CN110597987A - 一种搜索推荐方法及装置 - Google Patents
一种搜索推荐方法及装置 Download PDFInfo
- Publication number
- CN110597987A CN110597987A CN201910772358.9A CN201910772358A CN110597987A CN 110597987 A CN110597987 A CN 110597987A CN 201910772358 A CN201910772358 A CN 201910772358A CN 110597987 A CN110597987 A CN 110597987A
- Authority
- CN
- China
- Prior art keywords
- search
- word
- packet
- search word
- advertiser
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000004931 aggregating effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 79
- 230000000694 effects Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 235000019580 granularity Nutrition 0.000 abstract description 8
- 239000002537 cosmetic Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种搜索推荐方法及装置,该方法包括:根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;获取待投放广告的广告内容、以及与所述待投放广告对应的广告主的用户画像;根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。该方法根据主题对query进行聚合,而不是简单通过枚举关键词然后根据包含关系来聚合query,可以整合更多相关流量。根据词包主题丰富多样,并涵盖各种粒度,可以满足各种用户个性化需求。该方法还能在分析广告特征的基础上综合广告主的特征、词包特征,智能匹配最合适的词包。
Description
技术领域
本发明涉及搜索广告,具体涉及一种搜索推荐方法及装置。
背景技术
在搜索广告投放过程中,至关重要的是选择哪些搜索query(查询或搜索词)进行投放。当前市面上的搜索广告产品,通常通过让广告客户(广告主,广告内容或广告素材提供者)输入关键词,然后将包含关键词或者其相似词的query作为目标query进行广告投放。
当前市面上的搜索广告在搜索词环节主要是通过选取要投放的搜索词,然后根据搜索词和query的包含关系来筛选要投放的query。如百度的‘搜索词规划师’即是如此。在百度推广中的‘关键词规划师’中,当输入一个关键词时,会出现包含该关键词的query列表,以及包含了该关键词相似词的query列表。如输入‘毛衣’,query列表中包括‘毛衣’、‘羊毛衫’、‘男式毛衣’、‘男羊毛衫’等query,广告客户可以选择或购买这些query进行投放。比如选择了‘毛衣’、‘男式毛衣’作为关键词,当有人通过百度搜索引擎搜索‘毛衣’、‘男式毛衣’时,广告客户的广告页面会被显示在搜索结果里。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
当前市面的搜索词推荐策略主要是通过广告客户自己枚举需要的词汇,然后***根据其他搜索词和该词的包含关系或者相似程度来推荐搜索词。在此过程中,经常存在关键词枚举不全、相关性不能保证、潜在query流量稀少、query选取操作繁琐等问题。
发明内容
本发明实施例提供一种搜索推荐方法及装置,以降低广告主的操作复杂度,提高广告主的用户体验和下单效率。
第一方面,本发明实施例提供了一种搜索推荐方法,其包括:
根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;
确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;
获取待投放广告的广告内容、以及与所述待投放广告对应的广告主的用户画像;
根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
第二方面,本发明实施例提供了一种搜索推荐装置,其包括:
词包生成模块,用于根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;
词包管理模块,用于确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;
广告特征获取模块,用于获取待投放广告的广告内容;
广告主特征获取模块,用于获取与所述待投放广告对应的广告主的用户画像;
词包推荐模块,用于根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的搜索推荐方法。
第四方面,本发明实施例提供了一种计算机设备,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的搜索推荐方法。
上述技术方案具有如下有益效果:本发明的实施例根据主题对搜索词query进行聚合,而不是简单通过枚举关键词然后根据包含关系来聚合搜索词query,可以整合更多相关流量。而且根据词包主题丰富多样,并涵盖各种粒度,可以满足各种广告客户个性化需求。另外,还能在分析广告特征的基础上综合广告客户的特征、词包特征,智能匹配最合适的词包。总之,搜索词包的提出,极大地降低了广告客户的操作复杂度,提高了广告客户的体验和下单效率,尤其在移动端这种效果更加明显。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是为本发明实施例的一种搜索推荐装置100的逻辑功能框图;
图2是本本发明实施例提供的一种搜索推荐方法的流程图;
图3是本本发明实施例的一种电子设备的电路原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中存在的这些问题,本发明的实施例提出了搜索词包的概念和相关的技术方案并加以实现。通过针对短文本的深度学***台也可)搜索中的搜索词query进行分类、聚类,生成query的主题集合--搜索词包。以搜索词包为单元,广告客户能够更方便地选取query,并轻松控制投放量。例如:广告客户想购买‘毛衣’相关的搜索词,只需要购买‘毛衣’词包,而不需要自已动手将毛衣相关的各种搜索词全部枚举一遍。其中,上述深度学习模型包括但不限于:针对短文本的深度学习模型,例如基于LSTM的seq2seq(序列到序列)模型。上述机器学习模型包括但不限于:LR(逻辑回归)模型。
其次,词包***能根据搜索引擎中当前的各query流量变化情况实时地自动生成词包,满足广告客户对于热点流量的需求。例如:对于周期性的热点,比如‘情人节’,词包***会自动地聚合该热点相关的搜索词,形成‘情人节’词包。又例如:对于突发事件,例如‘赵丽颖结婚’,词包***会自动分析该热点事件的相关搜索词,生成‘赵丽颖结婚’词包。这样可以满足广告客户的热点营销的需求。
另外,通过建立广告客户的用户画像,结合要投放的广告内容,推荐算法能够智能化地匹配搜索词包,让广告客户更方便的得到最合适的词包。总之,搜索词包的提出,极大地降低了广告客户的操作复杂度,提高了广告客户的体验和下单效率,尤其在移动端这种效果更加明显。
现有技术向广告客户推荐投放query时需要广告客户自己去枚举一些要投放的词汇,然后在此基础上根据简单的包含关系和近似关系向广告客户推荐一些相关的query。而本发明的实施例的技术方案,***会根据广告客户的广告内容,结合***里的与广告客户对应的用户画像,自动地提取广告客户的意图。然后根据广告客户的意图,向广告客户推荐一系列的词包,而不是零散的query,词包按照得分高低排序。词包有不同的层次和领域,比如,广告客户的广告如果是讲男式毛衣的广告,那么推荐词包的词包列表会包含‘毛衣’、‘男式毛衣’、‘冬装’、‘服饰’等不同粒度的词包。每个词包都是一个query的主题集合,例如‘毛衣’词包中会包含‘毛衣’、‘毛衫’、‘秋冬服饰’、‘针织衫’等query。利用词包这种方式极大提高了广告客户的下单效率和用户体验,既方便了广告客户整合散碎的流量,又具有相当的灵活性。
在一个实施例中,对搜索词包打分的规则或依据可以采用如下方式:
对于每一个搜索词包,执行如下(1)-(6)中至少两项分析:
(1)该词包主题与该广告主的广告内容的相关度;
(2)广告主对该搜索词包的历史购买信息;
(3)该词包的相关词包的主题与广告客户的广告内容的相关度;
(4)该词包的相关词包的历史购买信息;
(5)该词包的历史投放效果(例如加粉率、导流率、转化率等);
(6)该词包当前的搜索流量预估值。
通过上述这几项的加权计算,计算该搜索词包的得分情况。
本发明的实施例是以搜索词包这种主题集合的方式进行选词的。搜索词包中的query并不是仅仅通过简单的搜索词的包含关系来筛选的,而是通过深度学习模型判读query是否属于该搜索词包的主题来进行筛选的。
在本发明的实施例中,搜索词的推荐是以搜索词包为核心。通过建立包含了广告主的昵称、简介、认证信息、历史上发布的微博内容信息、对搜索词包的历史购买信息、对搜索词包的最近购买信息等信息的用户画像,分析广告主的行业、领域、投放目的,结合当前要投放的广告内容、词包可售流量、词包历史投放效果,综合分析广告主的投放意图和各个词包的契合程度,给出最适合广告主的搜索词包列表。
其中,词包流量是指:搜索词包中各个搜索词的pv(未来24小时内的搜索次数,预估值)的总和。
其中,词包可售流量指:词包流量-已售出的词包流量。
其中,词包历史投放效果指:该搜索词包历史上的平均加粉率、导流率、转化率。
在本发明的实施例中,以搜索词包为单元,广告客户可以看到更高的层次,发现更多与其意图相关的思考角度和主题,从而刺激广告客户购买更多词包和投放量。
本发明的实施例的技术方案能够自动地根据当前的流量情况生成搜索词包,满足广告客户(广告主)对热点流量的需求。
实施例一
图1是为本发明实施例的一种搜索推荐装置100的逻辑功能框图。如图1所示,搜索推荐装置100包括:词包生成模块110,用于根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;词包管理模块120,用于确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;广告特征获取模块130,用于获取待投放广告的广告内容;广告主特征获取模块140,用于获取与所述待投放广告对应的广告主的用户画像;词包推荐模块150,用于根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
在可选的实施例中,词包生成模块110,具体可以用于:使用主题分析的方法和启发式的方法确定待生成的搜索词包的主题;使用基于长短期记忆网络LSTM(Long Short-Term Memory)的深度学习语言模型将搜索词转换成向量;通过逻辑回归分类算法将搜索词分配到不同主题的搜索词包中。
在可选的实施例中,搜索词包的特征信息还包括如下至少一项:搜索词包中的核心搜索词,该核心搜索词是指搜索词包中与主题之间的相关度高于设定相关度阈值的搜索词;;搜索词包的与所述主题相关的词汇;搜索词包的历史投放效果;搜索词包的搜索流量,其指用户的搜索次数;搜索词包的等级信息;搜索词包的相关联的搜索词包的主题。
在可选的实施例中,广告主的用户画像包括如下至少一项:广告主的昵称、认证信息、认证理由、自我描述、对搜索词包的历史购买信息、对搜索词包的最近购买信息、历史发布的社交平台内容信息(例如包括但不限于广告主历史发布的微博内容)。对上述至少一项信息进行采集,以建立广告主的用户画像。
在可选的实施例中,该搜索推荐装置100还可进一步包括:文本相关度模块160,用于计算搜索词包之间的相关度信息。
在可选的实施例中,词包推荐模块150具体可以用于:对待投放广告的广告内容进行文本分析,提取文本特征;将所述文本特征与各搜索词包的主题进行匹配,根据匹配结果得到备选推荐词包列表;根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分;计算搜索词包之间的相关度信息,根据搜索词包的等级信息、以及搜索词包之间的相关度信息对所述备选推荐词包列表中各搜索词包的得分进行修正;根据修正后的得分对备选推荐词包列表中各搜索词包进行降序排序,并且将排序靠前的设定数量的搜索词包推荐给所述广告主。
在可选的实施例中,文本相关度模块160,具体可以用于:通过文本训练生成word2vec词向量模型,word2vec词向量模型用于将词汇转换成固定长度的实数向量;根据所述word2vec词向量模型,将搜索词包中的每个搜索词转换成向量;将所述搜索词包中的各搜索词对应的向量进行加权平均处理,得到所述搜索词包对应的词包向量;将待计算的两个搜索词包分别对应的词包向量之间的相关度,作为该两个搜索词包之间的相关度信息。
其中,根据word2vec词向量模型,将搜索词包中的每个搜索词转换成向量,具体可包括:
对于搜索词包中的每个搜索词,均执行如下处理:
对该搜索词进行分词处理,获得该搜索词对应的多个词汇;
根据训练生成的word2vec词向量模型,对经分词处理后得到的每个词汇进行转换处理,以将每个词汇转换成固定长度或维数的子实数向量,从而获得与多个词汇一一对应的多个子实数向量;
计算或确定每个词汇对应的子实数向量的权重值;
根据多个子实数向量和多个权重值,进行加权求和处理,得到该搜索词对应的向量。
其中,在一个可选的实施例中,待计算的两个搜索词包之间的相关度,可通过第一搜索词包对应的词包向量和第二搜索词包对应的词包向量之间的余弦值来表征。余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估它们的相似度。
在可选的实施例中,文本相关度模块160,还可以用于:根据word2vec词向量模型将搜索词包与搜索词均转换成向量,计算搜索词包与搜索词之间的相关度。通过这种方式可以判断一个待验证的新增搜索词是否被允许加入到目标搜索词包中,如果这个待验证的新增搜索词与目标搜索词包之间的相关度小于预设的相关度阈值,则不允许该待验证的新增搜索词加入该标搜索词包中,反之,则允许加入该标搜索词包,以进行更新该目标搜索词包。
在可选的实施例中,词包生成模块110,还可以用于:根据搜索引擎中当前的各搜索词的流量变化情况,实时地生成搜索词包。
在可选的实施例中,词包推荐模块150具体可以用于:
对于每一个搜索词包,执行如下至少两项分析:
所述搜索词包的主题与所述广告内容的相关度;
所述广告主对所述搜索词包的历史购买信息;
所述搜索词包的相关搜索词包的主题与所述广告内容的相关度;
所述搜索词包的相关搜索词包的历史购买信息;
所述搜索词包的历史投放效果;
所述搜索词包当前的搜索流量预估值;
对所述至少两项的分析结果进行加权计算,得到所述搜索词包的得分。
以下对搜索推荐装置100进行更加详细的说明:
在一较佳实施例中,再参阅图1,搜索推荐装置100可以包括:词包生成模块110、词包管理模块120、词包推荐模块150三个功能模块,以及广告特征获取模块130、广告主特征获取模块(以下称用户画像模块)140、文本相关度模块160、知识图谱模块105几个基础模块。
词包生成模块110,用于对query根据主题进行聚合,生成词包。词包管理模块120,用于词包的上线、下线,基于热点追踪和知识图谱的自动词包主题生成。词包推荐模块150,用于结合广告特征、广告主的特征、词包特征向该广告主(广告客户)推荐最合适的搜索词包用以投放。
其中,词包主题指的是这个搜索词包里的query(搜索词或查询词)都是跟什么相关的。如‘化妆品’词包的主题就是化妆品,只有跟化妆品相关的query才能进入这个词包。
一般是先有主题,然后根据该主题生成搜索词包。例如,先发现单个的具有较多流量的query,分析其主题,将其作为词包名,然后将与之相关的其他query收入该词包。
用户画像模块140,负责对广告主的特征进行采集和管理。
文本相关度模块160,负责对文本的相关度进行计算,包括query和微博的相关度、query和query的相关度、搜索词包和搜索词包之间的相关度、query和搜索词包之间的相关度等。
知识图谱模块105,负责对有商业价值的命名实体的识别及其相互关系的提取和管理。
以下对各模块进行更加详细的说明:
词包生成模块110,首先使用主题分析的方式和启发式的方法确定要生成的词包,即词包的主题,然后使用基于LSTM(Long Short-Term Memory,长短期记忆网络)的深度学习语言模型将query转换成向量,然后通过逻辑回归分类算法将query分到不同的词包中。转化成向量,是以数字的方式表示文本,有利于计算、分类。在可选的实施方式中,上述使用主题分析的方法和启发式的方法确定要生成的词包,具体可以包括如下方法:通过搜索量比较高的搜索词确定词包,或者,可以通过垂直领域的分类确定词包。
该逻辑回归分类算法是二分类逻辑回归。只需判断query是否属于该词包即可,逻辑回归合适做这种工作的模型。
词包管理模块120,具有以下几方面的功能:
(1)管理词包的主题和分类信息。
例如‘美妆’词包是‘化妆品’的父词包,‘化妆品’词包是‘口红’词包的父词包。
词包的管理可以给广告客户提供不同粒度及对应流量的选择。例如:广告客户要投放口红相关的广告,预计购买流量10万,但口红词包的流量只有1万,那么广告客户可以选择更上层的词包,比如‘化妆品’词包或者‘美妆’词包。又例如:广告客户本来就想选择‘美妆’词包进行投放,但是查看了词包里的query以后觉得很多query并不是和口红很相关,然后为了获得跟好的相关度,广告客户可以选择‘化妆品’词包或者‘口红’词包。
分类信息的获取有各种渠道,例如知识图谱、手动编辑等。分类信息是在推荐词包时调用的内部逻辑,并不直接面向广告客户。
(2)对词包生成模块110产生的词包进行管理,通过设定上下线时间对词包的生命周期进行管理。
具体地,管理词包的生命周期的目的是从时间上对词包进行删选。例如‘赵丽颖结婚’这种从一次性热点事件生成的词包,或者‘世界杯’这种周期性热点事件生成的词包在事件结束后,流量会很少,从而被剔除出词包列表。
(3)通过子词包、父词包的设定管理词包的等级结构。词包的二级结构有利于平衡效率和效果,但不限于二级结构。
(4)对词包设置不同的标签(可选),以方便采用不同的营销策略。
(5)对流量进行监视,并结合知识图谱发现有价值的主题,即词包名。
具体地,用有一定流量的query去匹配知识图谱里的概念或实体。有价值的主题可根据如下方式确定:历史上有人购买过。例如在微博、百度、谷歌搜索某个query,如果有广告,说明是有价值的。可以将这个query提炼出来,当作词包名。
词包推荐模块150,其功能包括:首先对广告的内容(例如文本内容、图片内容、视频内容、音频内容等)进行分析,提取其文本特征,和词包的主题进行匹配生成备选推荐词包列表。然后从用户画像模块140获取广告客户的特征,从词包管理模块获取词包的特征,对备选推荐词包列表中的词包进行打分。根据词包的等级信息、词包之间的相关度信息对词包得分进行修正,根据得分对词包进行排序,最终将得分最高的若干个词包展现给广告客户。
其中,词包的特征包括但不限于:词包的主题、核心词(其是与主题之间相关度高于设定相关度阈值的词汇)、历史投放效果、搜索流量、等级信息和相关词包及其主题。
用户画像模块140,用于对广告主的包括昵称、认证信息、认证理由、自我描述、对搜索词包的历史购买信息或记录、对搜索词包的最近(时间可预先设定)购买信息或记录、历史微博(不限于微博,也可采用广告主在其他社交媒体上公开发布的信息)等信息在内的一项或多项信息进行采集和管理。
文本相关度模块160,可以包括以下几个功能单元:
word2vec词向量模型:通过大量的微博文本训练生成word2vec模型,该模型负责将词汇转换成固定长度的实数向量。微博文本仅作为举例,不以此为限。
搜索词的词向量生成单元:将搜索词进行分词处理,计算经过分词处理后得到的每个词对应的向量的权重,然后采用加权平均的方式生成搜索词的向量。该模型是通过向量进行加权平均。例如,有一条搜索词对应的文本内容S中包含词汇A、B。A的向量是[a1,a2,,,a100],权重是wa;B的向量是[b1,b2,,,b100],权重是wb;则S的向量表示为:[a1*wa+b1*wb,a2*wa+b2*wb,,,a100*wa+b100*wb]。
计算词包之间的相关度的单元:通过搜索词的词向量生成单元,将每个搜索词包转换成向量,然后计算任意两个搜索词包之间的相关度。
进一步地,文本相关度模块160,还包括:计算搜索词和搜索词包之间的相关度的单元,其用于根据word2vec词向量模型和搜索词的词向量生成单元,将搜索词包和搜索词都转换成向量,然后计算两者之间的相关度。具体地,可以通过前面提到的基于LSTM的语言模型,将搜索词包的主题和搜索词query都转换成向量的形式。
知识图谱模块105:用于通过对大量文本的分析,利用命名实体发现的方法(这个可通过现在已有的第三方的命名实体识别算法实现),并结合历史上微博广告的内容,发现有商业价值的命名实体,并通过这些实体之间的共现情况和其他模式识别的方式得到其之间的关系。例如:首先对于发现成对的出现概率较高的实体,例如a和b,即P(ab)>阈值;然后判断,如果a出现时,b大概率出现;而b出现时,a出现概率并不高,即P(b|a)>>P(a|b)可以认为b是a的超类,而b是a的子类。
本发明实施例的优点包括:
根据主题对搜索词(query)进行聚合,而不是简单通过枚举关键词然后根据包含关系来聚合搜索词(query),可以整合更多相关流量。而且根据词包主题丰富多样,并涵盖各种粒度,可以满足各种广告主的个性化需求。
能够在分析广告特征的基础上综合广告客户的特征、词包特征,智能匹配最合适的词包。
能够自动追踪当前的流量热点动态生成搜索词包,满足广告主对热点流量的需求。
实施例二
图2是本实施例提供的一种搜索推荐方法的流程图。如图2所示,其包括如下步骤:
步骤210:根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包。
在可选的实施例中,步骤210具体可以包括:使用主题分析的方法和启发式的方法确定要生成的搜索词包的主题;使用基于长短期记忆网络LSTM的深度学习语言模型将搜索词转换成向量;通过逻辑回归分类算法将搜索词分配到不同主题的搜索词包中。
具体地,一种情况,本步骤可以通过针对短文本的深度学***台也可)搜索中的query进行分类、聚类,生成query的主题集合,即搜索词包。
另一种情况,本步骤可以通过针对短文本的深度学***台也可)搜索中的query进行分类、聚类,生成query的主题集合,即搜索词包。
以搜索词包为单元,广告客户能够更方便地选取query,并轻松控制投放量。例如:广告客户想购买‘毛衣’相关的搜索词,只需要购买‘毛衣’词包,而不需要自已动手将毛衣相关的各种搜索词全部枚举一遍。
步骤220:确定每个搜索词包的特征信息,该特征信息至少包括搜索词包的主题。
较佳地,步骤220还可以包括:获取每个搜索词包的如下至少一项特征:搜索词包中的核心搜索词,该核心搜索词是指搜索词包中与主题之间的相关度高于设定相关度阈值的搜索词;搜索词包的历史投放效果;搜索词包的搜索流量;搜索词包的等级信息;搜索词包的相关联的搜索词包的主题。
步骤230:获取待投放广告的广告内容,和与所述待投放的广告对应的广告主的用户画像。
在可选的实施例中,步骤230中,广告内容,包括但不限于文本内容,音频内容,图片内容,视频内容等。
所述获取广告主的用户画像,包括:对所述广告主的包括昵称、认证信息、认证理由、自我描述、对搜索词包的历史购买信息、对搜索词包的最近购买信息、历史发布的社交平台内容信息在内的至少一项信息进行采集,以建立广告主的用户画像。
步骤240:根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
其中,步骤210、步骤220、步骤230的执行顺序可以相互调换。
在可选的实施例中,步骤240具体可以包括如下步骤:
步骤241:计算搜索词包之间的相关度信息;
步骤242:对待投放广告的广告内容进行文本分析,提取文本特征;
步骤243:将所述文本特征与各搜索词包的主题进行匹配,根据匹配结果得到备选推荐词包列表;
步骤244:根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分;
步骤245:根据搜索词包的等级信息、以及搜索词包之间的相关度信息对所述备选推荐词包列表中各搜索词包的得分进行修正;
步骤246:根据修正后的得分对备选推荐词包列表中各搜索词包进行降序排序,并且将排序靠前的设定数量的搜索词包推荐给所述广告主。
其中,步骤241与步骤242的执行顺序可互相调换。
其中,步骤241的执行顺序可位于步骤242与步骤245之间。
在可选的实施例中,词包之间的相关度可以用来间接推荐词包。例如,当跟广告内容直接相关的词包个数少的时候,可以通过词包之间的相关度间接推荐。
步骤241可以包括如下步骤:
步骤241_1:通过文本训练生成word2vec词向量模型,word2vec词向量模型用于将词汇转换成固定长度的实数向量;
步骤241_2:根据word2vec词向量模型,将第一搜索词包中的每个搜索词转换成向量;
步骤241_3:根据word2vec词向量模型,将搜索词包中的每个搜索词转换成向量;
步骤241_4:将搜索词包中的各搜索词对应的向量进行加权平均处理,得到搜索词包对应的词包向量;
步骤241_5:将待计算的两个搜索词包分别对应的词包向量之间的相关度,作为该两个搜索词包之间的相关度信息。
其中,根据word2vec词向量模型,将搜索词包中的每个搜索词转换成向量具体可包括:
对于搜索词包中的每个搜索词,均执行如下处理:
对该搜索词进行分词处理,获得该搜索词对应的多个词汇;
根据训练生成的word2vec词向量模型,对经分词处理后得到的每个词汇进行转换处理,以将每个词汇转换成固定长度或维数的子实数向量,从而获得与多个词汇一一对应的多个子实数向量;
计算或确定每个词汇对应的子实数向量的权重值;
根据多个子实数向量和多个权重值,进行加权求和处理,得到该搜索词对应的向量。
其中,在一个可选的实施例中,待计算的两个搜索词包之间的相关度,可通过第一搜索词包对应的向量和第二搜索词包对应的向量之间的余弦值来表征。余弦相似度,又称为余弦相似性,是通过计算两个向量的夹角余弦值来评估它们的相似度。
在可选的实施例中,所述的根据词包的主题对搜索词进行聚合,生成搜索词包之后,还包括:根据搜索引擎中当前的各搜索词的流量变化情况,实时地生成搜索词包。
在可选的实施例中,步骤244中根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分,具体可以包括如下步骤:
步骤244_1:对于每一个搜索词包,执行如下(1)-(6)中的至少两项分析:
(1)所述搜索词包的主题与所述广告客户的广告内容的相关度;
(2)所述广告主对所述搜索词包的历史购买信息;
(3)所述搜索词包的相关搜索词包的主题与所述广告主的广告内容的相关度;
(4)所述搜索词包的相关搜索词包的历史购买信息;
(5)所述搜索词包的历史投放效果;
(6)所述搜索词包当前的搜索流量预估值。
步骤244_2:对至少两项的分析结果进行加权计算,计算得到该搜索词包的得分。
本发明的实施例的技术方案,根据广告客户的广告内容,结合广告客户的用户画像,自动地提取广告客户的意图。然后根据广告客户的意图,向广告客户推荐一系列的词包,而不是零散的query,词包按照得分高低排序。词包有不同的层次和领域,比如,广告客户的广告如果是讲男式毛衣的广告,那么推荐词包的词包列表会包含‘毛衣’、‘男式毛衣’、‘冬装’、‘服饰’等不同粒度的词包。每个词包都是一个query的主题集合,例如‘毛衣’词包中会包含‘毛衣’、‘毛衫’、‘秋冬服饰’、‘针织衫’等query。
本发明的实施例根据主题对query搜索词进行聚合,而不是简单通过枚举关键词然后根据包含关系来聚合query,可以整合更多相关流量。而且,词包主题丰富多样,并涵盖各种粒度,可以满足各种广告客户个性化需求。另外,还能在分析广告特征的基础上综合广告客户的特征,智能匹配最合适的词包。因此,搜索词包极大地降低了广告客户的操作复杂度,提高了广告客户的用户体验和下单效率,尤其在移动端这种效果更加明显。
具体地,在一较佳实施例中,对生成的搜索词包进行管理,具体可以包括如下几方面:
(1)管理词包的主题和分类信息。
例如‘美妆’词包是‘化妆品’的父词包,‘化妆品’词包是‘口红’词包的父词包。
词包的管理可以给广告客户提供不同粒度及对应流量的选择。例如:广告客户要投放口红相关的广告,预计购买流量10万,但口红词包的流量只有1万,那么广告客户可以选择更上层的词包,比如‘化妆品’词包或者‘美妆’词包。又例如:广告客户本来就想选择‘美妆’词包进行投放,但是查看了词包里的query以后觉得很多query并不是和口红很相关,然后为了获得跟好的相关度,广告客户可以选择‘化妆品’词包或者‘口红’词包。
分类信息的获取有各种渠道,例如知识图谱、手动编辑等。分类信息是在推荐词包时调用的内部逻辑,并不直接面向广告客户。
(2)对词包生成模块产生的词包进行管理,通过设定上下线时间对词包的生命周期进行管理。
具体地,管理词包的生命周期的目的是从时间上对词包进行删选。例如‘赵丽颖结婚’这种从一次性热点事件生成的词包,或者‘世界杯’这种周期性热点事件生成的词包在事件结束后,流量会很少,从而被剔除词包列表。
(3)通过子词包、父词包的设定管理词包的等级结构。词包的二级结构有利于平衡效率和效果,但不限于二级结构。
(4)对词包设置不同的标签(可选),以方便采用不同的营销策略。
(5)对流量进行监视,并结合知识图谱发现有价值的主题,即词包名。
具体地,用有一定流量的query去匹配知识图谱里的概念或实体。有价值的主题可根据如下方式确定:历史上有人购买过。例如在微博、百度、谷歌搜索某个query,如果有广告,说明是有价值的。可以将这个query提炼出来,当作词包名。
在本发明的实施例中,搜索词的推荐是以词包为核心。通过建立包含了广告客户的昵称、简介、认证信息、历史微博、历史购买、最近购买等信息的客户画像分析广告客户的行业、领域、投放目的,结合当前要投放的广告内容、词包可售流量、词包历史投放效果,综合分析广告客户的投放意图和各个词包的契合程度,给出最适合广告客户的词包列表。
其中,词包流量是指:词包中各个搜索词的pv(未来24小时内的搜索次数,预估值)的总和。
其中,词包可售流量指:词包流量-已售出的词包流量。
其中,词包历史投放效果指:该词包历史上的平均加粉率、导流率、转化率。
在本发明的实施例中,以词包为单元,广告客户可以看到更高的层次,发现更多与其意图相关的思考角度和主题,从而刺激广告客户购买更多词包和投放量。
本发明的实施例提出了搜索词包的概念和相关的技术方案并加以实现。通过针对短文本的深度学习模型和传统的机器学习模型,并结合知识图谱等其他自然语言处理的方法对微博搜索中的query进行分类、聚类,生成query的主题集合--搜索词包。以词包为单元,广告客户能够更方便地选取query,并轻松控制投放量。其次,词包***能根据搜索引擎当前的各query流量变化情况实时的自动生成词包,满足广告客户对于热点流量的需求。另外,通过建立广告客户的用户画像,结合要投放的广告内容,推荐算法能够智能化地匹配搜索词包,让广告客户更方便的得到最合适的词包。总的来说,搜索词包的提出,极大地降低了广告客户的操作复杂度,提高了广告客户的用户体验和下单效率,尤其在移动端这种效果更加明显。
本发明实施例还提供了一种电子设备,如图3所示,包括一个或多个处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述持续集成自动化测试方法的各步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述方法的各步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (15)
1.一种搜索推荐方法,其特征在于,包括:
根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;
确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;
获取待投放广告的广告内容、以及与所述待投放广告对应的广告主的用户画像;
根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
2.根据权利要求1所述的方法,其特征在于,所述的根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包,具体包括:
使用主题分析的方法和启发式的方法确定待生成的搜索词包的主题;
使用基于长短期记忆网络LSTM的深度学习语言模型将搜索词转换成向量;
通过逻辑回归分类算法将搜索词分配到不同主题的搜索词包中。
3.根据权利要求1或2所述的方法,其特征在于,所述搜索词包的特征信息还包括如下至少一项:
搜索词包中的核心搜索词,所述核心搜索词是指搜索词包中与主题之间的相关度高于设定相关度阈值的搜索词;
搜索词包的历史投放效果;
搜索词包的搜索流量;
搜索词包的等级信息;
搜索词包的相关搜索词包的主题;
所述广告主的用户画像包括如下至少一项:所述广告主的昵称、认证信息、认证理由、自我描述、对搜索词包的历史购买信息、对搜索词包的最近购买信息、历史发布的社交平台内容信息。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包,具体包括:
对待投放广告的广告内容进行文本分析,提取文本特征;
将所述文本特征与各搜索词包的主题进行匹配,根据匹配结果得到备选推荐词包列表;
根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分;
计算搜索词包之间的相关度信息,根据搜索词包的等级信息、以及搜索词包之间的相关度信息对所述备选推荐词包列表中各搜索词包的得分进行修正;
根据修正后的得分对备选推荐词包列表中各搜索词包进行降序排序,并且将排序靠前的设定数量的搜索词包推荐给所述广告主。
5.根据权利要求4所述的方法,其特征在于,所述计算搜索词包之间的相关度信息,包括:
通过文本训练生成word2vec词向量模型,所述word2vec词向量模型用于将词汇转换成固定长度的实数向量;
根据所述word2vec词向量模型,将搜索词包中的每个搜索词转换成向量;
将所述搜索词包中的各搜索词对应的向量进行加权平均处理,得到所述搜索词包对应的词包向量;
将待计算的两个搜索词包分别对应的词包向量之间的相关度,作为该两个搜索词包之间的相关度信息。
6.根据权利要求2所述的方法,其特征在于,所述的根据预设的主题对搜索词进行聚合,生成每个主题对应的搜索词包之后,还包括:
根据搜索引擎中当前各搜索词的流量变化情况,实时地生成搜索词包。
7.根据权利要求4所述的方法,其特征在于,所述的根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分,具体包括:
对于每一个搜索词包,执行如下至少两项分析:
所述搜索词包的主题与所述广告内容的相关度;
所述广告主对所述搜索词包的历史购买信息;
所述搜索词包的相关搜索词包的主题与所述广告内容的相关度;
所述搜索词包的相关搜索词包的历史购买信息;
所述搜索词包的历史投放效果;
所述搜索词包当前的搜索流量预估值;
对所述至少两项的分析结果进行加权计算,得到所述搜索词包的得分。
8.一种搜索推荐装置,其特征在于,包括:
词包生成模块,用于根据预设的主题对多个搜索词进行聚合,生成每个主题对应的搜索词包;
词包管理模块,用于确定每个搜索词包的特征信息,所述特征信息至少包括搜索词包的主题;
广告特征获取模块,用于获取待投放广告的广告内容;
广告主特征获取模块,用于获取与所述待投放广告对应的广告主的用户画像;
词包推荐模块,用于根据所述待投放广告的广告内容、所述广告主的用户画像、以及每个搜索词包的特征信息,向所述广告主推荐至少一个搜索词包。
9.根据权利要求8所述的装置,其特征在于,所述词包生成模块,具体用于:
使用主题分析的方法和启发式的方法确定待生成的搜索词包的主题;
使用基于长短期记忆网络LSTM的深度学习语言模型将搜索词转换成向量;
通过逻辑回归分类算法将搜索词分配到不同主题的搜索词包中。
10.根据权利要求8或9所述的装置,其特征在于,所述搜索词包的特征信息还包括如下至少一项:
搜索词包中的核心搜索词,所述核心搜索词是指搜索词包中与主题之间的相关度高于设定相关度阈值的搜索词;
搜索词包的历史投放效果;
搜索词包的搜索流量;
搜索词包的等级信息;
搜索词包的相关联的搜索词包的主题;
所述广告主的用户画像包括如下至少一项:所述广告主的昵称、认证信息、认证理由、自我描述、对搜索词包的历史购买信息、对搜索词包的最近购买信息、历史发布的社交平台内容信息。
11.根据权利要求8所述的装置,其特征在于,还包括:文本相关度模块,用于计算搜索词包之间的相关度信息;
所述的词包推荐模块具体用于:
对待投放广告的广告内容进行文本分析,提取文本特征;
将所述文本特征与各搜索词包的主题进行匹配,根据匹配结果得到备选推荐词包列表;
根据所述备选推荐词包列表中各搜索词包的特征信息,结合待投放广告的广告内容和/或所述广告主的用户画像,对所述备选推荐词包列表中各搜索词包进行打分;
根据搜索词包的等级信息、以及搜索词包之间的相关度信息对所述备选推荐词包列表中各搜索词包的得分进行修正;
根据修正后的得分对备选推荐词包列表中各搜索词包进行降序排序,并且将排序靠前的设定数量的搜索词包推荐给所述广告主。
12.根据权利要求11所述的装置,其特征在于,所述的文本相关度模块,具体用于:
通过文本训练生成word2vec词向量模型,所述word2vec词向量模型用于将词汇转换成固定长度的实数向量;
根据所述word2vec词向量模型,将搜索词包中的每个搜索词转换成向量;
将所述搜索词包中的各搜索词对应的向量进行加权平均处理,得到所述搜索词包对应的词包向量;
将待计算的两个搜索词包分别对应的词包向量之间的相关度,作为该两个搜索词包之间的相关度信息。
13.根据权利要求9所述的装置,其特征在于,所述的词包生成模块,还用于:根据搜索引擎中当前的各搜索词的流量变化情况,实时地生成搜索词包。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任意一项所述的搜索推荐方法。
15.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的搜索推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772358.9A CN110597987A (zh) | 2019-08-21 | 2019-08-21 | 一种搜索推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772358.9A CN110597987A (zh) | 2019-08-21 | 2019-08-21 | 一种搜索推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110597987A true CN110597987A (zh) | 2019-12-20 |
Family
ID=68854850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910772358.9A Pending CN110597987A (zh) | 2019-08-21 | 2019-08-21 | 一种搜索推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597987A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292134A (zh) * | 2020-02-25 | 2020-06-16 | 上海昌投网络科技有限公司 | 一种微信公众号是否可投广告的判断方法及装置 |
CN111339335A (zh) * | 2020-03-06 | 2020-06-26 | Oppo广东移动通信有限公司 | 图像检索方法、装置、存储介质及电子设备 |
CN111768234A (zh) * | 2020-06-28 | 2020-10-13 | 百度在线网络技术(北京)有限公司 | 为用户生成推荐文案的方法及设备、电子设备和介质 |
CN111783440A (zh) * | 2020-07-02 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 意图识别方法、装置、可读介质及电子设备 |
CN111813898A (zh) * | 2020-08-28 | 2020-10-23 | 北京智源人工智能研究院 | 基于语义搜索的专家推荐方法、装置、设备及存储介质 |
CN113297468A (zh) * | 2020-07-30 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息展示、推荐及处理方法、信息推荐***、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625683A (zh) * | 2008-07-09 | 2010-01-13 | 精实万维软件(北京)有限公司 | 在投放搜索引擎竞价广告时选择竞价广告关键词的方法 |
US20100057559A1 (en) * | 2006-06-30 | 2010-03-04 | Saar Wilf | method of choosing advertisements to be shown to a search engine user |
CN102360358A (zh) * | 2011-09-28 | 2012-02-22 | 百度在线网络技术(北京)有限公司 | 关键词推荐方法及*** |
CN106062743A (zh) * | 2014-03-10 | 2016-10-26 | 埃克斯凯利博Ip有限责任公司 | 用于关键字建议的***和方法 |
CN106445963A (zh) * | 2015-08-10 | 2017-02-22 | 北京奇虎科技有限公司 | App平台的广告索引关键词自动生成方法和装置 |
CN108241652A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词聚类方法及装置 |
-
2019
- 2019-08-21 CN CN201910772358.9A patent/CN110597987A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100057559A1 (en) * | 2006-06-30 | 2010-03-04 | Saar Wilf | method of choosing advertisements to be shown to a search engine user |
CN101625683A (zh) * | 2008-07-09 | 2010-01-13 | 精实万维软件(北京)有限公司 | 在投放搜索引擎竞价广告时选择竞价广告关键词的方法 |
CN102360358A (zh) * | 2011-09-28 | 2012-02-22 | 百度在线网络技术(北京)有限公司 | 关键词推荐方法及*** |
CN106062743A (zh) * | 2014-03-10 | 2016-10-26 | 埃克斯凯利博Ip有限责任公司 | 用于关键字建议的***和方法 |
CN106445963A (zh) * | 2015-08-10 | 2017-02-22 | 北京奇虎科技有限公司 | App平台的广告索引关键词自动生成方法和装置 |
CN108241652A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 关键词聚类方法及装置 |
Non-Patent Citations (4)
Title |
---|
UC浏览器神马搜索推广开户 : "神马搜索推广的智能创意词包", 《HTTPS://WWW.TUI86.COM/700.HTML》, 27 October 2017 (2017-10-27) * |
劳显茜等: "《电子商务运营》", vol. 1, 北京理工大学出版社, pages: 156 - 157 * |
李阿嫱: "移动搜索广告现状与投放策略", 《经营方略》 * |
李阿嫱: "移动搜索广告现状与投放策略", 《经营方略》, 31 December 2014 (2014-12-31) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292134A (zh) * | 2020-02-25 | 2020-06-16 | 上海昌投网络科技有限公司 | 一种微信公众号是否可投广告的判断方法及装置 |
CN111339335A (zh) * | 2020-03-06 | 2020-06-26 | Oppo广东移动通信有限公司 | 图像检索方法、装置、存储介质及电子设备 |
CN111768234A (zh) * | 2020-06-28 | 2020-10-13 | 百度在线网络技术(北京)有限公司 | 为用户生成推荐文案的方法及设备、电子设备和介质 |
CN111768234B (zh) * | 2020-06-28 | 2023-12-19 | 百度在线网络技术(北京)有限公司 | 为用户生成推荐文案的方法及设备、电子设备和介质 |
CN111783440A (zh) * | 2020-07-02 | 2020-10-16 | 北京字节跳动网络技术有限公司 | 意图识别方法、装置、可读介质及电子设备 |
CN111783440B (zh) * | 2020-07-02 | 2024-04-26 | 北京字节跳动网络技术有限公司 | 意图识别方法、装置、可读介质及电子设备 |
CN113297468A (zh) * | 2020-07-30 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 信息展示、推荐及处理方法、信息推荐***、电子设备 |
CN111813898A (zh) * | 2020-08-28 | 2020-10-23 | 北京智源人工智能研究院 | 基于语义搜索的专家推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597987A (zh) | 一种搜索推荐方法及装置 | |
EP3779841B1 (en) | Method, apparatus and system for sending information, and computer-readable storage medium | |
CN106156127B (zh) | 选择数据内容向终端推送的方法及装置 | |
CN106547908B (zh) | 一种信息推送方法和*** | |
CN106709040B (zh) | 一种应用搜索方法和服务器 | |
CN109189904A (zh) | 个性化搜索方法及*** | |
CN108346075B (zh) | 信息推荐方法和装置 | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109325179B (zh) | 一种内容推广的方法及装置 | |
CN105095187A (zh) | 一种搜索意图识别方法及装置 | |
Zhang et al. | Multimodal marketing intent analysis for effective targeted advertising | |
CN106970991B (zh) | 相似应用的识别方法、装置和应用搜索推荐方法、服务器 | |
CN108596695B (zh) | 实体推送方法及*** | |
CN106204156A (zh) | 一种用于网络论坛的广告投放方法及装置 | |
CN113254711B (zh) | 一种互动图像的显示方法、装置、计算机设备和存储介质 | |
CN106445963A (zh) | App平台的广告索引关键词自动生成方法和装置 | |
Lee et al. | A hybrid collaborative filtering-based product recommender system using search keywords | |
CN114881685A (zh) | 广告投送方法、装置、电子装置及存储介质 | |
CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
Virmani et al. | Design of query processing system to retrieve information from social network using NLP | |
CN112685635A (zh) | 基于分类标签的项目推荐方法、装置、服务器和存储介质 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN115827990A (zh) | 搜索方法及装置 | |
CN113902526B (zh) | 基于人工智能的产品推荐方法、装置和计算机设备及介质 | |
US7716209B1 (en) | Automated advertisement publisher identification and selection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |