基于转化的互联网广告技术研究

顾智宇，秦涛，王斌

（1.中国科学院计算技术研究所，北京100190；2.中国科学院大学，北京100190；3.微软亚洲研究院，北京100080）

1 引言

互联网广告（Internet Advertising）是一个潜力巨大、发展迅速的市场。2011年全球互联网广告市场规模达700亿美元以上，并以年均10%以上增长速度发展①Online Advertising Spending Worldwide，eMarketer，June 2011.。而且，随着互联网广告形式与互联网广告技术的发展，互联网广告的潜力不断得到挖掘，传统广告中更大比重的份额在向互联网广告转移。当前在互联网广告中，存在如表1所示的三种不同的广告方式。

表1 主要广告方式

基于展示的广告（CPM广告）是较早出现的互联网广告，广告商在展示时以固定价格pfix付费；随后出现的基于点击的广告（CPC广告）则是在广告被点击时付费，付费一般通过竞价决定［1－2］；基于转化的广告（CPA广告）是近年来出现的广告方式［3］，广告商按用户因浏览广告而产生的行动或通称为转化（conversion）来付费，其中转化行为包括用户付费购买、将商品放入购物车、填写注册表单、进一步查询商品信息等各种行为，它意味着广告转化成了广告商的实际收益。上述行为一般通过安装在广告商的商品页面上的脚本来统计。

CPA广告方式相对于前两种广告方式有明显的优势。首先CPA是对广告效果的最直接衡量。在CPC广告中，广告商需要根据商品不断变动的实际销售情况对每次点击所带来的收益进行估计，在此基础上再估计每个关键字的价值以进行正确的竞价。而在搜索广告中，大广告商往往需要购买上千个关键字，此时很难准确对每个关键字的点击价值进行估价。相对地，由于CPA广告更接近商品销售的最终阶段，广告商可以更容易、更准确计算每份广告费用所产生的收益，从而更好地计算投资回报率，减少了广告投资的风险。互联网广告的中小广告商比传统广告中更多，由于资金规模较小，他们对投资的风险更为敏感，因此他们乐于采用CPA收费方式［4］，CPA广告对互联网广告的发展更为有利。其次，CPA广告可以鼓励发布商和广告商提高广告的可信度、着陆页的质量以及商品销售环节的服务，使得用户的体验更好。而且，可以更好地解决互联网广告中广泛存在的点击欺诈问题。点击欺诈伪造用户对广告的点击以达到增加收入或损害对手的目的，它对CPC广告产生破坏性的作用［5－6］。但对于CPA广告，由于按实际发生的转化行动收费，使得点击欺诈的代价变高，实际上使其变得不可行。

由于上述优点，CPA广告获得了越来越多的应用。互联网广告的主流从CPM广告向CPC广告转移后，现在进一步地有从CPC广告向CPA广告转移的趋势。现在在互联网广告中CPA广告主要有以下几种类型：（1）以Amazon为代表的销售收益分成的联盟营销模式①Amazon associates.https：／／affiliate－program.amazon.com／.；（2）采用CPA方式的广告联盟，如SNAP、Advertising.com等；（3）转向CPA方式的搜索引擎提供商，例如，Google从2007年开始在AdWords中提供按转化付费的功能［7］，而Yahoo通过子公司Right Media Exchange提供CPA广告服务，Bing搜索引擎虽然还未提供CPA广告，但也开始向广告商提供脚本以追踪点击后的转化。

本文的内容主要分以下几个部分。首先在第二部分对互联网广告的形式、CPA广告以及其优缺点进行说明；第三部分中总结现阶段学术界对CPA广告、转化率开展的研究；第四部分对目前存在的问题进行分析，并提出可能的研究方向；在最后一部分进行总结。

2 互联网广告系统

从形式上互联网广告分为搜索广告（Sponsored Search）、上下文广告（Contextual Advertising）、展示广告（Display Advertising）等。下面以搜索广告为例说明互联网广告系统的运作。搜索广告系统主要由三个角色组成：广告商、搜索引擎用户、搜索引擎。广告商在搜索引擎上登记广告，将广告关联到关键字上并出价，当用户进行搜索时，搜索引擎向用户展示广告。

广告可用五元组｛Title，Creative，Landing－Page，Keywords，Bid｝表示，其中Title和Creative分别是广告展示时的标题和描述文本，LandingPage为点击广告后到达的着陆页，Keywords是广告商指定的、用于触发该广告的关键字序列。Bid为广告商对出价。实际中｛Title，Creative，LandingPag｝与｛Keywords，Bid｝是多对多的关系，即广告商对关键字的出价可关联到多组广告，每个广告可有多个出价，在此为了简化，将上述每对关系等同于一个广告的五元组定义。在搜索广告中要解决的基本问题是：当用户U利用搜索引擎给定查询Q进行查询时，从广告库中选择广告序列｛A1，A2，A3，…，An｝进行展示并收费，以使得搜索引擎期望收益最大化。在实际的搜索广告系统中其流程一般包括如下步骤。

（1）关键字匹配。搜索引擎从广告库中选择关键字与查询Q相匹配的广告A。广告商可指定如下几种匹配的一种或多种［8］：

精确匹配：Keywords（A）＝＝Q

短语匹配：Keyw ords（A）＝＝substring（Q）

宽泛匹配：Keywords（A）⊆Q

除了上述基于广告关键字的匹配方法之外，为了提高相关广告的召回率，现在搜索引擎中普遍提供基于下述相关度得分的高级匹配（Advance Match）方式。

图1 搜索广告系统流程图

（2）相关度计算。通过计算查询与广告相关度，可匹配更多的广告，并可过滤不相关广告。例如，在计算相关度得分时，可将广告的文本包括Keywords、Title、Creative等看作检索文档库中的文档，使用向量空间模型计算［9］，如式（1）所示。

其中wia、wiq分别是查询Q和广告A在向量空间中各词项的权值，可为TF－IDF等。此外，文献［10］中提出基于语言模型来计算广告与查询的相关度如式（2）所示。

其中ti是查询A的各词项，p （ti｜A）和p （ti）分别基于词项在广告和广告库中的TF来计算，并且p （ti｜A）使用Dirichlet平滑以克服广告文本较短的问题。该方法效果比向量空间模型更好，并且由于它是概率模型，易于与当前基于概率的检索模型结合。

根据相关度得分，搜索引擎可以匹配更多相关广告，提高召回率，并滤去相关度过低的广告。

（3）点击率／转化率估计。对过滤后的广告集合，搜索引擎估计每个广告的点击率（CPC广告）或转化率（CPA广告），从而决定广告的排序。点击率CTR（Click－Through Rate）定义为广告点击次数与展示次数之比，如式（3）所示。

对于一次广告展示可估计用户点击广告的概率作为点击率的估计值。类似地，转化率CVR（Conversion Rate）定义为广告转化次数与展示次数之比，如式（4）所示。

利用历史点击率／转化率、相关度、用户信息、查询意图等作为特征对CTR或CVR进行建模，从而可进行估计，其细节在下一部分说明。搜索引擎利用CTR或CVR对广告进一步过滤，并用于下一步的排序中。

（4）广告排序。广告的排序方式由搜索广告系统采用的关键字竞价机制的分配策略决定。当前广泛采用的广义二价（Generalized Second Price，GSP）拍卖机制［2］中，搜索引擎用广告商的出价和点击率计算广告的排序分数，如式（5）所示。

而在CPA广告中可用CVR代替上式的CTR。

（5）广告定价。关键字竞价机制的收费策略决定了广告的收费。在GSP中广告Ai的CPC收费为排名在其下一位的广告Ai＋1的出价Bid（Ai＋1），或点击率下的加权，如式（6）所示。

该方式激励广告商改进其广告以提高点击率，使得搜索引擎同时获益。

3 CPA广告的研究现状

3.1 竞价与收费机制设计

上述广告的排序方式又称为分配策略，定价方式又称为收费策略，两者一起构成了广告的竞价机制。竞价机制由于直接与搜索引擎的效益相关，因此是搜索广告的核心研究方向之一。它属于博弈论分支的拍卖理论［11］的范畴，广告位为拍卖物品，搜索引擎为拍卖人，广告商为竞买人。拍卖人和竞买人的目标都是追求收益最大化。物品对每个竞买人i具有不同的效用ui，竞买人的出价总是小于或等于ui，而ui最高的竞买人的效用umax即为拍卖人的收益上限。拍卖人可通过推测各竞买人的效用ui来估计umax，并使物品定价或者竞买人出价接近umax来获得最大收益。

一个良好的竞价机制具有激励竞买人的诚实性（Truthfulness）的性质，在该性质下，当每个竞买人i诚实地按照物品对自己的效用ui进行出价时可形成纳什均衡，此时任一竞买人都不会因单独改变其出价而增加收益，从而达到稳定状态。由于具有诚实性的机制下竞买人的出价等于其效用，搜索引擎可简单地估计出umax即最大可能出价从而实现最大收益。但现在广泛使用的GSP机制并不具有诚实性。

因此，文献［12］针对CPA方式设计了一种具有诚实性的竞价机制。考虑到搜索引擎竞价是一个反复的过程，该机制采用了重复拍卖的模型。在每一个阶段t，以概率η（t）将物品随机分配，以概率1－η（t）分配给效用估计值最高的竞买人。对竞买人i，定义uit为在阶段t的真实效用，pit为在阶段t的对i的收费，为机制在阶段T对uit的估计值。在每个阶段的结束，竞买人i报告物品对其的效用rit。其分配策略与收费策略的算法如下：

则可证明，在该机制有渐进的诚实性，拍卖人的渐进收益并不显著地低于最大收益。

另外，与CPC方式中发布商的点击欺诈类似，在CPA中存在广告商可能会利用技术手段绕过在页面中植入的统计脚本来达到隐瞒转化量、减少付费的目的的问题。为解决该问题，文献［13］基于文献［14］的防止点击欺诈的方法，提出了从机制上去除广告商的作弊激励因素的解决方法。该方法混合了CPC和CPA，将广告在展示出价和转化出价分别记为bm和ba，分配策略为：当bm＋CVR×ba＞p，将广告位分配给该广告，其中p为阈值。而收费策略如式（10）、（11）所示。

其中pm和pa分别是对该广告每次展示和转化的收费。该工作证明了转化率CVR的估计函数满足如下形式时，广告商隐瞒转化量不会带来显著的收益，如式（12）所示。

其中i表示第i展示，ti表示展示的时间，ai表示到到第i次展示为止广告商报告的转化量，xi是第i次展示是否发生转化的指示变量，而δ（ti，i，ai）是对于ti，i，ai都递减的函数。

作为从CPC到CPA过渡的机制，文献［15］在保留基于CPC的收费策略的基础上提出了根据CPA排序的分配策略。其思想是：转化隐含了点击，因为预测发生转化的广告应该比预测仅发生点击而不发生转化的广告靠前。在匹配返回的广告集合中，定义转化的集合为N，点击的集合为C，展示的广告集合为I，因为点击是转化的前提，展示是点击的前提，故有N⊆C⊆I。在使用各特征对广告进行排序时，为了确保排序的结果满足N≺C≺I，使用了有序回归的方法来对广告集合进行排序。通过在线实验表明，该方法能够在保持较好的点击率的同时，显著地提高了转化率。

与上述工作相对，文献［16］则在保留基于CPC的分配策略基础上改进了收费策略。其动机是，由于高级匹配不按关键字匹配，查询关键字与广告中出价的关键字不一致，不应该利用该出价来竞价和收费，否则可能会导致广告商的损失。针对该问题，文献［16］中将转化率作为广告效果的衡量，利用转化率适当地降低高级匹配的广告的出价，以使得收费更为合理。假定广告商期望同一广告的匹配到不同关键字下的CPA相等，如式（13）所示。

KeywordAM是高级匹配下广告被匹配到的关键字，因此通过分别估计Keyword和KeywordAM的转化率，可得到高级匹配下出价调整的公式为式（14）。

3.2 转化率预测

在检索系统或者基于点击的广告系统中，存在着点击率预测的研究问题，即给定当前用户的查询，预测文档或候选广告被点击的概率。该问题目前已有较成熟的工作，可作为转化率预测的借鉴。点击率预测的方法可分为两类，一类是以用户或会话（session）为中心，使用生成式模型描述影响用户行为的因素，一般得到一个点击模型（click model）［17－19］，另一类以文档或广告为中心，将包含每次查询中影响其点击的因素作为特征，采用回归或分类的方法来预测［20－24］。在此类方法首先抽取广告、查询、用户等的一系列特征，例如，

· 广告特征：标题、描述文本、着陆页、类别、出价等

·广告结构特征：广告、广告组、广告活动、广告商的层次关系

·查询特征：查询词及其扩展

·广告与查询的相似度

· 用户信息：性别、年龄、地理位置等，广告点击历史，搜索历史

·时间信息：一周中的日期，一天中的时间

基于这些特征对点击行为进行建模，例如，在文献［23］中使用Logistic回归来预测点击率，而文献［24］使用了Probit回归。

上述工作可作为转化率预测的基础。然而转化率的值比点击率低了两个以上数量级，转化率的数值可达到5%以上，而点击率的数值约0.03%，因而带来了显著的数据稀疏性问题。并且，广告转化量分布中长尾部分的广告的转化事件更为稀少，进一步给估计带来了困难。在文献［25］中通过利用层次结构上的聚合来解决该问题，针对在广告中存在从广告商、广告活动（Ad Campaign）到广告等从高到低的预定义层次树结构，该方法首先将层次树的路径z上的转化率分解成两个因子，如式（15）所示。

其中bz是基础转化率，可通过类似点击率预测的回归模型求出。λz是仅由z决定的路径修正因子，表示层次树路径对转化率的影响。进而为每个节点定义一个状态变量φ，将λz表达为路径上每个节点的状态变量的乘积，如式（16）所示。

并且令φ的先验分布π为Dirac分布与Gamma分布的混合，如式（17）所示。

该先验被称为spike and slab先验，其中有概率P使φ＝1，表示不对基础转化率bz产生影响。由于两个有共同祖先的节点的路径修正因子中共同包含祖先的状态变量，因此可以通过“关闭”数据缺失的节点的状态变量，而依靠别的路径估计出来的祖先节点的状态变量来计算该路径的修正因子。在预先求出bz的基础上，通过最大后验估计即可求得各φi以及参数a，P。

在上述工作之外，当前针对转化率的工作主要集中在对影响转化率的各因素进行经验型的分析。其中，文献［26］以旅店广告为对象，分析了广告的关键字对转化率的影响，来帮助广告商在广告活动中选择关键字。该工作证明不同的关键字对转化率有关键性的影响。

着陆页是引发用户采取行动、产生转化的地方，因此文献［27］着眼于分析着陆页对转化率的影响。他们首先对从Yahoo搜索广告中获取的广告的着陆页进行统计和分析，发现88%以上的着陆页属于三种类型：（1）广告商主页；（2）搜索转移（Search Transfer）；（3）分类浏览。他们发现，由于转化率的定义不同，三种着陆页类型的广告的转化率差异较大，不能直接比较。因此，他们分别对每个类型，利用从浏览器Toolbar获取的数据分析类型中转化率与查询性质的关系。他们发现，对于出现频率越低的查询，类型（1）的转化率越高，而类型（2）和（3）的转化率越低。他们认为这是由于（2）和（3）比较难以与罕见查询准确匹配。此外还发现随着查询长度的提高，类型（1）和（2）的转化率有所提高。而随着查询的竞价越高，三种类型的查询的转化率都有明显提高，这表明了即使在CPC广告中，广告商也仍会根据转化率决定关键字的价格。

为了衡量各因素对转化率的影响的大小，文献［28］中把搜索广告的查询长度、查询中是否包含特定关键字、广告排名作为变量，建立回归模型以计算各变量在决定转化率时的权重。他们使用某大型网络零售商在Google的搜索广告中的数据，利用贝叶斯方法对模型的参数进行了估计。结果表明，“查询中包含品牌名”该特征对转化率有显著的贡献，而查询长度、“查询中包含零售商名”等特征对转化率没有显著的影响。

3.3 广告的选择与排序

在对广告进行排序之前，需要从广告库中选择与查询匹配的广告。以往一般考虑查询与广告关键字的匹配，以及查询与广告文本的匹配。而在文献［29］中进一步地从广告的着陆页中提取有用的文字，来计算与查询的相似度。着陆页作为广告的有机部分，对广告的结果有重要的影响，该工作启示我们可以合理地利用广告的着陆页来帮助转化率的预测以及帮助广告的排序。

4 研究问题与思考

在互联网广告中有广告匹配、竞价机制、广告排序、点击率／转化率预测、个性化广告、用户定向（User Targeting）等多个研究方向。由于CPA广告的研究刚刚兴起，现阶段仅在竞价机制和点击率／转化率预测等方向上有部分研究工作。CPA广告在商业应用中得到稳步发展的同时，也带来了很多研究的机会。

4.1 机制设计的问题

CPA广告的首要问题是对不同定义的转化的统一处理。与CPC广告中明确定义的点击相比，CPA广告的转化包括了多种可由广告商定义的形式，每种形式的转化率和收益有很大差别。因此在设计CPA广告机制中必须考虑能够覆盖各种转化形式并实现公平竞争以及有效地对不同收益的转化进行收费。

CPC方式向CPA方式转化需要一个较长的过程，且由于CPC方式可能更适合某些类型广告商，因此愿意使用CPC方式和CPA方式的广告商将会在很长一段时间内并存，所以现有的互联网广告系统，尤其是搜索广告系统，需要提供一个同时满足偏好CPC方式的广告商和偏好CPA方式的广告商的平台，在该平台上，所有的广告商都能够平等地竞价，并使得广告发布商和广告商都能得到合理的收益。因此，我们需要设计一种混合机制，可选地对点击或转化进行收费，并将点击率和转化率统一到同一个质量因子对广告进行排序。以往已经有针对结合CPM方式和CPC方式的混合模型［30］，但设计CPC方式与CPA方式的混合模型尚有待完成。

由于转化可以由广告商自行定义，当简单地将各广告商定义的各种不同的转化行动同一地处理时，会给广告商故意扭曲出价以获得收益的动机［31］。例如，广告商可以定义一种实际上无法发生的转化，然后对其关联的广告报以高于对手的价格，则可在不付出代价的条件下打压对手的广告。该问题可通过人工审核避免，但能否从机制上合理地处理各种不同定义的转化，自动地消除广告商的作弊动机，也值得研究和探索。

4.2 转化率预测的问题

相对于点击率预测，转化率预测的工作尚未成熟，其中存在更多的挑战。首先，存在数据高度稀疏与不平衡问题。相对于百分之几的广告点击率，广告转化率往往在万分之几，相对于未转化样例，转化样例极为稀少；此外，影响转化率的因素众多，可能包括查询特性、用户特征、用户访问与点击历史、广告特征、着陆页特征等，因此，在建模时面对的是高维度的稀疏数据。其次，转化比点击所依赖的因素更多，用户点击一个广告，很大程度仅取决于当前的查询与广告的相关性，因此以往预测点击率的工作一般是利用查询、广告关键字、广告文字、用户历史数据等作为特征，可以得到较好的结果，但用户在点击后是否决定购买，则可能和广告商的信誉、商品的质量、商品热门程度、商品是否符合用户的需求、着陆页的设计（非计算因素）等更多因素相关，因此需要更复杂、更多维度的模型，甚至需要借助经济学的知识来解决。

除了历史数据以外，转化率很大程度上与当前搜索引擎使用者的兴趣、查询意图等相关。例如在文献［32］中对用户搜索时的行为进行建模，来对两种搜索意图“寻找”和“购买”进行分类。利用该工作，我们可以更好地对转化率进行预测。

4.3 其他问题

对于广告投资的风险，文献［33］认为应该由发布商和广告商共同承担。他们从经济学角度对发布商和广告商的付出和效用进行分析和建模，以同时使用CPC与CPA的方式为基础，计算出双方的最优合约，使得双方可以同时承担广告因不确定性因素而带来的风险。其模型可以灵活调整，当商品销量比较平稳、可预测时，可增大CPA的比重，双方同时分享收益，而当商品销售的不确定性增大时，则增加CPC的比重，双方分担风险。

利用转化数据，可以更好地解决传统地利用点击解决的问题。例如，对于根据用户性质展示广告内容的用户定向问题，以往是根据用户点击的历史来进行定向，而如果利用用户购买的历史进行定向，可能会达到更好的效果。实际上业界已经开始使用基于转化的定向，此外，例如，文献［34］中提出的是否展示广告的问题，如果能根据预测的转化率来决定，也可能获得更好的效果。

5 总结

本文介绍了基于转化（CPA）的互联网广告方式及其应用与研究，相对于传统广告以及主流的基于点击（CPC）的广告方式，它具有更便于衡量广告效果、风险更小、可防止点击欺诈、有助于提高广告质量和用户体验等优点。该领域的研究方兴未艾，在其机制设计、转化率预测以及个性化、用户定向等方向上具有广阔的研究前景。

［1］ Varian H.Position auctions［J］.International Journal of Industrial Organization，2007，25（6）：1163－1178.

［2］ Edelman B，Ostrovsky M，Schwarz M.Internet advertising and the generalized second price auction：Selling billions of dollars worth of keywords［R］.The A－merican Economic Review，2005.

［3］ Group E.Online advertising：Pay per sale［J］.The E－conomist，2005，10：110－111.

［4］ Michael Peterson K K，Grone F，Kirscheneder J.Performance－Based Advertising Models Extending the Principles of Profit－Driven Marketing［M］.2007.

［5］ Mitchell D.Click fraud and halli－bloggers［N］.New York Times，2005，July.

［6］ Penenberg A.Click fraud threatens web［N］.Wired News，2004，October.

［7］ Helft M.Google Tests an Ad Idea：Pay Only for Results［N］.New York Times，2007，March.

［8］ Yahoo.Yahoo！Search Marketing［OL］.http：／／www.yahoosearchmarketingsea.com.

［9］ Broder A，Ciccolo P，Fontoura M，et al.Search advertising using web relevance feedback［C］／／Proceeding of the 17th ACM conference on Information and knowledge management.2008：1013－1022.

［10］ Raghavan H，Iyer R.Probabilistic first pass retrieval for search advertising：From theory to practice［C］／／Proceedings of the 19th ACM international conference on Information and knowledge management.2010：1019－1028.

［11］ Krishna V.Auction theory［M］.Academic press，2009.

［12］ Nazerzadeh H，Saberi A，Vohra R.Dynamic costper－action mechanisms and applications to online advertising［C］／／Proceeding of the 17th international conference on World Wide Web.2008：179－188.

［13］ Mahdian M，Tomak K.Pay－per－action model for online advertising［C］／／Proceedings of the 1st international workshop on Data mining and audience intelligence for advertising.2007：1－6.

［14］ Immorlica N，Jain K，Mahdian M，et al.Click fraud resistant methods for learning click－through rates［J］.Internet and Network Economics，2005：34－45.

［15］ Bagherjeiran A，Hatch A，Ratnaparkhi A.Ranking for the conversion funnel［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：146－153.

［16］ Rey B，Kannan A.Conversion rate based bid adjustment for sponsored search［C］／／Proceedings of the 19th international conference on World wide web.2010：1173－1174.

［17］ Xu W，Manavoglu E，Cantu－Paz E.Temporal click model for sponsored search［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：106－113.

［18］ Joachims T，Granka L，Pan B，et al.Accurately interpreting clickthrough data as implicit feedback［C］／／Proceedings of the 28th annual international ACM SIGIR conference on Research and development in information retrieval.2005：154－161.

［19］ Agichtein E，Brill E，Dumais S.Improving web search ranking by incorporating user behavior infor－mation［C］／／Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval.2006：19－26.

［20］ Ciaramita M，Murdock V，Plachouras V.Online learning from click data for sponsored search［C］／／Proceeding of the 17th international conference on World Wide Web.2008：227－236.

［21］ Richardson M，Dominowska E，Ragno R.Predicting clicks：estimating the click－through rate for new ads［C］／／Proceedings of the 16th international conference on World Wide Web.2007：521－530.

［22］ Shaparenko B，ÇetinÖ，Iyer R.Data－driven text features for sponsored search click prediction［C］／／Proceedings of the Third International Workshop on Data Mining and Audience Intelligence for Advertising.2009：46－54.

［23］ Hillard D，Manavoglu E，Raghavan H，et al.The sum of its parts：reducing sparsity in click estimation with query segments［J］.Information Retrieval，2011：1－22.

［24］ Graepel T，Candela J，Borchert T，et al.Web－scale Bayesian click－through rate prediction for sponsored search advertising in Microsoft's Bing search engine［C］／／Proceedings of the Twenty－Seventh International Conference on Machine Learning（ICML－10）.2010：13－20.

［25］ Kota N，Agarwal D.Temporal multi－hierarchy smoothing for estimating rates of rare events［C］／／Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining.2011：1361－1369.

［26］ Rutz O，Bucklin R.A model of individual keyword performance in paid search advertising［OL］.2007.http：／／papers.ssrn.com／sol3／papers.cfm？abstract id＝1024765.

［27］ Becker H，Broder A，Gabrilovich E，et al.What happens after an ad click？：quantifying the impact of landing pages in web advertising［C］／／Proceeding of the 18th ACM conference on Information and knowledge management.2009：57－66.

［28］ Ghose A，Yang S.An empirical analysis of sponsored search performance in search engine advertising［C］／／Proceedings of the international conference on Web search and web data mining.2008：241－250.

［29］ Choi Y，Fontoura M，Gabrilovich E，et al.Using landing pages for sponsored search ad selection［C］／／Proceedings of the 19th international conference on World wide web.2010：251－260.

［30］ Zhu Y，Wilbur K.Hybrid Advertising Auctions［J］.Marketing Science，2011，30（2）：249－273.

［31］ Agarwal N，Athey S，Yang D.Skewed bidding in pay－per－action auctions for online advertising［J］.American Economic Review Papers and Proceedings.2009，99：441－447.

［32］ Guo Q，Agichtein E.Ready to buy or just browsing？：detecting web searcher goals from interaction data［C］／／Proceeding of the 33rd international ACM SIGIR conference on Research and development in information retrieval.2010：130－137.

［33］ Hu Y，Shin J，Tang Z.Pricing of Online Advertising：Cost－Per－Click－Through Vs.Cost－Per－Action［C］／／Proceedings of System Sciences（HICSS），2010 43rd Hawaii International Conference.2010：1－9.

［34］ Broder A，Ciaramita M，Fontoura M，et al.To swing or not to swing：Learning when（not）to advertise［C］／／Proceeding of the 17th ACM conference on Information and knowledge management.2008：1003－1012.