基于粒子群优化算法的卷积神经网络解决在谷歌广告关键字搜索中的应用
发布时间：2022-01-05 19:04
Google Ads是一种通过使用Google关键字广告或者Google遍布全球的内容联盟网络来推广网站的付费网络推广方式。人们可以选择包括文字、图片及视频广告在内的多种广告形式。广告商选择的广告是否能为自己的广告带来最大利益,很大程度上取决于与广告相关的关键字的选择。因此,广告优化的成败与否就要靠关键字的选择去进行实现。毕竟好的关键字不仅可以帮助商家降低广告成本,而且可以提升广告效果,帮助商家增加收益。然而,在实际操作中由于各种原因使得关键字的选择遭遇重重困难。首先需要面对自然语言处理的困难,因为关键字中同时包含中文和英文、关键字的文本特征少、数据质量不平衡的问题。其次深度学习中的分类模型不容易与本应用进行良好的适用。最为重要的是在应用中要求模型的分类速度快并且分类准确度较高,这对于深度学习中的模型来讲无疑是一件非常棘手的问题。为了解决这些问题,首先研究如何更好地提取出文本信息并对分类模型进行改进。因此,本文通过选择语料库解决中英文混合现象,使用词嵌入解决关键字文本特征少的问题,通过重采样处理数据质量不平衡的问题。经过实验验证,最终证明了所选数据处理方法确实行之有效。随后选用卷积神经...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
GoogleAds工作流程
1绪论5图1.2谷歌关键词匹配程度类型实现此目标的关键，就是要选择综合质量好的关键字。在这里简单介绍一些关键字特征。例如，质量评估得分越高，意味着关键字的页面排名越靠前、与广告内容越相关。排名越靠前的关键字意味着网上用户通过这个关键字匹配广告信息越靠前，换而言之，靠前的广告总是更容易得到用户的浏览或者点击从而产生更好的表现。因此关键字的质量评估得分和关键字排名这两个数据可以用作评估关键字是否被选择的重要标准，但是他们往往不会一开始就出现，是需要关键字被使用一段时间后才能出现的数据，可以被用作本文的关键字是否被选择的标签。不同的广告商有不同的广告需求。当关键字投入GoogleAds使用一段时间后，GoogleAds会将每个关键字的关键字特征发送回来。当广告商收到这些关键字特征后会进行选择，选取与自己需求相符的关键字，一些结果表现不好的关键字将会从GoogleAds当中被移除。例如，广告商将某一关键字投入GoogleAds，一天后，GoogleAds会将该关键字被点击一次的费用（CPC）、每一千人浏览的费用（CPM）、网页排名（PAGERANK）、质量分数（Qualityscore）等一系列关键字特征发送给广告商[3]。广告商认为CPC和CPM最为重要，其余指标可以忽略不计，所以关键字中CPC和CPM指标达到要求的关键字作为保留下来的关键字，CPC和CPM指标未达到要求的关键字将被移除。因此，关键字是否保留，取决于广告商的不同目标与需求。在本篇论文中，能够被广告商保留的关键字作为训练数据中的正样本，被广告商移除的关键字作为训练数据中的负样本。正如上面所提到的，关键字的特征需要将关键字投入GoogleAds使用一段
1绪论8第四章：单目标粒子群优化改进的卷积神经网络。在第三章中已经能够实现对关键字的挑眩可是对于所选用的卷积神经网络模型来说，其包含的参数巨大，并无法保证选择的参数是合适的，所以为了使得模型能够自动地优化神经网络结构，本文选择单目标粒子群优化算法去优化网络结构，以精度为目标，实现网络结构相对最优化。通过进行实验，可以发现所选方法行之有效。第五章：多目标粒子群优化改进的卷积神经网络。这一章是对第四章的补充，因为在工业应用中，仅仅考虑精度为目标是不够的，时间也是重要的成本之一。因此为了进一步满足工业应用的需求，本章节将单目标粒子群优化算法转化为多目标粒子群优化算法。目的在于将时间和精度同时作为目标的情况下能够让卷积神经网络结构得到完成目标的最优结构。通过实验的验证和与其它先进研究的实验进行对比，可以发现此方法实用性强、效果好并能够有效地应用在工业当中。图1.3论文框架及主要研究成果
【参考文献】：
期刊论文
[1]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[2]Multi-objective differential evolution with diversity enhancement[J]. Ponnuthurai-Nagaratnam SUGANTHAN. Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(07)
硕士论文
[1]基于深度学习的自然场景文字识别[D]. 杨宏志.重庆邮电大学 2019
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
本文编号：3570907
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
GoogleAds工作流程
1绪论5图1.2谷歌关键词匹配程度类型实现此目标的关键，就是要选择综合质量好的关键字。在这里简单介绍一些关键字特征。例如，质量评估得分越高，意味着关键字的页面排名越靠前、与广告内容越相关。排名越靠前的关键字意味着网上用户通过这个关键字匹配广告信息越靠前，换而言之，靠前的广告总是更容易得到用户的浏览或者点击从而产生更好的表现。因此关键字的质量评估得分和关键字排名这两个数据可以用作评估关键字是否被选择的重要标准，但是他们往往不会一开始就出现，是需要关键字被使用一段时间后才能出现的数据，可以被用作本文的关键字是否被选择的标签。不同的广告商有不同的广告需求。当关键字投入GoogleAds使用一段时间后，GoogleAds会将每个关键字的关键字特征发送回来。当广告商收到这些关键字特征后会进行选择，选取与自己需求相符的关键字，一些结果表现不好的关键字将会从GoogleAds当中被移除。例如，广告商将某一关键字投入GoogleAds，一天后，GoogleAds会将该关键字被点击一次的费用（CPC）、每一千人浏览的费用（CPM）、网页排名（PAGERANK）、质量分数（Qualityscore）等一系列关键字特征发送给广告商[3]。广告商认为CPC和CPM最为重要，其余指标可以忽略不计，所以关键字中CPC和CPM指标达到要求的关键字作为保留下来的关键字，CPC和CPM指标未达到要求的关键字将被移除。因此，关键字是否保留，取决于广告商的不同目标与需求。在本篇论文中，能够被广告商保留的关键字作为训练数据中的正样本，被广告商移除的关键字作为训练数据中的负样本。正如上面所提到的，关键字的特征需要将关键字投入GoogleAds使用一段
1绪论8第四章：单目标粒子群优化改进的卷积神经网络。在第三章中已经能够实现对关键字的挑眩可是对于所选用的卷积神经网络模型来说，其包含的参数巨大，并无法保证选择的参数是合适的，所以为了使得模型能够自动地优化神经网络结构，本文选择单目标粒子群优化算法去优化网络结构，以精度为目标，实现网络结构相对最优化。通过进行实验，可以发现所选方法行之有效。第五章：多目标粒子群优化改进的卷积神经网络。这一章是对第四章的补充，因为在工业应用中，仅仅考虑精度为目标是不够的，时间也是重要的成本之一。因此为了进一步满足工业应用的需求，本章节将单目标粒子群优化算法转化为多目标粒子群优化算法。目的在于将时间和精度同时作为目标的情况下能够让卷积神经网络结构得到完成目标的最优结构。通过实验的验证和与其它先进研究的实验进行对比，可以发现此方法实用性强、效果好并能够有效地应用在工业当中。图1.3论文框架及主要研究成果
【参考文献】：
期刊论文
[1]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[2]Multi-objective differential evolution with diversity enhancement[J]. Ponnuthurai-Nagaratnam SUGANTHAN. Journal of Zhejiang University-Science C（Computer & Electronics）. 2010(07)
硕士论文
[1]基于深度学习的自然场景文字识别[D]. 杨宏志.重庆邮电大学 2019
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
本文编号：3570907
本文链接：https://www.wllwen.com/guanlilunwen/sjfx/3570907.html
