广告,就如同字面上的意思,广泛地向大众宣传告知事件或是事物。21世纪大数据和电商等互联网行业得到了巨大的发展,其中搜索广告已经成为商业互联网广告中重要的一员。它出现在人们使用互联网产品或是上网页等接触到的最多的一种广告类型,因此其转化率的预测也变成学者们热衷研究的对象。转化率和点击率不同,它是直接导向是购买,因此高转化率是广告主、广告媒介的重点研究对象,因为其直接带来的是较高的投入产出比。本文主要研究搜索广告的转化率预测模型及其特征处理。由于阿里淘宝是目前中国较大规模的电商平台,其广告几乎都是搜索广告,且近期公开了其一部分的数据,因此本文的研究数据选择使用开源的阿里平台的2018年搜索广告的数据。首先,本文对获取的该数据进行了描述性的统计分析,主要从以下四个角度进行分析:用户的信息数据、商品的信息数据、店铺的信息数据以及补充的商品上下文数据信息。然后对数据进行了缺失值处理、文本特征处理和时间处理,在此数据预处理的基础之上本文对数据进行了特征处理提取,包括隐藏信息提取,如商品描述详尽程度等;对特征进行分段处理提取,如店铺评价数量等级的分段;点击率的组合特征提取等。最后得到的数据为:478138个样本,10075个不同的广告商品,以及3959个不同的商铺,270个解释变量。接着本文用Python分别采用LightGBM和XGBoost算法对数据进行搜索广告转化率预测模型的构建。针对重要超参数,本文还采取了网格搜索的算法进行较优参数的寻找,确保训练出较好的预测模型。评价方面,本文分别采用了logloss损失值、auc、rmse(均方误差)以及训练时间对LightGBM模型和XGBoost模型进行了优劣比较。结果显示:对该数据而言,logloss值、auc值和rmse均方误差值三个评估指标LightGBM所得数据均比XGBoost更为精确。特别地,LightGBM的运算效率非常高,比XGBoost的运算速度快了将近几十倍。无论是LightGBM算法还是XGBoost算法,两者均是近些年以来较前沿的机器学习算法。本文将LightGBM算法和XGBoost算法应用到搜索广告转化率的预测模型中,不仅在搜索广告转化率的预测研究中拓宽了算法模型的选择,而且针对这两个算法而言,也提升了LightGBM和XGBoost算法的使用范围。不过因为与XGBoost和LightGBM相关的研究都处于比较初步的阶段,且搜索广告转化率的预测研究也只处在定量研究的初期,因此相关文献较为少见,所以本文还有很大的提升空间。LightGBM算法和XGBoost算法在搜索广告转化率方面的研究是本文做的一次尝试,还未将该两种算法结合其他机器学习算法进行构建研究。相信随着未来学者们对LightGBM和XGBoost算法研究的深入,以及对搜索广告转化率研究的逐渐深入,未来定会出现更适合预测模型的相关算法。