Google Ads是一种通过使用Google关键字广告或者Google遍布全球的内容联盟网络来推广网站的付费网络推广方式。人们可以选择包括文字、图片及视频广告在内的多种广告形式。广告商选择的广告是否能为自己的广告带来最大利益,很大程度上取决于与广告相关的关键字的选择。因此,广告优化的成败与否就要靠关键字的选择去进行实现。毕竟好的关键字不仅可以帮助商家降低广告成本,而且可以提升广告效果,帮助商家增加收益。然而,在实际操作中由于各种原因使得关键字的选择遭遇重重困难。首先需要面对自然语言处理的困难,因为关键字中同时包含中文和英文、关键字的文本特征少、数据质量不平衡的问题。其次深度学习中的分类模型不容易与本应用进行良好的适用。最为重要的是在应用中要求模型的分类速度快并且分类准确度较高,这对于深度学习中的模型来讲无疑是一件非常棘手的问题。为了解决这些问题,首先研究如何更好地提取出文本信息并对分类模型进行改进。因此,本文通过选择语料库解决中英文混合现象,使用词嵌入解决关键字文本特征少的问题,通过重采样处理数据质量不平衡的问题。经过实验验证,最终证明了所选数据处理方法确实行之有效。随后选用卷积神经网络作为挑选优质关键字的分类器。但是为了更好地适用于本次应用的场景,本文通过将关键字中对应的如点击量,排名和转化率等行为信息作为特征,并将特征在卷积神经网络的最后一层增加嵌入,从而使得改进的卷积神经网络更加适用于本次应用场景。随后考虑到卷积神经网络参数巨大,对于如何从众多参数中选出最为合适的神经网络结构这个问题进行研究。通过实验与理论研究发现,将进化计算与深度学习结合,将精度作为目标,利用单目标粒子群优化算法优化卷积神经网络结构。能够在不需要人为大量调整网络结构的情况下得出一个合适的神经网络结构。最后在研究中发现,仅仅得到一个精度高的网络结构并不能满足本次应用的需求。因为在工业应用中,不只是对于精度有要求,更重要的是要考虑时间成本。因此本文通过进一步研究后,发现可以利用多目标粒子群优化算法,将精度和速度作为两个目标来共同优化网络结构,从而能够得到同时优化这两个目标的结果。通过实验验证可以发现本次研究的算法不仅能够很好地解决此次应用,而且又具有应用到更多实际问题的可能性。