Google Ads是一種通過使用Google關(guān)鍵字廣告或者Google遍布全球的內(nèi)容聯(lián)盟網(wǎng)絡(luò)來推廣網(wǎng)站的付費網(wǎng)絡(luò)推廣方式。人們可以選擇包括文字、圖片及視頻廣告在內(nèi)的多種廣告形式。廣告商選擇的廣告是否能為自己的廣告帶來最大利益,很大程度上取決于與廣告相關(guān)的關(guān)鍵字的選擇。因此,廣告優(yōu)化的成敗與否就要靠關(guān)鍵字的選擇去進(jìn)行實現(xiàn)。畢竟好的關(guān)鍵字不僅可以幫助商家降低廣告成本,而且可以提升廣告效果,幫助商家增加收益。然而,在實際操作中由于各種原因使得關(guān)鍵字的選擇遭遇重重困難。首先需要面對自然語言處理的困難,因為關(guān)鍵字中同時包含中文和英文、關(guān)鍵字的文本特征少、數(shù)據(jù)質(zhì)量不平衡的問題。其次深度學(xué)習(xí)中的分類模型不容易與本應(yīng)用進(jìn)行良好的適用。最為重要的是在應(yīng)用中要求模型的分類速度快并且分類準(zhǔn)確度較高,這對于深度學(xué)習(xí)中的模型來講無疑是一件非常棘手的問題。為了解決這些問題,首先研究如何更好地提取出文本信息并對分類模型進(jìn)行改進(jìn)。因此,本文通過選擇語料庫解決中英文混合現(xiàn)象,使用詞嵌入解決關(guān)鍵字文本特征少的問題,通過重采樣處理數(shù)據(jù)質(zhì)量不平衡的問題。經(jīng)過實驗驗證,最終證明了所選數(shù)據(jù)處理方法確實行之有效。隨后選用卷積神經(jīng)... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

GoogleAds工作流程

1緒論5圖1.2谷歌關(guān)鍵詞匹配程度類型實現(xiàn)此目標(biāo)的關(guān)鍵，就是要選擇綜合質(zhì)量好的關(guān)鍵字。在這里簡單介紹一些關(guān)鍵字特征。例如，質(zhì)量評估得分越高，意味著關(guān)鍵字的頁面排名越靠前、與廣告內(nèi)容越相關(guān)。排名越靠前的關(guān)鍵字意味著網(wǎng)上用戶通過這個關(guān)鍵字匹配廣告信息越靠前，換而言之，靠前的廣告總是更容易得到用戶的瀏覽或者點擊從而產(chǎn)生更好的表現(xiàn)。因此關(guān)鍵字的質(zhì)量評估得分和關(guān)鍵字排名這兩個數(shù)據(jù)可以用作評估關(guān)鍵字是否被選擇的重要標(biāo)準(zhǔn)，但是他們往往不會一開始就出現(xiàn)，是需要關(guān)鍵字被使用一段時間后才能出現(xiàn)的數(shù)據(jù)，可以被用作本文的關(guān)鍵字是否被選擇的標(biāo)簽。不同的廣告商有不同的廣告需求。當(dāng)關(guān)鍵字投入GoogleAds使用一段時間后，GoogleAds會將每個關(guān)鍵字的關(guān)鍵字特征發(fā)送回來。當(dāng)廣告商收到這些關(guān)鍵字特征后會進(jìn)行選擇，選取與自己需求相符的關(guān)鍵字，一些結(jié)果表現(xiàn)不好的關(guān)鍵字將會從GoogleAds當(dāng)中被移除。例如，廣告商將某一關(guān)鍵字投入GoogleAds，一天后，GoogleAds會將該關(guān)鍵字被點擊一次的費用（CPC）、每一千人瀏覽的費用（CPM）、網(wǎng)頁排名（PAGERANK）、質(zhì)量分?jǐn)?shù)（Qualityscore）等一系列關(guān)鍵字特征發(fā)送給廣告商[3]。廣告商認(rèn)為CPC和CPM最為重要，其余指標(biāo)可以忽略不計，所以關(guān)鍵字中CPC和CPM指標(biāo)達(dá)到要求的關(guān)鍵字作為保留下來的關(guān)鍵字，CPC和CPM指標(biāo)未達(dá)到要求的關(guān)鍵字將被移除。因此，關(guān)鍵字是否保留，取決于廣告商的不同目標(biāo)與需求。在本篇論文中，能夠被廣告商保留的關(guān)鍵字作為訓(xùn)練數(shù)據(jù)中的正樣本，被廣告商移除的關(guān)鍵字作為訓(xùn)練數(shù)據(jù)中的負(fù)樣本。正如上面所提到的，關(guān)鍵字的特征需要將關(guān)鍵字投入GoogleAds使用一段

1緒論8第四章：單目標(biāo)粒子群優(yōu)化改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)。在第三章中已經(jīng)能夠?qū)崿F(xiàn)對關(guān)鍵字的挑眩可是對于所選用的卷積神經(jīng)網(wǎng)絡(luò)模型來說，其包含的參數(shù)巨大，并無法保證選擇的參數(shù)是合適的，所以為了使得模型能夠自動地優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本文選擇單目標(biāo)粒子群優(yōu)化算法去優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，以精度為目標(biāo)，實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)相對最優(yōu)化。通過進(jìn)行實驗，可以發(fā)現(xiàn)所選方法行之有效。第五章：多目標(biāo)粒子群優(yōu)化改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)。這一章是對第四章的補(bǔ)充，因為在工業(yè)應(yīng)用中，僅僅考慮精度為目標(biāo)是不夠的，時間也是重要的成本之一。因此為了進(jìn)一步滿足工業(yè)應(yīng)用的需求，本章節(jié)將單目標(biāo)粒子群優(yōu)化算法轉(zhuǎn)化為多目標(biāo)粒子群優(yōu)化算法。目的在于將時間和精度同時作為目標(biāo)的情況下能夠讓卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)得到完成目標(biāo)的最優(yōu)結(jié)構(gòu)。通過實驗的驗證和與其它先進(jìn)研究的實驗進(jìn)行對比，可以發(fā)現(xiàn)此方法實用性強(qiáng)、效果好并能夠有效地應(yīng)用在工業(yè)當(dāng)中。圖1.3論文框架及主要研究成果

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機(jī)應(yīng)用研究. 2017(10)
[2]Multi-objective differential evolution with diversity enhancement[J]. Ponnuthurai-Nagaratnam SUGANTHAN.  Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(07)

碩士論文
[1]基于深度學(xué)習(xí)的自然場景文字識別[D]. 楊宏志.重慶郵電大學(xué) 2019
[2]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017



本文編號：3570907