搜索引擎营销的重要性以及未来发展趋势

作者: 少校seo 分类: 黑帽seo资讯 发布时间: 2019-09-10 01:01

计算机系统的发展和现代计算机硬件的发展趋势

计算机系统的发展和现代计算机硬件的发展趋势,3000字

计算机的未来发展趋势。ppt

介绍了计算机的未来发展趋势。介绍了计算机的未来发展趋势和最新技术。它适合演讲。

中国车辆联网的发展现状及未来趋势

C-V2X白皮书重点介绍了中国汽车联网的发展现状和未来方向。

国内中央处理器的现状

国内中央处理器现状、巨核、龙核发展历史及胡魏武团队现状

现代无线通信技术的发展现状及未来趋势

现代无线通信技术的发展现状及未来趋势

虚拟化的未来发展方向

虚拟化的未来发展方向

气象服务未来发展趋势预测

根据其性质,它属于公共服务的范畴。根据气象服务对象,气象服务可分为决策气象服务、公共气象服务、专业气象服务和科技服务。决策气象服务是各级政府和有关部门为决策提供的气象服务。公共气象服务是向公众提供的日常气象服务;专业气象服务是针对各行各业需求的气象服务。科技服务是为特殊用户提供的特殊气象服务。这四者构成了覆盖全社会的综合气象服务网络。

电力系统报告:传统(热电)发电企业的未来发展趋势和建议。pdf

根据我国当前的环境和社会形势,分别阐述了火力发电和水力发电企业的未来发展趋势和建议。本文首先对火力发电和水力发电进行了概述。然后分别从不同方向分析了火力发电和水力发电的发展趋势,并对火力发电和水力发电企业的发展提出了建议。

实时操作系统的现状和未来

摘要:介绍了实时性的理解、实时操作系统(RTOS)的基本特征和特点、实时性的实现,讨论和分析了嵌入式实时操作系统的现状,并展望了实时操作系统未来的发展趋势。

虚拟化&云计算产业的前景与分析

虚拟化&云计算产业的前景与分析,一本很好的学习云计算技术的书,适应现代互联网技术发展的需要,是你学习有价值知识的捷径。

计算机网络技术的发展现状及展望

计算机网络技术发展的现状和前景,作为最后一篇论文,参考了几篇文章。

2017-2023年中国网络医疗市场现状调查及未来发展趋势报告

1.医疗行业发展概述2。医疗行业发展现状。医疗行业需求分析。医药行业利润模型分析。药品电子商务分析等等

网络爬虫技术的发展趋势

网络爬虫技术的发展趋势

智能无人自主系统的发展趋势

入门教程,适合初学者理解什么是人工智能。英文文章搜索引擎营销应用状态要求一定的英语知识。

编程语言的发展趋势和未来方向

这份文件分别由安德斯在比利时的2010技术日(TechDays 2010)和荷兰的2010开发日(DevDays 2010)上发布,在他的眼中解释了编程语言的发展趋势和未来方向。这篇文章总结了他的观点。需要可以下载~不方便,请在下面留言!

电子商务发展趋势预测

随着经济全球化以及信息技术和信息产业的快速发展,电子商务将成为未来信息交流的热点,成为各国和行业部门最为关注的领域。这篇PPT是关于电子商务的发展趋势。

对未来网络技术发展的探讨

本文介绍了未来网络发展和技术趋势,黑帽seo,以促进网络技术的战略规划。

平板显示技术及其现状和未来

对液晶显示器和有机发光二极管等平板显示技术的特点、优势、应用领域和关键技术进行了比较和介绍,并对该行业的未来发展进行了分析。

2018年中国区块链发展现状及未来趋势分析

作为“价值互联网”的重要基础设施,区块链正在引领世界新一轮技术和产业变革,成为技术和模式创新的“源头”。引领世界进入新一轮技术和工业变革。目前,区块链已逐渐成为“价值互联网”的重要基础设施。许多国家都在积极拥抱区块链技术,开辟国际产业竞争的新轨道,抢占新一轮产业创新的制高点,以增强国际竞争力,争取在区块链“新轨道”上的先发优势。

2017年人工智能产业现状及发展趋势分析报告

2017年人工智能人工智能产业现状及发展趋势分析报告出台

向上滑动以加载更多内容

搜索引擎广告的类型_能搜索图片的引擎_搜索成人影片引擎

这篇文章是之前介绍互联网搜索广告(1)的附录。前一篇文章主要介绍了网络搜索广告业务,并针对搜索广告面临的三个问题提出了技术解决方案。

从搜索引擎的角度来看,搜索广告有三个子问题:

广告检索根据点击费用对检索到的广告进行分类。

以上三个序列是搜索广告事件序列,其中1和2属于信息检索问题,2和3属于微观经济学问题。

搜索的过程就是匹配+排名的过程。Match的核心问题是如何根据用户的搜索条件召回最符合用户意图的广告。排名的核心问题是如何对匹配(Match)圈出的广告进行排序,这需要考虑用户体验和搜索平台的收入。

匹配过程由两部分组成:

查询重写用户搜索词

广告检索

让我们看看查询重写中的两个重要指标:

回忆:相关文档在搜索引擎返回的相关文档总数中所占的比例。精度:返回结果中相关文档的比例

在广告搜索引擎中,用户的原始查询词不能直接用于倒排索引中的广告检索,因为广告商的购买词和用户的原始查询词很可能不是同一个词,这很难准确匹配,从而导致搜索到的广告深度不足,即召回率低。例如,一个广告客户购买了“去三亚旅游”这个词,而用户的搜索词是“去三亚旅游”。如果用户的搜索词直接用于搜索,则不能检索广告商的广告。

对于某些用户专门输入的查询,与该查询相关的广告可能没有购买该查询(由于引擎系统的能力有限,广告商不能对某个宝藏出价超过一定金额),或者该查询可能只有少数广告商出价[长尾词),导致出价词的广告深度不足。

鉴于上述情况,可以通过两个方面加以改进:

向文档中添加黑帽seo这个词,这样它就可以被更多的查询匹配,向查询中添加更多的词,并使查询匹配更多的文档。

查询重写是后一种方法,也常用于提高检索结果的相关性。

查询重写是输出一串与给定原始查询字符串相关联的查询字符串(重写)。大多数关于查询重写的研究工作集中于使用各种方法,例如挖掘查询日志和用户会话,以产生与原始查询字符串相关联的重写。

重写的质量取决于两个方面。首先,重写的查询越接近原始查询的语义,越好。重写后的准确性可以通过计算检索结果集和原始查询之间的距离来衡量。目前,它通常通过点击日志中的用户偏好学习来衡量。其次,重写后的查询应该确保有足够的结果返回给用户。重写后的覆盖率是通过计算特定的请求数和达到预期所需的请求数来衡量的。

为什么不使用用户的搜索词直接查询(关键词、广告)的索引呢?由于用户的搜索词差异很大,并且由于计算机性能的限制,我们不可能建立所有搜索词与竞争性广告的倒排索引。许多搜索词虽然形式不同,但可能代表相同的用户意图。用户可以输入多种查询。在搜索引擎有限的计算能力和存储资源下,不可能为每个原始用户查询字符串建立倒排索引。

为了解决这个问题,引入了归一化方法。规范化最初是统计学中的一个概念,它指的是将用户搜索项(查询字符串)和广告商购买项(投标项)转换成搜索引擎中的搜索词典。规范化是一种多对一的关系,即几个搜索词,相应的规范化词可能是相同的。查询重写后产生的所有单词都是规范化单词。在广告搜索引擎中,规范化的单词用于检索广告。用户的竞价词也是归一化后建立的倒排指标。

规范化的优点是它可以帮助我们减少搜索引擎需要处理的单词数量,并帮助我们减少问题的规模,但是它也是一个缺点,并且它可能会失去一些语义信息的精确性。搜索词和购买词通常由人工操作产生,可读性更强,而规范化是一种数学方法,规范化后的词可读性更差。

#p#分页标题#e#

您可以这样简单地理解查询重写:

匹配是搜索引擎的大脑,用来猜测用户的搜索意图。这些搜索意图被加权以指导搜索模块进行搜索和排序模块进行排序。

对于搜索广告,一般查询重写输出包括以下部分:

重写查询。每个查询包含以下信息:

查询术语:最终用于查询倒排索引的查询术语

权重:描述与原始搜索词的相关性

对于电子商务环境(如淘宝、京东)的查询重写,也将预测当前查询的类别和属性。

关于类别属性,您可以查看“归交旗”

关于查询重写,这篇幽默的文章可以阅读:

反向索引和正向索引

查询重写是查询->;Bidword映射,检索过程是bid word->;广告的映射是找到所有购买这个竞价词的广告。搜索时,搜索词用于搜索广告。为了加快搜索速度,建立了购买竞价条款的广告的竞价条款倒排索引:bid wordx->;(adi,adj,adm,adn).这与网络搜索引擎中用来加速检索的倒排索引相同,类似于书籍中的目录页。这样,对于搜索,候选广告集可以通过遍历所有查询项的反转数据并取出宝藏来获得。

该行数据是广告组、活动和客户的相关信息,如婴儿状态、销售量、属性、类别、地区、促销计划id、客户id等。候选集的过滤根据正行数据来执行。搜索过程只负责搜索购买这些竞价词的广告。根据前一行数据进行过滤的过程在单个阶段完成。

可以看出,搜索广告中的检索过程非常简单,事实上它是搜索引擎广告类型的精确匹配结果,不同于需要支持多种语义的网络搜索引擎

检索完成后,有必要确定广告的输出顺序,并考虑用户体验和搜索平台的收入。在此阶段,必须全面考虑投标和相关得分(如ecpm)。目前有两种主流方法,以赛马为例:

反应性:选择一匹马,并根据其历史结果预测其未来表现。根据马的重量、腿长和其他特征对其进行建模,找出这些特征在预测比赛最终排名中的重要性,然后基于这些特征预测尚未被看到或看到的赛马的表现。

当我们有足够的关于赛马的信息时,我们使用这个信息(反应性),否则我们使用模型(可预测性)。

我记得计算机领域的一位丹尼尔曾经说过,任何问题都可以通过增加一层来解决。在广告搜索引擎中,复杂的问题也通过分层来解决,从匹配和排序到广告集的处理,分层的思想无处不在。

在广告搜索引擎中,广告的分类分三个阶段完成:试听、初选和选拔。试听和初级选择都是修剪操作,以最小化问题的规模。广告和自然搜索的区别之一在于广告点相对较少。因此,决定在激烈竞争的条件下,没有机会展示后面的广告。因此,可以考虑在早期发现这些宝藏,然后杀死它们。此时,每个宝藏的排序分数不需要非常精确,可以达到一定的筛选效果。这就是总指数截断、海上选举和初选的思想。最准确的得分发生在选择阶段。通常,将使用单独的在线评分服务。

总索引截断

当建立一个完整的索引时,倒链下的前N个宝藏将根据排序分数,通过截断倒链中超过一定数量的热门词来获取。

听力

广告搜索是轻度搜索和重度过滤。当搜索阶段得到广告候选集时,试演将会进行。名字试镜很生动,这不是歌手大赛的试镜阶段吗?只有强有力的歌手才能脱颖而出。

预选

为了减轻在线评分服务的压力,在试听阶段完成后,仍然需要进行初步的选举阶段。

#p#分页标题#e#

初级评分的计算过程与听力评分相似,但评分更准确,考虑的因素更全面。

优良

最后,在线评分服务将对通过试镜和初选的广告进行准确评分。

上述试听、初选和ORS评分都需要实时计算分数,因为竞价相同关键词的广告变化迅速且动态。广告主可以手动或自动[第三方软件]更改投标条款和相应的投标价格,并会修改广告的创意,这会影响评分,因此需要实时评分。

对于当前的搜索广告,它们都被设计为拍卖机制。搜索引擎拍卖每个流量中可能的广告点。广告商在每次点击购买的关键词时提交最高出价。广告商不知道其他人的出价信息。虽然每个流量中通常有多个广告位置,但广告商只提供一个价格。最后,搜索引擎根据广告客户的出价和广告的点击率CTR对广告进行排序,并确定最终显示位置和扣除价格。

目前,谷歌发明的通用第二价格(gsp)被广泛用于耗时的点击扣除。有两种策略:

竞价顺序:根据广告的竞价逆序,根据广告平台的收益;根据预期的最大收益ecpm: ECPM = BIDP PRICE * CTR,对i+1广告在I位置的竞价排序。此时,被点击的广告客户1支付的费用是点击价格=投标价格(1)*(点击率(1)/点击率(1+1))

目前,广告的顺序都是根据预期的最大收入ecpm来排序的,所以bid price(I+1)* ctrl(I+1)>;Bidprice(i)*ctr(i),从上面的公式可以看出,广告商的实际扣除额肯定低于他自己的出价。

参考:

结构化网络查询的高效查询重写

搜索引擎中的查询重写

斯坦福大学自然语言处理开放课程