CN116151894A - 多渠道搜索广告实时竞价全局优化方法及系统 - Google Patents

多渠道搜索广告实时竞价全局优化方法及系统 Download PDF

Info

Publication number
CN116151894A
CN116151894A CN202211606175.8A CN202211606175A CN116151894A CN 116151894 A CN116151894 A CN 116151894A CN 202211606175 A CN202211606175 A CN 202211606175A CN 116151894 A CN116151894 A CN 116151894A
Authority
CN
China
Prior art keywords
time
budget
bidding
keyword
data
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.)
Withdrawn
Application number
CN202211606175.8A
Other languages
English (en)
Inventor
奚柏立
王一如
郑仁
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.)
Chongqing Saichuang Robot Technology Co ltd
Original Assignee
Chongqing Saichuang Robot Technology Co 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
Application filed by Chongqing Saichuang Robot Technology Co ltd filed Critical Chongqing Saichuang Robot Technology Co ltd
Priority to CN202211606175.8A priority Critical patent/CN116151894A/zh
Publication of CN116151894A publication Critical patent/CN116151894A/zh
Withdrawn legal-status Critical Current

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
    • G06Q30/0273—Determination of fees for advertising
    • G06Q30/0275—Auctions
    • 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
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0243—Comparative campaigns
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • 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
    • G06Q30/0249—Advertisements based upon budgets or funds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种多渠道搜索广告实时竞价全局优化方法及系统，包括如下步骤：预算分配及选词出价步骤：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将剩余的预算按权分配到各个分时时段中，得到当前时段下应当花费的预算；关键词投放效果预测步骤：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。本发明解决了关键词选择与竞价策略不稳定且应用不及时、只追求单周期内投放指标最优而缺乏多周期下预算分配与竞价相关策略的问题。

Description

多渠道搜索广告实时竞价全局优化方法及系统
技术领域
本发明涉及电子商务搜索广告投放技术领域，具体地，涉及一种多渠道搜索广告实时竞价全局优化方法及系统，尤其是一种基于投放效果预测的多渠道搜索广告实时竞价全局优化方法。
背景技术
随着互联网电商浪潮的发展，各大电商服务商(例如：淘宝、京东、拼多多等)先后推出了各具特色的推广工具，而以关键词搜索为核心的广告投放(例如：淘宝直通车、京东快车等)也逐渐成为了商户在电商运营推广过程中的一个重要组成部分。
在以关键词搜索为核心的广告投放流程中，商户需要对推广的商品建立一个计划并设置一定日推广预算，然后在计划内投放一些列相关的关键词并出价。关健词被买家客户搜索后所展现的广告顺位主要基于商户对于关键词竞价高低的顺位，而计费方式遵循按点击次数收费(Cost Per Click,CPC)的模式。其中，点击单价一般采用广义第二价格(Generalized Second Price,GSP)，即在竞价排序的基础上以后一位商户的竞拍价格加上一个小幅增量。
在实际竞价投放的过程中，商户一般需要定期观察投放广告计划的预算消耗情况、一系列投放指标(例如：竞价排名、展现、点击、点击花费、转化、成交、投资回报率等)的变化情况，然后根据计划想要达到的目标(例如：最大化点击、最优化转化等)，动态调整投放的关键词及其出价。然而，在实际过程中存在推广人员易凭借个人自身经验进行主观判断操作且操作频率较低的问题，使得关键词选择与竞价的决策策略不稳定且应用不及时，影响到最终的广告投放效果(例如：投放指标结果不及预期、花费过快导致计划提前下线等)。
通过调研发现，学届与业界已经存在部分电商广告投放相关的研究与专利，且也逐步将运筹优化、机器学习、深度学习等算法应用其中，部分解决了推广计划/关键词投放效果预测、预算分配与投放决策的问题。实际广告投放中，通常广告主为整个投放时段(如单个自然日)设置一个总投放预算，然后进行多次竞价投放，在每个投放周期(以下简称“单周期”)中，投放关键词出价保持不变，但不同投放周期出价可能不同，全投放时段多个投放周期(以下简称“多周期”)的出价组合可能带来不同的整体投放效果。仅考虑单周期的投放效果，容易出现预算消耗不平滑，单周期出价过高可能导致预算提前过度消耗，单周期出价过低可能导致预算不充分利用，全投放时段搜索词竞价的全局优化对于获得更好的整体投放效果而言十分重要。然而，相关研究与专利一般仅关注单个投放周期内投放指标最优的策略，缺乏在多周期下计划预算分配及关键词竞价相关推广投放的策略，与实际商户需求及应用落地仍存在一定落差。
公开号为CN102640179A的专利文献公开了一种用于多渠道广告的基于广告受众历史的竞价生成系统和方法，公开了与生成多渠道广告环境的竞价相关联的方法、装置、系统以及非暂时性有形计算机可读介质，在各个实施例中，其包括生成多渠道广告模型，可以生成多渠道广告模型并且用其来估计跨各种模型化的广告渠道针对个别广告受众发生的各种广告和/或事件的效果，可以跨多个渠道来追踪广告受众，诸如例如通过当广告受众访问各种网站时使用一个或多个信息记录程序，实施例可以计算已沿着销售漏斗发生的各种广告事件对转化事件的边界贡献，可以根据事件对最终转化的边界贡献生成各种收益归因，实施例可以基于由广告受众采取的事件和/或通过改变跨多个渠道的暴露水平来为登广告者提供对广告受众随着时间的价值以及广告受众的价值怎样演进的估计，根据这些估计，可以生成供登广告者使用的、指导针对广告事件的竞价策略。但是该专利文献与本申请的技术方案不同。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种多渠道搜索广告实时竞价全局优化方法及系统。
根据本发明提供的一种多渠道搜索广告实时竞价全局优化方法，包括如下步骤：
预算分配及选词出价步骤：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；
关键词投放效果预测步骤：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。
优选的，所述预算分配及选词出价步骤中，所选用的历史分时展现量数据是预设天数内的分时段展现量增量的统计平均。
优选的，所述决策时刻为整点时分，如果当日所剩余的预算为零，则当日的预定计划投放结束。
优选的，所述关键词投放效果预测步骤中，所述投放预测模型的构建包括如下步骤：
数据采集步骤：采集预设时长的历史分时数据中各小时时段内的投放指标及出价数据；
特征选取步骤：选取如下特征中的一种或多种：分时特征、所处营销活动状态、星期状态；
数据集构建步骤：基于选取的特征和历史分时投放数据，按比例划分为训练数据集与验证数据集；
模型训练步骤：根据训练数据集与验证数据集，采用随机森林回归模型进行关键词分时投放预测模型的训练。
优选的，所述数据采集步骤中，所述投放指标为如下投放指标中的一种或多种：展现量、点击量、点击率、加购收藏率、点击转化率、成交金额、投资回报率。
优选的，所述基于投放预测模型进行决策具体为：
获取该时段内的优化目标及预算约束、可选关键词列表及各关键词的出价范围约束，基于关键词投放预测模型求解该约束下最优化问题。
优选的，所述最优化问题表述为：
Figure BDA0003994025330000031
Figure BDA0003994025330000032
Figure BDA0003994025330000033
xi∈{0,1}
其中，KPI()表示具体的投放优化目标函数，pi为第i个关键词的出价；xi为决策变量；bt为计划花费；
Figure BDA0003994025330000034
为t时段内计划花费下限，取值范围为[0,bt)，第i个关键词的出价下限约束为/>
Figure BDA0003994025330000035
第i个关键词的出价上限约束为/>
Figure BDA0003994025330000036
max表示最大值；∑i表示对内部的i项求和；s.t.表示其之前的项需满足其之后的所有约束要求；xi∈{0,1}表示决策变量xi只能取0或者1，0表示关键词不参与竞价，1表示关键词参与竞价。
优选的，所述预算分配及选词出价步骤具体包括如下步骤：
步骤a1：设置当日预定计划的投放目标；
步骤a2：读取当日剩余预算，读取所述预定计划投放历史分时数据中各小时时段内展现量增量数据；
步骤a3：计算当前时段下应当花费的预算；
步骤a4：判断预算是否大于零，如果是，则进行步骤5，如果否，则执行终止；
步骤a5：确认是否变更该时段内该计划的投放目标，确认是否设置预算花费下限，确认完成之后进行步骤a6；
步骤a6：读取预定计划关键词历史出价数据，得到各个关键词历史出价的最值；
步骤a7：针对每个关键词，计算竞价决策优化问题中出价的实际上下限；
步骤a8：针对每个关键词，选择出价范围内有限个离散的可选出价；
步骤a9：基于投放预测模型，求解技术解决方案中所述的预算约束下的优化问题；
步骤a10：将决策结果更新至电商服务商推广工具中。
优选的，所述关键词投放效果预测步骤具体包括如下步骤：
步骤b1：判断投放计划是否属于冷启动，如果是，则进行步骤2.1，如果否，则进行步骤2.2；
步骤b2.1：读取至少一个月以上的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b2.2：读取至少前一日的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b3：向历史投放数据中补充额外特征，并划分训练集和验证集；
步骤b4：判断投放计划是否属于冷启动，如果是，则进行步骤5.1，如果否，则进行步骤5.2；
步骤b5.1：利用随机森林回归模型进行预测模型的训练，完成基于随机森林回归模型的预测模型的构建；
步骤b5.2：读取已有预测模型，根据读取结果，砍去部分存在时间最长的树，并针对新增的数据构建植入新的树，完成基于随机森林回归模型的预测模型的更新。
本发明还提供一种多渠道搜索广告实时竞价全局优化系统，包括如下模块：
预算分配及选词出价模块：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；
关键词投放效果预测模块：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。
与现有技术相比，本发明具有如下的有益效果：
1、本发明将计划投放历史展现量的分时统计数据作为日预算向小时分时段预算分配的权重，结合可选可配置的单时段内预算花费下限，可以使得投放计划整天的预算花费更为平稳合理；
2、本发明采用随机森林回归(Random Forrest Regressor)模型辅以砍树/植树更新策略来进行投放预测模型的学习和更新，确保模型在更新时所涉及的数据量更小，训练时长更低，训练速度更快；
3、本发明在各个投放周期内的预算约束下，动态选择最优的关键词竞价组合予以投放，选词出价更灵活更有依据。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为单个投放周期内预算分配及选词出价模块步骤图；
图2为关键词投放效果预测模块步骤图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
如图1和图2所示，本实施例提供一种多渠道搜索广告实时竞价全局优化方法，包括如下步骤：
预算分配及选词出价步骤：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；所选用的历史分时展现量数据是预设天数内的分时段展现量增量的统计平均；决策时刻为整点时分，如果当日所剩余的预算为零，则当日的预定计划投放结束。
预算分配及选词出价步骤具体包括如下步骤：
步骤a1：设置当日预定计划的投放目标；
步骤a2：读取当日剩余预算，读取预定计划投放历史分时数据中各小时时段内展现量增量数据；
步骤a3：计算当前时段下应当花费的预算；
步骤a4：判断预算是否大于零，如果是，则进行步骤5，如果否，则执行终止；
步骤a5：确认是否变更该时段内该计划的投放目标，确认是否设置预算花费下限，确认完成之后进行步骤a6；
步骤a6：读取预定计划关键词历史出价数据，得到各个关键词历史出价的最值；
步骤a7：针对每个关键词，计算竞价决策优化问题中出价的实际上下限；
步骤a8：针对每个关键词，选择出价范围内有限个离散的可选出价；
步骤a9：基于投放预测模型，求解技术解决方案中的预算约束下的优化问题；
步骤a10：将决策结果更新至电商服务商推广工具中。
关键词投放效果预测步骤：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策；投放预测模型的构建包括如下步骤：
数据采集步骤：采集预设时长的历史分时数据中各小时时段内的投放指标及出价数据；数据采集步骤中，投放指标为如下投放指标中的一种或多种：展现量、点击量、点击率、加购收藏率、点击转化率、成交金额、投资回报率；
特征选取步骤：选取如下特征中的一种或多种：分时特征、所处营销活动状态、星期状态；所选取的特征应当满足以下条件：a、实际影响到投放效果；b、客观不可变动(如小时、星期)或者是搜索广告推广范畴外所决定的(如运营所决定的营销活动状态)；实际选取时可能需要一定数据分析或者借助专家经验；
数据集构建步骤：基于选取的特征和历史分时投放数据，按比例划分为训练数据集与验证数据集；
模型训练步骤：根据训练数据集与验证数据集，采用随机森林回归模型进行关键词分时投放预测模型的训练；
基于投放预测模型进行决策具体为：获取该时段内的优化目标及预算约束、可选关键词列表及各关键词的出价范围约束，基于关键词投放预测模型求解该约束下最优化问题；最优化问题表述为：
Figure BDA0003994025330000071
Figure BDA0003994025330000072
Figure BDA0003994025330000073
xi∈{0,1}
其中，KPI()表示具体的投放优化目标函数，pi为第i个关键词的出价；xi为决策变量；bt为计划花费；
Figure BDA0003994025330000074
为t时段内计划花费下限，取值范围为[0,bt)，第i个关键词的出价下限约束为/>
Figure BDA0003994025330000075
第i个关键词的出价上限约束为/>
Figure BDA0003994025330000076
max表示最大值；∑i表示对内部的i项求和；s.t.表示其之前的项需满足其之后的所有约束要求；xi∈{0,1}表示决策变量xi只能取0或者1，0表示关键词不参与竞价，1表示关键词参与竞价。
关键词投放效果预测步骤具体包括如下步骤：
步骤b1：判断投放计划是否属于冷启动，如果是，则进行步骤2.1，如果否，则进行步骤2.2；
步骤b2.1：读取至少一个月以上的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b2.2：读取至少前一日的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b3：向历史投放数据中补充额外特征，并划分训练集和验证集；
步骤b4：判断投放计划是否属于冷启动，如果是，则进行步骤5.1，如果否，则进行步骤5.2；
步骤b5.1：利用随机森林回归模型进行预测模型的训练，完成基于随机森林回归模型的预测模型的构建；
步骤b5.2：读取已有预测模型，根据读取结果，砍去部分存在时间最长的树(即历史上最先训练得到)，并针对新增的数据构建植入新的树，完成基于随机森林回归模型的预测模型的更新。
本实施例解决了关键词选择与竞价策略不稳定且应用不及时、只追求单周期内投放指标最优而缺乏多周期下预算分配与竞价相关策略的问题，提供了一种多周期下基于关键词投放预测的电商推广策略方法。
本实施例基于计划投放历史展现量的分时统计数据，在单日内每个决策时段将剩余的日预算按权重分配至剩余的每个小时时段中；在确定投放预测的相关特征与预测指标后，采用随机森林回归(Random Forrest Regressor)模型，并通过砍树/植树的更新策略来学习新接收到的增量历史数据；在各个投放周期内(例如：每小时)，在所分配的预算约束下，基于关键词投放预测模型，选择最优的关键词竞价组合予以投放。
本实施例还提供一种多渠道搜索广告实时竞价全局优化系统，所述多渠道搜索广告实时竞价全局优化系统可以通过执行所述多渠道搜索广告实时竞价全局优化方法的流程步骤予以实现，即本领域技术人员可以将所述多渠道搜索广告实时竞价全局优化方法理解为所述多渠道搜索广告实时竞价全局优化系统的优选实施方式。
本实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的多渠道搜索广告实时竞价全局优化方法的步骤。
本实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述的多渠道搜索广告实时竞价全局优化方法的步骤。
实施例2：
本实施例提供一种多渠道搜索广告实时竞价全局优化系统，包括如下模块：
预算分配及选词出价模块：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；
关键词投放效果预测模块：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。
实施例3：
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
本实施例提供一种多周期下基于关键词投放预测的电商推广策略方法，所解决的问题为：给定一个计划的日预算，在投放指标最优以及预算消耗相对稳定合理的目标下，如何在不同时段合理设置不同的关键词及其出价，该方法技术方案如下所述。
其一，解决如何将计划的日预算合理分配到各个不同时段周期内的问题。
首先，采集该计划投放历史分时数据中各小时时段内展现量增量数据{0,imp1,…,imp23}，这里所选用的历史分时展现量数据可以是一定天数内(例如：最近7日)的分时段展现量增量的统计平均；其次，读取当前决策时刻t下(一般为整点时分)以及当日所剩余的预算Bt，如果此时Bt＝0，则当日的计划投放自动结束；最后，将各小时时段内展现量增量数据作为权重，将Bt按权分配到各个分时时段中，得到当前时段下应当花费的预算bt；上述步骤使得日预算的分配大体符合日内可获取流量展现的波动特征，也兼具了实际投放中各时段实际花费与预期花费存在偏差时的动态调整属性。
其二，解决如何在单个时段预算的约束下设置合理的关键词及其出价以期特定投放指标最优的问题。
这里的投放指标可以是展现量、点击量、点击率、加购收藏率、点击转化率、成交金额(Gross Merchandise Volume，GMV)、投资回报率(Rate of Interest,ROI)等常用投放指标中的任何一个，为了解决该问题，需要先构建关键词分时段的投放预测模型，后再基于预测模型进行决策。
针对上述预测模型的构建，相应步骤包括投放历史数据采集、特征选取、训练数据集验证数据集的构建与模型训练。首先，采集一定时长(例如：近两个月)的历史分时数据中各小时时段内的展现量、点击量、收藏加购、花费等投放指标及出价数据，涉及转化及成交相关的指标存在滞后性，与分时特征相关性不高且一般难以追根朔源，所以可选取一定时长(例如：近一周)的历史数据的统计平均值作为参考；其次，在特征选取方面，除分时特征外，还可以考虑的特征包括但不限于所处营销活动状态(例如：无活动、小促预热、小促活动、大促预热、大促活动等)、星期状态(例如：工作日、周末等)等，然后，基于选取的特征和历史分时投放数据，按比例划分为训练数据集与验证数据集；最后，采用随机森林回归模型进行关键词分时投放预测模型的训练，如果处于冷启动状态(即近期没有训练过的预测模型存在)，则可以选取较长时长的历史分时数据进行训练(例如：近两个月)；否则，仅选取最近增量更新(例如：近一周)的历史分时数据，并采用砍树/植树的更新策略来更新模型，确保模型在随时间更新的同时训练所涉及的数据量与时长均在可控范围内。此外，预测模型的构建(包括更新)一般没有必要在每个分时竞价决策的时刻进行，而可以以相对分时竞价决策更慢的频率(例如：每天1次、每周1次等)进行。
针对基于预测模型的竞价决策，大致流程包括先获取该时段内的优化目标及预算约束bt、可选关键词列表W(长度为I)及各关键词wi(i∈W,i∈{1,2,…,I})的出价范围约束
Figure BDA0003994025330000091
再基于关键词投放预测模型(给出不同出价下的花费Cost和投放指标)来求解该约束下最优化问题，该问题表述如下：/>
Figure BDA0003994025330000092
Figure BDA0003994025330000093
Figure BDA0003994025330000101
xi∈{0,1}(4)
其中，pi为第i个关键词的出价；xi为决策变量，0表示关键词不参与竞价，1表示关键词参与竞价；
Figure BDA0003994025330000102
为t时段内计划花费下限，取值范围为[0,bt)，在部分情况下(例如：KPI为一些比值类指标时、商户存在最低花费要求时)需要进行设置。为便于求解，pi可选择出价范围约束内有限的离散取值。为使关键词预测与决策具有一定探索性，出价上下限约束
Figure BDA0003994025330000103
不必完全拘束于历史数据中存在的出价最值(例如：出价上限取历史出价最大值的105％，出价下限取历史出价最小值的95％)。上述基于混合整数规划的建模在求解过程中可以采取相应算法(例如：基于混合整数规划求解器CPLEX或Gurobi的算法、启发式搜索算法等)进行求解。
实施例4：
本领域技术人员可以将本实施例理解为实施例1、实施例2、实施例3的更为具体的说明。
本实施例在实施过程中，主要包含：1)单个投放周期内预算分配及选词出价模块(每个投放周期开始前需要执行，投放周期一般开始于每个整点时刻t)；2)关键词投放效果预测模块(每隔多个投放周期之后)，下面对两个模块各自具体的实施步骤进行阐述。
(一)单个投放周期内预算分配及选词出价模块步骤：
Step 1：设置当日该计划的投放目标(即后续关键词选词竞价决策的优化目标)；
Step 2：读取时刻t下的某计划当日剩余预算Bt，读取该计划投放历史分时数据中各小时时段内展现量增量数据{0,mp1,…,imp23}；该步骤需借助电商服务商推广工具所提供的API；
Step 3：计算当前时段下应当花费的预算bt＝t*mpt/∑t≤τ≤23impτ；
Step 4：如果bt>0，转入Step 5；否则，执行终止；
Step 5：确认是否变更该时段内该计划的投放目标(可选，若不变更则沿用Step 1中的目标)，确认是否设置预算花费下限(可选，若不则花费下限约束为0)；
Step 6：读取该计划关键词历史出价数据，得到各个关键词wi历史出价的最值
Figure BDA0003994025330000104
该步骤需借助电商服务商推广工具所提供的报表功能；
Step 7：针对每个关键词wi，计算竞价决策优化问题中出价的实际上下限
Figure BDA0003994025330000105
该步骤主要目的在于使关键词投放预测与决策具有一定探索性，但考虑到预测回归模型的外延准确性较难保证，需注意ε的取值；实际实施时，关键词出价的上下限需要满足电商服务商所提供工具的规则，例如：淘宝直通车关键词出价的最低值为0.05元；
Step 8：针对每个关键词wi，选择出价范围
Figure BDA0003994025330000111
内有限个(例：等间距选取5个)离散的可选出价；
Step 9：基于投放预测模型，求解技术解决方案中所述的预算约束下的优化问题；该步骤具体可以采用基于混合整数规划求解器CPLEX或Gurobi的算法、启发式搜索算法等，求解效率视问题具体复杂度(关键词个数*离散可选出价个数)及所选用算法综合而定；
Step 10：将决策结果更新至电商服务商推广工具中；该步骤需借助电商服务商推广工具所提供的API或人工手动更新。
(二)关键词投放效果预测模块步骤：
Step 1：如果属于冷启动(不存在近期训练过的预测模型)，转入Step 2a；否则，转入Step 2b；
Step 2a：读取较长时间范围(例如：近2个月)内的该计划关键词的历史分时数据与分日数据；
Step 2b：读取最近增量更新时间范围(例如：近1周)内的该计划关键词的历史分时数据与分日数据；展现量、点击量、收藏加购、花费等投放指标以及出价数据需要分时读取，涉及转化及成交相关的投放指标数据只需要按天读取并进行统计平均处理，例如：近1周；该步骤需借助电商服务商推广工具所提供的API及报表功能；
Step 3：向历史投放数据中补充额外特征，并划分训练集和验证集；除分时特征之外的额外特征包括但不限于所处营销活动状态(例如：无活动、小促预热、小促活动、大促预热、大促活动等)、星期状态(例如：工作日、周末等)等；
Step 4：如果属于冷启动，转入Step 5a；否则，转入Step 5b；
Step 5a：利用随机森林回归模型进行预测模型的训练，完成基于随机森林回归模型的预测模型的构建；
Step 5b：读取已有预测模型，针对性砍去部分存在时间较长的树，并针对新增的数据构建植入新的树，完成基于随机森林回归模型的预测模型的更新；砍树及植树棵数相对于森林总棵数的比值一般等于新增数据时间跨度与冷启动用数据时间跨度的比值；如果采用Python语言来应用上述随机森林回归模型，可以直接采用scikit-learn库中的RandomForest Regressor类。
本发明将计划投放历史展现量的分时统计数据作为日预算向小时分时段预算分配的权重，结合可选可配置的单时段内预算花费下限，可以使得投放计划整天的预算花费更为平稳合理；采用随机森林回归(Random Forrest Regressor)模型辅以砍树/植树更新策略来进行投放预测模型的学习和更新，确保模型在更新时所涉及的数据量更小，训练时长更低，训练速度更快；在各个投放周期内的预算约束下，动态选择最优的关键词竞价组合予以投放，选词出价更灵活更有依据。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种多渠道搜索广告实时竞价全局优化方法，其特征在于，包括如下步骤：
预算分配及选词出价步骤：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；
关键词投放效果预测步骤：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。
2.根据权利要求1所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述预算分配及选词出价步骤中，所选用的历史分时展现量数据是预设天数内的分时段展现量增量的统计平均。
3.根据权利要求2所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述决策时刻为整点时分，如果当日所剩余的预算为零，则当日的预定计划投放结束。
4.根据权利要求1所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述关键词投放效果预测步骤中，所述投放预测模型的构建包括如下步骤：
数据采集步骤：采集预设时长的历史分时数据中各小时时段内的投放指标及出价数据；
特征选取步骤：选取如下特征中的一种或多种：分时特征、所处营销活动状态、星期状态；
数据集构建步骤：基于选取的特征和历史分时投放数据，按比例划分为训练数据集与验证数据集；
模型训练步骤：根据训练数据集与验证数据集，采用随机森林回归模型进行关键词分时投放预测模型的训练。
5.根据权利要求4所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述数据采集步骤中，所述投放指标为如下投放指标中的一种或多种：展现量、点击量、点击率、加购收藏率、点击转化率、成交金额、投资回报率。
6.根据权利要求1所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述基于投放预测模型进行决策具体为：
获取该时段内的优化目标及预算约束、可选关键词列表及各关键词的出价范围约束，基于关键词投放预测模型求解该约束下最优化问题。
7.根据权利要求6所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述最优化问题表述为：
Figure FDA0003994025320000021
Figure FDA0003994025320000022
Figure FDA0003994025320000023
xi∈{0,1}
其中，KPI()表示具体的投放优化目标函数，pi为第i个关键词的出价；xi为决策变量；bt为计划花费；
Figure FDA0003994025320000024
为t时段内计划花费下限，取值范围为[0,bt)，第i个关键词的出价下限约束为/>
Figure FDA0003994025320000025
第i个关键词的出价上限约束为/>
Figure FDA0003994025320000026
max表示最大值；∑i表示对内部的i项求和；s.t.表示其之前的项需满足其之后的所有约束要求；xi∈{0,1}表示决策变量xi只能取0或者1，0表示关键词不参与竞价，1表示关键词参与竞价。
8.根据权利要求1所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述预算分配及选词出价步骤具体包括如下步骤：
步骤a1：设置当日预定计划的投放目标；
步骤a2：读取当日剩余预算，读取所述预定计划投放历史分时数据中各小时时段内展现量增量数据；
步骤a3：计算当前时段下应当花费的预算；
步骤a4：判断预算是否大于零，如果是，则进行步骤5，如果否，则执行终止；
步骤a5：确认是否变更该时段内该计划的投放目标，确认是否设置预算花费下限，确认完成之后进行步骤a6；
步骤a6：读取预定计划关键词历史出价数据，得到各个关键词历史出价的最值；
步骤a7：针对每个关键词，计算竞价决策优化问题中出价的实际上下限；
步骤a8：针对每个关键词，选择出价范围内有限个离散的可选出价；
步骤a9：基于投放预测模型，求解技术解决方案中所述的预算约束下的优化问题；
步骤a10：将决策结果更新至电商服务商推广工具中。
9.根据权利要求1所述的多渠道搜索广告实时竞价全局优化方法，其特征在于，所述关键词投放效果预测步骤具体包括如下步骤：
步骤b1：判断投放计划是否属于冷启动，如果是，则进行步骤2.1，如果否，则进行步骤2.2；
步骤b2.1：读取至少一个月以上的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b2.2：读取至少前一日的预定计划关键词的历史分时数据与分日数据，然后进行步骤b3；
步骤b3：向历史投放数据中补充额外特征，并划分训练集和验证集；
步骤b4：判断投放计划是否属于冷启动，如果是，则进行步骤5.1，如果否，则进行步骤5.2；
步骤b5.1：利用随机森林回归模型进行预测模型的训练，完成基于随机森林回归模型的预测模型的构建；
步骤b5.2：读取已有预测模型，根据读取结果，砍去部分存在时间最长的树，并针对新增的数据构建植入新的树，完成基于随机森林回归模型的预测模型的更新。
10.一种多渠道搜索广告实时竞价全局优化系统，其特征在于，包括如下模块：
预算分配及选词出价模块：采集预定计划投放历史分时数据中各小时时段内展现量增量数据；读取当前决策时刻下以及当日所剩余的预算；将各小时时段内展现量增量数据作为权重，将当日剩余的预算按权重分配到各个分时时段中，得到当前时段下应当花费的预算；
关键词投放效果预测模块：构建关键词分时段的投放预测模型，根据当前时段下应当花费的预算，基于投放预测模型进行决策。
CN202211606175.8A 2022-12-12 2022-12-12 多渠道搜索广告实时竞价全局优化方法及系统 Withdrawn CN116151894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211606175.8A CN116151894A (zh) 2022-12-12 2022-12-12 多渠道搜索广告实时竞价全局优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211606175.8A CN116151894A (zh) 2022-12-12 2022-12-12 多渠道搜索广告实时竞价全局优化方法及系统

Publications (1)

Publication Number Publication Date
CN116151894A true CN116151894A (zh) 2023-05-23

Family

ID=86349838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211606175.8A Withdrawn CN116151894A (zh) 2022-12-12 2022-12-12 多渠道搜索广告实时竞价全局优化方法及系统

Country Status (1)

Country Link
CN (1) CN116151894A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408751A (zh) * 2023-12-15 2024-01-16 江西时刻互动科技股份有限公司 一种多渠道的广告投放管理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408751A (zh) * 2023-12-15 2024-01-16 江西时刻互动科技股份有限公司 一种多渠道的广告投放管理方法
CN117408751B (zh) * 2023-12-15 2024-04-09 江西时刻互动科技股份有限公司 一种多渠道的广告投放管理方法

Similar Documents

Publication Publication Date Title
CN108269123B (zh) 广告投放控制方法及装置
US8473339B1 (en) Automatically switching between pricing models for services
Chan et al. Consumer search activities and the value of ad positions in sponsored search advertising
US20120253926A1 (en) Selective delivery of content items
CN108256879A (zh) 一种广告投放速率调整方法、装置和设备
US20080255921A1 (en) Percentage based online advertising
Guo et al. Multigeneration product diffusion in the presence of strategic consumers
US20120130798A1 (en) Model sequencing for managing advertising pricing
US8719081B1 (en) Bid adjustment scheduling for electronic advertising
US20120303464A1 (en) Unified yield management for display advertising
US20140114717A1 (en) Task Schedule Modification
CN104252680B (zh) 关键字自动化出价方法及搜索引擎营销系统
US20210103861A1 (en) Dynamic optimization for jobs
CN102222299A (zh) 清单管理
CN106296247B (zh) 网络信息资源在线排序方法和装置
CN111899041A (zh) 信息投放的处理和投放方法、装置、设备及存储介质
US20130346218A1 (en) Bidding on Impression Opportunities Using Confidence Indicators
US20120130828A1 (en) Source of decision considerations for managing advertising pricing
US20160140577A1 (en) Unified marketing model based on conduit variables
US10181130B2 (en) Real-time updates to digital marketing forecast models
Albers et al. Models for sales management decisions
US20120030012A1 (en) Yield optimization for advertisements
CN116151894A (zh) 多渠道搜索广告实时竞价全局优化方法及系统
US20130103491A1 (en) Computer-Implemented Systems and Methods for Facilitating the Distribution of Advertisements
US20120054027A1 (en) Network based advertisement system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20230523

WW01 Invention patent application withdrawn after publication