CN104809144A - 一种基于辅助关键词的个性化广告投放方法 - Google Patents

Abstract

本发明提出了一种基于辅助关键词的个性化广告投放方法。该方法为每个关键词设置一组辅助关键词，在每个关键词及其每个辅助关键词之下都设有一个广告子集。当用户提交搜索查询后在其中获取搜索关键词，然后根据用户与所述关键词的每个辅助关键词的相似度以及每个辅助关键词的估值来选取若干辅助关键词，并将其呈现在搜索结果页面的广告位上。当用户点击广告位上的某个辅助关键词时，将所述关键词和被点击辅助关键词之下的广告子集中的每个广告，按照竞价排名呈现给所述用户。本方法能够在广告位上为用户提供个性化的广告类别和特征信息，进而能够实现广告的多次拍卖，使互联网公司、广告商和用户三方获益。

Description

一种基于辅助关键词的个性化广告投放方法

技术领域

本发明涉及互联网领域，具体来说涉及一种基于辅助关键词的个性化广告投放方法。

背景技术

关键词广告是搜索引擎的主要收入来源，因此关键词广告的投放方法对于从事互联网搜索的公司来讲意义重大。

在现有技术中，关键词广告投放方法如下。首先广告主为广告选择一个关键词，并为该关键词提供一个出价。当用户提交的查询关键词与广告主选择的关键词匹配时，则所述广告参与多个广告的在线拍卖，通常采用广义二阶价格拍卖(GSP)机制进行拍卖。估值最高的广告被投放到搜索结果页面的广告位上。竞价成功后广告主按照广告出价仅次于他的那位广告主的出价进行支付。

现有技术的缺点是一旦用户对所投放的广告不感兴趣，本次的广告投放过程就结束了。例如用户查询关键词为“智能手机”时，广告位上的往往是苹果、三星和联想等主流手机厂商的几款竞价广告，如果用户对推荐的品牌或者手机型号不感兴趣，本次广告投放过程就结束了。

如果能够对用户的需求作进一步询问，比如向用户提供查询关键词的类别和特征等信息，就能够创造出向用户继续推荐竞价广告的新商机。比如在广告位上增加“新款”，“品牌”，“大屏”和“4G”等“智能手机”的类别和特征信息，就可以在为用户提供搜索指引的同时，继续向用户投放更加精准的竞价广告。多次向用户询问就可实现多次广告拍卖。互联网公司、广告主和用户都能够从多次广告拍卖中获益。互联网公司由于实现了多次广告拍卖而获得了额外收入。广告商由于用户点击了关键词的类别和特征信息而进一步确认了用户意图，因此更加愿意为广告拍卖付费。用户根据搜索引擎提供的关键词类别和特征信息，能够快速表达其搜索需求，进而获得更加相关的搜索结果。

在移动互联网环境下，由于手机屏幕小，展示广告会影响用户浏览体验。如果在手机上按照广告类别和特征展示广告，就可以在很小的范围内提供一个广告分类入口，进而解决在移动终端上的广告发布难题。另外，在现有广告投放技术中没有考虑用户的个性化特征对广告推荐的作用，导致不同的用户提交相同的搜索查询，他们看到的推荐广告也相同。如果考虑用户的个性化特征，就能够向用户推荐更加精准的个性化广告。

发明内容

鉴于上述现有技术存在的问题，本发明的目的在于提供一种基于辅助关键词的个性化广告投放方法，该方法通过一次用户搜索来实现多次广告拍卖，进而能够提高互联网公司的收益。

根据以上所述的目的，本发明提出了一种基于辅助关键词的个性化广告投放方法，其特征在于，所述方法包括在接入互联网的服务器中执行如下步骤：

步骤S1.获取并存储用户集U＝{1，2，...，M}，关键词集W＝{1，2，...，N}以及广告集A＝{1，2，...，Q}；

步骤S2.为每个关键词i∈W，设置一个辅助关键词集T_i＝{t(i，1)，t(i，2)，...，t(i，j)，...，t(i，P_i)}，其中j表示所述关键词i的辅助关键词编号，t(i，j)表示所述关键词i的第j个辅助关键词的名称，P_i表示所述关键词i的辅助关键词个数；在每个关键词i∈W及其每个辅助关键词j之下，都设有一个广告子集；

步骤S3.接收任一用户m(m∈U)提交的搜索查询q，以及在所述搜索查询q中提取关键词w(w∈W)；

步骤S4.根据所述关键词w读取辅助关键词集T_w；

步骤S5.根据所述用户m的特征向量和所述T_w中的每个辅助关键词的特征向量之间的相似度，在所述辅助关键词集T_w中选出一个子集S_w，以及将所述子集S_w中的每个辅助关键词，投放在所述查询q的搜索结果页面的广告位上；

步骤S6.接收所述用户m点击所述广告位上的一个辅助关键词t(w，j)的信号，其中所述t(w，j)∈S_w，所述j≤P_w；

步骤S7.根据所述信号确定关键词w和辅助关键词编号j，进而将广告子集A_wj中的至少一个广告投放给所述用户m；

返回步骤S3。

与现有技术相比，本方法能够在搜索结果页面上，提供个性化的搜索关键词类别和特征的链接。当搜索用户点击这些链接时，就能通过一次搜索来实现多次广告拍卖。互联网公司、广告商和用户三方都能从多次广告拍卖中获益。

附图说明

图1为用户集、网页集、关键词集、广告集和特征集的说明；

图2为辅助关键词的设置方法；

图3为用户特征向量的表示方法；

图4为网页特征向量的表示方法；

图5为关键词w的辅助关键词的特征向量表示方法；

图6为广告子集A_ij的设置方法；

图7为关键词、辅助关键词和广告子集的关系说明；

图8为一种基于辅助关键词的个性化广告投放方法；

图9为用户特征向量和辅助关键词特征向量的更新方法；

图10为用户特征向量和网页特征向量的更新方法；

图11为辅助关键词特征向量和网页特征向量的更新方法；

图12为辅助关键词的排序指标计算方法；

图13为辅助关键词的显示方法；

图14为点击辅助关键词后的返回页面；

图15为本方法在智能手机上的应用。

具体实施方式

结合附图对本发明方法作进一步详细说明。

图1为用户集、网页集、关键词集、广告集和特征集的说明。在互联网上获取多个用户标识并对它们进行编号组成用户集U＝{1，2，...，M}，其中M为用户总数。用户标识包括用户注册ID、手机号码、Cookie识别码、手机IMSI/IMEI、Andriod ID等。在互联网上获取多个网页的链接以及对每个链接进行编号组成网页集D＝{1，2，...，H}，其中H为网页总数。广告商向互联网公司购买关键词，对这些关键词进行编号组成关键词集合W＝{1，2，...，N}，其中N表示关键词的总数。对广告商投放的广告进行编号组成广告集A＝{1，2，...，Q}，其中Q为广告总数。设置L个特征，组成特征集K＝{1，2，...，L}。

图2为辅助关键词的设置方法。为每个关键词i∈W，设置一个辅助关键词集T_i＝{t(i，1)，t(i，2)，...，t(i，j)，...，t(i，P_i)}，其中j表示所述关键词i的辅助关键词的编号，t(i，j)表示所述关键词i的第j个辅助关键词的名称，P_i表示所述关键词i的辅助关键词个数。如果关键词“智能手机”的编号为i＝20，其第一个辅助关键词为“新款”，则t(20,1)＝“智能手机新款”。为了表述方便，也表示为t(20,1)＝“新款”。若t(20,2)＝“促销”，t(20,3)＝“排行榜”，t(20,4)＝“品牌”，t(20,5)＝“大屏”，t(20,6)＝“4G”，则T₂₀＝{新款，促销，排行榜，品牌，大屏，4G}，且关键词“智能手机”的辅助关键词个数为P₂₀＝6。

关键词和辅助关键词通常是根据广告商为其广告购买的关键词和辅助关键词进行设置的。在投放广告时，广告商需要为其投放的广告确定关键词、辅助关键词以及广告出价。如果用户购买的关键词不在所述关键词集W中，则在所述关键词集W中增加该关键词。如果用户购买的关键词w之下的辅助关键词不在辅助关键词集T_w中，则在所述T_w中增加该辅助关键词。

图3为用户特征向量的表示方法。在用户集U中任意一个用户m(m∈U)的特征向量设为(uw_m1,uw_m2,...，uw_mk，...，uw_mL)，其中所述uw_mk表示所述用户m与特征k(k∈K)的相关度。另外将所述用户集U中的每个用户与特征k的相关度汇集在一起组成一个向量，叫做用户集U的第k个用户列向量(uw_1k,uw_2k,...，uw_Mk)。用户特征向量的初始值取值范围通常设为对于每个i∈U以及k∈K有uw_ik∈[0，1]。本专利方法需要对多个用户设置特征向量初始值。用户特征向量初始值的一种设置方法如下：设特征总数L＝5，特征集K＝(科学，教育，财经，音乐，体育)，设置所述用户i的特征向量(uw_i1,uw_i2,uw_i3,uw_i4,uw_i5)＝(0，0.9，0，1，0)，即用户i与“教育”特征的相关度为0.9，与“音乐”特征的相关度为1，与其它特征的相关度均为零。用户特征向量初始值缺省设为零向量。

图4为网页特征向量的表示方法。在网页集D中任意一个网页n(n∈D)的特征向量设为(dw_n1,dw_n2,...，dw_nk,...，dw_nL)，其中所述dw_nk表示所述网页n与特征k(k∈K)的相关度。另外将所述网页集D中的每个网页与特征k的相关度汇集在一起组成一个向量，叫做网页集D的第k个网页列向量(dw_1k,dw_2k,...，dw_Nk)。网页特征向量的初始值取值范围通常设为对于每个j∈D以及k∈K有dw_jk∈[0，1]。本专利方法需要对多个网页设置特征向量初始值。网页特征向量初始值的一种设置方法如下：设特征总数L＝5，特征集K＝(科学，教育，财经，音乐，体育)，设置所述网页j的特征向量(dw_j1,dw_j2,dw_j3,dw_j4,dw_j5)＝(0.9，0，0，1，0)，即网页j与“科学”特征的相关度为0.9，与“音乐”特征的相关度为1，与其它特征的相关度均为零。网页特征向量初始值缺省设为零向量。

图5为关键词w的辅助关键词的特征向量表示方法。关键词w有P_w个辅助关键词，分别为t(w，1)，t(w,2)，...，t(w，j)，...，t(w,P_w)。其中辅助关键词t(w，j)的特征向量为(aw_wj1,aw_wj2,...，aw_wjk，...，aw_wjL)，aw_wjk表示关键词w的第j个辅助关键词与特征k的相关度。辅助关键词特征向量的初始值取值范围通常设为对于每个w∈W，j∈[1,P_w]以及k∈K有aw_wjk∈[0，1]。本专利方法需要对多个辅助关键词设置特征向量初始值。辅助关键词特征向量初始值的一种设置方法如下：设特征总数L＝5，特征集K＝(科学，教育，财经，音乐，体育)，设置关键词w之下的辅助关键词j的特征向量(aw_wj1，aw_wj2,aw_wj3,aw_wj4,aw_wj5)＝(0.8，0，0，0，1)，即关键词w之下的辅助关键词j与“科学”特征的相关度为0.8，与“体育”特征的相关度为1，与其它特征的相关度均为零。辅助关键词的特征向量初始值缺省设为零向量。

图6为广告子集A_ij的设置方法。对每个关键词i∈W及其每个辅助关键词j＝1，2，...，Pi，设置一个广告子集。广告子集的具体产生方法如下，以广告a为例进行说明。首先广告商在互联网广告发布平台上，为其广告a选择关键词“智能手机”，选择辅助关键词“新款”，并且设置广告a在“智能手机”和“新款”之下的出价。出价通常是广告的每次点击价格CPC。然后在系统中查询到“智能手机”的关键词编号为20，“新款”在关键词w＝20下的辅助关键词编号为j＝1，则广告a就被分配到广告子集A_20,1之中。所述广告集A中的每个广告至少被分配到一个广告子集中。

图7为关键词、辅助关键词和广告子集的关系说明。在关键词集W中的第i个关键词下，设置了辅助关键词集T_i，所述T_i至少含有一个辅助关键词。在辅助关键词集T_i的第j个辅助关键词下，设置广告子集A_ij，且所述广告子集Ai_j的元素个数为C_ij。在所述广告子集A_ij中包含至少一个广告。所述广告子集A_ij的生成方法参见图6。

图8为一种基于辅助关键词的个性化广告投放方法。该方法包括在接入互联网的服务器中执行如下步骤：

步骤S1.获取并存储用户集U＝{1，2，...，M}，关键词集W＝{1，2，...，N}以及广告集A＝{1，2，...，Q}；

步骤S2为每个关键词i∈W，设置一个辅助关键词集T_i＝{t(i，1)，t(i，2)，...，t(i，j)，...，t(i,P_i)}，其中j表示所述关键词i的辅助关键词编号，t(i，j)表示所述关键词i的第j个辅助关键词的名称，P_i表示所述关键词i的辅助关键词个数；在每个关键词i∈W及其每个辅助关键词j之下，都设有一个广告子集；

步骤S3.接收任一用户m(m∈U)提交的搜索查询q，以及在所述搜索查询q中提取关键词w(w∈W)；

步骤S4.根据所述关键词w读取辅助关键词集T_w；

步骤S5.根据所述用户m的特征向量和所述T_w中的每个辅助关键词的特征向量之间的相似度，在所述辅助关键词集T_w中选出一个子集S_w，以及将所述子集S_w中的每个辅助关键词，投放在所述查询q的搜索结果页面的广告位上；

步骤S6.接收所述用户m点击所述广告位上的一个辅助关键词t(w，j)的信号，其中所述t(w，j)∈S_w，所述j≤P_w；

步骤S7.根据所述信号确定关键词w和辅助关键词编号j，进而将广告子集A_wj中的至少一个广告投放给所述用户m；

返回步骤S3。

在图8所述方法的一个应用实例中，所述用户m的特征向量与所述T_w中的辅助关键词t(w，j)(j＝1，2，...，P_w)的特征向量的相似度定义为：

sim[m,t(w，j)]＝[∑_(k∈K)(uw_mk·aw_wjk)]/{[∑_(k∈K)(uw_mk)²]^1/2·[∑_(k∈K)(aw_wjk)²]^1/2}

在图8所述方法的一个应用实例中，所述方法还包括在执行所述步骤S6达到设定次数后，在每个特征k∈K下，分别对第k个用户列向量(uw_1k，uw_2k，...，uw_Mk)第k个网页列向量(dw_1k,dw_2k,...，dw_Nk)和每个关键词w∈W的第k个列向量(aw_w1kaw_w2k，...，aw_w(Pw)k)进行规范化处理的步骤。下面以第k个用户列向量(uw_1k，uw_2k，...，uw_Mk)为例说明规范化处理方法，其它两个列向量的规范化方法相同。

例1：对特征向量可被更新的每个用户i∈U，如果uw_ik≥U_max(k)则设uw_ik＝1，否则设置uw_ik＝uw_ik/U_max(k)，其中所述U_max(k)为第k个用户列向量(uw_1k，uw_2k，...，uw_Mk)中数值最大的M₁个分量的平均值，所述M₁为预设常数，或者所述U_max(k)为预设常数，如U_max(k)＝1.02。任意用户i的特征向量能否被更新是由预先设置的用户i的更新标志确定的。

例2：对特征向量可被更新的每个用户i∈U，如果uw_ik≥U_max(k)则设uw_ik＝1，否则设置uw_ik＝h_k[uw_ik/U_max(k)]，其中U_max(k)为第k个用户列向量(uw_1k，uw_2k，...，uw_Mk)中数值最大的M₁个分量的平均值，所述M₁为预设常数，或者所述U_max(k)为预设常数，所述h_k(x)为增函数，比如设h_k(x)＝x^u(k)，所述u(k)为与特征k相关的预设常数，如u(k)∈[1/5,5]。特征向量能否被更新是预先设置的。

在图8所述方法的一个应用实例中，所述步骤S5还包括在所述广告位上显示一个名称为“更多”的链接。当用户点击该链接时根据所述用户m的特征向量与所述T_w中的每个辅助关键词的特征向量之间的相似度以及每个辅助关键词的估值(参见图12的说明)，在所述T_w中选取不包含在所述S_w中的设定数量的辅助关键词，并且用选出的辅助关键词替换所述广告位上的辅助关键词。

在图8所述方法的一个应用实例中，在返回所述步骤S3之前，所述方法还包括如下步骤：

步骤S10.在所述T_w中，根据所述用户m的特征向量与所述T_w中的每个辅助关键词的特征向量之间的相似度以及每个所述辅助关键词的估值(参见图12的说明)，选出一个新的子集S′_w，以及用所述子集S′_w中的每个辅助关键词替换所述广告位上的辅助关键词。其中所述子集S′_w不包含所述辅助关键词t(w，j)。

在图8所述方法的一个应用实例中，根据每个广告的估值，将广告子集A_wj中的至少一个广告投放给所述用户m。其中，广告估值等于广告的点击率乘以广告商为该广告设置的出价。

在图8所述方法的一个应用实例中，如果在所述搜索查询q中提取到两个或这两个以上的关键词时，则为每个关键词设置一个权重，然后用每个关键词中的每个辅助关键词的排序指标乘以所述关键词的权重作为每个辅助关键词的新排序指标，最后选择新排序指标较大的设定数量的辅助关键词呈现给所述搜索查询用户。排序指标的计算方法参见图12。

图9为用户特征向量和辅助关键词特征向量的更新方法。在图8所述方法的所述步骤S2中，还包括预先为所述用户集U中的多个用户设置特征向量初始值，以及为所述关键词集W中的多个关键词中的每一个设置其辅助关键词的特征向量初始值的步骤；因此图8的所述步骤S6具体包括如下步骤：

步骤S61.接收所述用户m点击所述辅助关键词t(w，j)的信号；

步骤S62.根据所述信号，读取所述用户m的特征向量(uw_m1,uw_m2,...，uw_mk,...，uw_mL)，其中所述uw_mk表示所述用户m与特征k(k∈K)的相关度；

步骤S63.根据所述信号，读取所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2，...，aw_wjk，...，aw_wjL)，其中所述aw_wjk表示在关键词w之下的辅助关键词j与特征k(k∈K)的相关度；

步骤S64.更新所述用户m和所述辅助关键词t(w,j)的特征向量，

uw_mk＝uw_mk+λ₁(wj，m，k)·f₁(aw_wjk)(对于每个)

aw_wjk＝aw_wjk+λ₂(m，wj，k)·f₂(uw_mk)(对于每个)

其中，所述λ₁(wj，m，k)为在所述特征k之下所述辅助关键词t(w，j)对所述用户m的影响系数，且λ₁(wj，m，k)≥0，所述λ₂(m，wj，k)为在所述特征k之下所述用户m对所述辅助关键词t(w,j)的影响系数，且λ₂(m，wj，k)≥0，f₁(x)和f₂(x)均为非负增函数，所述UK_m是由所述用户m的特征向量(uw_m1,uw_m2,...，uw_mk,...，uw_mL)中数值最大的P_m个分量所对应的特征组成的集合，所述AK_wj是由所述辅助关键词t(w,j)的特征向量(aw_wj1,aw_wj2,...，aw_wjk,...，aw_wjL)中数值最大的Q_wj个分量所对应的特征组成的集合，所述P_m和所述Q_wj为预设常数。

在图9所述方法的一个应用实例中，所述f₁(aw_wjk)和f₂(uw_mk)定义为

$f_1\left({\mathrm{aw}}_{\mathrm{wjk}}\right)={\mathrm{\σ}}_1\·{[{\mathrm{aw}}_{\mathrm{wjk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{AK}}_{\mathrm{wj}})}{\mathrm{aw}}_{\mathrm{wjk}}]}^{a\left(k\right)},f_2\left({\mathrm{uw}}_{\mathrm{mk}}\right)={\mathrm{\σ}}_2\·{[{\mathrm{uw}}_{\mathrm{mk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{UK}}_m)}{\mathrm{uw}}_{\mathrm{mk}}]}^{u\left(k\right)}$

其中a(k)和u(k)是与特征k相关的预设常数，且a(k)∈[1/5，5]，u(k)∈[1/5,5]，所述σ₁和σ₂为预设常数。

在图9所述方法的一个应用实例中，所述影响系数λ₁(wj，m，k)和所述影响系数λ₂(m，wj，k)的具体设置方法包括如下实例：

例1：设所述λ₁(wj，m，k)＝c_1(wj)mk和所述λ₂(m，wj，k)＝c_2(wj)mk，其中c_1(wj)mk和c_2(wj)mk分别是与关键词w之下的第j个辅助关键词、用户m和特征k相关的预设正常数。

例2：所述λ₁(wj，m，k)和所述λ₂(m，wj，k)分别是用户m与所述关键词w之下的第j个辅助关键词的特征向量之间的相似度sim[m,t(w，j)]的增函数。比如设置λ₁(wj，m，k)＝1+c₁·sim[m，t(w，j)]，λ₂(m，wj，k)＝1+c₂·sim[m,t(w，j)]，其中c₁和c₂为预设正常数，且

sim[m,t(w，j)]＝[∑_(k∈K)(uw_mk·aw_wjk)]/{[∑_(k∈K)(uw_mk)²]^1/2·[∑_(k∈K)(aw_wjk)²]^1/2}。

在图9所述方法的一个应用实例中，为用户集中的每个用户设置其特征向量能否被更新标志，若用户m∈U的标志设为否，则设所述λ₁(wj，m，k)＝0。对于每个关键词w∈W，为所述T_w中的每个辅助关键词设置其特征向量能否被更新标志，如果关键词w下的辅助关键词j的标志设为否，则设置所述λ₂(m，wj，k)＝0。

图10为用户特征向量和网页特征向量的更新方法。在图8所述方法中还包括获取并存储网页集D＝{1，2，...，Q}以及为所述网页集D中的多个网页设置特征向量初始值的步骤，因此图8所述方法在返回所述步骤S3之前，还包括执行如下步骤：

步骤S81.接收所述用户m点击任意一个网页n(n∈D)的信号；

步骤S82.根据所述信号，读取所述用户m的特征向量(uw_m1,uw_m2,...，uw_mk，...，uw_mL)，其中所述uw_mk表示所述用户m与特征k(k∈K)的相关度；

步骤S83.根据所述信号，读取所述网页n的特征向量(dw_n1,dw_n2,...，dw_nk,...，dw_nL)，其中所述dw_nk表示所述网页n与特征k(k∈K)的相关度；

步骤S84.更新所述用户_m和所述网页_n的特征向量，

uw_mk＝uw_mk+λ₃(n,m，k)·f₃(dw_nk)(对于每个)

dw_nk＝dw_nk+λ₄(m,n,k)·f₄(uw_mk)(对于每个)

其中，所述λ₃(n,m,k)为在所述特征k之下所述网页n对所述用户m的影响系数，且λ₃(n,m,k)≥0，所述λ₄(m,n,k)为在所述特征k之下所述用户m对所述网页n的影响系数，且λ₄(m,n,k)≥0，f₃(x)和f₄(x)均为非负增函数，所述UK_m是由所述用户m的特征向量(uw_m1,uw_m2,...，uw_mk,...，uw_mL)中数值最大的P_m个分量所对应的特征组成的集合，所述DK_n是由所述网页n的特征向量(dw_n1,dw_n2,...，dw_nk,...，dw_nL)中数值最大的R_n个分量所对应的特征组成的集合，所述P_m和所述R_n为预设常数。

在图10所述方法的一个应用实例中，所述f₃(dw_nk)和f4(uw_mk)定义为

$f_3\left({\mathrm{dw}}_{\mathrm{nk}}\right)={\mathrm{\σ}}_3\·{[d{w}_{\mathrm{nk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{DK}}_n)}{\mathrm{dw}}_{\mathrm{nk}}]}^{d\left(k\right)},f_4\left({\mathrm{uw}}_{\mathrm{mk}}\right)={\mathrm{\σ}}_4\·{[{\mathrm{uw}}_{\mathrm{mk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{UK}}_m)}{\mathrm{uw}}_{\mathrm{mk}}]}^{u\left(k\right)}$

其中所述d(k)和所述u(k)是与特征k相关的预设常数，且d(k)∈[1/5，5]，u(k)∈[1/5,5]，所述σ₃和σ₄为预设常数。

在图10所述方法的一个应用实例中，所述影响系数λ₃(n，m，k)和所述影响系数λ₄(m,n，k)的具体设置方法包括如下实例：

例1：设所述λ₃(n,m，k)＝c_3nmk和所述λ₄(m，n，k)＝c_4nmk，其中c_3nmk和c_4nmk分别是与用户m、网页n和特征k相关的预设正常数。

例2：所述λ₃(n，m，k)和所述λ₄(m，n，k)分别是用户m与网页n的特征向量之间的相似度sim(m，n)的增函数。比如设置λ₃(n，m，k)＝1+c₃·sim(m,n)，λ₄(m,n,k)＝1+c₄·sim(m,n)，其中c₃和c₄为预设正常数，且

sim(m,n)＝[∑_(k∈K)(uw_mk·dw_nk)]/{[∑_(k∈K)(uw_mk)²]^1/2[∑_(k∈K)(dw_nk)²]^1/2}。

在图10所述方法的一个应用实例中，为用户集中的每个用户设置其特征向量能否被更新标志，若用户m∈U的标志设为否，则设所述λ₃(n,m,k)＝0。为网页集中的每个网页设置其特征向量能否被更新标志，若网页n∈D的标志设为否，则设所述λ₄(m,n,k)＝0。

图11为辅助关键词特征向量和网页特征向量的更新方法。图8所述方法还包括获取并存储网页集D＝{1，2，...，Q}，以及为所述网页集D中的多个网页设置特征向量初始值的步骤，因此图8所述方法还包括在返回所述步骤S3之前，执行如下步骤：

步骤S91.根据所述关键词w和所述辅助关键词t(w，j)，向用户呈现一组网页；

步骤S92.接收所述用户m点击所述一组网页中网页n(n∈D)的信号；

步骤S93.根据所述信号，读取所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2，...，aw_wjk，...，aw_wjL)，其中所述aw_wjk表示所述关键词w之下的辅助关键词j与特征k(k∈K)的相关度；

步骤S94.根据所述信号，读取所述网页n的特征向量(dw_ni,dw_n2,...，dw_nk,...，dw_nL)，其中所述dw_nk表示所述网页n与特征k(k∈K)的相关度；

步骤S95.更新所述辅助关键词t(w,j)和所述网页n的特征向量，

aw_wjk＝aw_wjk+λ₅(n，wj，k)·f₅(dw_nk)(对于每个)

dw_nk＝dw_nk+λ₆(wj，n，k)·fl(aw_wjk)(对于每个)

其中所述λ₅(n,wj，k)为在所述特征k之下所述网页n对所述辅助关键词t(w，j)的影响系数，且λ₅(n，wj，k)≥0，所述λ₆(wj，n，k)为在所述特征k之下所述辅助关键词t(w，j)对所述网页n的影响系数，且λ₆(wj，n，k)≥0，f₅(x)和f₆(x)均为非负增函数，所述AK_wj是由所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2,...，aw_wjk，...，aw_wjL)中数值最大的Q_wj个分量所对应的特征组成的集合，所述DK_n是由所述网页n的特征向量(dw_n1,dw_n2,...，dw_nk,...，dw_nL)中数值最大的R_n个分量所对应的特征组成的集合，所述Q_wj和所述R_n为预设常数。

在图11所述方法的一个应用实例中，所述f₅(dw_nk)和f₆(aw_wjk)定义为

$f_5\left({\mathrm{dw}}_{\mathrm{nk}}\right)={\mathrm{\σ}}_5\·{[d{w}_{\mathrm{nk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{DK}}_n)}{\mathrm{dw}}_{\mathrm{nk}}]}^{d\left(k\right)},f_6\left({\mathrm{aw}}_{\mathrm{wjk}}\right)={\mathrm{\σ}}_6\·{[{\mathrm{aw}}_{\mathrm{wjk}}/{\mathrm{\Σ}}_{(k\∈{\mathrm{AK}}_{\mathrm{wj}})}a{w}_{\mathrm{wjk}}]}^{u\left(k\right)}$

其中所述d(k)和所述a(k)是与特征k相关的预设常数，且a(k)∈[1/5,5]，d(k)∈[1/5,5]，所述σ₅和σ₆为预设常数。

在图11所述方法的一个应用实例中，所述影响系数λ₅(n，wj，k)和所述影响系数λ₆(wj，n，k)的具体设置方法包括如下实例：

例1：设所述λ₅(n，wj，k)＝c_5n(wj)k和所述λ₆(wj，n，k)＝c_6n(wj)k，其中c_5n(wj)k和c_6n(wj)k分别是与关键词w的第j个辅助关键词、网页n和特征k相关的预设正常数。

例2：所述λ₅(n，wj，k)和所述λ₆(wj，n，k)分别是网页n与关键词w的第j个辅助关键词的特征向量之间的相似度sim[n,t(w，j)]的增函数。比如设置λ₅(n，wj，k)＝1+c₅·sim[n,t(w，j)]，λ₆(wj，n，k)＝1+c₆·sim[n,t(w，j)]，其中c₅和c₆为预设正常数，且sim[n,t(w，j)]＝[∑_(k∈K)(dw_nk·aw_wjk)]/{[∑_(k∈K)(dw_nk)²]^1/2·[∑_(k∈K)(aw_wjk)²]^1/2}。

在图11所述方法的一个应用实例中，对每个关键词w∈W，为所述T_w中的每个辅助关键词设置其特征向量能否被更新标志，如果关键词w下的辅助关键词j的标志设为否，则设所述λ₅(n，wj，k)＝0。为网页集中的每个网页设置其特征向量能否被更新标志，若网页n∈D的标志设为否，则设所述λ₆(_wj，n，k)＝0。

图12为辅助关键词的排序指标计算方法。图8所述方法的在所述T_w中选出子集S_w的依据，除了考虑所述用户m的特征向量和所述T_w中的每个辅助关键词的特征向量之间的相似度之外，还需要考虑所述T_w中的每个辅助关键词的估值。假设所述辅助关键词集T_w中辅助关键词t(w，j)的估值、点击率和价格分别为value[t(w，j)]、CTR[t(w，j)]和price[t(w，j)]，其中j＝1，2，...，Pw，则所述辅助关键词t(w，j)的估值方法如下：

value[t(w,j)]＝CTR[t(w,j)]·price[t(w，j)]；(j＝1，2，...，P_w)

其中辅助关键词价格price[t(w,j)]的计算方法如下，以price[t(w，1)]的计算方法为例来说明。假设在关键词w和辅助关键词t(w，1)下的广告子集A_w,1中有100个广告，则辅助关键词t(w，1)的价格price[t(w，1)]等于广告子集A_w，1中广告估值最大的前R个广告的估值之和，R为设定常数。广告的估值方法有两种：第一种是广告估值等于广告的点击率乘以广告的出价，第二种是广告估值等于广告的出价。广告的点击率可以通过对用户点击日志的统计获得，也可以通过点击率预估模型获得。

辅助关键词的点击率CTR[t(w,j)]等于辅助关键词的被点击次数除以该辅助关键词展现次数。在确定点击率CTR[t(w,j)]时，可以将辅助关键词t(w,j)随机地投放到各个广告位上再进行点击次数统计。另外由于靠前的广告位点击率比靠后的广告位的点击率高，因此在统计点击次数时，靠前的广告位的点击次数在统计时要除以一个大于1的参数，广告位越靠前，除以的参数数值越大。

在获得每个辅助关键词估值之后，通过如下方法计算每个辅助关键词的排序指标。关键词w的辅助关键词t(w,j)的排序指标定义为：

Rank[m,t(w,j)]＝g{sim[m,t(wj)]，value[t(wj)]}，j＝1，2，...，P_w

其中，g(x,y)分别是参数x和y的增函数且g(x,y)≥0。所述函数g(x,y)的应用实例如下，g{sim[m,t(w,j)]，t(w,j)}＝c·sim[m,t(w,j)]·value[t(wj)]，其中c为设定常数。所述排序指标是在广告位上确定辅助关键词的排列顺序的依据。

图13为辅助关键词的显示方法。D10为搜索查询“智能手机”的搜索结果页面，D12和D13分别为广告区域，每个广告区域包含多个广告位，D14为搜索结果区域。在广告区域D11和D13上，通过广义二阶价格拍卖方式向用户投放第一批广告。同时在广告区域D11上方的多个广告位上显示通过排序指标确定的个性化辅助关键词，例如选出的是“新款，品牌，4G，大屏”。每个辅助关键词的链接占用一个广告位。在这些辅助关键词链接之后，显示一个名称为“更多”的链接。当用户点击“更多”链接时，系统将当前显示的全部辅助关键词链接更换成辅助关键词集T_w中的一组新的辅助关键词链接。例如T_w＝{大屏，高像素,4G,CPU,促销，品牌，待机长，新款，操作系统}，按照辅助关键词的排序指标确定的S_w＝{新款，品牌，4G,大屏}。当用户点击“更多”链接后，再根据辅助关键词的排序指标，在所述广告位上显示一组新的辅助关键词{高像素，CPU,促销，待机长}的链接。

在图13所述方法的一个应用实例中，为广告区域D11上方的每个广告位设置一个标志，表示该广告位是正常使用还是用于测试。设置该标志的原因是一些新的辅助关键词需要预先投放来测试它的点击率，还有一些辅助关键词估值较低没有机会投放给用户。如果广告位标志为正常使用，则按照排序指标Rank[m,t(w,j)](j＝1，2，...，P_w)的大小投放辅助关键词。如果广告位标志为用于测试，则在这些广告位上投放那些用于测试点击率的辅助关键词以及估值较小的辅助关键词。广告位是正常使用还是用于测试，依照设定概率随机确定的。

图14为点击辅助关键词后的返回页面。在图13的页面上点击辅助关键词“新款”后，系统给用户返回一个新的页面D20。在图14中，D22和D23分别为广告区域，每个广告区域包含多个广告位，区域D24显示与“智能手机”和“新款”相关的搜索内容。在广告区域D21和D23上，通过广义二阶价格拍卖方式向用户投放第二批广告，所述第二批广告是与“智能手机”和“新款”相关的竞价广告。在区域D21上方，根据“智能手机”的每个辅助关键词的排序指标，显示除了“新款”以外的四个辅助关键词，例如新选出的是“品牌,4G，大屏，促销”。如果用户继续点击辅助关键词“4G”，系统给用户返回另一个新的页面D20，其中D22和D23分别为广告区域，每个广告区域包含多个广告位，区域D24显示与“智能手机”和“4G”相关的搜索内容。在广告区域D21和D23上，通过广义二阶价格拍卖方式向用户投放第三批广告，所述第三批广告是与“智能手机”和“4G”相关的竞价广告。在区域D21上方，根据“智能手机”的每个辅助关键词的排序指标，显示除了“新款”和“4G”以外的四个辅助关键词。这个过程可以反复多次进行，因此实现了多次广告拍卖。

图15为本方法在智能手机上的应用。在移动互联网环境下，广告投放的主要障碍是手机屏幕小，投放广告会影响用户体验。如果只将简短的广告类别和特征信息投放给用户，则既能够在较小的区域实现广告拍卖，又能够给用户提供辅助关键词引导。图15中D30为用户搜索关键词“智能手机”的搜索结果页面。其中区域D31显示一组根据排序指标确定的辅助关键词的链接，例如“新款，品牌，4G，大屏”。区域D32用于显示关键词“智能手机”的搜索结果。当用户点击“新款”后，在区域D31显示另一组根据排序指标确定的不包含“新款”在内的一组辅助关键词的链接，例如“品牌，4G，大屏，促销”，在区域D32显示与“智能手机”和“新款”相关的搜索结果和竞价广告。

应用实例1

这是本专利方法的一个应用实例。假设用户集U＝{1，2，...，M}，关键词集W＝{1，2，...，N}以及广告集A＝{1，2，...，Q}，且M＝1亿，N＝50万，Q＝100万。假设用户m＝685提交了搜索查询q＝“智能手机功能”，则在查询q中提取关键词“智能手机”，并检索到关键词“智能手机”的编号为w＝20。然后根据w＝20读取辅助关键词集T₂₀＝{新款，促销，排行榜，品牌，大屏，4G，省电，双模，操作系统，CPU}，即编号为j＝1的辅助关键词t(20,1)＝“新款”，编号为j＝2的辅助关键词t(20,2)＝“促销”，依此类推。然后应用如下公式计算用户m＝685与每个辅助关键词t(20，j)之间的相似度，j＝1，2，...，9。

sim[m,t(w，j)]＝[∑_(k∈K)(uw_mk·aw_wjk)]/{[∑_(k∈K)(uw_mk)²]^1/2·[∑_(k∈K)(aw_wjk)²]^1/2}

通过上式分别得到sim[685,t(20，1)]，sim[685,t(20,2)]，...，sim[685,t(20,9)]。

然后计算关键词w＝20的辅助关键词集T₂₀中的每个辅助关键词的估值。假设所述T₂₀中的每个辅助关键词的估值、点击率和价格分别表示为value[t(20，j)]、CTR[t(20,j)]和price[t(20,j)]，其中j＝1，2，...，9，则：

value[t(20，j)]＝CTR[t(20,j)]·price[t(20,j)]；(j＝1，2，...，9)

其中price[t(20,j)](j＝1，2，...，9)的计算方法如下，以price[t(20,1)]的计算方法为例来说明。假设广告子集A_20，1中有100个广告，且设A_20,1＝{a₁，_a2，....，a₁₀₀}。假设广告子集A_20,1中每个广告的估值等于每个广告的点击率乘以广告的出价，且设这100个广告在关键词w和辅助关键词j＝1之下的出价和点击率分别是{b₁,b₂,...，b₁₀₀}和{c₁，c₂，...，c₁₀₀}，则根据每个广告的估值，在广告子集A_20,1中选出估值最大的三个广告，比如广告10、广告35和广告72，则

price[t(20,1)]＝c₁₀b₁₀+c₃₅b₃₅+c₇₂b₇₂

辅助关键词t(20，j)的点击率CTR[t(20,j)]的计算方法是辅助关键词t(20，j)的点击次数除以辅助关键词t(20，j)的展现次数，j＝1，2，...，P₂₀。

在用户m＝685的条件下，关键词w＝20的第j个辅助关键词t(20，j)的排名指标定义为Rank[685,t(20，j)]＝c·sim[685,t(20，j)]·value[t(20，j)](j＝1，2，...，9)。其中c为设定常数。

假设排序指标最高的四个辅助关键词分别为“新款”，“品牌”，“4G”和“大屏”，则将它们的链接分别显示在图13所示的区域D11上方的四个广告位上，同时在区域D11和D13显示与“智能手机”相关的竞价广告，在区域D14显示与“智能手机”相关的搜索结果。当用户点击辅助关键词“新款”后，再根据辅助关键词的排序指标，在图14的区域D21上方显示除了“新款”之外的四个辅助关键词，例如“品牌，4G，大屏，促销”，同时在图14的区域D21和D23显示与“智能手机”和“新款”相关的竞价广告，在图14的区域D24显示与“智能手机”和“新款”相关的搜索内容。

在应用实例1中，通过图9、图10和图11的方法分别更新用户特征向量、辅助关键词特征向量和网页特征向量。

以上所述应用实例仅为本发明的较佳的应用实例，并非用以限定本发明的保护范围。

Claims (10)

1.一种基于辅助关键词的个性化广告投放方法，其特征在于，所述方法包括在接入互联网的服务器中执行如下步骤：

步骤S1.获取并存储用户集U＝{1，2，...，M}，关键词集W＝{1，2，...，N}以及广告集A＝{1，2，...，Q}；

步骤S2.为每个关键词i∈W，设置一个辅助关键词集T_j＝{t(i，1)，t(i，2)，...，t(i，j)，...，t(i,P_i)}，其中j表示所述关键词i的辅助关键词编号，t(i，j)表示所述关键词i的第j个辅助关键词的名称，P_i表示所述关键词i的辅助关键词个数；在每个关键词i∈W及其每个辅助关键词j之下，都设有一个广告子集

步骤S3.接收任一用户m(m∈U)提交的搜索查询q，以及在所述搜索查询q中提取关键词w(w∈W)；

步骤S4.根据所述关键词w读取辅助关键词集T_w；

步骤S5.根据所述用户m的特征向量和所述T_w中的每个辅助关键词的特征向量之间的相似度，在所述辅助关键词集T_w中选出一个子集S_w，以及将所述子集S_w中的每个辅助关键词，投放在所述查询q的搜索结果页面的广告位上；

步骤S6.接收所述用户m点击所述广告位上的一个辅助关键词t(w，j)的信号，其中所述t(w，j)∈S_w，所述j≤P_w；

步骤S7.根据所述信号确定关键词w和辅助关键词编号j，进而将广告子集A_wj中的至少一个广告投放给所述用户m；

返回步骤S3。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2还包括预先为所述用户集U中的多个用户设置特征向量初始值，以及为所述关键词集W中的多个关键词中的每一个设置其至少一个辅助关键词的特征向量初始值的步骤；因此所述步骤S6具体包括如下步骤：

步骤S61.接收所述用户m点击所述辅助关键词t(w，j)的信号；

步骤S62.根据所述信号，读取所述用户m的特征向量(uw_m1，uw_m2，...，uw_mk，...，uw_mL)，其中所述uw_mk表示所述用户m与特征k(k∈K)的相关度；

步骤S63.根据所述信号，读取所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2，...，aw_wjk,...，aw_wjL)，其中所述aw_wjk表示所述关键词w之下的辅助关键词j与特征k(k∈K)的相关度；

步骤S64.更新所述用户m和所述辅助关键词t(w,j)的特征向量，

uw_mk＝uw_mk+λ₁(wj，m，k)·f₁(aw_wjk)(对于每个)

aw_wjk＝aw_wjk+λ₂(m，wj，k)·f₂(uw_mk)(对于每个)

其中，所述λ₁(wj，m，k)为在所述特征k之下所述辅助关键词t(w,j)对所述用户m的影响系数，且λ₁(wj，m，k)≥0，所述λ₂(m，wj，k)为在所述特征k之下所述用户m对所述辅助关键词t(w,j)的影响系数，且λ₂(m，wj，k)≥0，f₁(x)和λ₂(x)均为非负增函数，所述UK_m是由所述用户m的特征向量(uw_m1，uw_m2广.，uw_mk，...，uw_mL)中数值最大的P_m个分量所对应的特征组成的集合，所述AK_wj是由所述辅助关键词t(w,j)的特征向量(aw_wj1，aw_wj2，...，aw_wjk,...，aw_wjL)中数值最大的Q_wj个分量所对应的特征组成的集合，所述P_m和所述Q_wj为预设常数。

3.根据权利要求1所述的方法，其特征在于，获取并存储网页集D＝{1，2，...，Q}以及为所述网页集D中的多个网页设置特征向量初始值；因此所述方法还包括在返回所述步骤S3之前执行如下步骤：

步骤S81.接收所述用户m点击任意一个网页n(n∈D)的信号；

步骤S82.根据所述信号，读取所述用户m的特征向量(uw_m1，uw_m2，...，uw_mk，...，uw_mL)，其中所述uw_mk表示所述用户m与特征k(k∈K)的相关度；

步骤S83.根据所述信号，读取所述网页n的特征向量(dw_n1,dw_n2，...，dw_nk,...，dw_nL)，其中所述dw_nk表示所述网页n与特征k(k∈K)的相关度；

步骤S84.更新所述用户m和所述网页n的特征向量，

uw_mk＝uw_mk+λ₃(n,m，k)·f₃(dw_nk)(对于每个)

dw_nk＝dw_nk+λ₄(m，n，k)·f₄(uw_mk)(对于每个)

其中，所述λ₃(n,m,k)为在所述特征k之下所述网页n对所述用户m的影响系数，且λ₃(n,m,k)≥0，所述λ₄(m,n,k)为在所述特征k之下所述用户m对所述网页n的影响系数，且λ₄(m,n,k)≥0，f₃(x)和f₄(x)均为非负增函数，所述UK_m是由所述用户m的特征向量(uw_m1，uw_m2，...，uw_mk，...，uw_mL)中数值最大的P_m个分量所对应的特征组成的集合，所述DK_n是由所述网页n的特征向量(dw_n1,dw_n2,...，dw_nk,...，dw_nL)中数值最大的R_n个分量所对应的特征组成的集合，所述P_m和所述R_n为预设常数。

4.根据权利要求1所述的方法，其特征在于，获取并存储网页集D＝{1，2，...，Q}以及为所述网页集D中的多个网页设置特征向量初始值；因此所述方法还包括在返回所述步骤S3之前执行如下步骤：

步骤S91.根据所述关键词w和所述辅助关键词t(w，j)，向用户呈现一组网页；

步骤S92.接收所述用户m点击所述一组网页中网页n(n∈D)的信号；

步骤S93.根据所述信号，读取所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2，...，aw_wjk，...，aw_wjL)，其中所述aw_wjk表示所述关键词w之下的辅助关键词j与特征k(k∈K)的相关度；

步骤S94.根据所述信号，读取所述网页n的特征向量(dw_n1，dw_n2,...，dw_nk,...，dw_nL)，其中所述dw_nk表示所述网页n与特征k(k∈K)的相关度；

步骤S95.更新所述辅助关键词t(w，j)和所述网页n的特征向量，

aw_wjk＝aw_wjk+λ₅(n，wj，k)·f₅(dw_nk)(对于每个)

dw_nk＝dw_nk+λ₆(wj，n，k)·f₆(aw_wjk)(对于每个)

其中所述λ₅(n，wj，k)为在所述特征k之下所述网页n对所述辅助关键词t(w，j)的影响系数，且λ₅(n，wj，k)≥0，所述λ₆(wj，n，k)为在所述特征k之下所述辅助关键词t(w，j)对所述网页n的影响系数，且λ₆(wj，n，k)≥0，f₅(x)和f₆(x)均为非负增函数，所述AK_wj是由所述辅助关键词t(w，j)的特征向量(aw_wj1,aw_wj2,...，aw_wjk,...，aw_wjL)中数值最大的Q_wj个分量所对应的特征组成的集合，所述DK_n是由所述网页n的特征向量(dw_n1,dw_n2,...，dw_n k，...，dw_nL)中数值最大的R_n个分量所对应的特征组成的集合，所述Q_wj和所述R_n为预设常数。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括在执行所述步骤S6达到设定次数后，在每个特征k∈K下，分别对第k个用户列向量(uw_1k，uw_2k，...，uw_Mk)、第k个网页列向量(dw_1k，dw_2k，...，dw_Nk)和每个关键词w∈W的第k个列向量(aw_w1k,aw_w2k,...，aw_w(Pw)k)进行规范化处理的步骤。

6.根据权利要求1所述的方法，其特征在于，在所述辅助关键词集T_w中选出所述子集S_w的依据，还包括所述T_w中的每个辅助关键词的估值。

7.根据权利要求6所述的方法，其特征在于，预先在每个关键词i∈W及其每个辅助关键词j之下，为所述广告子集Ai_j中的每个广告设置一个出价，因此所述T_w中的辅助关键词t(w，j)的估值，等于所述辅助关键词t(w，j)的点击率乘以所述辅助关键词t(w，j)的价格，其中所述辅助关键词t(w，j)的价格是广告子集A_wj中广告估值最高的设定数量的广告的估值之和。

8.根据权利要求7所述的方法，其特征在于，所述出价表示广告的每次点击费用CPC，因此所述广告估值等于广告的点击率乘以广告在所述辅助关键词t(w，j)之下的出价。

9.根据权利要求1所述的方法，其特征在于，所述步骤S5还包括在所述广告位上显示一个名称为更多的链接，当用户点击该链接时，根据所述用户m的特征向量与所述T_w中的每个辅助关键词的特征向量之间的相似度以及所述T_w中的每个所述辅助关键词的估值，在所述T_w中选取不包含在所述S_w中的设定数量的辅助关键词，并且用选出的辅助关键词替换所述广告位上的辅助关键词的步骤。

10.根据权利要求1所述的方法，其特征在于，在返回所述步骤S3之前，所述方法还包括如下步骤：

步骤S10.在所述T_w中根据所述用户m的特征向量与所述T_w中的每个辅助关键词的特征向量之间的相似度以及所述T_w中的每个所述辅助关键词的估值，选出一个新的子集S′_w，以及用所述子集S′_w中的每个辅助关键词替换所述广告位上的辅助关键词，其中所述子集S′_w不包含所述辅助关键词t(w，j)。