优化关键字广告有新作法，微软Bing广告用机器学习来扩大搜寻广告的曝光范围

不用下大量关键字广告，也能让广告曝光给更多相关用户，微软的Bing广告最近推出了一项扩大关键字广告曝光范围的新作法，可以连不在关键字广告清单上的相关搜寻用词，都能自动纳入广告曝光范围，连广告主没下的关键字也能曝光，微软目前将此技术提给给一家时尚零售商试用，微软宣称，经过实验结果证实，能有效提高点击率5.9％，不过微软没有透露实验细节或实验者公司名称。

另外，这项技术也不只可以用于搜寻结果的广告上，还能用于网站内部搜寻中，透过结合个人购买行为或是搜寻历史，客制化购物者的个人品味搜寻，提高整体搜寻结果的相关性。

在传统搜寻广告中，广告商会指定关键字，系统则会配对查询和产品描述，以排名相关的产品广告，但这种方式在时尚产业却行不通，微软提到，如果广告商要指定并竞价所有可能的时尚关键字，那成本将会非常昂贵，而且选择关键字的同时，也就决定了产品广告排名方式，关键字影响了最大化相关性的机制运作，因而限制了用户点击这些广告的次数。

使用者在搜索引擎下的关键字可能为 dresses on sale，而广告商下的关键字为，为与 dresses，而这些产品的描述为 bodycon midi dress和 jacquard midi dress等，传统做法，广告仅以搜寻查询与广告关键字配对进行排名，将会损失bodycon midi以及jacquard midi这些有价值的资讯，而使结果不够精准。

而微软对此的解决办法就是反其道而行，让用于时尚零售搜寻排名不受关键字配对影响，反而是根据不符合查询关键字的产品描述未配对字词（Unmatched Words），对广告进行排名。而在产品描述中，未配对字词的重要性，可以从过去相同的查询，使用者对其他产品的点击中习得。

同样以 dresses on sale查询为例，如果产品 jacquard midi dress的点击率高于 bodycon midi dress，则可以推断未配对产品描述字词jacquard的重要性比bodycon还要高。而重要性在部分情况下，可以推论为受欢迎的程度，也就可以得到jacquard比bodycon更受欢迎的结论。

而且为了方便相似的查询，微软将搜寻关键字dresses会与未配对产品描述字词绑在一起，成为查询-产品单词对（Query-Product Word Pairs），产生dresses-jacquard与dresses-bodycon这样的资料，用以训练资料训练机器学习模型，以学习查询-产品与点击率的模式。

当使用者输入一个前所未见的查询时，该模型则会为查询和产品描述，产生相对应查询-产品的字词，并用来预测每种产品的点击率，预测点击率最高的产品将获最高排名，而产品的广告就能依照预测点击率降幂排列，以最大化广告相关性与查询使用者的点击次数。

将未配对字词加入排名考量，不只免去了时尚产业广告商必须要手动指定所有关键字的麻烦，其点击率预测技术，还能帮助时尚零售商评估，最初用于竞价的查询广告关键字的重要性。

同时，这项技术不只能用在搜索引擎的基本广告排名，时尚零售商网站内搜寻也能应用。微软提到，由于个人品味非常主观，零售商可以使用该技术为每位客户量身订做搜寻推荐，甚至可以加入历史购买清单作为推荐参考依据。这项技术可以满足时尚零售独特的消费者行为，根据使用者过去点击的产品，结合季节性时尚趋势，甚至是不停变化的审美观，提供更好的预测。