TW201545091A - 推廣資訊的處理方法、裝置及系統 - Google Patents

推廣資訊的處理方法、裝置及系統 Download PDF

Info

Publication number
TW201545091A
TW201545091A TW103134412A TW103134412A TW201545091A TW 201545091 A TW201545091 A TW 201545091A TW 103134412 A TW103134412 A TW 103134412A TW 103134412 A TW103134412 A TW 103134412A TW 201545091 A TW201545091 A TW 201545091A
Authority
TW
Taiwan
Prior art keywords
promotion information
keyword
feature
information
intention
Prior art date
Application number
TW103134412A
Other languages
English (en)
Other versions
TWI662495B (zh
Inventor
Cheng-Fu Huo
Po Li
Feng Lin
Original Assignee
Alibaba Group Services 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 Alibaba Group Services Ltd filed Critical Alibaba Group Services Ltd
Publication of TW201545091A publication Critical patent/TW201545091A/zh
Application granted granted Critical
Publication of TWI662495B publication Critical patent/TWI662495B/zh

Links

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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0243—Comparative campaigns
    • 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
    • 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
    • G06F16/2468—Fuzzy queries
    • 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
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本發明提供推廣資訊的處理方法、裝置及系統。一方面，本發明實施例由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，保證了PS與RS的計算邏輯的一致性，能夠避免由於PS與RS的計算邏輯不一致而導致的推廣資訊的品質與推廣資訊的展現位置不一致的問題，從而提高了推廣資訊的推送有效性。

Description

推廣資訊的處理方法、裝置及系統
本發明係關於資訊推送技術，尤其係關於推廣資訊的處理方法、裝置及系統。
近年來，隨著網際網路技術的發展，逐漸興起了推廣資訊的推送服務，例如，廣告推送、遊戲推送或應用推送等。推廣資訊的推廣評分(Promotion Score，PS)，是推廣商在推廣資訊的推送時能夠獲得的後台操作平台唯一回饋的推廣資訊的品質即推廣資訊與關鍵詞的相關性的標準。推廣商可以根據推廣資訊的PS，為自己的推廣資訊選擇相關的關鍵詞(Keyword)，並針對每個關鍵詞給出一個價格即關鍵詞的價格(BidPrice)，以供搜尋引擎在每個查詢詞下，根據推廣商所給出的價格和推廣資訊的預測點擊率(estimated Click Through Rate，eCTR)，計算出推廣資訊的排序評分(Rank Score，RS)，以對推廣資訊進行展現位置的排序。
然而，由於PS與RS的計算邏輯不一致，因此，可能會出現推廣資訊的品質與推廣資訊的展現位置不一致的 情況，例如，PS較高的推廣資訊並不一定能夠獲得RS較好的展現位置等情況，從而導致了推廣資訊的推送有效性的降低。另外一個問題是現有技術未考慮隱藏詞干預和類目特徵匹配，導致PS的計算不夠準確。
本發明的多個方面提供推廣資訊的處理方法、裝置及系統，用以提高推廣資訊的推送有效性，或者提高推廣資訊的PS的準確性。
本發明的一方面，提供一種推廣資訊的處理方法，包括：根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊；根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵；根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR；根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS；根據所述RS，確定所述推廣資訊的展現位置。
如上所述的方面和任一可能的實現方式，進一步提供 一種實現方式，所述根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR之前，還包括：根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵；根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述關鍵詞，獲得所述關鍵詞的初始意圖，包括：根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵 詞的初始意圖。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述推廣資訊與所述查詢詞的相關性特徵包括：所述推廣資訊與所述查詢詞的組合特徵。
本發明的另一方面，提供一種推廣資訊的處理裝置，包括：匹配單元，用於根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊；特徵單元，用於根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵； 預測單元，用於根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR；評分單元，用於根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS；確定單元，用於根據所述RS，確定所述推廣資訊的展現位置。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述特徵單元所獲得的所述推廣資訊與所述查詢詞的相關性特徵包括：所述推廣資訊與所述查詢詞的組合特徵。
本發明的另一方面，提供一種推廣資訊的處理系統，包括後台操作平台和上述方面所提供的推廣資訊的處理裝置；其中，所述後台操作平台，用於獲得所述推廣資訊的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述後台操作平台，還用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵；以及根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述後台操作平台，具體用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；以及根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述後台操作平台，具體用於根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；以及根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述後台操作平台，具體用於利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；以及根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
本發明的另一方面，提供另一種推廣資訊的處理方 法，包括：獲取待處理的推廣資訊；根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
本發明的另一方面，提供另一種推廣資訊的處理方法，包括：獲取待處理的推廣資訊； 根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；根據所述推廣資訊、所述推廣資訊的關鍵詞和隱藏詞干預特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述根據所述推廣資訊、所述推廣資訊的關鍵詞和隱藏詞干預特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；利用所述隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
本發明的另一方面，提供另一種推廣資訊的處理裝置，包括： 獲取單元，用於獲取待處理的推廣資訊；文本匹配單元，用於根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；意圖匹配單元，用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；評分單元，用於根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述意圖匹配單元，具體用於根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；以及根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
本發明的另一方面，提供另一種推廣資訊的處理裝置，包括：獲取單元，用於獲取待處理的推廣資訊； 文本匹配單元，用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；意圖匹配單元，用於根據所述推廣資訊、所述推廣資訊的關鍵詞和隱藏詞干預特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；評分單元，用於根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述意圖匹配單元，具體用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；利用所述隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；以及根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
由上述技術方案可知，一方面，本發明實施例通過根據用戶輸入的查詢詞和與該查詢詞匹配的推廣資訊，獲得 所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，進而根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR，使得能夠根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS，以供根據所述RS，確定所述推廣資訊的展現位置，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，保證了PS與RS的計算邏輯的一致性，能夠避免由於PS與RS的計算邏輯不一致而導致的推廣資訊的品質與推廣資訊的展現位置不一致的問題，從而提高了推廣資訊的推送有效性。
另外，採用本發明提供的技術方案，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，使得能夠通過優化推廣資訊的品質來改善推廣資訊的展現位置，這樣，能夠很好的滿足推廣商的收益需求。
另外，採用本發明提供的技術方案，由於所述推廣資訊與所述查詢詞的相關性特徵中的所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵為推廣資訊的PS的計算因數，使得可以利用推廣資訊的PS代替所述推廣資訊與所述查詢詞的相關性特徵中所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，作為一個新的計算因數引入eCTR，因此，所述查詢詞與所述推廣資訊的文 本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，無需參與eCTR的計算，能夠有效降低eCTR預測的複雜度，從而提高了查詢的效率。
另外，採用本發明提供的技術方案，由於沒有改變推廣資訊的PS的計算邏輯，在推廣資訊的內容不修改的情況下，只需要計算一次即可存入資料庫，無需更新，能夠有效避免計算資源耗費，且不會影響計算性能。
由上述技術方案可知，另一方面，本發明實施例通過根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
由上述技術方案可知，另一方面，本發明實施例通過利用隱藏詞干預特徵，對關鍵詞的初始意圖和推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
21‧‧‧匹配單元
22‧‧‧特徵單元
23‧‧‧預測單元
24‧‧‧評分單元
25‧‧‧確定單元
31‧‧‧後台操作平台
32‧‧‧推廣資訊的處理裝置
61‧‧‧獲取單元
62‧‧‧文本匹配單元
63‧‧‧意圖匹配單元
64‧‧‧評分單元
71‧‧‧獲取單元
72‧‧‧文本匹配單元
73‧‧‧意圖匹配單元
74‧‧‧評分單元
為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作一簡單地介紹，顯而易見地，下面描述中的圖式是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。
圖1為本發明一實施例提供的一種推廣資訊的處理方法的流程示意圖；圖2為本發明另一實施例提供的一種推廣資訊的處理裝置的結構示意圖；圖3為本發明另一實施例提供的一種推廣資訊的處理系統的結構示意圖；圖4為本發明另一實施例提供的另一種推廣資訊的處理方法的流程示意圖；圖5為本發明另一實施例提供的另一種推廣資訊的處理方法的流程示意圖；圖6為本發明另一實施例提供的另一種推廣資訊的處理裝置的結構示意圖；圖7為本發明另一實施例提供的另一種推廣資訊的處理裝置的結構示意圖。
為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的圖式，對本發明實施例 中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的全部其他實施例，都屬於本發明保護的範圍。
需要說明的是，本發明實施例中所涉及的終端可以包括但不限於手機、個人數位助理(Personal Digital Assistant，PDA)、無線手持裝置、無線上網本、個人電腦、便攜電腦、平板電腦、MP3播放機、MP4播放機、可穿戴設備(例如，智慧眼鏡，智慧手錶，智慧手環)等。
另外，本文中術語“和/或”，僅僅是一種描述關聯物件的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字元“/”，一般表示前後關聯物件是一種“或”的關係。
圖1為本發明一實施例提供的一種推廣資訊的處理方法的流程示意圖，如圖1所示，該處理方法包括101~105五個執行模組。
需要說明的是，101~105的執行主體可以是搜尋引擎，可以位於本地的應用中，或者還可以位於網路側的伺服器中，本實施例對此不進行特別限定。
可以理解的是，所述應用可以是安裝在終端上的應用程式(nativeApp)，或者還可以是終端上的瀏覽器的一個網頁(webApp)，只要能夠實現查詢詞的搜尋，以提 供與之匹配的推廣資訊的客觀存在形式都可以，本實施例對此不進行限定。
101、根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊。
可選地，在本實施例的一個可能的實現方式中，在101中，搜尋引擎具體可以採用精確匹配方法，精確匹配出與用戶輸入的查詢詞對應的推廣商為推廣資訊所選擇的關鍵詞，或者還可以採用模糊匹配方法，模糊匹配出與用戶輸入的查詢詞對應的推廣商為推廣資訊所選擇的關鍵詞，進而再根據所匹配出的關鍵詞，獲得與該關鍵詞綁定的推廣資訊，本實施例對查詢詞的匹配方法不進行特別限定。
具體地，推廣商具體可以根據推廣資訊，為所述推廣資訊選擇相關的一個或多個關鍵詞。例如，推廣資訊為一家花店的廣告，那麼，則可以為該推廣資訊選擇一個關鍵詞即“鮮花”，或者還可以選擇多個關鍵詞即“鮮花”、“鮮花速遞”和“鮮花預定”等。
其中，搜尋引擎所採用的精確匹配方法和模糊匹配方法的詳細描述可以參見現有技術中的相關內容，此處不再贅述。
可以理解的是，搜尋引擎通過執行101所獲得的推廣資訊可以為多個推廣資訊，只要與查詢詞能夠匹配的關鍵詞所綁定的推廣資訊，均可以作為101的執行結果。
102、根據所述推廣資訊和所述查詢詞，獲得所述推 廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵。
可選地，在本實施例的一個可能的實現方式中，在102中，搜尋引擎具體可以根據所述推廣資訊，獲得所述推廣資訊的內容特徵。例如，推廣資訊的標題的中心詞、推廣資訊的標題中的高頻詞、推廣資訊的標識資訊(ID)、推廣資訊的類目標識、推廣資訊的歷史平均點擊率等。
可選地，在本實施例的一個可能的實現方式中，在102中，搜尋引擎具體可以根據所述查詢詞，獲得所述查詢詞的內容特徵。例如，查詢詞的標識資訊(ID)、查詢詞中的名稱、查詢詞本身、查詢詞中的形容詞、查詢詞中的型號、查詢詞的歷史平均點擊率等。
可選地，在本實施例的一個可能的實現方式中，在102中，搜尋引擎具體可以根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊與所述查詢詞的相關性特徵。
具體地，所述推廣資訊與所述查詢詞的相關性特徵具體可以包括所述推廣資訊與所述查詢詞的相關性特徵中，除了所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵之外，的其他特徵，即所述推廣資訊與所述查詢詞的組合特徵。例如，推廣資訊的標題的中心詞與查詢詞的組合特徵，或者，再例如，推廣資訊的ID與查詢詞的ID的組合特徵等。
103、根據所述推廣資訊的PS、所述推廣資訊的內容 特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR。
由於所述推廣資訊與所述查詢詞的相關性特徵中的所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵為推廣資訊的PS的計算因數，使得可以利用推廣資訊的PS代替所述推廣資訊與所述查詢詞的相關性特徵中所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，作為一個新的計算因數引入eCTR，因此，所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，無需參與eCTR的計算，能夠有效降低eCTR預測的複雜度，從而提高了查詢的效率。
可選地，在本實施例的一個可能的實現方式中，在103中，搜尋引擎具體可以根據所述推廣資訊，利用預先獲得的推廣資訊與推廣資訊的PS的對應關係，獲得與所述推廣資訊對應的所述推廣資訊的PS。
可以理解的是，一般來說，一個推廣資訊的關鍵詞不止一個，因此，相應地，推廣資訊的PS也不止一個。具體地，搜尋引擎選擇哪個PS，需要進一步根據用戶所輸入的查詢詞來確定。
例如，搜尋引擎可以選擇推廣資訊在與用戶所輸入的查詢詞最相似的關鍵詞下的PS，具體的匹配方法，可以參考現有技術中的任意一種文本匹配方法的相關內容，此 處不再贅述。
具體地，在103之前，還可以進一步建立推廣資訊與推廣資訊的PS的對應關係。具體地，後台操作平台可以根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵。然後，所述後台操作平台則可以根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的PS，以建立推廣資訊與推廣資訊的PS的對應關係。
其中，所述規則模型具體可以利用用戶點擊行為資料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
具體地，所述後台操作平台具體可以根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。 通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
具體地，所述後台操作平台具體可以根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊 B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些關鍵詞的含義較為寬泛，使得無法根據關鍵詞，準確定位關鍵詞的初始意圖。可選地，所述後台操作平台具體可以根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。其中，所述後台操作平台具體可以根據用戶點擊行為資料，獲得所述關鍵詞與類目匹配特徵的對應關係。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，如果沒有任何輔助資訊，對於“2014 women”這個關鍵詞，後台操作平台很難獲得用戶的真正意圖，導致後台操作平台給不出用戶期望的推廣資訊。如果指定時間範圍內如近一個月內用戶點擊行為資料顯示，用戶輸入查詢詞“2014 women”之後，60%的用戶點擊了女士服裝類目的產品，40%的用戶點擊了女士鞋子類目的產品，那麼，後台操作平台則會基於用戶點擊行為資料預測“2014 women”這個關鍵詞的類目匹配特徵是女士服裝和女士鞋子。有了“2014 women”類目匹配特徵的這一預測結果之後，當推廣商利用後台操作平台推廣女士服裝和女士鞋子類目的推廣資訊時，如果選擇關鍵詞為“2014 women”進行綁定，那麼，推廣資訊的PS就會判定為優。
因此，在一種實施方式中，後台操作平台所利用的推 廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_cm可以表示類目匹配(category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
由於一些推廣資訊的主題的中心詞或者關鍵詞的中心詞可能會被錯誤地識別，使得無法根據所識別出的中心詞，準確定位推廣資訊的初始意圖。可選地，後台操作平台具體可以利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，假設關鍵詞為“iphone”，推廣資訊的標題為“2014 best sellingiphone case”，如果標題的中心詞被識別為iphone，那麼，後台操作平台就會判斷推廣資訊與關 鍵詞的意圖匹配一致。然而，其實推廣資訊的內容其實是iphone case(手機殼)，其中，case就屬於隱藏詞，也就是說，推廣資訊與關鍵詞的意圖匹配不一致。為了避免上述情況，後台操作平台則可以利用所儲存的隱藏詞干預特徵，如果推廣資訊的標題中有case，那麼，就會將標題的中心詞由iphone修正為iphone case，從而保證了推廣資訊的真正意圖能夠被正確識別，不被曲解。
因此，在另一種實施方式中，後台操作平台所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
結合上述兩種實施方式所提供的內容，還可以在另一種實施方式中，後台操作平台所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；fea_cm可以表示類目匹配 (category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
其中，所述規則模型具體可以利用用戶點擊行為資料，對邏輯回歸(Logistic Regression，LR)模型進行訓練，獲得。其中，該預測模型的特徵可以包括但不限於推廣資訊的PS、推廣資訊的內容特徵和查詢詞的內容特徵、以及推廣資訊與查詢詞的相關性特徵。
具體地，用戶點擊行為資料的內容格式可以為表1所示，其中，可以包括但不限於查詢詞(Query)、推廣資訊的標識資訊(Product_ID)、推廣資訊的標題(Title)、推廣資訊的展現位置(Rank)、推廣資訊是否被點擊(Is_Click)等欄位。
可選地，在利用用戶點擊行為資料進行模型訓練之前，還可以進一步對用戶點擊行為資料進行預處理，例如，反欺詐、反爬蟲資料過濾、虛曝光資料過濾等。
例如，可以根據用戶在每個網頁的停留時間長短，判斷推廣資訊是否真正曝光(被用戶瀏覽)，過濾掉停留時間過短的虛曝光，能夠有效地提高預處理得到的用戶點擊行為資料的品質。
具體可以採用如下運算式所表示 的預處理模型，對用戶點擊行為資料進行預處理。其中，t表示停留時間，T為基於大量資料統計得到的閾值。當t T時表明用戶在該頁面停留了足夠長的時間，真正瀏覽到了該頁面展現的推廣資訊，否則該頁面展現的推廣資訊就沒有真正曝光。如，當用戶快速從搜尋結果頁面的最上方拉到最下方時，中間所展現的推廣資訊就沒有被用戶瀏覽到，不算真正的曝光，在選擇樣本資料時，則可以剔除這部分資料，提高預測模型的樣本資料的可信度。
基於上述描述，搜尋引擎所利用的eCTR的計算公式可以表示為如下形式：eCTR=f2(fea_p，fea_q，fea_r，fea_ps)。
其中，fea_p可以表示推廣資訊(product)的內容特徵；fea_q可以表示查詢詞(query)的內容特徵；fea_r可以表示推廣資訊與查詢詞的相關性(relative)特徵；fea_ps可以表示推廣資訊的PS特徵；f2函數可以表示基於LR模型訓練所獲得的預測模型。詳細描述可以參見現有技術中LR模型的訓練方法的相關內容，此處不再贅述。
104、根據所述eCTR和所述查詢詞的價格，獲得所 述推廣資訊的RS。
可選地，在本實施例的一個可能的實現方式中，在104中，搜尋引擎具體可以根據所述eCTR和所述查詢詞的價格，利用公式RS=eCTR*BidPrice，獲得所述推廣資訊的RS。
105、根據所述RS，確定所述推廣資訊的展現位置。
可選地，在本實施例的一個可能的實現方式中，在105中，搜尋引擎具體可以根據每個推廣資訊的RS所排列的逆序，確定推廣資訊的展現位置。
本實施例中，通過根據用戶輸入的查詢詞和與該查詢詞匹配的推廣資訊，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，進而根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR，使得能夠根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS，以供根據所述RS，確定所述推廣資訊的展現位置，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，保證了PS與RS的計算邏輯的一致性，能夠避免由於PS與RS的計算邏輯不一致而導致的推廣資訊的品質與推廣資訊的展現位置不一致的問題，從而提高了推廣資訊的推送有效性。
另外，採用本發明提供的技術方案，由於將用於表徵 推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，使得能夠通過優化推廣資訊的品質來改善推廣資訊的展現位置，這樣，能夠很好的滿足推廣商的收益需求。
另外，採用本發明提供的技術方案，由於所述推廣資訊與所述查詢詞的相關性特徵中的所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵為推廣資訊的PS的計算因數，使得可以利用推廣資訊的PS代替所述推廣資訊與所述查詢詞的相關性特徵中所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，作為一個新的計算因數引入eCTR，因此，所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，無需參與eCTR的計算，能夠有效降低eCTR預測的複雜度，從而提高了查詢的效率。
另外，採用本發明提供的技術方案，由於沒有改變推廣資訊的PS的計算邏輯，在推廣資訊的內容不修改的情況下，只需要計算一次即可存入資料庫，無需更新，能夠有效避免計算資源耗費，且不會影響計算性能。
圖4為本發明另一實施例提供的另一種推廣資訊的處理方法的流程示意圖，如圖4所示，該處理方法包括401~404四個執行模組。
需要說明的是，401~404的執行主體可以是處理裝置，可以位於網路側的後台操作平台中，本實施例對此不進行特別限定。
401、獲取待處理的推廣資訊。
402、根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
403、根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
404、根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
其中，所述規則模型具體可以利用用戶點擊行為資料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
可選地，在本實施例的一個可能的實現方式中，在402中，所述處理裝置具體可以根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼 ，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
可選地，在本實施例的一個可能的實現方式中，在403中，所述處理裝置具體可以根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊 B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些關鍵詞的含義較為寬泛，使得無法根據關鍵詞，準確定位關鍵詞的初始意圖。具體地，在403中，所述處理裝置具體可以根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。其中，所述處理裝置具體可以根據用戶點擊行為資料，獲得所述關鍵詞與類目匹配特徵的對應關係。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，如果沒有任何輔助資訊，對於“2014 women”這個關鍵詞，處理裝置很難獲得用戶的真正意圖，導致處理裝置給不出用戶期望的推廣資訊。如果指定時間範圍內如近一個月內用戶點擊行為資料顯示，用戶輸入查詢詞“2014 women”之後，60%的用戶點擊了女士服裝類目的產品，40%的用戶點擊了女士鞋子類目的產品，那麼，處理裝置則會基於用戶點擊行為資料預測“2014 women”這個關鍵詞的類目匹配特徵是女士服裝和女士鞋子。有了“2014 women”類目匹配特徵的這一預測結果之後，當推廣商利用處理裝置推廣女士服裝和女士鞋子類目的推廣資訊時，如果選擇關鍵詞為“2014 women”進行綁定，那麼，推廣資訊的PS就會判定為優。
因此，在一種實施方式中，處理裝置所利用的推廣資 訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_cm可以表示類目匹配(category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
本實施例中，通過根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
圖5為本發明另一實施例提供的另一種推廣資訊的處理方法的流程示意圖，如圖5所示，該處理方法包括501~504四個執行模組。
需要說明的是，501~504的執行主體可以是處理裝置，可以位於網路側的後台操作平台中，本實施例對此不進行特別限定。
501、獲取待處理的推廣資訊。
502、根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
503、根據所述推廣資訊、所述推廣資訊的關鍵詞和 隱藏詞干預特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
504、根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
其中，所述規則模型具體可以利用用戶點擊行為資料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
可選地，在本實施例的一個可能的實現方式中，在502中，所述處理裝置具體可以根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
可選地，在本實施例的一個可能的實現方式中，在503中，所述處理裝置具體可以根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些推廣資訊的主題的中心詞或者關鍵詞的中心詞可能會被錯誤地識別，使得無法根據所識別出的中心 詞，準確定位推廣資訊的初始意圖。具體地，在503中，處理裝置具體可以利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，假設關鍵詞為“iphone”，推廣資訊的標題為“2014 best sellingiphone case”，如果標題的中心詞被識別為iphone，那麼，處理裝置就會判斷推廣資訊與關鍵詞的意圖匹配一致。然而，其實推廣資訊的內容其實是iphone case(手機殼)，其中，case就屬於隱藏詞，也就是說，推廣資訊與關鍵詞的意圖匹配不一致。為了避免上述情況，處理裝置則可以利用所儲存的隱藏詞干預特徵，如果推廣資訊的標題中有case，那麼，就會將標題的中心詞由iphone修正為iphone case，從而保證了推廣資訊的真正意圖能夠被正確識別，不被曲解。
因此，在另一種實施方式中，處理裝置所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
本實施例中，通過利用隱藏詞干預特徵，對關鍵詞的初始意圖和推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
需要說明的是，對於前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述的動作順序的限制，因為依據本發明，某些步驟可以採用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬於較佳實施例，所涉及的動作和模組並不一定是本發明所必須的。
在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相 關描述。
圖2為本發明另一實施例提供的一種推廣資訊的處理裝置的結構示意圖，如圖2所示。本實施例的推廣資訊的處理裝置可以包括匹配單元21、特徵單元22、預測單元23、評分單元24和確定單元25。其中，匹配單元21，用於根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊；特徵單元22，用於根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵；預測單元23，用於根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR；評分單元24，用於根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS；確定單元25，用於根據所述RS，確定所述推廣資訊的展現位置。
需要說明的是，本實施例所提供的推廣資訊的處理裝置可以是搜尋引擎，可以位於本地的應用中，或者還可以位於網路側的伺服器中，本實施例對此不進行特別限定。
可以理解的是，所述應用可以是安裝在終端上的應用程式(native app)，或者還可以是終端上的瀏覽器的一個網頁(web app)，只要能夠實現查詢詞的搜尋，以提供與之匹配的推廣資訊的客觀存在形式都可以，本實施例對此不進行限定。
可選地，在本實施例的一個可能的實現方式中，匹配 單元21具體可以採用精確匹配方法，精確匹配出與用戶輸入的查詢詞對應的推廣商為推廣資訊所選擇的關鍵詞，或者還可以採用模糊匹配方法，模糊匹配出與用戶輸入的查詢詞對應的推廣商為推廣資訊所選擇的關鍵詞，進而再根據所匹配出的關鍵詞，獲得與該關鍵詞綁定的推廣資訊，本實施例對查詢詞的匹配方法不進行特別限定。
具體地，推廣商具體可以根據推廣資訊，為所述推廣資訊選擇相關的一個或多個關鍵詞。例如，推廣資訊為一家花店的廣告，那麼，則可以為該推廣資訊選擇一個關鍵詞即“鮮花”，或者還可以選擇多個關鍵詞即“鮮花”、“鮮花速遞”和“鮮花預定”等。
其中，匹配單元21所採用的精確匹配方法和模糊匹配方法的詳細描述可以參見現有技術中的相關內容，此處不再贅述。
可以理解的是，匹配單元21通過執行對應操作所獲得的推廣資訊可以為多個推廣資訊，只要與查詢詞能夠匹配的關鍵詞所綁定的推廣資訊，均可以作為操作的執行結果。
可選地，在本實施例的一個可能的實現方式中，特徵單元22具體可以根據所述推廣資訊，獲得所述推廣資訊的內容特徵。例如，推廣資訊的標題的中心詞、推廣資訊的標題中的高頻詞、推廣資訊的標識資訊(ID)、推廣資訊的類目標識、推廣資訊的歷史平均點擊率等。
可選地，在本實施例的一個可能的實現方式中，特徵 單元22具體可以根據所述查詢詞，獲得所述查詢詞的內容特徵。例如，查詢詞的標識資訊(ID)、查詢詞中的名稱、查詢詞本身、查詢詞中的形容詞、查詢詞中的型號、查詢詞的歷史平均點擊率等。
可選地，在本實施例的一個可能的實現方式中，特徵單元22具體可以根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊與所述查詢詞的相關性特徵。
具體地，所述特徵單元22所獲得的所述推廣資訊與所述查詢詞的相關性特徵具體可以包括所述推廣資訊與所述查詢詞的相關性特徵中，除了所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵之外，的其他特徵，即所述推廣資訊與所述查詢詞的組合特徵。例如，推廣資訊的標題的中心詞與查詢詞的組合特徵，或者，再例如，推廣資訊的ID與查詢詞的ID的組合特徵等。
這樣，由於所述推廣資訊與所述查詢詞的相關性特徵中的所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵為推廣資訊的PS的計算因數，使得可以利用推廣資訊的PS代替所述推廣資訊與所述查詢詞的相關性特徵中所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，作為一個新的計算因數引入eCTR，因此，所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，無需參與eCTR的計算，能 夠有效降低eCTR預測的複雜度，從而提高了查詢的效率。
可選地，在本實施例的一個可能的實現方式中，預測單元23具體可以根據所述推廣資訊，利用預先獲得的推廣資訊與推廣資訊的PS的對應關係，獲得與所述推廣資訊對應的所述推廣資訊的PS。
可以理解的是，一般來說，一個推廣資訊的關鍵詞不止一個，因此，相應地，推廣資訊的PS也不止一個。具體地，預測單元23選擇哪個PS，需要進一步根據用戶所輸入的查詢詞來確定。
例如，預測單元23可以選擇推廣資訊在與用戶所輸入的查詢詞最相似的關鍵詞下的PS，具體的匹配方法，可以參考現有技術中的任意一種文本匹配方法的相關內容，此處不再贅述。
具體地，還可以進一步建立推廣資訊與推廣資訊的PS的對應關係。具體地，後台操作平台可以根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵。然後，所述後台操作平台則可以根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的Ps，以建立推廣資訊與推廣資訊的PS的對應關係。
其中，所述規則模型具體可以利用用戶點擊行為資 料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
具體地，所述後台操作平台具體可以根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
具體地，所述後台操作平台具體可以根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題 的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些關鍵詞的含義較為寬泛，使得無法根據關鍵詞，準確定位關鍵詞的初始意圖。可選地，所述後台操作平台具體可以根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。其中，所述後台操作平台具體可以根據用戶點擊行為資料，獲得所述關鍵詞與類目匹配特徵的對應關係。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，如果沒有任何輔助資訊，對於“2014 women” 這個關鍵詞，後台操作平台很難獲得用戶的真正意圖，導致後台操作平台給不出用戶期望的推廣資訊。如果指定時間範圍內如近一個月內用戶點擊行為資料顯示，用戶輸入查詢詞“2014 women”之後，60%的用戶點擊了女士服裝類目的產品，40%的用戶點擊了女士鞋子類目的產品，那麼，後台操作平台則會基於用戶點擊行為資料預測“2014 women”這個關鍵詞的類目匹配特徵是女士服裝和女士鞋子。有了“2014 women”類目匹配特徵的這一預測結果之後，當推廣商利用後台操作平台推廣女士服裝和女士鞋子類目的推廣資訊時，如果選擇關鍵詞為“2014 women”進行綁定，那麼，推廣資訊的PS就會判定為優。
因此，在一種實施方式中，後台操作平台所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_cm可以表示類目匹配(category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
由於一些推廣資訊的主題的中心詞或者關鍵詞的中心詞可能會被錯誤地識別，使得無法根據所識別出的中心詞，準確定位推廣資訊的初始意圖。可選地，後台操作平 台具體可以利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，假設關鍵詞為“iphone”，推廣資訊的標題為“2014 best selling iphone case”，如果標題的中心詞被識別為iphone，那麼，後台操作平台就會判斷推廣資訊與關鍵詞的意圖匹配一致。然而，其實推廣資訊的內容其實是iphone case(手機殼)，其中，case就屬於隱藏詞，也就是說，推廣資訊與關鍵詞的意圖匹配不一致。為了避免上述情況，後台操作平台則可以利用所儲存的隱藏詞干預特徵，如果推廣資訊的標題中有case，那麼，就會將標題的中心詞由iphone修正為iphone case，從而保證了推廣資訊的真正意圖能夠被正確識別，不被曲解。
因此，在另一種實施方式中，後台操作平台所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text matcb)特徵；fea_im可以表示推廣資訊與關鍵詞 的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
結合上述兩種實施方式所提供的內容，還可以在另一種實施方式中，後台操作平台所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；fea_cm可以表示類目匹配(category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
其中，所述規則模型具體可以利用用戶點擊行為資料，對邏輯回歸(Logistic Regression，LR)模型進行訓練，獲得。其中，該預測模型的特徵可以包括但不限於推廣資訊的PS、推廣資訊的內容特徵和查詢詞的內容特徵、以及推廣資訊與查詢詞的相關性特徵。
具體地，用戶點擊行為資料的內容格式可以為表1所示，其中，可以包括但不限於查詢詞(Query)、推廣資訊的標識資訊(Product_ID)、推廣資訊的標題(Title)、推廣資訊的展現位置(Rank)、推廣資訊是否 被點擊(Is_Click)等欄位。
可選地，在利用用戶點擊行為資料進行模型訓練之前，還可以進一步對用戶點擊行為資料進行預處理，例如，反欺詐、反爬蟲資料過濾、虛曝光資料過濾等。
例如，可以根據用戶在每個網頁的停留時間長短，判斷推廣資訊是否真正曝光(被用戶瀏覽)，過濾掉停留時間過短的虛曝光，能夠有效地提高預處理得到的用戶點擊行為資料的品質。
具體可以採用如下運算式所表示 的預處理模型，對用戶點擊行為資料進行預處理。其中，t表示停留時間，T為基於大量資料統計得到的閾值。當t T時表明用戶在該頁面停留了足夠長的時間，真正瀏覽到了該頁面展現的推廣資訊，否則該頁面展現的推廣資訊就沒有真正曝光。如，當用戶快速從搜尋結果頁面的最上方拉到最下方時，中間所展現的推廣資訊就沒有被用戶瀏覽到，不算真正的曝光，在選擇樣本資料時，則可以剔除這部分資料，提高預測模型的樣本資料的可信度。
基於上述描述，預測單元23所利用的eCTR的計算公式可以表示為如下形式：eCTR=f2(fea_p，fea_q，fea_r，fea_ps)。
其中，fea_p可以表示推廣資訊(product)的內容特徵；fea_q可以表示查詢詞(query)的內容特徵；fea_r可以表示推廣資訊與查詢詞的相關性(relative)特徵；fea_ps可以表示推廣資訊的PS特徵；f2函數可以表示基 於LR模型訓練所獲得的預測模型。詳細描述可以參見現有技術中LR模型的訓練方法的相關內容，此處不再贅述。
可選地，在本實施例的一個可能的實現方式中，評分單元24具體可以根據所述eCTR和所述查詢詞的價格，利用公式RS=eCTR*BidPrice，獲得所述推廣資訊的RS。
可選地，在本實施例的一個可能的實現方式中，確定單元25具體可以根據每個推廣資訊的RS所排列的逆序，確定推廣資訊的展現位置。
本實施例中，通過特徵單元根據用戶輸入的查詢詞和與該查詢詞匹配的推廣資訊，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，進而由預測單元根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR，使得評分單元能夠根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS，以供確定單元根據所述RS，確定所述推廣資訊的展現位置，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，保證了PS與RS的計算邏輯的一致性，能夠避免由於PS與RS的計算邏輯不一致而導致的推廣資訊的品質與推廣資訊的展現位置不一致的問題，從而提高了推廣資訊的推送有效性。
另外，採用本發明提供的技術方案，由於將用於表徵 推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，使得能夠通過優化推廣資訊的品質來改善推廣資訊的展現位置，這樣，能夠很好的滿足推廣商的收益需求。
圖3為本發明另一實施例提供的一種推廣資訊的處理系統的結構示意圖，如圖3所示。本實施例的推廣資訊的處理系統可以包括後台操作平台31和圖2對應的實施例所提供的推廣資訊的處理裝置32。其中，所述後台操作平台31，用於獲得所述推廣資訊的PS。
其中，所述推廣資訊的處理裝置32的詳細描述可以參見圖2對應的實施例中的相關內容，此處不再贅述。
可選地，在本實施例的一個可能的實現方式中，所述後台操作平台31，還可以進一步用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵；以及根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的PS。
可選地，在本實施例的一個可能的實現方式中，所述後台操作平台31，具體可以用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；以及根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
可選地，在本實施例的一個可能的實現方式中，所述 後台操作平台31，具體可以用於根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；以及根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。
可選地，在本實施例的一個可能的實現方式中，所述後台操作平台31，具體可以用於利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；以及根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
本實施例中，通過根據用戶輸入的查詢詞和與該查詢詞匹配的推廣資訊，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，進而根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR，使得能夠根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS，以供根據所述RS，確定所述推廣資訊的展現位置，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，保證了PS與RS的計算邏輯的一致性，能夠避免由於PS與 RS的計算邏輯不一致而導致的推廣資訊的品質與推廣資訊的展現位置不一致的問題，從而提高了推廣資訊的推送有效性。
另外，採用本發明提供的技術方案，由於將用於表徵推廣資訊的品質的PS作為一個新的計算因數引入eCTR，因此，使得能夠通過優化推廣資訊的品質來改善推廣資訊的展現位置，這樣，能夠很好的滿足推廣商的收益需求。
另外，採用本發明提供的技術方案，由於所述推廣資訊與所述查詢詞的相關性特徵中的所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵為推廣資訊的PS的計算因數，使得可以利用推廣資訊的PS代替所述推廣資訊與所述查詢詞的相關性特徵中所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，作為一個新的計算因數引入eCTR，因此，所述查詢詞與所述推廣資訊的文本匹配特徵和所述查詢詞與所述推廣資訊的意圖匹配特徵，無需參與eCTR的計算，能夠有效降低eCTR預測的複雜度，從而提高了查詢的效率。
另外，採用本發明提供的技術方案，由於沒有改變推廣資訊的PS的計算邏輯，在推廣資訊的內容不修改的情況下，只需要計算一次即可存入資料庫，無需更新，能夠有效避免計算資源耗費，且不會影響計算性能。
圖6為本發明另一實施例提供的另一種推廣資訊的處理裝置的結構示意圖，如圖6所示，本實施例提供的推廣 資訊的處理裝置可以包括獲取單元61、文本匹配單元62、意圖匹配單元63和評分單元64。其中，獲取單元61，用於獲取待處理的推廣資訊；文本匹配單元62，用於根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；意圖匹配單元63，用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；評分單元64，用於根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
需要說明的是，本實施例所提供的推廣資訊的處理裝置，可以位於網路側的後台操作平台中，本實施例對此不進行特別限定。
其中，所述規則模型具體可以利用用戶點擊行為資料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
可選地，在本實施例的一個可能的實現方式中，所述文本匹配單元62具體可以根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特 徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
可選地，在本實施例的一個可能的實現方式中，所述意圖匹配單元63，具體可以用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特 徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些關鍵詞的含義較為寬泛，使得無法根據關鍵詞，準確定位關鍵詞的初始意圖。具體地，所述意圖匹配單元63，具體可以根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。其中，所述處理裝置具體可以根據用戶點擊行為資料，獲得所述關鍵詞與類目匹配特徵的對應關係。 這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，如果沒有任何輔助資訊，對於“2014 women”這個關鍵詞，所述意圖匹配單元63很難獲得用戶的真正意圖，導致處理裝置給不出用戶期望的推廣資訊。如果指定時間範圍內如近一個月內用戶點擊行為資料顯示，用戶輸入查詢詞“2014 women”之後，60%的用戶點擊了女士服裝類目的產品，40%的用戶點擊了女士鞋子類目的產品，那麼，所述意圖匹配單元63則會基於用戶點擊行為資料預測“2014 women”這個關鍵詞的類目匹配特徵是女 士服裝和女士鞋子。有了“2014 women”類目匹配特徵的這一預測結果之後，當推廣商利用處理裝置推廣女士服裝和女士鞋子類目的推廣資訊時，如果選擇關鍵詞為“2014 women”進行綁定，那麼，推廣資訊的PS就會判定為優。
因此，在一種實施方式中，評分單元64所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_cm)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_cm可以表示類目匹配(category match)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
本實施例中，通過意圖匹配單元根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵，進而根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
圖7為本發明另一實施例提供的另一種推廣資訊的處理裝置的結構示意圖，如圖7所示，本實施例提供的推廣資訊的處理裝置可以包括獲取單元71、文本匹配單元 72、意圖匹配單元73和評分單元74。其中，獲取單元71，用於獲取待處理的推廣資訊；文本匹配單元72，用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；意圖匹配單元73，用於根據所述推廣資訊、所述推廣資訊的關鍵詞和隱藏詞干預特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；評分單元74，用於根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
需要說明的是，本實施例所提供的推廣資訊的處理裝置，可以位於網路側的後台操作平台中，本實施例對此不進行特別限定。
其中，所述規則模型具體可以利用用戶點擊行為資料，對梯度提升決策樹(Gradient Boosting Decision Tree，GBDT)模型進行訓練，獲得。其中，該規則模型的特徵可以包括但不限於推廣資訊與關鍵詞的文本匹配特徵和推廣資訊與關鍵詞的意圖匹配特徵。
可選地，在本實施例的一個可能的實現方式中，所述文本匹配單元72，具體可以用於根據所述關鍵詞，獲得所述關鍵詞的文本，以及根據所述推廣資訊，獲得所述推廣資訊的文本，進而能夠根據所述推廣資訊的文本和所述關鍵詞的文本，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵。
例如，推廣資訊與關鍵詞的文本匹配特徵，以下簡稱文本匹配特徵，可以為關鍵詞的單詞與推廣資訊的標題的單詞匹配的匹配率。例如，假設關鍵詞為“mp3 player”，推廣資訊的標題為“2014 best selling red mp3”，那麼，關鍵詞與標題匹配的單詞是mp3，相對於關鍵詞的長度和標題的長度的匹配率分別為1/2和1/5。通常而言，文本匹配特徵的取值越大，推廣資訊與關鍵詞的相關性越好即推廣資訊的品質越好，推廣資訊的PS就會越高。
可選地，在本實施例的一個可能的實現方式中，所述意圖匹配單元73，具體可以用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖，以及根據所述推廣資訊，獲得所述推廣資訊的初始意圖，進而根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
例如，推廣資訊與關鍵詞的意圖匹配特徵，以下簡稱意圖匹配特徵，可以為關鍵詞的中心詞與推廣資訊的標題的中心詞是否相同的參數。例如，假設關鍵詞為“battery of nokia phone”，推廣資訊A的標題為“2014 best selling battery for nokia phone,the lowest price”，推廣資訊B的標題為“2014 best selling nokia phone,with battery the best performance”。從文本匹配特徵的角度看，關鍵詞的單詞與推廣資訊A的標題的單詞和推廣資訊B的標題的單詞匹配的匹配率都為3/10，即其文本匹配特徵相同。然而，關鍵詞的中心詞為battery(用戶希望檢索 結果為電池)，推廣資訊A的標題的中心詞為battery(諾基亞手機電池)，推廣資訊B的標題的中心詞為nokia phone(諾基亞手機)，通過意圖匹配特徵，可以度量出關鍵詞與推廣資訊A的相關性優於關鍵詞與推廣資訊B的相關性，即推廣資訊A的品質優於推廣資訊B的品質。
由於一些推廣資訊的主題的中心詞或者關鍵詞的中心詞可能會被錯誤地識別，使得無法根據所識別出的中心詞，準確定位推廣資訊的初始意圖。具體地，所述意圖匹配單元73具體可以利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。這樣，能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
例如，假設關鍵詞為“iphone”，推廣資訊的標題為“2014 best sellingiphone case”，如果標題的中心詞被識別為iphone，那麼，意圖匹配單元73就會判斷推廣資訊與關鍵詞的意圖匹配一致。然而，其實推廣資訊的內容其實是iphone case(手機殼)，其中，case就屬於隱藏詞， 也就是說，推廣資訊與關鍵詞的意圖匹配不一致。為了避免上述情況，意圖匹配單元73則可以利用所儲存的隱藏詞干預特徵，如果推廣資訊的標題中有case，那麼，就會將標題的中心詞由iphone修正為iphone case，從而保證了推廣資訊的真正意圖能夠被正確識別，不被曲解。
因此，在另一種實施方式中，評分單元74所利用的推廣資訊的PS的計算公式可以表示為如下形式：PS=f1(fea_tm，fea_im，fea_it)。
其中，fea_tm可以表示推廣資訊與關鍵詞的文本匹配(text match)特徵；fea_im可以表示推廣資訊與關鍵詞的意圖匹配(intention match)特徵；fea_it可以表示隱藏詞干預(intervene)特徵；f1函數可以表示基於GBDT模型訓練所獲得的規則模型。詳細描述可以參見現有技術中GBDT模型的訓練方法的相關內容，此處不再贅述。
本實施例中，通過意圖匹配單元利用隱藏詞干預特徵，對關鍵詞的初始意圖和推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項，進而根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，使得能夠有效提高推廣資訊與關鍵詞的意圖匹配特徵的獲取的可靠性，以提高PS計算的準確性。
所屬領域的技術人員可以清楚地瞭解到，為描述的方便和簡潔，上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。
在本發明所提供的幾個實施例中，應該理解到，所揭露的系統，裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟體功能單元的形式實現。
上述以軟體功能單元的形式實現的集成的單元，可以 儲存在一個電腦可讀取儲存介質中。上述軟體功能單元儲存在一個儲存介質中，包括若干指令用以使得一台電腦設備(可以是個人電腦，伺服器，或者網路設備等)或處理器(processor)執行本發明各個實施例所述方法的部分步驟。而前述的儲存介質包括：隨身碟、行動硬碟、唯讀記憶體(Read-Only Memory，ROM)、隨機存取記憶體(Random Access Memory，RAM)、磁碟或者光碟等各種可以儲存程式碼的介質。
最後應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍。

Claims (15)

  1. 一種推廣資訊的處理方法，包括：根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊；根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵；根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR；根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS；以及根據所述RS，確定所述推廣資訊的展現位置。
  2. 根據申請專利範圍第1項所述的方法，其中，所述根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR之前，還包括：根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵；根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則 模型，獲得所述推廣資訊的PS。
  3. 根據申請專利範圍第2項所述的方法，其中，所述根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
  4. 根據申請專利範圍第3項所述的方法，其中，所述根據所述關鍵詞，獲得所述關鍵詞的初始意圖，包括：根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。
  5. 根據申請專利範圍第3項所述的方法，其中，所述根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括：利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意 圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
  6. 根據申請專利範圍第1項所述的方法，其中，所述推廣資訊與所述查詢詞的相關性特徵包括：所述推廣資訊與所述查詢詞的組合特徵。
  7. 一種推廣資訊的處理裝置，包括：匹配單元，用於根據用戶輸入的查詢詞，獲得與所述查詢詞匹配的推廣資訊；特徵單元，用於根據所述推廣資訊和所述查詢詞，獲得所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵；預測單元，用於根據所述推廣資訊的PS、所述推廣資訊的內容特徵、所述查詢詞的內容特徵、以及所述推廣資訊與所述查詢詞的相關性特徵，利用預測模型，獲得所述推廣資訊的eCTR；評分單元，用於根據所述eCTR和所述查詢詞的價格，獲得所述推廣資訊的RS；確定單元，用於根據所述RS，確定所述推廣資訊的展現位置。
  8. 根據申請專利範圍第7項所述的裝置，其中，所述特徵單元所獲得的所述推廣資訊與所述查詢詞的相關性特徵包括：所述推廣資訊與所述查詢詞的組合特徵。
  9. 一種推廣資訊的處理系統，包括後台操作平台和 申請專利範圍第7或8所述的推廣資訊的處理裝置；其中，所述後台操作平台，用於獲得所述推廣資訊的PS。
  10. 根據申請專利範圍第9項所述的系統，其中，所述後台操作平台，還用於根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵和所述推廣資訊與所述關鍵詞的意圖匹配特徵；以及根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊的PS。
  11. 根據申請專利範圍第10項所述的系統，其中，所述後台操作平台，具體用於根據所述關鍵詞，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；以及根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
  12. 根據申請專利範圍第11項所述的系統，其中，所述後台操作平台，具體用於根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；以及根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖。
  13. 根據申請專利範圍第11項所述的系統，其中，所述後台操作平台，具體用於利用隱藏詞干預特徵，對所述關鍵詞的初始意圖和所述推廣資訊的初始意圖中的至少一項進行修正，以獲得所述關鍵詞的修正意圖和所述推廣資訊的修正意圖中的至少一項；以及根據所述推廣資訊的初始意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的修正意圖，或者所述推廣資訊的修正意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
  14. 一種推廣資訊的處理方法，包括：獲取待處理的推廣資訊；根據所述推廣資訊和所述推廣資訊的關鍵詞，獲得所述推廣資訊與所述關鍵詞的文本匹配特徵；根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵；根據所述推廣資訊與所述關鍵詞的文本匹配特徵、以及所述推廣資訊與所述關鍵詞的意圖匹配特徵，利用規則模型，獲得所述推廣資訊在所述關鍵詞下的PS。
  15. 根據申請專利範圍第14項所述的方法，其中，所述根據所述推廣資訊、所述推廣資訊的關鍵詞和類目匹配特徵，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵，包括： 根據預先設置的關鍵詞與類目匹配特徵的對應關係，獲得所述關鍵詞對應的類目匹配特徵；根據所述關鍵詞和所述類目匹配特徵，獲得所述關鍵詞的初始意圖；根據所述推廣資訊，獲得所述推廣資訊的初始意圖；根據所述推廣資訊的初始意圖和所述關鍵詞的初始意圖，獲得所述推廣資訊與所述關鍵詞的意圖匹配特徵。
TW103134412A 2014-05-22 2014-10-02 推廣資訊的處理方法、裝置及系統 TWI662495B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??201410218795.3 2014-05-22
CN201410218795.3A CN105095311B (zh) 2014-05-22 2014-05-22 推广信息的处理方法、装置及系统

Publications (2)

Publication Number Publication Date
TW201545091A true TW201545091A (zh) 2015-12-01
TWI662495B TWI662495B (zh) 2019-06-11

Family

ID=54554717

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103134412A TWI662495B (zh) 2014-05-22 2014-10-02 推廣資訊的處理方法、裝置及系統

Country Status (4)

Country Link
US (1) US20150339700A1 (zh)
CN (1) CN105095311B (zh)
TW (1) TWI662495B (zh)
WO (1) WO2015179556A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170186065A1 (en) * 2015-12-29 2017-06-29 Alibaba Group Holding Limited System and Method of Product Selection for Promotional Display
CN106021516A (zh) * 2016-05-24 2016-10-12 百度在线网络技术（北京）有限公司 搜索方法及装置
WO2018023293A1 (zh) * 2016-07-31 2018-02-08 赵晓丽 一种提醒手机应用降价的方法和提醒系统
CN112236787B (zh) 2018-06-08 2024-06-11 北京嘀嘀无限科技发展有限公司 用于生成个性化目的地推荐的系统和方法
US10956507B2 (en) * 2018-08-16 2021-03-23 Rovi Guides, Inc. Reaction compensated result selection
CN109559158A (zh) * 2018-11-06 2019-04-02 北京奇虎科技有限公司 推广信息投放方法、装置、电子设备及可读存储介质
CN111695044B (zh) * 2019-03-11 2023-08-18 北京柏林互动科技有限公司 用户排名的数据处理方法、装置及电子设备
CN110069732B (zh) * 2019-03-29 2022-11-22 腾讯科技（深圳）有限公司 一种信息展示的方法、装置及设备
CN110516030B (zh) * 2019-08-26 2022-11-01 北京百度网讯科技有限公司 意图词的确定方法、装置、设备及计算机可读存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7363302B2 (en) * 2003-06-30 2008-04-22 Googole, Inc. Promoting and/or demoting an advertisement from an advertising spot of one type to an advertising spot of another type
US8082264B2 (en) * 2004-04-07 2011-12-20 Inquira, Inc. Automated scheme for identifying user intent in real-time
US20070179848A1 (en) * 2006-02-02 2007-08-02 Microsoft Corporation Employing customer points to confirm transaction
US7856350B2 (en) * 2006-08-11 2010-12-21 Microsoft Corporation Reranking QA answers using language modeling
US8504437B1 (en) * 2009-11-04 2013-08-06 Google Inc. Dynamically selecting and presenting content relevant to user input
US20120059708A1 (en) * 2010-08-27 2012-03-08 Adchemy, Inc. Mapping Advertiser Intents to Keywords
US9319359B1 (en) * 2011-03-31 2016-04-19 Twitter, Inc. Promoting content in a real-time messaging platform
CN103578010A (zh) * 2012-07-26 2014-02-12 阿里巴巴集团控股有限公司 生成流量质量比较参数的方法和装置、广告计费方法
US20160041986A1 (en) * 2014-08-08 2016-02-11 Cuong Duc Nguyen Smart Search Engine

Also Published As

Publication number Publication date
CN105095311B (zh) 2019-07-09
US20150339700A1 (en) 2015-11-26
CN105095311A (zh) 2015-11-25
WO2015179556A1 (en) 2015-11-26
TWI662495B (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
TW201545091A (zh) 推廣資訊的處理方法、裝置及系統
CA2961952C (en) Identifying temporal demand for autocomplete search results
US9489688B2 (en) Method and system for recommending search phrases
US20210141839A1 (en) Information search method, apparatus, and system
WO2018050022A1 (zh) 应用程序的推荐方法及服务器
US20170083965A1 (en) Item Recommendation Method and Apparatus
US10025807B2 (en) Dynamic data acquisition method and system
US9454581B1 (en) Search with more like this refinements
CN111400507B (zh) 实体匹配方法及其装置
TWI502383B (zh) A retrieval device, a retrieval method, a program and a memory medium
US20160189218A1 (en) Systems and methods for sponsored search ad matching
US20180260406A1 (en) Spell checker
KR102263691B1 (ko) 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램
WO2016101881A1 (zh) 通过计算机实现的信息推荐方法、装置和计算机设备
US20140108162A1 (en) Predicting performance of an online advertising campaign
US20140280098A1 (en) Performing application search based on application gaminess
CN111124676A (zh) 资源分配方法、装置、可读存储介质和电子设备
US20210248201A1 (en) Information processing system, information processing method, and program
CN106445965B (zh) 信息推广处理方法及装置
CN114756570A (zh) 采购场景的垂直搜索方法、装置和系统
WO2018149244A1 (zh) 一种基于目标应用推荐相关联应用的方法和装置
KR20210052746A (ko) 제품화 대상 콘텐츠의 예상 판매량 추정 방법, 장치 및 컴퓨터프로그램
CN108009726B (zh) 一种结合用户评论的事物评价系统
WO2019056502A1 (zh) 综艺比赛结果预测方法、装置及存储介质
CN107203892B (zh) 一种推送增值业务信息的方法、装置及电子设备