[发明专利]一种基于多任务学习的竞价关键词效果预估模型构建方法

说明书

本发明涉及一种基于多任务学习的竞价关键词效果预估模型构建方法，包括步骤：收集广告和对应竞价关键词的历史数据；对广告和竞价关键词的特征向量进行预处理，得到降维后的特征向量和广告和竞价关键词的数值特征向量；将降维后的特征向量与广告和竞价关键词的数值特征向量拼接在一起，输入深度神经网络。本发明的有益效果是：构建了基于多任务学习的竞价关键词效果预估模型，该模型通过多任务学习，预估广告购买竞价关键词在未来一段时间内的展现量、点击量和转化量，并且在基于多任务学习的竞价关键词效果预估模型中显示建模任务之间的关系以增强模型的效果。相较PLE模型，本发明提出的预估模型在展示任务、点击任务和转化任务上均有所提升。

技术领域

本发明属于搜索广告领域，尤其涉及一种基于多任务学习的竞价关键词效果预估模型构建方法。

背景技术

作为在线广告形式中的十分重要的一种，搜索广告主要是在用户的搜索结果页进行广告投放。在搜索广告中，广告平台主要通过广告主选择的竞价关键词与用户的搜索词进行匹配，然后再进行广告的曝光。作为连接用户、广告主和广告平台的核心枢纽，竞价关键词的选择是广告主投放广告过程中最关键的环节之一。但是除了少数广告主花费大量资金聘请专业团队外，大多数广告主很难提前预知竞价关键词的广告效果，只能通过不断尝试来验证竞价关键词的广告效果，在一定程度上增加了广告主的试错成本。

作为近年来最火热的研究方向之一，多任务学习从最初简单的参数共享发展到了现在的多种的自定参数共享。目前，多任务学习已经被广告应用于各个领域，包括计算机视觉、搜索推荐等领域。

在国内学者Hongyan Tang提出PLE模型之后，很多基于PLE模型的多任务模型都取得了很好的效果。这些模型在训练中都将有关任务联合在一起学习，然后通过参数共享的方式增强模型的泛化能力。但是只是简单地将任务放在一起，并不能获得最好的效果。

专利号为CN202010270578.4的《一种针对广告主广告投放效果的风险评估方法及平台》中，公开了一种竞价关键词广告效果预估的方法；其方法包括如下步骤：收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；建立模拟广告平台，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量；该竞价关键词广告效果预估的方法通过使用多个模型的方式来对竞价关键词的多种广告效果进行预估，可以取得一定的效果。但是多个模型的方式增加了维护成本，也无法利用多个任务之间的联系增强预测效果。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于多任务学习的竞价关键词效果预估模型构建方法。

这种基于多任务学习的竞价关键词效果预估模型构建方法，包括以下步骤：

S1、收集广告和对应竞价关键词的历史数据；广告和对应竞价关键词的历史数据包括：广告，竞价关键词二元组集合的展现量、点击量、转化量、点击率和转化率；将精排点击率和转化率模型作为竞价关键词效果预估模型的教师模型，并将教师模型预估的点击率和转化率作为标签来计算竞价关键词效果预估模型的点击率和转化率损失；在竞价关键词和广告维度对点击率和转化率预估值进行求平均值处理；

S2、对广告和竞价关键词的特征向量进行预处理，得到降维后的特征向量和广告和竞价关键词的数值特征向量；将降维后的特征向量与广告和竞价关键词的数值特征向量拼接在一起，作为深度神经网络的输入；

S3、构建基于多任务学习的深度神经网络，将步骤S2所得降维后的特征向量与广告和竞价关键词的数值特征向量拼接在一起，得到d维的向量，作为深度神经网络的输入；深度神经网络输出广告，竞价关键词二元组集合的展现量、点击量和转化量的预估值；

S4、利用深度神经网络输出的广告，竞价关键词二元组集合的展现量、点击量和转化量的预估值来计算预估的点击率和预估的转化率；

预估的点击率计算公式如下：