本发明涉及广告业务，具体是一种基于机器学习的搜索竞价排名系统。
背景技术：
1、对于广告的广告主来说，在对其商品进行推广之前大致要做三项准备工作：第一，设置广告的基础属性，包括创意图片，创意标题等，这些基础属性通过不同形式，例如图片和/或文字，来反映该广告所推广的内容；第二，选择推广该商品所使用的关键词，即竞价词；竞价词决定在用户输入哪些查询请求时，该广告会被广告引擎检索到；竞价词由广告主在系统中设定；第三，确定竞价词的最大出价，最大出价反映了广告主购买该竞价词所花费的成本；
2、然而目前互联网平台内充斥着各种各样的竞价词，广告主难以评估竞价词与广告的匹配程度，导致广告主虽然购买了竞价词x，使得在互联网用户在使用竞价词x或与竞价词x相关的关键词作为查询条件时，广告m会展示给互联网用户，但很难使得互联网用户关注广告m并点击广告m获取广告信息，也就是说很难通过竞价词x获得流量；同时同一个竞价词通常有多个竞争者参与竞价，广告主难以把握竞价词的最大出价，往往付出更多成本；基于以上不足，本发明提出一种基于机器学习的搜索竞价排名系统。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于机器学习的搜索竞价排名系统。
2、为实现上述目的，本发明的第一方面提供了一种基于机器学习的搜索竞价排名系统，包括竞价词生成模块、信息输入模块、广告抓取模块、检索分析模块以及出价优化模块；
3、所述竞价词生成模块用于根据搜索引擎的使用情况每日生成数据报表，根据每个关键词的转化率、ltv的高低进行个性化的调整，得到竞价词列表；
4、所述信息输入模块用于用户输入检索信息，并将输入检索信息上传至广告抓取模块；所述检索信息包括竞价词；
5、所述广告抓取模块用于根据检索信息在广告服务器内进行抓取获得广告信息，用户从中选择需要的检索项，即目标广告；
6、所述检索分析模块用于对用户的检索记录进行统计分析，所述检索记录包括输入的检索信息和对应的目标广告；具体分析步骤为：
7、当用户输入检索信息时，提取所述检索信息对应的竞价词作为验证竞价词；
8、获取与所述验证竞价词相匹配的检索记录；基于所述验证竞价词和目标广告的分布情况计算得到所述验证竞价词与所述目标广告的匹配度pe；
9、将匹配度pe与预设匹配阈值相比较；所述预设匹配阈值包括x1、x2，且x1＜x2；若匹配度pe＜x1，则反馈提醒信号至控制中心，以提醒对应广告主放弃使用所述验证竞价词推广所述目标广告；
10、基于所述验证竞价词所分别对应的检索占比值和匹配程度高的目标广告数量，计算得到所述验证竞价词的应用吸引系数yx；
11、将验证竞价词按照应用吸引系数yx大小进行降序排列，生成验证竞价词的应用价值序列并反馈至控制中心，为广告主购买竞价词提供参考；
12、所述出价优化模块用于基于ai深度学习识别算法分析得到各个竞价词的预测最大出价，为广告主购买竞价词提供参考。
13、进一步地，基于所述验证竞价词和目标广告的分布情况计算得到所述验证竞价词与所述目标广告的匹配度pe，具体过程如下：
14、在预设时间段内，针对某个验证竞价词，统计所述验证竞价词的出现总次数为c1；统计目标广告的数量为lz；
15、针对某一目标广告，统计所述目标广告的分布比例为fb；
16、利用公式计算得到所述验证竞价词与所述目标广告的匹配度pe，其中ɑ1、ɑ2均为预设系数因子；且0＜ɑ1＜1。
17、进一步地，基于所述验证竞价词所分别对应的检索占比值和匹配程度高的目标广告数量，计算得到所述验证竞价词的应用吸引系数yx；具体包括：
18、在预设时间段内，统计用户的检索总次数为j1，利用公式jb＝c1/j1计算得到所述验证竞价词的检索占比值jb；
19、若匹配度pe＞x2，则表明所述验证竞价词与所述目标广告匹配程度高；统计与所述验证竞价词匹配程度高的目标广告数量为lm；
20、利用公式lb＝ɑ3×lm/l0计算得到所述验证竞价词的期望占比值lb，其中ɑ3为预设系数因子，l0为使用所述验证竞价词的所有广告数量；
21、利用公式计算得到所述验证竞价词的应用吸引系数yx，其中ɑ4为预设系数因子。
22、进一步地，所述出价优化模块的具体分析步骤为：
23、首先获取各个竞价词的历史最大出价，并分析挖掘各个竞价词的潜在出价关联数据作为参数训练集，所述潜在出价关联数据表现为竞价词以该历史最大出价成交时的应用吸引系数yx大小；
24、将参数训练集按照预设比例拆分为训练集、验证集、测试集；
25、建立lstm神经网络模型；将训练集、验证集、测试集作为历史特征值输入lstm神经网络模型以进行模型训练，得到最大出价预测模型；
26、将验证竞价词的应用价值序列作为输入数据输入至最大出价预测模型，得到各个验证竞价词的预测最大出价。
27、进一步地，其中目标广告的分布比例fb是指目标广告的出现总次数与所述验证竞价词的出现总次数之比。
28、进一步地，验证竞价词的出现总次数是指用户输入包含该验证竞价词的检索信息的次数。
29、与现有技术相比，本发明的有益效果是：
30、1、本发明中检索分析模块通过对用户的检索记录进行统计分析，基于所述验证竞价词和目标广告的分布情况计算得到所述验证竞价词与所述目标广告的匹配度pe，若匹配度pe＜x1，则反馈提醒信号至控制中心，以提醒对应广告主放弃使用所述验证竞价词推广所述目标广告，提高广告推广效率；
31、2、本发明中检索分析模块还用于基于验证竞价词所分别对应的检索占比值和匹配程度高的目标广告数量，计算得到验证竞价词的应用吸引系数yx，生成验证竞价词的应用价值序列，为广告主购买竞价词提供参考，以便广告主购买高质量的竞价词；同时出价优化模块用于基于ai深度学习识别算法分析得到各个竞价词的预测最大出价，以便广告主以合理的价格实时购买高质量的竞价词，在同样的获客成本，让客户的产品流量成倍增长。
1.一种基于机器学习的搜索竞价排名系统，其特征在于，包括竞价词生成模块、信息输入模块、广告抓取模块、检索分析模块以及出价优化模块；
2.根据权利要求1所述的一种基于机器学习的搜索竞价排名系统，其特征在于，基于所述验证竞价词和目标广告的分布情况计算得到所述验证竞价词与所述目标广告的匹配度pe，具体过程如下：
3.根据权利要求2所述的一种基于机器学习的搜索竞价排名系统，其特征在于，基于所述验证竞价词所分别对应的检索占比值和匹配程度高的目标广告数量，计算得到所述验证竞价词的应用吸引系数yx；具体包括：
4.根据权利要求1所述的一种基于机器学习的搜索竞价排名系统，其特征在于，所述出价优化模块的具体分析步骤为：
5.根据权利要求2所述的一种基于机器学习的搜索竞价排名系统，其特征在于，其中目标广告的分布比例fb是指目标广告的出现总次数与所述验证竞价词的出现总次数之比。
6.根据权利要求2所述的一种基于机器学习的搜索竞价排名系统，其特征在于，验证竞价词的出现总次数是指用户输入包含该验证竞价词的检索信息的次数。
