搜索引擎广告的检索

网络推广 2018-10-28 15:08www.168986.cn网络推广竞价

搜索引擎广告的检索

  广告检索的过程

  广告检索就是通过对给定的网民的信息需求,在广告库(Ad Set)中找到相关的广告,简单的来看,可以把Ad Retrieval当做是文本检索(TR)领域的一个应用。

  文本检索的两种思路 Doc Selection(Classification) 和 Doc Ranking(Ranking),在文件检索中,通常利用相似度来计算,而相似度是一个度量概念,所以在

  实际的文件检索中通常使用的ranking的方法,然后在Ad Retrieval中,因为广告检索的的判断标准不是相似度,而是ectrbid结合各方面因素进行权衡,在实际经验中,

  发现采用classification的方法可能会更好一点。

  一个可能的搜索广告触发子系统

  

 

  重要的环节

  query分析 ic model等语义分析方法,而且必须在线实时,由于query词可能比较少,有涉及query expansion的技术。

  其中query expansion的主要思路有

  相关性反馈 利用网民主动选择的文档作为原query信息的扩展。

  伪相关反馈利用初始优质检索文件作为原query信息的扩展。

  基于词典的扩展利用或自动构建term文件关联,对原query进行扩展。

  广告特征分析这里需要额外考虑的是广告本身的特征。可以异步,offline进行分析。

  Classifier:

  关于relevence建模的方法,可见下图

  

 

  其中

  1)向量空间建模方法它默认有一个前提,就是term之间相互独立。

  存在问题 向量的每一维是什么,如何weighting(TFIDF等变种),如何选择计算相似度的方法(内积,余弦,等各种距离计算方法)。但实现简单,可快速工程化,不过进 行参数调试过程中非常晦涩。

  VSM关键技术

  分词分词的粒度问题大粒度检索精准,可能不全面;小粒度检索全面不精确。

  赋权(term weighting)短文本信息量太少。

  解决办法a) 通过改进全局term权重,采用idf的变种iqf,icf或者全新的全局权重的定义CTR作为term的权重

  b) query expansion,解决文本短小TF为基本1的问题

  c) 全新的term weighting建模方法f(d,w).

  filtering:doc list返回后进行rank时计算score.

  2)基于machine learning的建模

  基于样本标注的relevance model: ctr建模+用户体验建模。其优点是理论体系完备,能更好的利用big data来训练模型和调节参数,更好的fit data。

文章网络推广网站推广转载请注明出处http://.shop168./article-8191.html

Copyright © 2016-2025 www.168986.cn 狼蚁网络 版权所有 Power by