性计算环境进行描述以便提供针对本发明各个方面的一般上下文。参考图1,这样的示范性计算环境被示出并且大体上被指定为计算设备100。计算设备100仅是合适的计算环境的一个例子而并非旨在对本发明的实施例的使用或功能性的范围提出任何限制。计算设备100也不应当被解释为具有与所图示的组件中的任何一个或组合有关的任何依赖或要求。
本发明的实施例可以在计算机代码或机器可用指令的一般上下文中进行描述,所述计算机代码或机器可读指令包括由计算机或其它机器(诸如个人数字助理或其它手持设备)执行的诸如程序模块这样的计算机可执行的指令。通常,包括例行程序、程序、对象、组件、数据结构等等的程序模块是指执行特定任务或实施特定抽象数据类型的代码。本发明的实施例可以在各种各样的系统配置中实践,所述系统配置包括手持设备、消费电子、通用计算机、更专用的计算设备等。本发明的实施例还可以在分布式计算环境中实践,其中任务由通过通信网络进行链接的远程处理设备来执行。
继续参考图1,计算设备100包括总线110,其直接或间接地耦合以下设备:存储器112、一个或多个处理器114、一个或多个呈现组件116、一个或多个输入/输出(I/O)端口118、I/O组件120以及说明性的电源122。总线110表示可能是一条或多条总线的事物(诸如地址总线、数据总线或者其组合)。虽然图1的各个方块出于清楚起见用线条示出,但是实际上,描绘各个组件并非那么清楚,并且作为比喻,线条更准确地将是灰色且模糊的。例如,一个人可以将诸如显示设备这样的呈现组件认为是I/O组件。另外,许多处理器具有存储器。本发明的发明人认识到这是本领域的性质,并且重申图1的图仅是对能够结合本发明的一个或多个实施例使用的示范性计算设备的说明。在如“工作站”、“服务器”、“膝上电脑”、“手持设备”等这样的类别之间并不做区分,因为所有这些都被设想在图1的范围之内并且称为“计算机”或“计算设备”。
计算设备100典型地包括各种各样的计算机存储媒体。作为例子而非限制,计算机可读媒体可以包括随机存取存储器(RAM);只读存储器(ROM);电可擦除可编程只读存储器(EEPROM);闪存或其它存储器技术;高密度盘只读存储器(CDROM)、数字多功能盘(DVD)或者其它光学或全息媒体;磁盒、磁带、磁盘存储装置或其它磁存储设备;或者可以被用来对所期望信息进行编码并且可以由计算设备100访问的任意其它介质。
存储器112包括易失性和/或非易失性存储器形式的计算机存储媒体。存储器112可以是可移除的、不可移除的或者其组合。示范性存储器包括固态存储器、硬盘驱动器、光盘驱动器等。计算设备100包括从诸如总线110、存储器112或I/O组件120之类的各种实体读取数据的一个或多个处理器114。(多个)呈现组件116向用户或其它设备呈现数据指示。示范性呈现组件116包括显示设备、扬声器、打印组件、振动组件等。I/O端口118允许计算设备100被逻辑地耦合到包括I/O组件120的其它设备,它们中的一些可以是内置的。说明性的I/O组件120包括麦克风、操纵杆、游戏手柄、碟形卫星天线、扫描仪、打印机、无线设备等。
这里所描述的主题的各方面可以在由移动设备执行的诸如程序模块这样的计算机可执行指令的一般上下文中进行描述。通常,程序模块包括执行特定任务或者实施特定抽象数据类型的例行程序、程序、对象、组件、数据结构等。这里所描述的主题的各方面还可以在分布式计算环境中实践,其中任务由通过通信网络进行链接的远程处理设备来执行。在分布式计算环境中,程序模块可以位于包括存储器存储设备的本地和远程计算机存储媒体中。
此外,虽然在这里经常使用术语“服务器”,但是将认识到的是,该术语还可以包含搜索引擎、分布在一个或多个计算机上的一个或多个过程的集合、一个或多个独立存储设备、一个或多个其它计算或存储设备的集合、上述中的一个或多个的组合等等。
现在转向图2,图示了适合于基于广告客户彼此的接近性来预测广告客户关键词性能指示值的示范性计算系统架构200的方块图。本领域的普通技术人员应当理解和明白,图2中所示的计算系统架构200仅是一个合适的计算系统的例子而并不旨在对本发明的实施例的使用或功能性的范围提出任何限制。计算系统架构200也不应当被解释为具有与这里所图示的任何单个组件/模块或组件/模块的组合有关的任何依赖或要求。
计算系统环境200大体上包括广告客户计算设备210、预测引擎212和数据存储214,它们全部经由网络216彼此进行通信。网络216可以包括但并不限于一个或多个局域网(LAN)和/或广域网(WAN)。这样的联网环境在办公室、企业范围的计算机网络、内联网和互联网中是常见的。因此,在这里并不对网络216进行进一步描述。
所图示的组件/模块中的一个或多个可以被实施为独立的应用。所图示的组件/模块中的一个或多个例如可以被直接集成到广告客户计算设备120或预测引擎212的操作系统中。图2中所示的组件/模块在性质和数量上是示范性的而并不应当被理解为是限制的。可以利用任意数量的组件/模块来实现本发明的范围内的所期望的功能性。此外,组件/模块可以位于任意数量的服务器上。仅作为例子,预测引擎212可能位于服务器、服务器集群或者远离其余组件中的一个或多个的计算设备上。
应当理解,这里所描述的这一和其它布置仅是作为例子而被阐述。其它的布置和单元(例如,机器、接口、功能、次序以及功能的分组等)可以附加于或者代替所示出的那些而被使用,并且一些单元可以被完全省略。此外,这里所描述的单元中的许多是是功能实体,其可以被实施为分立的组件或分布式组件或者结合其它组件/模块被实施,以及在任何合适的组合和位置中被实施。这里被描述为由一个或多个实体所执行的各种功能可以通过硬件、固件和/或软件来执行。例如,可以由执行存储器中所存储的指令的处理器来执行各种功能。
广告客户计算设备210可以包括任意类型的计算设备,例如,诸如参考图1描述的计算设备100。仅作为例子而非限制,广告客户计算设备210可以是个人计算机、台式计算机、膝上计算机、手持设备、移动手机、消费电子设备等。然而,应当指出,这里所描述的系统和方法并不限于在这样的计算设备上实施,而是可以在本发明范围之内的各种各样的不同类型的计算设备中的任意设备上实施。
广告客户计算设备210被配置成提交针对要与广告客户的关键词营销努力一起被利用的各种关键词的出价。广告客户计算设备210进一步被配置成提交针对所预测的关键词性能指示值的请求以便帮助确定适当的价值从而对关键词进行出价,如在下面更充分地描述的。
数据存储214被配置存储与广告客户网络相关的信息。广告发布网络将广告客户连接至广告空间。例如,平面广告、电视广告或互联网广告。在这方面,拍卖数据存储220可以包括广告发布网络数据,其包括互联网广告发布数据。与数据存储214相关联地存储的针对广告客户的信息可以被使用来导出属性并且将其填充在广告客户属性的数据集中。而且,与数据存储214相关联地存储的信息可以包括相关的广告客户数据。相关的广告客户数据包括与广告客户相关联的广告客户数据,包括网站URL、联系信息、产品和服务。这样的信息的内容和数量并不旨在以任何方式对本发明的实施例的范围进行限制。此外,虽然被图示为单个独立的组件,但是数据存储214实际可以是多个存储设备,例如数据库集群,它们的一部分可以与示范性架构环境中的其它组件中的任意组件一起存在。
预测引擎212被配置成基于广告客户彼此的接近性来预测广告客户关键词性能指示值。如所示出的,预测引擎212包括关键词接收组件218、数据集组件220、相似性评估组件222和性能指示组件224。在其它实施例中,组件218、220、222和224中的一个或多个可以被直接集成到诸如广告客户计算设备210或另一个外部计算设备(未示出)之类的计算设备的操作系统中。替换地,计算系统架构200可以存在于包括经由一个或多个网络彼此耦合的多个计算设备(例如,服务器和客户端)的分布式计算环境中。这样的网络可以包括但不限于一个或多个局域网(LAN)和/或一个或多个广域网(WAN)。这样的网络环境在办公室、企业范围计算机网络、内联网和互联网中是常见的。因此,这里不对网络或网络的组合进行进一步描述。
关键词接收组件218被配置成从第一广告客户接收关键词,其中该第一广告客户之前没有对该关键词进行过出价。关键词接收组件218所接收的关键词可以包括能够被广告客户用来向消费者触发定向的广告发布的词、短语或其任意组合。例如,关键词短语“Soccer Cleats(足球防滑鞋)”可以基于消费者的搜索查询而触发NIKE广告。在一个实施例中,关键词可以基于广告发布的关键词的流行列表。流行关键词列表可以包括已知能生成针对广告客户的广告发布业务量的词、短语或其组合。流行关键词还可以包括由第一广告客户的竞争对手所使用的词、短语或其组合。
如之前所提到的,第一广告客户是之前还没有对该关键词进行过出价的广告客户。广告客户通常对与他们的目标市场相关的关键词进行出价。在基于出价的模型中,广告客户可以签署允许其在由广告发布网络所主持的私人拍卖中与其它广告客户展开竞争的合同。在一个实施例中,第一广告客户之前没有对所接收的关键词进行过出价,而至少一个其它广告客户之前已经对所接收的关键词进行了出价。对关键词进行出价以及基于出价的模型对于本领域的普通技术人员而言是已知的,并且因此在这里不进行进一步描述。
数据集组件220被配置成针对第一广告客户和多个其它广告客户生成广告客户属性的数据集。数据集组件220在所述数据集中接收针对所述广告客户的属性。数据集组件220还被配置成用值填充广告客户的所述数据集。在实施例中,一个或多个属性当它们与广告客户相关时的值从拍卖数据存储(例如,数据存储214)中被检索。
另外,广告客户属性的数据集可以是具有与各种属性相关联的值的广告客户的表格式的表示或其它格式形式的表示。作为例子,如图3所示,数据集可以包括作为第一广告客户的NIKE,其具有针对属性质量得分的值。通常,属性可以包括对所述广告客户进行描述的信息,其可以被用来预测性能指示值。属性可以从在广告发布网络的拍卖数据存储(例如,数据存储214)中与广告客户相关联地存储的信息导出。在这方面,属性可以包括但不限于类别、质量得分、每次点击支付、出价、广告客户垂直(vertical)、地理位置、设定日子目标(day-targeting)、日子划分(day-parting)和共同关键词(keywords in common)。这些属性中的一些可以是平均值,其表示或近似于属性的算术均值。
如图3所示,在实施例中,属性可以被分为附加类别,所述附加类别可以包括广告客户属性310和目标设定属性320。仅作为例子,广告客户属性310可以包括类别、质量得分、每次点击支付和出价,而仅作为例子,目标设定属性可以包括日子划分、时间划分和地理位置。在解释了生成广告客户属性的数据集的组件之后将对示出根据本发明的实施例的、广告客户属性的数据集300以及该数据集中与广告客户相关联的值的图3更为详细地进行描述。
返回图2,在一个实施例中,广告客户属性的数据集存储在散列表中。散列利用散列函数将属性映射到其相关联的值。该散列表允许对数据集中的条目进行有效处理并且还可以被用来在本发明的实施例中提供附加的功能性。
相似性评估组件222被配置成做许多事情。例如,相似性评估组件222被配置成识别与第一广告客户相似并且之前对关键词进行过出价的至少一个其它广告客户。通过使用关键词“Soccer Cleats”和第一广告客户NIKE,相似性评估组件222可以识别ADIDAS为之前对关键词“Soccer Cleats”进行过出价的相似的广告客户。在实施例中,识别另一个广告客户可以通过计算一个或多个属性在它们与第一广告客户相关时的值与一个或多个属性在它们与之前对该关键词进行过出价的至少一个其它广告客户相关时的值之间的Euclidean距离来完成。Euclidean距离衡量两点之间的距离。在与两个广告客户相关时的给定属性值之间的距离越小,广告客户基于该属性就越相似。在这方面,Euclidean距离可以是一个属性在其与第一广告客户相关时的值和同一属性在其与至少一个其它广告客户相关时的值之间的距离。例如,如所示出的,NIKE是具有质量得分310的第一广告客户,而ADIDAS和PUMA是分别具有质量得分300和320的其它广告客户。对特征质量得分进行计算,NIKE和ADIDAS之间的Euclidean距离为10,而NIKE和PUMA之间的Euclidean距离为20。因此,Euclidean距离可以被用来识别出相似的广告客户,在这种情况下是ADIDAS。
在另一个实施例中,可以基于通过使用“属性矢量(attribute vector)”计算的Euclidean距离来识别相似的广告客户。属性矢量表示广告客户属性的数据集中的一个或多个属性的大小。Euclidean距离衡量两个属性矢量之间的距离。利用Manhattan距离等式来计算第一广告客户和至少一个其它广告客户的两个属性矢量之间的距离以便计算二者之间的Euclidean距离。Manhattan距离等式如下所示:
距离= ∑属性| 矢量 第一广告客户 – 矢量 其它广告客户|。
在又另一个实施例中,如果属性包括连续变量,则连续变量可以通过被称作分箱(binning)的过程而被转换为类别变量。类别变量表示能够被分为群组的数据。例如,地理位置可以为50个州中的任意州(例如,针对马里兰州的MD)。连续变量可以采用值范围。例如,属性出价可以具有1至200的值范围。然而,通过分箱,该连续变量可以被转换为各为10个值(1-10,11-20,21-30等)的十个类别变量。在这方面,仅作为例子,类别变量可以包括设定日子目标、日子划分和地理位置,而仅作为例子,连续变量可以包括质量得分、每次点击支付以及出价。另外,相似性评估组件222进一步被配置成比较两个广告客户之间的共同关键词。共同关键词属性是指第一广告客户与另一个广告客户共同具有的、已经进行过出价的关键词的数量。第一广告客户与至少一个其它广告客户已经进行过出价的关键词之间的相似性可以使用Jaccard相似性系数来表示。Jaccard相似性系数衡量第一广告客户和另一广告客户的关键词集合并且计算关键词集合的交集的大小除以并集的大小以找出针对共同关键词属性的值。Jaccard相似性系数等式如下所示:
在其它实施例中,相似性评估组件222还被配置成识别多个其它广告客户的子集。所述多个其它广告客户的子集可以基于第一广告客户和所述多个其它广告客户中的每一个之间的相似性的距离被识别。例如,如以上所解释的,Euclidean距离衡量两点之间的距离。两个广告客户的属性值之间的距离越小,广告客户基于该属性就越相似。在这方面,如图3所示,在NIKE是第一广告客户的情况下,基于质量得分属性的值的接近性的两个其它广告客户的子集将包括距离为10的ADIDAS和距离为20的PUMA,并且排除了接近性值分别为100和490的DICKS’S SPORTING GOODS和SOCCER.COM。在其它实施例中,相似性的距离可以介于一个或多个属性在它们与第一广告客户相关时的值与所述一个或多个属性在它们与所述子集中的多个其它广告客户中的每一个相关时的值之间。因此,可以基于广告客户的一个以上的值(例如,属性矢量)来计算距离。
性能指示组件224被配置成针对第一广告客户计算预测的性能指示值。在广告客户属性的数据集中,之前已经对关键词进行过出价的至少一个其它广告客户可以具有针对关键词的已建立的性能指示。该性能指示值可以基于针对至少一个其它广告客户的、对于该关键词的已建立的性能指示。在一个实施例中,所述至少一个预测的性能指示值基于多个其它广告客户的子集中的多个其它广告客户中的每一个的至少一个已建立的性能指示值的平均。已建立的性能指示的平均值表示或近似于所述子集中的多个其它广告客户的已建立的性能指示值的算术均值。例如,如图3所示,基于ADIDAS和PUMA的子集计算针对NIKE的曝光的关键词性能指示将是(100+180)/2 = 140。其中100和180分别表示针对ADIDAS和PUMA的曝光的已建立的性能指示值,而140则表示针对NIKE的曝光的预测的性能指示值。
在性能指示组件224中,广告客户关键词性能指示值可以从拍卖数据存储(例如,数据存储214)中与广告客户相关联地存储的信息导出。通常,广告客户关键词性能指示可以是指广告客户或广告发布网络用来衡量特定关键词在广告发布中的效率的任意量度。在这方面,广告客户关键词性能指示可以包括但不限于曝光、点击量、每次点击成本和转换率。曝光可以是广告被显示的次数的度量。广告每次被显示其就被算作为一次曝光。点击量可以是指点进率,其衡量广告上的点击的数量除以该广告被示出(曝光)的次数。例如,如果关键词触发条幅显示100次(100次曝光)并且接收到五次点击,则点进率为0.05。每次点击成本衡量广告客户在广告被点击时要支付多少费用。转换率衡量基于观看广告呈现而采取动作的访问者的比率。例如,如果消费者在将该消费者引导向广告客户的网站而不是导航离开广告该客户的网站的广告上进行点击,用户进行购买、提交表单或者执行广告希望的动作,则该交互可以被算作为点进或转换。以上所定义的术语在互联网广告发布模型中是已知的并且对于本领域普通技术人员也是已知的,不再进一步进行描述。
图3示出了根据本发明的实施例的、广告客户属性的数据集300以及与该数据集中的属性相关联的值。本发明的实施例并不限于广告客户属性的数据集300中所示出的属性。可以包括附加的信息以帮助预测广告客户关键词性能指示值。
如图3所示,在实施例中,属性可以被分为附加的类别,其可包括广告客户属性310和目标设定属性320。所图示的广告客户属性包括:类别332、质量得分334、每次点击支付或成本336、和出价338,并且所图示的目标设定属性包括:日子划分340、时间划分342和地理位置344。广告客户属性330示出了之前可能已经对关键词进行过出价或还没有进行过出价的广告客户的列表。类别属性332可以是指广告客户所提供的商品和服务的类型。类别属性332还可以由广告客户所提供的商品或服务的类型的组合所构成。质量得分属性334可以是由广告发布网络用来确定广告被列出的次序的值。每次点击支付属性336可以是当广告客户的广告被点击时其向发布方支付的钱数。出价属性338可以是广告客户按合同对关键词支付的钱数,从而广告将在该关键词被使用时得以被显示给消费者。这些属性中的一些可以是平均值,其表示或近似于属性值的算术均值。广告客户垂直可以是广告客户或广告客户的网络将广告客户的广告聚焦于其中的具体产业。例如,NIKE垂直可以是运动鞋。
通常,目标设定属性可以确定目标变量并且基于针对消费者的特定目标变量提供广告发布。如所图示的,目标设定变量包括:设定日子目标340,其可以是指对其进行目标设定的一周中的一日;日子划分342,其可以是指对其进行目标设定的一日中的小时;以及地理位置344,其可以是指对其进行目标设定的州或其它地理位置类别(例如,国家、地区、城市、都市、邮政编码、组织、IP地址)。广告客户属性和目标设定属性在互联网广告发布模型中是已知的并且对于本领域的普通技术人员也是已知的,因此不再进一步进行描述。
现在转向图4,图示了示出根据本发明的实施例的、用于预测广告客户关键词性能指示的方法400的流程图。如步骤410所示,从第一广告客户接收关键词。第一广告客户之前没有对该关键词进行过出价。关键词可以由关键词接收组件(例如,图2的预测引擎212的关键词接收组件218)接收。关键词可以包括广告客户用来向消费者触发广告发布的词、短语或者其组合。例如,关键词“Soccer Cleats”可以基于消费者的搜索查询而触发NIKE广告。
如步骤412所示,识别与第一广告客户相似并且之前对该关键词进行过出价的至少一个其它广告客户。所述至少一个其它广告客户可由相似性评估组件(例如,图2的预测引擎212的相似性评估组件222)所识别。通过使用关键词“Soccer Cleats”和第一广告客户NIKE,相似性评估组件222可以将ADIDAS识别为之前对关键词“Soccer Cleats”进行过出价的相似广告客户。在实施例中,识别至少一个其它广告客户可以通过计算一个或多个属性在它们与第一广告客户相关时的值与所述一个或多个属性在它们与之前对关键词进行过出价的至少一个其它广告客户相关时的值之间的Euclidean距离来完成。
在另一个实施例中,所述一个或多个属性在它们与第一广告客户以及至少一个其它广告客户相关时的值从拍卖数据存储(例如,数据存储214)检索。通常,属性可以包括描述广告客户的信息,其可以被用来预测性能指示值。属性可以从拍卖数据存储(例如,数据存储214)中与广告客户相关联地存储的信息中导出。在这方面,属性可以包括但不限于类别、质量得分、每次点击支付、出价、广告客户垂直、地理位置、设定日子目标、日子划分和共同关键词。这些属性中的一些可以是表示或近似于属性的算术均值的平均值。
如步骤414所示,基于针对至少一个其它广告客户的、所述关键词的至少一个已建立的性能指示值来计算针对第一广告客户的、对于该关键词的至少一个预测的性能值。所述至少一个预测的性能值可以由性能指示组件(例如,图2的预测引擎212的性能指示组件224)来预测。所述至少一个其它广告客户可以具有针对该关键词的已建立的性能指示值。广告客户关键词性能指示值可以从拍卖数据存储(例如,数据存储214)中与广告客户相关联地存储的信息中导出。通常,广告客户关键词性能指示可以是指广告客户或广告发布网络用来衡量特定关键词在广告发布中的效率的任意量度。在这方面,广告客户关键词性能指示可以包括但不限于曝光、点击量、每次点击成本和转换。
现在转向图5,图示了示出用于使用多个其它广告客户来预测广告客户关键词性能指示值的方法500的流程图。如步骤510所示,从第一广告客户接收关键词,其中第一广告客户之前没有对该关键词进行过出价。如步骤512所示,之前已经对该关键词进行过出价的多个其它广告客户的子集基于第一广告客户和该子集中的多个其它广告客户中的每一个之间的相似性的距离被识别。多个其它广告客户的子集可以由相似性评估组件(例如,图2的预测引擎212的相似性评估组件222)生成。多个其它广告客户的子集可以基于第一广告客户和所述多个其它广告客户的子集中的多个其它广告客户中的每一个之间的相似性的距离来识别。例如,如以上所解释的,Euclidean距离衡量两点之间的距离。两个广告客户的属性值之间的距离越小,广告客户基于该属性就越相似。在这方面,如图3所示,对于作为第一广告客户的NIKE而言,基于质量得分属性的值的接近性的两个其它广告客户的子集将包括距离为10的ADIDAS和距离为20的PUMA,并且排除了接近性值分别为100和490的DICKS’SSPORTING GOODS和SOCCER.COM。在其它实施例中,相似性的距离可以介于一个或多个属性在它们与第一广告客户相关时的值与所述一个或多个属性在它们与所述子集中多个其它广告客户中的每一个相关时的值之间。因此,该距离可以基于广告客户的一个以上的值(例如,属性矢量)来计算。
如步骤514所示,基于针对多个其它广告客户的子集中的多个其它广告客户的、所述关键词的至少一个已建立的性能指示值来计算针对第一广告客户的、对于所述关键词的至少一个预测的性能指示值。在实施例中,计算针对第一广告客户的、对于所述关键词的至少一个预测的性能指示值包括计算针对多个其它广告客户的子集中的多个其它广告客户中的每一个的至少一个已建立的性能指示值的平均。已建立的性能指示的平均值表示或近似于所述多个其它广告客户的子集中的多个其它广告客户中的每一个的已建立的性能指示值的算术均值。例如,如图3所示,基于ADIDAS和PUMA的子集计算针对NIKE的曝光的关键词性能指示将是(100+180)/2 = 140。其中100和180分别表示针对ADIDAS和PUMA的曝光的已建立的性能指示值,而140则表示针对NIKE的曝光的预测的性能指示值。
现在转向图6,示出了根据本发明实施例的、用于使用广告客户属性的数据集来预测广告客户关键词性能指示值的方法600。如步骤610所示,从第一广告客户接收关键词,其中第一广告客户之前没有对该关键词进行过出价并且该关键词来自于流行关键词列表。如之前所解释的,广告客户对关键词进行出价从而他们的广告将在该关键词被使用时得以被显示。流行关键词列表可以是已知能为广告客户生成大量广告发布业务量的词、短语或其组合。流行关键词还可以是第一广告客户的竞争对手所使用的词、短语或其组合。
如步骤612所示,针对第一广告客户和之前对该关键词进行过出价的多个其它广告客户生成广告客户属性的数据集。广告客户属性的数据集可以由数据集组件(例如,图2的预测引擎212的数据集组件220)生成。生成该数据集包括在数据集中接收针对广告客户的属性(如方块614所示)并且用来自拍卖数据存储(例如,图2的数据存储214)的值填充广告客户属性的数据集,如方块616所示。在一个实施例中,所生成的、广告客户属性的数据集可以以散列的形式存储。散列利用散列函数将属性映射至它们的相关联的值。散列表允许对数据集中的条目进行有效处理并且还可以被用来提供本发明中的附加功能性。
如步骤618所示,基于第一广告客户和所述多个其它广告客户中的每一个之间的相似性的距离识别所述多个其它广告客户的子集。相似性的距离是一个或多个属性在它们与第一广告客户相关时的值与所述一个或多个属性在它们与所述多个其它广告客户的子集中的多个其它广告客户中的每一个相关时的值之间的Euclidean距离。
如步骤620所示,基于针对所述多个其它广告客户的子集中的多个其它广告客户中的每一个的至少一个已建立的性能指示值的平均来计算针对第一广告客户的、对于所述关键词的至少一个预测的性能指示值。已建立的性能指示的平均值表示或近似于所述子集中的多个其它广告客户的已建立的性能指示值的算术均值。
如所能够理解的,本发明的各方面提供了用于基于广告客户彼此的接近性来预测广告客户关键词性能预测值的系统和方法。已经关于特定方面对本发明进行了描述,其在所有方面都旨在是说明性而非限制性的。在不背离本发明的范围的条件下,替换的方面对于本发明所属领域的普通技术人员将变得明显。
虽然本发明易受到各种修改和替换的构造的影响,但是本发明的某些所图示的方面在图中被示出并且已经在上文中进行了详细描述。然而,应当理解的是,并非旨在将本发明限制为所公开的具体形式,而恰恰相反,本发明意在覆盖落入本发明的精神和范围之内的所有修改、替换的构造和等同物。
本领域的普通技术人员将要理解的是,图4的方法400、图5的方法500以及图6的方法600中所示出的步骤的次序并不意味着以任何方式对本发明的范围进行限制,实际上,所述步骤可以以各种各样不同的顺序来进行。任意和全部这样的变例以及其任意组合都被设想在本发明的各方面的范围之内。
Claims (14)
1.一种用于确定预测性广告客户关键词性能指示值的方法,所述方法由包括至少一个处理器的一个或多个计算设备执行,该方法包括:
使用所述至少一个处理器来从第一广告客户接收(410)关键词,其中所述第一广告客户之前没有对该关键词进行过出价;
至少基于具有与所述第一广告客户相关联的一个或多个数量化的属性的数据集,识别(412)与第一广告客户相似并且之前已经对该关键词进行过出价的至少一个其它广告客户;以及
使用所述至少一个处理器来基于针对所述至少一个其它广告客户的、该关键词的至少一个已建立的性能指示值来计算(414)针对所述第一广告客户的、对于该关键词的至少一个预测的性能指示值,其中所述至少一个预测的性能指示和所述至少一个已建立的性能指示每个都包括曝光、点击量、每次点击成本和转换中的一个或多个。
2.一种用于使用其它广告客户来确定预测性广告客户关键词性能指示值的方法,所述方法由包括至少一个处理器的一个或多个计算设备执行,该方法包括:
使用所述至少一个处理器来从第一广告客户接收(510)关键词,其中所述第一广告客户之前没有对该关键词进行过出价;
至少基于具有与所述第一广告客户相关联的一个或多个数量化的属性的数据集,识别(512)之前对该关键词进行过出价的至少一个其它广告客户,所述至少一个其它广告客户基于所述第一广告客户和所述至少一个其它广告客户之间的相似性的距离被识别;以及
使用所述至少一个处理器来基于针对所述至少一个其它广告客户的、该关键词的至少一个已建立的性能指示值来计算(514)针对所述第一广告客户的、对于该关键词的至少一个预测的性能指示值,其中所述至少一个预测的性能指示和所述至少一个已建立的性能指示每个都包括曝光、点击量、每次点击成本和转换中的一个或多个。
3.根据权利要求1或2所述的方法,其中,识别所述至少一个其它广告客户包括计算一个或多个属性在它们与第一广告客户相关时的值和所述一个或多个属性在它们与之前对该关键词进行过出价的至少一个其它广告客户相关时的值之间的Euclidean距离。
4.根据权利要求3所述的方法,其中,所述一个或多个属性在它们与所述第一广告客户和所述至少一个其它广告客户相关时的值是从拍卖数据存储检索的。
5.根据权利要求3所述的方法,其中,一个或多个属性包括共同关键词属性,并且其中共同关键词属性的值基于所述第一广告客户和所述至少一个其它广告客户之间的Jaccard相似性系数。
6.根据权利要求3所述的方法,其中质量得分、每次点击支付和出价的属性由连续变量所表示,并且其中所述一个或多个属性的连续变量中的一个或多个通过对所述连续变量进行分箱而被转换为类别变量。
7.一种用于使用广告客户属性来确定预测性广告客户关键词性能指示的方法,所述方法由包括至少一个处理器的一个或多个计算设备执行,该方法由一个或多个包括至少一个处理器的计算设备来执行,该方法包括:
使用所述至少一个处理器来从第一广告客户接收(610)关键词,其中所述第一广告客户之前没有对该关键词进行过出价并且该关键词存在于流行关键词列表上;
生成(612)针对所述第一广告客户和之前对该关键词进行过出价的多个其它广告客户的广告客户属性的数据集,其中生成广告客户属性的数据集的过程包括:
接收(614)多个属性作为该数据集中的变量;以及
用来自拍卖数据存储的值填充(616)广告客户属性的数据集;
基于所述第一广告客户和多个其它广告客户中的每一个之间的相似性的距离来识别(618)所述多个其它广告客户的子集,其中该相似性的距离是一个或多个属性在它们与所述第一广告客户相关时的值和所述一个或多个属性在它们与所述多个其它广告客户中的每一个相关时的值之间的Euclidean距离;以及
使用所述至少一个处理器来基于针对所述多个其它广告客户的子集中的多个其它广告客户中的每一个的、该关键词的至少一个已建立的性能指示值的平均来计算(620)针对所述第一广告客户的、该关键词的至少一个预测的性能指示值。
8.根据权利要求7所述的方法,其中针对所述第一广告客户和所述多个其它广告客户的广告客户属性的数据集以散列的形式进行存储。
9.根据权利要求7所述的方法,其中所述一个或多个属性包括以下中的至少一个:
(1)类别;
(2)质量得分;
(3)每次点击支付;
(4)出价;
(5)广告客户垂直;
(6)地理位置;
(7)设定日子目标;
(8)日子划分;和
(9)共同关键词。
10.根据权利要求7所述的方法,其中所述一个或多个属性包括共同关键词,并且其中共同关键词属性的值基于所述第一广告客户和所述至少一个其它广告客户中的每个之间的Jaccard相似性系数。
11.根据权利要求7所述的方法,其中所述至少一个预测的性能指示和所述至少一个已建立的性能指示均包括曝光、点击量、每次点击成本和转换之一。
12.一种用于确定预测性广告客户关键词性能指示值的设备,该设备包括:
用于使用至少一个处理器来从第一广告客户接收(410)关键词的装置,其中所述第一广告客户之前没有对该关键词进行过出价;
用于至少基于具有与所述第一广告客户相关联的一个或多个数量化的属性的数据集,识别(412)与第一广告客户相似并且之前已经对该关键词进行过出价的至少一个其它广告客户的装置;以及
用于使用所述至少一个处理器来基于针对所述至少一个其它广告客户的、该关键词的至少一个已建立的性能指示值来计算(414)针对所述第一广告客户的、对于该关键词的至少一个预测的性能指示值的装置,其中所述至少一个预测的性能指示和所述至少一个已建立的性能指示每个都包括曝光、点击量、每次点击成本和转换中的一个或多个。
13.一种用于使用其它广告客户来确定预测性广告客户关键词性能指示值的设备,该设备包括:
用于使用至少一个处理器来从第一广告客户接收(510)关键词的装置,其中所述第一广告客户之前没有对该关键词进行过出价;
用于至少基于具有与所述第一广告客户相关联的一个或多个数量化的属性的数据集,识别(512)之前对该关键词进行过出价的至少一个其它广告客户的装置,所述至少一个其它广告客户基于所述第一广告客户和所述至少一个其它广告客户之间的相似性的距离被识别;以及
用于使用所述至少一个处理器来基于针对所述至少一个其它广告客户的、该关键词的至少一个已建立的性能指示值来计算(514)针对所述第一广告客户的、对于该关键词的至少一个预测的性能指示值的装置,其中所述至少一个预测的性能指示和所述至少一个已建立的性能指示每个都包括曝光、点击量、每次点击成本和转换中的一个或多个。
14.一种用于使用广告客户属性来确定预测性广告客户关键词性能指示的设备,该设备包括:
用于使用至少一个处理器来从第一广告客户接收(610)关键词的装置,其中所述第一广告客户之前没有对该关键词进行过出价并且该关键词存在于流行关键词列表上;
用于生成(612)针对所述第一广告客户和之前对该关键词进行过出价的多个其它广告客户的广告客户属性的数据集的装置,其中生成广告客户属性的数据集的过程包括:
接收(614)多个属性作为该数据集中的变量;以及
用来自拍卖数据存储的值填充(616)广告客户属性的数据集;
用于基于所述第一广告客户和多个其它广告客户中的每一个之间的相似性的距离来识别(618)所述多个其它广告客户的子集的装置,其中该相似性的距离是一个或多个属性在它们与所述第一广告客户相关时的值和所述一个或多个属性在它们与所述多个其它广告客户中的每一个相关时的值之间的Euclidean距离;以及
用于使用至少一个处理器来基于针对所述多个其它广告客户的子集中的多个其它广告客户中的每一个的、该关键词的至少一个已建立的性能指示值的平均来计算(620)针对所述第一广告客户的、该关键词的至少一个预测的性能指示值的装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/337709 | 2011-12-27 | ||
US13/337,709 US8725566B2 (en) | 2011-12-27 | 2011-12-27 | Predicting advertiser keyword performance indicator values based on established performance indicator values |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150661A CN103150661A (zh) | 2013-06-12 |
CN103150661B true CN103150661B (zh) | 2020-08-21 |
Family
ID=48548717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210577860.2A Active CN103150661B (zh) | 2011-12-27 | 2012-12-27 | 预测广告客户关键词性能指示值 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8725566B2 (zh) |
CN (1) | CN103150661B (zh) |
WO (1) | WO2013101470A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9256688B2 (en) * | 2013-08-09 | 2016-02-09 | Google Inc. | Ranking content items using predicted performance |
US20150058119A1 (en) * | 2013-08-22 | 2015-02-26 | SocialWire, Inc. | Automated Advertisement of Products on Online Sites |
US10748178B2 (en) * | 2015-10-02 | 2020-08-18 | Adobe Inc. | Prediction of content performance in content delivery based on presentation context |
US10165064B2 (en) * | 2017-01-11 | 2018-12-25 | Google Llc | Data packet transmission optimization of data used for content item selection |
CN110110187B (zh) * | 2018-01-23 | 2021-07-16 | 优轩(北京)信息科技有限公司 | 一种搜索引擎的竞价方法,装置及系统 |
CN109377273B (zh) * | 2018-10-10 | 2020-10-30 | 上海晶赞融宣科技有限公司 | 广告投放方法、装置以及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012510685A (ja) * | 2008-12-02 | 2012-05-10 | グーグル・インコーポレーテッド | 予測パフォーマンスに基づく調整入札 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6615148B2 (en) * | 2000-05-17 | 2003-09-02 | Tektronix, Inc. | Streaming distributed test and measurement instrument |
US20020147754A1 (en) | 2001-01-31 | 2002-10-10 | Dempsey Derek M. | Vector difference measures for data classifiers |
US20050114198A1 (en) | 2003-11-24 | 2005-05-26 | Ross Koningstein | Using concepts for ad targeting |
US20050137939A1 (en) | 2003-12-19 | 2005-06-23 | Palo Alto Research Center Incorporated | Server-based keyword advertisement management |
US7840438B2 (en) * | 2005-07-29 | 2010-11-23 | Yahoo! Inc. | System and method for discounting of historical click through data for multiple versions of an advertisement |
US7548929B2 (en) * | 2005-07-29 | 2009-06-16 | Yahoo! Inc. | System and method for determining semantically related terms |
US20080103902A1 (en) | 2006-10-25 | 2008-05-01 | Microsoft Corporation | Orchestration and/or exploration of different advertising channels in a federated advertising network |
US7814086B2 (en) * | 2006-11-16 | 2010-10-12 | Yahoo! Inc. | System and method for determining semantically related terms based on sequences of search queries |
KR100910521B1 (ko) | 2007-08-14 | 2009-07-31 | 엔에이치엔비즈니스플랫폼 주식회사 | 광고 키워드 제안 방법 및 그 시스템 |
US8682839B2 (en) | 2008-06-02 | 2014-03-25 | Microsoft Corporation | Predicting keyword monetization |
KR20100035948A (ko) | 2008-09-29 | 2010-04-07 | 엔에이치엔비즈니스플랫폼 주식회사 | 입찰 시작가를 이용한 광고 제공 방법 및 시스템 |
KR101001791B1 (ko) | 2008-10-09 | 2010-12-15 | 엔에이치엔비즈니스플랫폼 주식회사 | 단위시간에 따라 광고비를 결정하는 과금 방법 및 시스템 |
US20110010239A1 (en) | 2009-07-13 | 2011-01-13 | Yahoo! Inc. | Model-based advertisement optimization |
US20110173063A1 (en) | 2010-01-11 | 2011-07-14 | Yahoo! Inc. | Advertiser value-based bid management in online advertising |
US8214348B2 (en) | 2010-02-25 | 2012-07-03 | Yahoo! Inc. | Systems and methods for finding keyword relationships using wisdoms from multiple sources |
US8612293B2 (en) * | 2010-10-19 | 2013-12-17 | Citizennet Inc. | Generation of advertising targeting information based upon affinity information obtained from an online social network |
-
2011
- 2011-12-27 US US13/337,709 patent/US8725566B2/en active Active
-
2012
- 2012-12-12 WO PCT/US2012/069319 patent/WO2013101470A1/en active Application Filing
- 2012-12-27 CN CN201210577860.2A patent/CN103150661B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012510685A (ja) * | 2008-12-02 | 2012-05-10 | グーグル・インコーポレーテッド | 予測パフォーマンスに基づく調整入札 |
Also Published As
Publication number | Publication date |
---|---|
CN103150661A (zh) | 2013-06-12 |
US8725566B2 (en) | 2014-05-13 |
WO2013101470A1 (en) | 2013-07-04 |
US20130166371A1 (en) | 2013-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7921107B2 (en) | System for generating query suggestions using a network of users and advertisers | |
US9189804B2 (en) | Systems and methods for list ranking and ads placement using interaction features | |
CN103150661B (zh) | 预测广告客户关键词性能指示值 | |
US20120059708A1 (en) | Mapping Advertiser Intents to Keywords | |
US20110258039A1 (en) | Evaluating preferences of users engaging with advertisements | |
US20140372203A1 (en) | Quality-weighted second-price auctions for advertisements | |
US8799061B1 (en) | Classifying users for ad targeting | |
US20160132935A1 (en) | Systems, methods, and apparatus for flexible extension of an audience segment | |
AU2010216162B2 (en) | Multichannel digital marketing platform | |
WO2012167209A1 (en) | Buy-side advertising factors optimization | |
US20100257022A1 (en) | Finding Similar Campaigns for Internet Advertisement Targeting | |
US20120116875A1 (en) | Providing advertisements based on user grouping | |
US8688514B1 (en) | Ad selection using image data | |
US8214348B2 (en) | Systems and methods for finding keyword relationships using wisdoms from multiple sources | |
US20130066708A1 (en) | Online advertising system and a method of operating the same | |
US10748178B2 (en) | Prediction of content performance in content delivery based on presentation context | |
US20120084142A1 (en) | Bid landscape forecasting in online advertising | |
US9558506B2 (en) | System and method for exploring new sponsored search listings of uncertain quality | |
US20140172587A1 (en) | Dynamic floor prices in second-price auctions | |
US8620925B1 (en) | System and method for identifying advertising opportunities | |
US20140257973A1 (en) | Systems and Methods for Scoring Keywords and Phrases used in Targeted Search Advertising Campaigns | |
US20090327162A1 (en) | Price estimation of overlapping keywords | |
US20150371285A1 (en) | Choosing Allocations and Prices in Position Auctions | |
US20130103467A1 (en) | Real-Time Content Evaluation and Query Building Processes and Systems | |
US20160292748A1 (en) | Systems and methods for optimizing subsidies in an online auction |
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: 20150715 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20150715 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 |