[发明专利]一种基于关键字的网络广告精准投放方法

摘要

一种基于关键字的网络广告精准投放方法，包括以下步骤：第一步，关键字分析确定关键字信息，关键字分析的目的是得到系统进行关键字定价策略制定的必要的关键字信息；第二步，对优化模型进行确定，确定关键字信息后，要通过对特定关键字和搜索引擎的选择确定优化模型；第三步，粒子群算法参数确定及计算优化，确定优化模型后，将优化模型代入到粒子群算法，确定适应度计算函数和惩罚函数，根据不同的定价模型，采用不同的适应度函数，计算每一个粒子的适应度值，输出全局最优适应度gbest，即为最低成本，输出达到该适应度的关键字价格。本发明可靠性较高、实时性良好、优化计算难度较低、优化效果较好。

主权项

1.一种基于关键字的网络广告精准投放方法，其特征在于：包括以下步骤：第一步，关键字分析确定关键字信息关键字分析的目的是得到系统进行关键字定价策略制定的必要的关键字信息，过程如下：1.1)导入网民上网时间分布，利用MATLAB拟合得到网民上网时间分布函数F(t)；1.2)确定要投放的关键字数量，即为粒子维度d；1.3)根据不同搜索引擎的定价方式选择CPC定价模型、CPM定价模型或混合定价模型,并根据不同的定价模型设置目标点击率和目标印象次数；第二步，对优化模型进行确定确定关键字信息后，要通过对特定关键字和搜索引擎的选择确定优化模型，过程如下：2.1)CPC定价方式如公式(6)、(7)：总花费：Min TC(b)＝∑k∈Kik(t)bkE[βk]   (6)约束条件：CPM定价方式如公式(8)、(9)：总花费：Min TC(b)＝∑k∈Kik(t)bk    (8)约束条件：混合定价方式如公式(10)、(11)、(12)、(13)总花费：Min TC(b)＝A×∑k∈Kik(t)bkE[βk]+B×∑k∈Kik(t)bk   (10)约束条件：bk≥0   (13)其中，k表示关键字编号；βk为关键字k的每日点击率；β*为目标点击率；α*表示目标印象数，Nk为关键字k的平均分数；2.2)根据百度流量统计，得到最近一年中网民上网的时间分布，以此拟合出以时间t为自变量的函数F(t)，代入公式中；2.3)根据对关键字的研究和经验得到关键字印象次数ik、关键字自然点击率ck、关键字评估等级Qk、关键字综合分数Mk，代入公式中；第三步，粒子群算法参数确定及计算优化，过程如下：3.1)确定关键字竞价的取值范围[0,bmax],采用的定价模型fun、粒子群算法的粒子数m、粒子维度数d、算法最大迭代次数maxGen、当前最优适应度值pbest、全局最优适应度值gbest，利用随机函数rand()在范围[0，bmax]内随机生成m个粒子，初始化粒子每个维度的信息，当前进化代数Gen＝0；3.2)根据不同的定价模型，采用不同的适应度函数(15)(17)(20)，计算每一个粒子的适应度值；CPC：F(X)＝TC(b)‑α*max(0,‑g(X)1)   (15)CPM：F(X)＝TC(b)‑α*max(0,‑g(X)2)   (17)混合定价模型：F(X)＝TC(b)‑α*[A*max(0,‑g(X)1)+B*max(0,‑g(X)2)]       (20)其中公式(14)(16)(18)(19)为根据不同定价模型的约束条件得出的惩罚函数；3.3)比较各个粒子的适应度函数值得出当前适应值最高的为个体极值pbest，与上一代gbest比较根找出全局极值gbest，进化代数gen＝gen+1；3.4)当进化代数Gen≤maxGen，根据公式(21)和(22)更新粒子位置和速度，然后转向3.2)；否则转向3.5)；vk(i+1)＝w*vk(i)+c1*r1*(pbest‑bk(i))+c2*r2*(gbest‑bk(i))    (21)bk(i+1)＝bk(i)+vk(i+1)    (22)其中，w为惯性权重系数，c1和c2为学习因子3.5)输出全局最优适应度gbest，即为最低成本，输出达到该适应度的关键字价格。