python可以构建sem模型_【九枝兰】如何将机器学习应用到SEM账户中

A is like a for the mind. -- Steve Jobs

电脑就像有头脑的自行车。-- 史蒂夫 · 乔布斯

这句话通常被理解为：以同样的方式，自行车可以提升人力的移动效率，电脑可以提高人脑力的生产力与输出效率。

那么能否将机器学习（ ）应用到你的PPC账户中， 从而提高效率，为你的PPC活动找到新的关键词呢？

SEMer在开展PPC活动时面临的最大问题是如何提高效率。如果给你足够的时间去构建并优化一项PPC活动，你想做的远远多于你能做的。因此，问题的关键就是要明确优先顺序，高效利用你的时间。

在这篇文章中，我们将会谈论机器学习的概念，以及机器学习是如何潜移默化地提升效率的。我会使用关键词分类来作为示例，探索机器学习对关键词短语的设置会起到怎样的作用。

我们所说的机器（ ）学习指的是什么？

对于这一短语的定义，我认为以下说法较为权威：

机器学习是一种通过设计模型或计算方法从而进行预测的方法。这些模型能够产出令人信赖的、可重复的决定，并能够根据过往学习经验，根据数据判断未来发展方向。

这些令人信赖的、可重复的决定，正是我们在本文中想要谈论的核心价值！

在一个较高的层面上，机器学习算法的目标是输出一项预测的计算公式，并计算出相关系数，将错误出现的概率降到最低，也就是说，要达到最好的预测效果。

机器学习能解决两个核心问题 - 分类问题（）与回归问题（）。分类问题用于将事务打上一个标签，将数据与预测标签相关联，比如判断某个用户是男还是女，且最终正确结果只有一个；而回归问题通常用来预测一个值，比如产品的真实价格，所以这是一种逼近预测。

分类 回归

关键词分类是典型的分类问题。

关于关键词分类，我们的目标是将展示文案的分类应用到新关键词短语的摆放位置，并将这一过程通过机器学习自动决策。这是一项琐碎但是非常重要的实践，因为在待选关键词短语非常多的情况下，完成这一过程会非常耗时。

解决该分类问题的首要前提就是要有一些已分类的数据，即依据已有的付费搜索账户的关键词“分类”。接下来抓住“特征”，且这些特征能够被用于预测这些新的数据应该怎么分类。

“特征”的基本定义是建立这一模型的因素——预测变量。

将广告文案的数据转化为“词袋”（bag of words） -- 对计算方法非常有用。这一简单的矢量包含了在某一给定的文案中某一个单词出现的次数。在下面这个案例中，我们把关键词看作是一个简短的广告文案。

左侧：（可以将广告文案看成是由各种短语组成）

人工智能研究杂志

人工智能研究杂志覆盖了人工智能领域，并且在互联网上免费刊出。这一杂志的每一专栏都由摩根·考夫曼出版。

右侧：（数字为出现次数）

0 学习

3 杂志

2 智能

0 文本/文案

1 互联网

0 监视工具

0 脚本语言5

………

1 专栏

注释：在实践中，由于我们的“文案”（也就是关键词）很短，我们能够得到的矢量数据也由于缺少了多样性而不够有意义，但是如果跳出了这一文章的范围，就能够挖掘其更深刻的意义。

选择合适的计算方法

对于各式各样不同类型的问题，也会有各式各样不同的计算方法。下面这幅图告诉我们在实际应用中如何选择合适的模型，并向我们展示了做出一项合适的选择背后隐藏着怎样既定的逻辑。

图片来自

本文不会详细描述如何应用这一模型，而是分享如何将上图中的方法进行应用 -- 这也是我想要说明“利用机器学习对大量编码进行预测是可以实现的“的原因。

以下是一些关键步骤：

①准备好建模需要的数据（将约2万个关键短语进行提前分类）。

②将数据划分为训练所需与测试所需的子集（这是非常必要的，这样我们才能够测试出我们的模型将会确切地预测出未来的数据，而不仅仅是描述历史数据）。

③创造基本的传递途径:一来可以创造出讨论得出的特征（），二来可以应用已选择的方法（）。

④预测“测试”设置的价值，并测算这一标签相对于“真实”价值的准确程度。

将编程看作是一种达到数学目的的途径。

结论

所以，机器学习到底有多高效呢？上述案例的结果：通过使用简单的工具测定其准确性之后，这一方法准确分类了91%的“新”关键词短语（4869个关键词短语中的4431个）。

看起来虽然测试结果相当不错，但我们将这一模型投入实践之前还是要做很多微调与测试。

测试证据表明，机器学习为企业提供了一个相关的途径，能够帮助他们提升并自动化关键词投放这一进程，通过做出令人信赖的、可重复的决定来大规模提高效率。（就像开篇所说的那样）

九枝兰SEM优化工具可以帮助企业主精确的跟踪从PV到转化的完整数据，由此分析出关键词的效果，并通过设定转化标识ROI、CPA等指标，帮助企业主找到关键词的最佳出价、匹配模式、投放地域。本着为客户的最终转化结果负责的宗旨，承诺同样的转化数量，降低CPA 5%-10%或同样的投放预算，提升转化结果 5%-10%。

注：本文内容由九枝兰团队翻译，转载请加上九枝兰微信ID：或二维码。对于不署名者，九枝兰将保留追究的权利。