| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 竞价机制设计 | 第13-14页 |
| 1.3.2 赞助搜索中消费者行为 | 第14页 |
| 1.3.3 赞助搜索中的最优化竞价 | 第14页 |
| 1.3.4 预算约束下的竞价问题 | 第14-15页 |
| 1.4 课题研究内容 | 第15页 |
| 1.5 论文内容结构 | 第15-17页 |
| 第二章 相关理论与技术 | 第17-28页 |
| 2.1 在线关键词广告竞价概述 | 第17-20页 |
| 2.1.1 在线关键词广告的基本概念 | 第17-18页 |
| 2.1.2 主要的在线关键词广告提供商 | 第18-20页 |
| 2.2 人工神经网络概述 | 第20-23页 |
| 2.2.1 神经网络基本思想 | 第20-21页 |
| 2.2.2 人工神经元形式化结构 | 第21-22页 |
| 2.2.3 多层感知器MLP | 第22-23页 |
| 2.3 遗传算法 | 第23-27页 |
| 2.3.1 遗传算法的概念 | 第23-24页 |
| 2.3.2 遗传算法的特点 | 第24页 |
| 2.3.3 遗传算法的构成 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 关键字广告最优竞价策略研究 | 第28-47页 |
| 3.1 引言 | 第28-30页 |
| 3.1.1 问题描述 | 第28-30页 |
| 3.1.2 方法提出 | 第30页 |
| 3.2 针对关键词广告收益预测的Multiple-LSTM模型设计 | 第30-40页 |
| 3.2.1 LSTM神经网络模型分析 | 第30-36页 |
| 3.2.2 Multiple-LSTM模型设计 | 第36-38页 |
| 3.2.3 模型学习整体框图及算法步骤 | 第38-40页 |
| 3.3 基于收益预测的最优竞价策略 | 第40-41页 |
| 3.4 实验分析 | 第41-46页 |
| 3.4.1 训练测试集划分 | 第41页 |
| 3.4.2 预测结果误差评估标准 | 第41-42页 |
| 3.4.3 参数设置 | 第42页 |
| 3.4.4 对照模型的选取 | 第42页 |
| 3.4.5 实验结果 | 第42-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 在线关键词广告预算限制下的最优分配策略研究 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 问题描述 | 第47-48页 |
| 4.3 问题建模 | 第48-50页 |
| 4.4 NSGA-II算法 | 第50-54页 |
| 4.4.1 NSGA-II算法的基本操作 | 第52-54页 |
| 4.4.2 基于NSGA-II的模型求解步骤 | 第54页 |
| 4.5 实验分析 | 第54-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 关键词广告管理系统的设计与实现 | 第59-71页 |
| 5.1 系统简介 | 第59-60页 |
| 5.1.1 系统目标及实现 | 第59-60页 |
| 5.1.2 开发环境 | 第60页 |
| 5.2 系统总体设计 | 第60-63页 |
| 5.2.1 系统总体结构 | 第60-62页 |
| 5.2.2 系统总体流程 | 第62-63页 |
| 5.3 功能模块详细设计与实现 | 第63-68页 |
| 5.3.1 数据管理模块设计与实现 | 第63-65页 |
| 5.3.2 分析模块设计与实现 | 第65-67页 |
| 5.3.3 展示模块设计与实现 | 第67-68页 |
| 5.4 系统展示 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的成果 | 第78页 |