电商平台搜索广告的转化率提升研究

摘要

电商平台中搜索广告的转化率，作为衡量广告转化效果的指标，从广告创意、商品品质、商家质量等多个角度综合刻画用户对广告商品的购买意向。提高转化率，一方面，能够使广告主匹配到最可能购买自家商品的用户，提升广告主的投资回报率（ROI）；另一方面，也能让用户快速找到购买意愿最强的商品，从而提升在电商平台中的用户体验。随着电商行业的逐步成熟，商家和用户对搜索出的广告转化提出了更高的要求。遗憾的是对于搜索广告，现有研究主要集中在曝光率和点击率上，对转化率的研究鲜有涉及。转化率的影响因素有哪些，如何提升转化率成为了亟需解决的问题。针对这一情况，本文对电商平台搜索广告的转化率进行了相关研究，具体情况如下： 通过建立以转化率为目标的机器学习模型，经大数据训练学习后，分析模型依赖的特征，从而找出转化率的影响因素。数据挖掘的结果显示，搜索广告转化率的影响因素中，排名较前的分别是，物流服务、商品销量、消费者偏好、电商平台查询推荐词精确程度等。将影响因素映射至广告转化过程的三个阶段中，提出搜索广告转化率提升的方向：第一阶段，电商平台应尽力提升查询推荐的精确程度；第二阶段，商家应结合消费者特征进行精准的广告投放，如考虑在什么时间对什么用户投放什么内容的广告；第三阶段，商家应对广告商品和店铺的品质进行改善，如商品价格的制定，通过活动扩大商品的销量，提升店铺物流服务等。其中，第一阶段的查询推荐，是整个转化过程的基础，也是三个阶段中平台唯一可控的因素，因此对于平台来讲，应主要着手于此处的研究来提升转化率。 据此，对查询推荐做进一步研究。分析电商平台中购物搜索的过程，构建实际购物中查询推荐过程的马尔科夫决策模型，并设计求解模型的深度强化学习算法，最后通过算例验证模型，实验结果表明，经过359轮的试探学习之后，平台学习到最优策略，并且确实没有在某一决策过程中选择热门内容，证明了算法的有效性，与传统查询推荐相比，本方法具有准确、智能、实时适应的特点。 本文基于数据挖掘，引入有监督机器学习算法进行对广告商品转化率影响因素的挖掘，相比于传统回归分析，挖掘出的影响因素较为全面，过程相对简洁，具有一定的借鉴意义。同时，将查询推荐过程归纳为一个序列决策问题，设计出更加智能的查询推荐算法，可为电商查询推荐系统的设计提供参考。

目录

声明

致谢

1绪论

1.1研究背景

1.2文献综述

1.2.1搜索广告转化率研究现状

1.2.2强化学习与深度学习的研究进展

1.2.3查询推荐研究现状

1.3研究目标与内容

1.3.1研究目标

1.3.2研究内容

1.4研究方法与技术路线

1.4.1研究方法

1.4.2技术路线

2理论基础

2.1强化学习理论

2.1.1强化学习简介

2.1.2马尔科夫决策过程

2.1.3主要算法

2.2深度学习理论

2.2.1深度学习基本概念

2.2.2神经网络

2.3深度强化学习理论

2.3.1网络误差计算

2.3.2经验回放

2.3.3探索-开发

2.3.4算法流程

2.4本章小结

3电商平台搜索广告转化率的影响因素研究

3.1电商平台广告及转化率

3.1.1广告的本质与意义

3.1.2电商平台广告分类及特征

3.1.3搜索广告转化率及其重要性

3.2基于数据挖掘的转化率影响因素研究

3.3数据来源与探查

3.3.1数据说明

3.3.2正负交易比例

3.3.3商品分布

3.3.4店铺分布

3.3.5用户信息分布

3.4数据清洗与特征工程

3.4.1噪声分析及消除

3.4.2特征工程

3.5模型训练及评价

3.5.1训练过程

3.5.2评价标准

3.6重要特征分析

3.7转化率提升方向

3.8本章小结

4电商平台查询推荐算法设计

4.1查询推荐

4.2电商平台购物搜索机理

4.2.1类目体系及属性

4.2.2购物搜索过程

4.3查询推荐过程设计

4.4查询推荐问题建模

4.5Q网络与算法设计

4.6算例分析

4.6.1环境假设

4.6.2求解过程

4.6.3结果与分析

4.7本章小结

5总结

5.1研究结论

5.2创新与展望

参考文献

附录

作者简历

学位论文原创性说明

学位论文数据集