關鍵詞拍賣的選詞與出價策略研究

吳紀蕓，陳志德，汪 磊，王 孟

（福建師范大學a.數(shù)學與計算機科學學院；b.網絡安全與密碼技術福建省重點實驗室，福州350000）

·開發(fā)研究與工程應用·

拍賣的選詞與出價策略研究

吳紀蕓a，b，陳志德a，b，汪 磊a，b，王 孟a，b

（福建師范大學a.數(shù)學與計算機科學學院；b.網絡安全與密碼技術福建省重點實驗室，福州350000）

在

拍賣中，每個廣告主都有成千上萬的關鍵詞可選，為了在預算限制條件下給選擇的關鍵詞設置合理的投標價格，提出一種新的基于廣告主的拍賣策略，包括選詞策略和出價策略。在選詞策略中，提出基于詞頻?反轉文件頻率算法的關鍵詞關聯(lián)度計算方法，通過該方法選出的關鍵詞不僅能提高網站的關聯(lián)度，增加轉化率，還能避免因使用過度普遍的關鍵詞而增加競爭成本。在出價策略中，運用改進的粒子群優(yōu)化算法，在若干約束條件限制下對每個關鍵詞的出價做適當調整，以增加廣告主所獲利潤。實驗結果表明，采用拍賣策略選出的關鍵詞組可增加網站的轉化率，降低競爭成本，所獲得的利潤比傳統(tǒng)人為投標所獲得的利潤高，并且在初期和中期呈現(xiàn)持續(xù)上升趨勢，后期趨于穩(wěn)定。

關鍵詞：關鍵詞拍賣；選詞策略；關聯(lián)度；出價策略；詞頻?反轉文件頻率算法；粒子群優(yōu)化

中文引用格式：吳紀蕓，陳志德，汪 磊，等.關鍵詞拍賣的選詞與出價策略研究［J］.計算機工程，2015，41（7）：310?316.

英文引用格式：Wu Jiyun，Chen Zhide，Wang Lei，et al.Study on Word Selection and Bidding Strategies of Keyword Auction［J］.Computer Engineering，2015，41（7）：310?316.

1 概述

隨著搜索技術的不斷成熟，關鍵詞廣告不僅滿足搜索引擎用戶搜索信息的基本要求，還能滿足廣告主針對性地對潛在目標客戶進行營銷的需求。廣告主可根據(jù)推廣網站選擇多個關鍵字，設計與關鍵字相關的推廣廣告，并對每個關鍵字設置適當?shù)耐稑藘r格。多個廣告主可能同時選擇同一關鍵字進行推廣。當搜索引擎用戶搜索其中一個關鍵字時，搜索引擎將會根據(jù)廣告主設置的關鍵字價格高低等因素對廣告按順序展示，當且僅當廣告被點擊時廣告主才需要向搜索引擎支付相應的費用。與傳統(tǒng)廣告相比，關鍵詞廣告具有針對性和目的性強、預算可控、成本較低、效果明顯、操作簡單等優(yōu)勢，它已成為網絡營銷市場中最受廣告主青睞的廣告推廣形式之一，與此同時，也是全球各大搜索引擎公司的主要收入來源。數(shù)據(jù)顯示，Google上一年度總收入是333億美元，其中廣告收入是322億美元，占總收入的97%。

本文提出一種新的拍賣策略模型，從廣告主的角度出發(fā)，選擇與推廣網站關聯(lián)度較大，但競爭程度不高的多關鍵詞進行投標，利用改進的粒子群優(yōu)化算法生成出價策略以增加利潤值。

2 背景介紹

關鍵詞拍賣機制是由Yahoo的Overture首創(chuàng)的，每個關鍵詞的廣告位排位由廣告主出價高低決定，廣告點擊價格即為廣告主的出價。這種機制稱為廣義首價機制，該機制會導致鋸齒形的價格戰(zhàn)，對廣告主和搜索引擎的利益造成損害。2002年Google推出Adwords產品并成功將廣義第二價格（Generalized Second Price，GSP）機制引入關鍵詞拍賣中來，即第n位廣告點擊價格為處于第n+1位廣告的廣告主出價附加一個小增量。該機制下的競價具有較高的穩(wěn)定性。隨著GSP的廣泛使用，Google采用綜合質量得分來對廣告進行排位，其中綜合質量得分由廣告主的出價、關鍵詞與推廣網站的相關度、歷史點擊率、廣告主的信譽、廣告撰寫通順度等因素決定，基于綜合質量得分的GSP機制已經成為各大搜索引擎的主要排位方式。

一般，廣告主的出價越高，所處的廣告位就越靠前，被搜索引擎用戶點擊的概率就越大。但為了獲得高點擊率而一味提高投標價格，無形中增加競爭成本。另外，排位越靠前的廣告所獲得的利潤未必越高。由于關鍵詞拍賣的動態(tài)特征明顯，若沒有系統(tǒng)的出價策略，廣告主很難把握關鍵詞的投標價格。通過研究關鍵詞的拍賣機制，選擇合適的關鍵詞廣告出價策略是重要而首要的工作。此外，許多相關學者認為適當增加關鍵詞的數(shù)量以達到長尾效應，也能提高經濟效益。通過分析不同關鍵詞的廣告效率，找到合適的拍賣策略對多關鍵詞進行有效管理，能夠給廣告主帶來很大的幫助。

從廣告主角度出發(fā)，以利潤最大化為目的，文獻［1?2］研究如何分配預算使得每個關鍵詞的出價合理。文獻［3］提出一種近似算法，根據(jù)歷史經驗數(shù)據(jù)找出一組能使利潤最大化的關鍵詞。但每個關鍵詞投標價格和廣告位保持不變，較不符合實際情況。文獻［4］運用貪婪報價策略提出廣告主應該如何進行報價，但該報價策略是以單關鍵詞為前提進行研究，而現(xiàn)階段長尾關鍵詞才能更大程度上提高競爭力和增加利潤值。另外，由于關鍵詞拍賣業(yè)務的核心是關鍵詞，廣告主需要得到關鍵詞列表才能從中選擇要競價的關鍵詞，因此關鍵詞生成技術也是研究的熱點。文獻［5］從給定的核心關鍵詞生成相關而又被用戶大量使用的關鍵詞。但該方法生成的關鍵詞競爭較激烈，無疑增加廣告主的競爭成本。文獻［6］提出一種新的生成相關聯(lián)但不普遍的關鍵詞方法，該方法稱為TermsNet，其中關鍵詞的優(yōu)劣等級按照質量進行評估。粒子群優(yōu)化算法實現(xiàn)簡單、速度快、算法易收斂等優(yōu)點已廣泛應用于單目標優(yōu)化應用領域。對于廣告主而言，其最大的目標即增加利潤值。

3 問題描述

搜索引擎以廣義第二價格（GSP）拍賣機制進行關鍵詞拍賣，當廣告主對某個關鍵詞進行投標，該投標價格為出價，而廣告主的實際支付價格與下家的出價有關。搜索引擎根據(jù)廣告的綜合質量得分對廣告進行排位，其中除了質量度、點擊率、廣告商信譽度等因素外，廣告主的出價是最重要的因素之一，所以本文著重考慮出價對廣告排位的影響。通常情況下，排位越靠前，廣告點擊量越高，廣告主根據(jù)廣告被點擊次數(shù)向搜索引擎支付相應的費用。

某廣告主Advertiser在某個搜索引擎上做推廣，假設所有廣告主之間無不良競爭或不誠信競爭。將推廣時間T分為若干個時段t，每個時段對K個關鍵詞進行投標，并且每個時段投入的預算都為B。全局求解的策略是基于單位時段的，即每個時段都有其相應的出價策略，但策略規(guī)則都相同。對于關鍵詞i在時段t內的投標價格為Bidt［i］，該關鍵詞廣告的排名位置為 Positiont［i］，當排名位置為Positiont［i］時，該關鍵詞廣告在該時段內被點擊的數(shù)量為Clickt［i］，每個廣告位的預期點擊率和每時段某關鍵詞的搜索量是一個共有知識，預期點擊量由這2個屬性決定，而廣告排位則直接決定點擊率的大小。假設搜索引擎用戶點擊關鍵詞廣告后轉換成為實際購買用戶的轉化率為ConversionRate，且不隨時段和關鍵詞廣告排名的變化而變化。點擊關鍵詞i的實際購買用戶給廣告主帶來的期望收益為Revenue。另外，搜索引擎規(guī)定關鍵詞的最低投標價格為P。

出價策略的目的是為每個時段內的K個關鍵詞合理分配和調整投標價格以增加利潤，那么這K個關鍵詞的投標價格應滿足：

4 拍賣策略

基于一個廣告主的角度，在面對其他競爭者時，如何增加利潤值，需要考慮多方面問題來構建模型。首先，廣告主需要在海量關鍵詞中確定其應該競價的與推廣網站相關的關鍵詞，選擇恰當?shù)年P鍵詞除了能夠提高廣告的質量度和降低競爭程度外，還能提高轉化率；其次，每個關鍵詞的投標價格關系到廣告位排位、成本等問題，是決定所獲利潤的最關鍵因素之一，利用有效的優(yōu)化算法決策出每個關鍵詞的最佳投標價格可以提高廣告主所獲利潤。以下將對這2個方面的問題進行詳細說明。

4.1 選詞策略

本文以TFIDF算法為基礎，提出一種關鍵詞關聯(lián)度的計算方法，關鍵詞關聯(lián)度的高低和競爭程度將作為選詞的重要標準。關聯(lián)度不僅是指關鍵詞與推廣網站之間的相關程度，還包括關鍵詞之間的相關程度。若關聯(lián)度大，那么廣告的針對性就強，訪問者轉化為客戶的轉化率也就比較高。此外，推廣網站與廣告的相關性強，那么綜合質量得分就會比較高，可以無形中提升廣告的排位。

TFIDF向量可以用來評估一個字詞對于一個文件集或一個語料庫中其中一份文件的重要程度，即權重［7］。字詞的重要性隨著它在文件中出現(xiàn)的次數(shù)成正比增加，但同時會隨著它在語料庫中出現(xiàn)的頻率增加而成反比下降［7］。字詞 Ti在文件 D中的TFIDF可表示為：

其中，TFi為詞頻，即字詞Ti在文檔D中出現(xiàn)的頻率，可表示為：

其中，Ni表示字詞Ti在文件D中出現(xiàn)的次數(shù)，而分母是在文件D中所有字詞出現(xiàn)的次數(shù)之和；IDFi為逆向文件頻率，與文件集中包含此字詞數(shù)量的函數(shù)有關，一般可定義為：

其中，N表示文件集中的文件總數(shù)；DF（Ti）表示包含字詞 Ti的文件數(shù)目。將式（2）和式（3）代入式（1）得：

由式（4）可知，如果Ni越大，則TFi越大，說明字詞Ti與文件D的關聯(lián)度較大，重要性較強；與此同時，如果DF（Ti）越小，則IDFi越大，說明字詞Ti具有很好的類別區(qū)分能力，即很強的代表性。因此，該算法能夠保證低頻率但高代表性的字詞也具有較高的權重。

在介紹關鍵詞關聯(lián)度的計算方法時，先給出以下2個定義：

定義1（意向投標關鍵詞） 廣告主根據(jù)推廣網站選出意向投標的關鍵詞，記為Pi，Pi∈P，P為意向投標關鍵詞集，P＝｛P1，P2，…，Pm｝，m為詞集的大小，V（Pi）為關鍵詞Pi的TFIDF向量。

定義2（文檔集） www緩存中與該廣告主推廣產品同類型網站的文本集合，記為U，U＝｛U1，U2，…，Un｝，n為文檔集的大小，該廣告主的推廣網站的緩存文本Uj∈U。

基于上述定義，給出關鍵詞關聯(lián)度計算步驟如下：

（1）設定推廣網站的核心關鍵詞X；

（2）選出意向投標的關鍵詞Pi，Pi∈P；

（3）計算X和Pi（Pi∈P）的TFIDF向量：

V（X）＝（TFx，IDFx），V（Pi）＝（TFPi，IDFPi）

（4）計算X和Pi（Pi∈P）的TFIDF單位向量：

即詞頻和逆向文件頻率的方向；

（5）計算 Yi＝Q（X）·Q（Pi），Pi∈P，若 Yi值大，則表示X與Pi的關聯(lián)度大。

不難看出，Yi表示核心關鍵詞X和意向投標關鍵詞Pi的相關聯(lián)程度，由詞頻和逆向文件頻率這2個屬性共同決定［8］。雖然選擇關聯(lián)度大的關鍵詞可以提高轉化率和綜合質量得分，但是使用過度普遍的關鍵詞會增加競爭成本，減少廣告主所獲的利潤。所以本文引入競爭影響因子μi作為選詞的重要參數(shù)，將關鍵詞的Yi與μi的乘積作為衡量選詞的標準。μi由歷史競爭人數(shù)和最高出價等因素決定，競爭越激烈，μi越小。

4.2 出價策略

在粒子群優(yōu)化算法中，每個粒子可以看作是解空間中的一個點。如果粒子的群體規(guī)模為N，第i（i＝1，2，…，N）個粒子的位置可表示為X［i］，它所經歷過的最好位置記為pBest［i］，它的速度用V［i］表示，群體的最好位置記為gBest［i］。第i個粒子根據(jù)下面的公式進行第t+1次速度和位置的更新：

其中，c1，c2為常數(shù)，稱為學習因子，合適的c1，c2可以加快收斂速度且不易陷入局部最優(yōu)［9］；是第i個粒子在第t次迭代中的位置；rand（）和Rand（）是［0，1］上的隨機數(shù)；wt為慣性權重，用來控制粒子的歷史速度對當前速度的影響程度，計算公式為：

其中，t為當前迭代次數(shù)；T為算法的總迭代次數(shù)［10］。

4.2.1 改進的粒子群優(yōu)化算法

與傳統(tǒng)粒子群優(yōu)化算法相比較，本文算法有2個突出的改進方面：

（1）最優(yōu)解受多項約束條件限制，只要是不滿足約束條件的解，無論其適應度函數(shù)值如何都不予以接受，必須將其作適當修改。

（2）在進化過程中粒子群的多樣性可能丟失。即使位置非常接近gBest但速度趨近于0時，代表該粒子失去全局或局部搜索能力，即成為不活動粒子。失去全局搜索能力的粒子只能在一個很小的空間內飛行，而失去局部搜索能力的粒子在進化過程中對其適應值不產生影響［11］。所以對于速度趨近于0的粒子應重新進行初始化。

改進的粒子群優(yōu)化算法主要計算步驟如下：

（1）初始化。在滿足約束條件的情況下對粒子的位置X［i］及其速度V［i］初始化，通常是在允許的范圍內隨機產生的，設定學習因子c1和c2，每個粒子的pBest［i］設置為當前位置，且計算出相應的個體極值（即pBest［i］的適應度值），而全局極值（即gBest［i］的適應度值）則是個體極值中最好的，記錄該最好值的粒子序號，并將gBest［i］設置為該最好粒子的當前位置。

（2）評價每一個粒子。計算粒子的適應度值，如果好于該粒子的個體極值，則將pBest［i］設置為該粒子的當前位置，且更新個體極值。如果所有粒子中最大的個體極值大于當前全局極值，則在gBest［i］中記錄每個粒子的位置，并且更新全局極值。

（3）粒子的更新。用式（5）對每一個粒子的速度和位置進行更新。

（4）重新初始化不活動的粒子。當?shù)趇個粒子的速度接近于0時，重新調整該粒子的位置X［i］，調整增量為一個區(qū)間范圍內的隨機數(shù)α。

（5）處理與約束條件沖突的粒子。若更新過的粒子與約束條件沖突，那么將其速度和位置更改為原值。

（6）檢驗是否符合結束條件。如果當前的迭代次數(shù)達到了預先設定的最大次數(shù)，則停止迭代，輸出最優(yōu)解，否則轉到步驟（2）。

4.2.2 算法設計

假設廣告主已選擇出K個關聯(lián)度最高且競爭較不激烈的關鍵詞。并在T次迭代中調整K個關鍵詞的投標價格，Bid［i］表示第i個關鍵詞的投標價格，V［i］表示投標價格的變化速率。在第i個關鍵詞的投標價格調整過程中，所獲利潤最高的投標價格記為pBest［i］。群體獲得最高利潤所對應的關鍵詞組投標價格記為gBest［i］。

在時段t中每個關鍵詞的投標價格和總體預算不能超過廣告主預先的設定值，即優(yōu)化算法的2個約束條件分別為：

而優(yōu)化算法的適應度函數(shù)，即優(yōu)化目標函數(shù)可表示為：

那么以式（7）和投標價格［MinBidtn［i］，MaxBidtn［i］］作為約束條件，式（8）作為適應度函數(shù)的情況下，優(yōu)化算法的流程如圖1所示。

圖1 改進粒子群優(yōu)化算法流程

優(yōu)化算法的基本過程如下：

（1）在滿足約束條件的情況下對K個關鍵詞投標價格進行初始化，設定學習因子c1和c2，每個關鍵詞的個體最佳投標價格pBest［i］設置為初始投標價格Bid1［i］，計算對應的利潤值F1［i］。全局最優(yōu)值取當前利潤值，并且將此輪迭代的K個關鍵詞投標價格記錄在gBest［i］中。

（2）當t＞1時，分別計算每個關鍵詞調整后的投標價格Bidt［i］對應的適應度值Ft［i］，如果好過該關鍵詞的利潤最大值，則將pBest［i］設置為當前的投標價格Bidt［i］，并且更新最優(yōu)的利潤值。如果此輪迭代所獲的利潤大于全局極值，則在gBest［i］中記錄該輪迭代的K個關鍵詞投標價格，并且更新全局極值。

（3）用式（5）更新每個關鍵詞的投標價格和價格變化速率。

（4）用min B［i］和max B［i］記錄從最近初始化到現(xiàn)在的投標價格的最小值和最大值。若某個關鍵詞的投標價格的變化速率接近為0，則調整該關鍵詞的投標價格，調整增量為α，α為范圍內的隨機數(shù)。

（5）處理與約束條件沖突的關鍵詞投標價格，即只要不滿足約束條件，不管其適應值如何都不接受，將其投標價格和價格變化速率更改為原值。

（6）檢驗是否符合結束條件，如果當前迭代次數(shù)達到了預先設定的最大次數(shù)，則停止迭代，輸出最優(yōu)值和K個關鍵詞的投標價格，否則進入步驟（2）繼續(xù)下一輪迭代。

5 仿真與結果分析

5.1 選詞策略分析

任意地從網頁緩存中選取2 000個與該廣告主推廣產品同類型的網站文本集合，分別計算推廣網站的核心關鍵詞和其他意向投標關鍵詞的TFIDF向量，將它們的TFIDF單位向量乘積作為衡量關聯(lián)度（Yi）的標準。例如表1是根據(jù)A手表推廣網站計算的關聯(lián)度值，以及搜索引擎公司提供的歷史營銷數(shù)據(jù)。

表1 A手表推廣網站關鍵詞關聯(lián)度分析

將這15個關鍵詞按Yi×μi的乘積值從大到小五五組合成11組，為每組關鍵詞設置適當?shù)耐稑藘r格，使得每組的廣告排位相同或相近，在t時段進行營銷推廣，比較每組關鍵詞所帶來的轉化率和成本。

圖2是11個關鍵詞組對應的轉化率和投標成本圖，從圖中可以看出，第1組～第4組的轉化率較高，并且投標成本較低，而第8組～第11組的轉化率較低且投標成本高?？梢钥闯鐾稑顺杀九c轉化率大部分是成反比的。其中的道理不難理解，一方面，對于競爭激烈的關鍵詞來說，其投標成本基本較高；另一方面，競爭激烈的關鍵詞普遍性和通用性較強，難免會帶來無效點擊和惡意點擊，增加競爭成本的同時還降低了轉化率。所以采用本文提出的選詞策略選出的關鍵詞組可以在一定程度上提高廣告的綜合質量得分和轉化率。

圖2 關鍵詞組對應的轉化率和投標成本

5.2 出價策略分析

5.2.1 仿真環(huán)境及參數(shù)設置

通過真實投標競價獲取具體實驗數(shù)據(jù)，用仿真的方法驗證文中模型的有效性。具體數(shù)據(jù)如下：廣告主預先設定的投標價格在［0，2.5］元之間，預算為200元，廣告位排位在［1，5］范圍內。廣告主選擇與推廣網站相關聯(lián)的5個關鍵詞進行投標。表2、表3是某搜索引擎公司提供的真實歷史數(shù)據(jù)。

表2 前5位廣告位對應的點擊率

表3 關鍵詞的搜索量和最高出價

5.2.2 仿真結果

粒子群優(yōu)化算法的收斂是指在時間無限時找到最優(yōu)解的概率為1［12］。粒子運動的穩(wěn)定性與算法收斂性具有密切的關系。對于許多優(yōu)化算法的應用實例中，算法陷入局部收斂的幾率很高，而且收斂速度很快，而優(yōu)化算法能夠快速地收斂到一個可接受的局部最優(yōu)解具有非常重要的意義。本文采用改進的粒子群優(yōu)化算法來調整每個關鍵詞的投標價格，如果關鍵詞的投標價格增減軌跡收斂，那么會逐漸向自身找到的最優(yōu)值以及關鍵詞組合投標中的最優(yōu)值收斂。由于自身找到的最優(yōu)值將逐漸靠近組合投標中的最優(yōu)值，因此該關鍵詞的投標價格將逐漸靠近組合投標的最優(yōu)值，而這種最優(yōu)值很可能是局部最優(yōu)值，通過適當?shù)卣{整算法參數(shù)，可以提高算法的尋優(yōu)能力以及收斂速度。圖3是以增加總體利潤為目的，在算法迭代100次的過程中，某個關鍵詞的投標價格變化情況。從圖中可以看出，該關鍵詞的投標價格首先在［0.8，2.4］元之間進行大幅度調整，隨著迭代次數(shù)的增加逐漸減小調整范圍，在迭代16次時達到局部收斂值1.5元，但此時投標價格的變化速率趨近于0，算法在一定范圍內重新初始化投標價格。經過100次迭代調整后，最終找到局部最優(yōu)投標價格為1.51元左右，該算法能夠保證投標價格局部收斂。

圖3 投標價格的波動曲線

提出利用改進的粒子群優(yōu)化算法來調整關鍵詞的投標價格以增加所獲利潤。對推廣網站采取上述出價策略，并對比有無采取該策略所獲得的利潤值。

設置粒子群優(yōu)化算法的學習因子c1＝c2＝2，算法的迭代次數(shù)為100次，關鍵詞的點擊量由每時段的搜索總量與點擊率的乘積來衡量。

圖4是某推廣網站的關鍵詞組采取傳統(tǒng)人為出價策略所獲得的利潤值仿真結果。圖5則是采取本文所提出的優(yōu)化算法后所獲得的利潤值仿真結果。從圖中的數(shù)值可以看出，當實驗迭代100次時，采取優(yōu)化算法獲得的利潤值比傳統(tǒng)人為投標所獲得的利潤值增長了13.5%。此外，從圖4的圖像走勢來看，利潤值起伏波動較大，最終沒能到達穩(wěn)定狀態(tài)。而圖5的利潤值則持續(xù)呈現(xiàn)上升趨勢，且波動起伏較小，在迭代將近60次的時候趨于穩(wěn)定值。

圖4 采取傳統(tǒng)人為出價策略所獲得的利潤值

圖5 采取改進粒子群優(yōu)化算法所獲得的利潤值

6 結束語

本文是從一個廣告主的角度出發(fā)，在廣義第二價格機制下構建拍賣策略模型，包括選詞策略和出價策略。從仿真結果看出，該模型能夠使廣告主在關鍵詞拍賣中選擇較優(yōu)關鍵詞并設置恰當投標價格以增加所獲利潤值。但其中還有若干問題有待解決。本文提倡對多關鍵詞投標以達到長尾效應，但是對需要投標的關鍵詞數(shù)量沒有深入的探討，如果能把該部分加入模型進行深入分析，則能夠得到更精準的拍賣策略；當投標同一關鍵詞有多個約束條件時，約束條件之間可能會存在沖突，無法保證同時滿足每個約束條件，而在眾多約束條件中，最易發(fā)生且不可避免的沖突往往就是投標價格和排位之間的沖突，若能在模型中加入算法解決約束條件的沖突轉化問題，那么可以提高模型的有效性和可行性。

［1］ Ozluk O，Cholette S.Allocating Expenditures Across Keywords in Search Advertising［J］.Journal of Revenue and Pricing Management，2007，6（4）：347?356.

［2］ Zhou Yunhong，Naroditskiy V.Algorithm for Stochastic Multiple?choice Knapsack Problem and Application to Keywords Bidding［C］／／Proceedings of the 17th International Conference on World Wide Web.New York，USA： Association for Computing Machinery，2008：1175?1176.

［3］ Rusmevichientong P，David P W.An Adaptive Algorithm for Selecting Profitable Keywords for Search?based Advertising Services［C］／／Proceedings of the 7th ACM Conference on Electronic Commerce.New York，USA：ACM Press，2006：260?269.

［4］ Cary M，Das A，Edelman B.Greedy Bidding Strategies for Keyword Auctions［C］／／Proceedings of the 8th ACM Conference on Electronic Commerce.New York，USA：ACM Press，2007：262?271.

［5］ Abhishek V，Hosanagar K.Keyword Generation for Search Engine Advertising Using Semantic Similarity Between Terms［C］／／Proceedings of the 9th International Conference on Electronic Commerce.New York，USA：ACM Press，2007：89?94.

［6］ Joshi A，Motwani R.Keyword Generation for Search Engine Advertising［C］／／Proceedings of the 6th IEEE International Conference on Data Mining.Washington D.C.，USA：IEEE Press，2006：490?496.

［7］ 維基百科.TF?IDF［EB／OL］.（2013?11?24）.http：／／zh.w ikipedia.org／w／index.php？title＝TF?IDF＆oldi d＝29303731.

［8］ SahamiM，Heilman T D.AWeb?based Kernel Function for Measuring the Similarity of Short Text Snippets［C］／／Proceedings of the 15th International Conference on World WideWeb.New York，USA：ACM Press，2006：377?386.

［9］ 楊 維，李歧強.粒子群優(yōu)化算法綜述［J］.中國工程科學，2004，6（5）：87?94.

［10］ 林祝亮，馮遠靜.基于粒子群算法的無線傳感網絡覆蓋優(yōu)化策略［J］.計算機仿真，2009，26（4）：190?193.

［11］ 楊俊杰，周建中，吳 瑋，等.改進粒子群優(yōu)化算法在負荷經濟分配中的應用［J］.電網技術，2005，29（2）：1?4.

［12］ 李 寧，孫德寶，鄒 彤，等.基于差分方程的PSO算法粒子運動軌跡分析［J］.計算機學報，2007，29（11）：2052?2060.

編輯 顧逸斐

Study on W ord Selection and Bidding Strategies of Keyword Auction

WU Jiyuna，b，CHEN Zhidea，b，WANG Leia，b，WANG Menga，b
（a.College of Mathematics and Computer Science；b.Fujian Province Key Laboratory of Network Security and Cryptography，F(xiàn)ujian Normal University，F(xiàn)uzhou 350000，China）

There arem illions of available keywords for each advertiser in keywords auction.How to set a reasonable bid price for the selected keywords under a lim ited condition，such as budget，becomes the most difficult work for the advertiser.As it is hard formany advertisers to select keywords and set the price，a novelmodel of auction strategy based on advertisers is proposed for these problems.This auction strategy includes the keywords selection strategy and the bidding strategy.The keywords selection strategy presents a calculation method for keywords correlation which is based on the Term Frequency?Inverse Document Frequency（TFIDF）algorithm.The keywords，selected through thismethod，not only improve the correlation with the promoted website，increase the conversion rate，but also avoid increasing the competition cost due to the overuse of common keywords.The bidding strategy uses an improved Particle Swarm Optimization（PSO）algorithm to properly adjust the bids of each keyword under some constraint conditions so as to increase the profits of advertisers.Experimental results show that keywords，selected through the auction strategy，increase the conversion rate of website and reduce the competition cost.Moreover，its profit is higher than that of traditional bidding method.The algorithm presents a continuous rising trend in the early?m iddle period and becomes stable in the late period.

auction；word selection strategy；correlation degree；bidding strategy；Term Frequency?Inverse Document Frequency（TFIDF）algorithm；Particle Swarm Optimization（PSO）

1000?3428（2015）07?0310?07

A

TP391

10.3969／j.issn.1000?3428.2015.07.059

福州市科技局基金資助項目（2013?G?84）。

吳紀蕓（1990-），女，碩士研究生，主研方向：數(shù)據(jù)挖掘；陳志德，教授；汪 磊、王 孟，碩士研究生。

2014?07?04

2014?08?31E?mail：wujy822＠163.com