基于赞助搜索的广告研究进展评述，本文主要内容关键词为：研究进展论文,广告论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
基于赞助搜索的广告(Sponsored Search)又称为关键字拍卖(Keyword Auctions)、位置拍卖(Position Auctions)，是网络营销市场中发展最快的工具和手段之一。在全球经济危机的大背景下，网络广告的份额减少，但是赞助搜索业务却逆流而上实现了利润和业务的双重增长。根据易观国际Enfodesk产业数据库《2009年第3季度中国搜索引擎市场监测报告》显示，2009年第3季度中国搜索引擎运营商市场规模达到20亿元，环比增长11%，同比增长38%。今年六月份微软的新搜索平台Bing刚推出就获得了不错的业绩，据国外搜索引擎营销公司Efficient Frontier发布的研究报告，Bing上线后第一周内的搜索量增长了20%，其付费搜索广告点击量增长了8%。在众多的网络广告形式当中，搜索引擎这种直接以点击来付费并衡量广告效果的推广形式得到更多广告主的青睐。这种广告形式既满足了用户的信息需求，又满足了企业特别是中小企业直接面对客户进行营销和销售的广告需求。相比传统的广告，赞助搜索广告具有很强的针对性和目标性、成本较低、广告预算可控制、操作简单、广告效果明显且可衡量等优势。除此之外还避免了其他广告形式的侵入性缺点。例如门户网站上的横幅广告，只要用户登录该网站，广告就会显示出来，具有很强的用户侵入性。而基于搜索的广告是用户驱动的，只有当用户输入与广告内容相匹配的关键字，广告才会被显示，因此侵入性很小。它的一般流程如下：
(1)准备广告内容：广告商提供和自己业务相关的关键字集合以及每个关键字相应的广告，广告由关键字、标题、描述性文字及超文本链接组成。一个广告可以对应多个关键字。
(2)价格设定：广告商给出每个关键字的竞价价格。
(3)接受广告：搜索引擎服务商对广告进行审核，主要审核广告的描述文字和关键字的相关性，超文本链接页(广告着陆页)和广告内容的相关性。
(4)匹配用户查询：当用户在搜索框输入查询串时，搜索引擎根据用户输入的关键字匹配相关的广告。
(5)广告显示：搜索引擎采用一定的机制对匹配用户查询的广告进行排名，然后把排名结果按照从上到下的顺序排列在搜索结果页的广告位上。结果页一般包括自然算法结果和广告排名结果。广告链接一般在自然算法结果的左边或者上边。
(6)广告主付费：搜索引擎按照点击次数向广告商收取费用。只有当用户点击了广告商的广告链接登录到广告商的网站上时，广告商才需要付费，所以这种广告形式也被称为按点击付费的广告(Pay Per Click，PPC)。
目前主流的搜索引擎广告服务商都采用拍卖机制决定广告的排名，主要经过两个阶段的发展[1]。第一阶段是广义首价机制。GOTO.COM(2001年更名为Overture，2003年被Yahoo收购)首创搜索引擎广告拍卖机制，该机制下广告商可以对任何关键字进行竞价，相同关键字的广告按照出价的高低排序，出价越高的广告在结果页上出现的位置也越高。广告商按照自己的出价为得到的每次点击付费。广义首价机制虽然很直观，但是这种机制会导致锯齿形的价格战，不仅浪费广告商的时间而且损害服务商的利益[2,5]。第二阶段是广义第二价格机制(Generalized Second Price，GSP)。Google于2002年推出Adwords产品并首度使用第二价格机制，即处在位置i上的广告商支付的价格是位置i+1上广告商(i越大广告就越靠结果页底部)的出价加上一个小的增量。这种机制在一定程度上避免了广义首价机制引起的价格战，并且有较高的稳定性[2]。随着GSP的广泛使用，形成了以Yahoo(2007之前)为代表的GSP和以Google为代表的GSP。Yahoo的GSP采用直接按标价排名的方法(Rank By Bid，RBB)，Google采用按质量得分的方法(Rank By Quality，RBQ)进行广告排名。质量得分排名综合考虑广告商的标价、点击率、关键字和广告着陆页的相关性、网站的质量等因素，不仅提高了用户的体验而且增加了Google的收入。因此Yahoo在2007年也采用了基于质量得分体系的机制。百度也采用类似的机制“综合排名指数”。基于质量得分的GSP机制已经成为了主流搜索引擎的排名方法，虽然是一种有效率的分配方式[4]，但不是激励相容的[2]。
虽然搜索引擎广告发展十分迅速，成为了新时代广告领域中不可或缺的一部分。但是相关的学术研究才刚刚起步，相对于在线拍卖，这方面的研究得到关注还较少[1]。具体的研究方向和内容还没有明确的定义体系，因此对该研究进行分类、定义以及评述具有重要的意义。本文在综合近年来搜索引擎广告的国内外研究文献的基础上，结合动态网络分析的信息可视化技术和工具(CiteSpace Ⅱ)对已发表的文献进行文献共被引分析，绘制了该领域的研究前沿，并对前沿的每一个研究方向及进展进行了评述。
研究方向定义
由于基于搜索的广告的研究属于新的研究领域，可获得的文献还较少。本文通过在ISI Web of Knowledge上检索到相关的138篇文献作为CiteSpace II的输入数据，通过选定阈值(由于文献较少因此本文设定的阈值较高)得到的结果如图1所示。图1中每个节点代表一个作者，节点上不同圆圈的向外连线代表该作者在不同年份的被引序列，圆圈的厚度与引文数成正比。通过剔除1997年之前的节点(搜索引擎广告1997年之后才出现，Vickrey和Groves的文献被引次数多的原因是很多相关研究将Vickrey-Clarke-Groves机制作为基准模型)，图1上显示了两个主流的研究方向：以Edelman、Varian、Aggarwal和Abrams为代表的从服务角度出发的研究(拍卖机制设计研究，广告匹配算法研究)；以Borgs为代表的基于广告商角度的研究(最优竞价策略分析)。综合CiteSpace II的分析结果以及其他没有被ISI收录的文献，本文把基于赞助搜索广告的研究分为以下三个方向：
图1 赞助搜索文献共引分析的可视化结果
(1)基于服务商角度的研究：这方面的研究主要是从搜索引擎服务商的角度出发，研究采取什么排名和收费机制以最大化搜索引擎的利润或者取得帕累托最优[3,5-12]；如何匹配用户的搜索串和广告商的广告以期最大化服务商的收益[13-18]；研究各种机制下的均衡策略以及在该均衡策略下搜索引擎服务商的收益[4,19,20]。
(2)基于广告商角度的研究：该研究从广告商的角度出发，以最大化广告商的利益为目的，研究如何为每个关键字出价[21,22]，挑选什么样的关键字[23]以及采用什么竞价策略[24-31]。
(3)关键字生成及结果页相关研究：基于搜索的广告业务的核心是关键字，广告商首先要确定需购买的关键字才能进行下一步的广告，因此广告商相关业务的关键字生成也是研究的重点。这方面主要是研究如何从给定的关键字种子生成相关的而且又被用户大量使用的关键字[32-35]。结果页的相关研究：什么因素导致用户点击广告链接、赞助链接和非赞助链接的区别、用户对赞助链接的态度等[36-39]。
本文将针对这三个方向展开叙述。
基于服务商角度的研究
本部分主要介绍从搜索服务提供商角度出发的研究。
1、最优机制设计
RBB和RBQ两种排名方式孰优孰劣，什么情况下采用哪个机制能给搜索引擎带来更高的收益及设计比这两种机制更优越的机制是最优机制设计的研究热点之一。Sebastien等[9]通过构造新的排名方法
(当q=0时为RBB机制，当q=1时为RBQ机制)，采用蒙特卡罗仿真的方法讨论了q的大小对拍卖收入、效率的影响。q太小会降低广告商的满意度和用户体验，他的研究发现Yahoo和Google的两种机制在均衡时并不必然最优，只有综合考虑广告商的满意度和用户体验，选择合适的q才能达到最优。Feng等[10]通过模拟和收益对比法调查了RBB和RBQ的优越性，他们发现这种两种机制的性能是由标价和广告与关键字的相关性决定的，当两者关联的程度高时，RBB和RBQ的收益几乎相等。他们还发现当用户几乎不关注排在低位的广告时将降低搜索引擎的收益，因此提出新的RBQ排名机制，该机制下权重的决定倾向于提高低位广告的权重，这种机制收敛到最优收益排序的速度比其他方法快。Engel等[41]建立了考虑用户效用的GSP机制，该机制短期内会降低搜索引擎的收益，但是从长期商业运作的角度看该机制能吸引更多的用户从而提高搜索引擎的收益。Garg等[11]提出通过解最优化问题选择最大化搜索引擎收益的广告商的机制，该机制不仅具有贝叶斯激励相容的特性而且搜索引擎的收益比GSP和VCG高。姜晖等[42]也比较了RBB和RBQ两种机制下服务商的收益，指出当广告相关性程度较高时，RBQ优于RBB。该结论和Feng等得出的结论相一致。
虽然PPC是搜索引擎的主要价格方式，但不一定是最优的。Sen等[8]对三种价格机制PPP(Pay Per Purchase)，PPC和固定收费(Flat Fee)给搜索引擎带来的潜在收益进行研究，给出不同环境下的最优价格机制，当通过搜索引擎搜索并且最终购买了产品的用户比例较大时，PPP的收益比PPC高。
2、拍卖机制均衡研究
均衡方向的研究包括对当前使用机制的分析和新提出的以改进原有机制不足的分析。由于广告商的竞价行为是一种博弈行为，因此对机制的均衡分析可更加深入的了解机制的特点以及广告商的竞价策略，为服务商完善机制和广告商竞价提供决策支持。
Varian还讨论了均衡下搜索引擎的收益以及通过广告商的竞价得到其每点击价值区间。姜晖等[43]把Varian的结果推广到目前搜索引擎广泛使用的RBR机制上，并证明RBR是帕累托最优，但是对于搜索引擎服务商不一定是最优。
Edelman等[2]研究了GSP机制下的竞价均衡，并将其称为局部无嫉妒均衡(Locally Envy-Free Equilibrium，LEFE)。当系统处于LEFE时，任何广告商不能通过交换广告位而得到更多的收益。Ashlagi等[44]通过引入中介(代表代理者利益的实体)把GSP转化为VCG位置拍卖机制，从而获得VCG的优点。Zhou等[45]研究了恶意策略(恶意策略是指在不影响广告商自己排名和价格的前提下，最大化竞争对手的每点击价格)下的均衡并指出当三个以上的广告商采用恶意策略时，系统不存在均衡状态。Li和Qi[46]研究了恶意策略、保守恶意策略以及选择性恶意策略三种策略响均衡状态，当服务商的收益在所有的广告商都采取选择性策略的情况下最大化时，广告商倾向于采取选择性策略。由于GSP机制不具有激励相容性，Gonen等[47]、Feldman等[48]同提出了激励相容的机制并给出均衡时服务商的收益。
3、最优广告商选择
匹配算法解决了预算限制下的广告选择问题，但是该算法没有考虑广告商的广告质量和点击率。由于赞助广告的特性，可能每个时刻都有新的广告商加入到拍卖中，而这些新广告的点击率是未知的。于是如何在结果页中显示已知点击率高的广告和新广告以便学习新广告的特性成为了搜索引擎服务商的难题[50]。虽然搜索引擎可通过总是选择已知点击率高的广告商以便获的较好的收益，但是也错过了发现更好的更有利可图的广告。这类问题是典型的探索利用(Exploration/Exploitation)学习问题，和多臂赌博机过程十分相似。多臂赌博机过程如下：一个赌博机有K个推臂，每个推臂的期望回报满足某种分布，赌徒的目标为通过反复摇动推臂以最大化回报之和。由于赌徒事先不知道每个推臂的相关知识(期望回报，方差)，因此每次选择推臂时，赌徒面临着从以前的相关知识中选择期望回报最高的推臂和选择以前从没有摇过的推臂以便学习新推臂的期望回报。如果把广告看作赌博机的推臂，那么广告选择问题可看作特殊的多臂赌博机过程。Pandey和Olston[50]用多臂赌博机过程研究了两种类型的广告选择问题：不考虑广告商的预算限制和考虑广告商的预算限制。不考虑预算限制的算法主要有两个步骤：(1)当一个搜索串q到达时，选择C(一般多臂赌博机过程的C=1，为了适应搜索引擎的实际情况Pandey泛化为结果页上广告位的数量)个和搜索串相关的具有最高优先权的广告，优先权为利用因子和探索因子组成。(2)监测选择的广告是否被点击，然后更新广告的点击率。在考虑广告的预算限制的情况下，Pandey通过构造多个多臂赌博机过程，每个赌博机的定义和无预算限制下一样，每个推臂都关联着预算限制的类型，当广告商的预算耗尽时，关联的推臂还可以被显示只是没有收益。Pandey证明该算法的下届为Opt(N)/(2-O(f(N)))，其中Opt(N)表示经过N次推臂之后的最优期望值，f(N)为算法的期望错误次数。Jennifer等[18]采用一定概率交换质量得分较高的广告和未显示过的广告，从而学习新广告的特性，该算法的优越性在于探索学习的过程中保持对称纳什均衡。
还可通过预测新广告的点击率来决定是否显示该广告，如果预测模型准确性较高那么收益将比多臂赌博机过程大。Richardson等[51]]用广告的特征，关键字以及相应广告商的特点建立预测新广告点击率模型，该模型能改进拍卖系统的性能并提高搜索引擎的收益和用户体验。
4、其他问题
提高用户的搜索串和广告的相关性[17]；如何确定结果页面上广告栏目的最佳数量(Sakurai等[7]提出了一种新的根据每次拍卖得到的社会福利剩余大小动态决定广告位数目多少的机制，该机制不仅增加了社会剩余而且提高了搜索引擎的收益)。如何防止广告客户流失也是搜索引擎面临的重要课题。目前搜索引擎会提供很多附加的功能如：关键字列表生成、页面优化、标的最优化等来保留客户，其中标的最优化是保留客户的重要手段，Kannan等[52]给出了基于纳什议价的离散标的最优化算法，该算法在最大化广告商的收益时最大限度地降低服务商收益的减少。
基于广告商的研究
作为一个新的研究领域，针对关键字拍卖竞价策略的研究仍处于起步阶段，国内这方面的研究还鲜有所见，国外的相关研究也多见于会议上。竞价策略的研究是从广告商的利益出发，研究如何参与竞价，如何优化关键字，如何优化着陆页，如何提高点击率以及转化率，最终达到最大化广告商利益的目的。竞价策略的研究主要有两个方向：经验研究(实证研究)和数量模型研究。
1、实证研究
实证研究主要是通过收集大量的竞价数据，从中发现和总结广告商的竞价行为。Edelman等[3]通过研究Overture和Google的投标数据发现，广告商的竞价策略并不随着搜索引擎拍卖机制的改变而消失。在第一价格机制下，Edelman用Overture的竞价数据发现竞价数据曲线是锯齿形，即广告商会从相对较小的标价开始逐渐增加标价直到达到某个临界值(通常是每点击价值)，然后重新开始新的一轮加价。由于Google不公开竞价数据，Edelman通过监视关键字广告在结果页上的变化得出即使在GSP下，广告商也广泛使用竞价策略来达到其目标。Animesh[53]通过收集Yahoo和Google的12个关键字的数据发现，低质量的广告商会模拟高质量广告商的投标策略从而提高自己的销售，这种策略将会降低搜索引擎用户的满意度。文献[54-57]描述了在不同情况下广告商使用不同竞价策略及投标模式的例子。
2、竞价模型
竞价策略的多变，搜索串的不确定性以及网络环境的动态变化使得广告商的竞价决策困难重重。数量模型的研究正是从这一问题出发，用数学工具研究不同竞价策略对广告商收益的影响，为最优决策提供支持。这方向的研究目前主要有：关键字出价模型；关键字选择模型；博弈竞价模型。
(1)关键字出价模型
Kitts等[31]是最早研究搜索引擎拍卖竞价策略的学者之一，他总结了业界常用的几种竞价策略：定时的固定排位策略；相对位置策略；差额干扰竞价策略；间隙移动策略；成本约束策略，并指出这些策略都是局部策略。因此Kitts建立了多阶段的全局竞价模型，该模型能给出每阶段每个关键字的竞价，模型的目标是最大化广告商的利润。该模型是一个线性规划模型，可以用标准的方法求解，关键在于未知参数的估计。该模型如下：
Chakrabarty等[27]把预算限制下的关键字竞价优化问题看作在线多选择背包问题，并设计了可证明最优竞争比的算法。算法综合考虑了广告商剩余的预算以及赢得拍卖需要的价格。如果任何时刻t广告商已经花费的预算为z(t)，则最优出价为r/ψ(z(t))，r为关键字的每点击利润，ψ(z(t))是关于z(t)的连续函数。由于该算法需要知道所有广告商的最高和最低标价以及每个广告位的点击率，因此该算法虽然具有良好的理论边界，但是实际应用中难度比较大。Christian等[26]采用使所有关键字的投资回报率相同的启发式竞价策略来最大化广告商的收益。和其他竞价策略相比，该策略不需要知道其他竞价者的信息及广告位的相关信息，相对简单。Cary等[28]提出贪婪竞价策略，该策略以最大化自己的利益及最小化竞争对手的利益为目的，这种策略只有当结果页上的广告位数目为1和2时才收敛，并且需要知道所有广告商的投标，因此在实际应用中局限性比较大。
Feldman等[25]认为预算限制下的最优竞价模型基本上是NP难问题，因此提出了两标价策略，即随机的以标价α或者标价β作为所有关键字的标价直到花费完所有预算。该策略为具有(1-1/e)竞争比的近似策略。过程为：通过定义查询串特性(查询串的标价分段，每个标价分段的每点击价格，点击率及成本)，在此基础上构造查询串特性凸包。然后根据该凸包和广告商的预算限制得出最优的两个标价。该算法的难点在于构造查询串凸包，对于广告商特别是刚参与竞价广告的广告商，在不知道其他广告商的竞价信息情况下，几乎不可能构造查询串凸包。
(2)关键字选择模型
关键字出价模型假定广告商已经确定好需要竞价的关键字列表。但是由于随着用户搜索习惯的改变以及业务的增多，候选关键字列表会越来越长。在资源有限的条件下很难为每个候选关键字投标。因此如何从海量的候选关键字中选择利润高的关键字，如何利用已知利润高的关键字以及探索未知特性的关键字也是广告商急需解决的课题之一。该问题和第三部分的搜索引擎选择新广告的探索/利用问题类似，也可用多臂赌博机过程对其进行建模。Rusmevichientong等[23]结合搜索广告的特点(假设关键字的成本利润率已知)，用二元随机变量控制算法探索/利用的程度，设计了较高效率的关键字选择模型。通过仿真验证该算法比经典的多臂赌博机算法优越20%。但是由于算法要求知道关键字的成本利润率，因此具有局限性。
如果知道每个关键字特别是还没有使用过的关键字的特性(标价、关键字的点击率和转化率等)，关键字最优选择将退化为单纯的优化问题。因此如果能建立正确率较高的预测模型，将降低关键字选择的复杂度。Hou等[58]采用贝叶斯网络模型和历史数据建立关键字特性预测模型，实际数据验证表明模型的准确性较高。关键字预测模型和基于探索利用的多臂赌博机模型都是通过学习关键字的特性最大化广告商的收益。但是由于在某个领域预测准确的模型在另一个领域可能不适用，而且预测模型需要较多的历史数据。因此如何结合这两个模型的优点是进一步研究的方向。
(3)博弈竞价模型
博弈竞价模型是研究广告商之间的竞价策略，即广告商针对于其他广告商的策略和信息而采取的最优策略。目前这方面的研究相对较少。Lim等[30]以两个公司为例，把每个公司的用户分为忠诚和不忠诚两种类型，忠诚客户不管公司的广告在什么位置都会点击公司的广告链接，不忠诚用户以一定的概率(该概率和广告位置有关)点击链接。他们分析了在不同的参数条件下给定一个公司的竞价时，另外公司的最佳竞价策略：在均衡下当忠诚客户比例较小，点击利润较大和广告位效果敏感时(排在第一个广告位的广告获得很大比例的点击量)，公司应采取具有侵略性的竞价策略。
关键字生成及结果页相关研究
1、关键字生成
目前主流的搜索引擎都提供关键字生成服务(Google的Adwords关键字工具、Yahoo的关键字选择工具以及微软的关键字群发现)，但是由于搜索引擎的关键字生成算法是基于用户的查询记录，因此生成的关键字列表主要是种子关键字的扩展或者变形。生成和种子关键字语义相近的关键字工具还较少。这方面的研究主要涉及机器学习、语义学习和统计分析。Joshi等[33]用语义网表达短语间直接相关性的方法生成关键字，该方式不仅能生成字面相近的关键字还能生成语义相近的关键字。Abhishek等[32]认为长尾关键字(长尾关键字是指搜索量较小，每点击价格也较低的关键字)对广告商更有价值，并建立语义相似的关键字推荐算法。该算法共有三个步骤：首先从广告商的网页以及种子关键字生成关键字列表；接着建立关键字列表中关键字之间的语义关系；最后推荐和种子关键字相关的长尾关键字。Fuxman等[35]采用云智慧的方法生产关键字，即通过分析和挖掘用户在搜索引擎上的查询记录(用户使用的关键字、点击的广告及URL地址)，建立马尔科夫随机场模型。
2、结果页相关研究
结果页的相关研究主要是从实证的角度出发，研究赞助链接和非赞助链接的相关性、用户对这两种链接的偏好、广告所处的位置对点击率的影响以及广告和用户搜索的关联性[39]等。Jansen[37]通过使用主流搜索引擎上的商务查询实验，发现结果页上的赞助链接和非赞助链接与搜索串的相关性几乎是一样的，两种链接所提供的信息对用户具有同样的价值。其中大公司赞助链接的相关性高于平均水平。Bhargava[38]讨论了结果页包含赞助链接对用户体验的影响，某些情况下结果页上的赞助链接会损害用户的体验，而有时赞助链接会提高整个页面的质量。Bhargava认为如果搜索引擎持续的改进服务将增加其结果页包含赞助链接的灵活性。
虽然Jansen的研究认为赞助链接和非赞助链接的相关性几乎是一样的，但是赞助链接得到的点击量还是远远少于非赞助链接。是不是用户对赞助链接有偏见呢？偏见产生的原因是什么？Jansen等[36]用实证的方法研究了影响用户点击赞助链接的因素，他们的研究发现用户对赞助链接的确存在偏见，通常用户会首先浏览非赞助链接。他们提出了5个研究问题：(1)当使用搜索引擎时，用户是否对赞助链接有偏见。(2)什么是偏见的基础。(3)缺乏赞助链接的信息和知识是否是造成偏见的因素之一。(4)赞助链接的区分对用户的影响。(5)当浏览完赞助链接之后，用户的下一个行动是什么？分析结果表明用户首先会关注自然搜索结果，认为自然链接比赞助链接相关性更高。研究结果认为对用户有效的教育将会大大改善用户的偏见，从而使赞助链接得到更多的认可。
随着互联网的发展，基于搜索的广告已经成为了网络营销不可或缺的重要手段和工具，然而与之相关的研究还处于起步阶段。因此有必要对这种广告和拍卖结合的新型计算广告做进一步的研究。首先，竞价机制的复杂性特别是均衡状态的不稳定性使得现行的GSP机制无法满足搜索引擎对于激励相容的要求，因此搜索引擎巨头们都投入大量的人力物力以研究和探索新的竞价理论和机制以便从中得到更多的利润及保持行业领先的地位。另外由于社会化媒体优化(Social Media Optimization，SMO)的迅速崛起使得搜索引擎需要更有效简单的机制来应对SMO的竞争。其次，由于网络的分散性及竞价参与者分布的不稳定性使得参与者行为具有隐蔽性，很难从短期的竞价行为中观察到参与者的意图。虽然最大化流量及利润是大多数参与者的主要目的，但也有学者指出关键字广告具有品牌推广效果。因此竞价者目的的多样性也使得识别竞价均衡及制定最优竞价策略更具有挑战性。另外，有些竞价者可能会恶意点击对手的广告链接，从而产生大量的欺诈点击行为。而欺诈行为的来源和形式多种多样，如何识别欺诈行为从而降低竞价者的损失也是需要解决的课题。再次，目前的竞价系统(如Google Adwords和百度凤巢)已经演化成为了一个复杂的系统。在竞价过程中，广告计划，广告分组，预算优化，投标价，关键字选择和组合，点击率、质量得分等关键因素互相影响，密不可分。同时又由于这些因素具有实时性，需要通过在实际的竞价过程中不断调整才能达到最优，因此只有从全局的、动态的、系统的角度出发去研究才能得到较好的推广效果。
本文总结和简述了相关研究的发展近况并将其分为三个小方向详细论述。总的来说，在已有的研究中：(1)往往对模型限制或者假设太多，导致使用范围较窄；(2)模型大都用仿真方法进行验证，缺乏真实数据的研究；(3)竞价竞争性分析的研究还比较匮乏，竞价策略方面没有跨搜索引擎平台的研究；(4)缺乏实证研究。
对于未来的研究，我们提供几点供参考：(1)在GSP和VCG的基础上研究简单易用而且具有激励相容的拍卖机制；(2)对Edelman[2]吸Varian[4]等研究的均衡状况进行扩展，使之适应更加切合实际的且被广泛易用的RBQ机制，研究多种竞价策略以及跨搜索引擎平台的均衡；(3)现有的最优竞价模型中没有RBQ下的动态最优出价问题的相关研究，但是RBQ已经在实际应用中全面取代RBB，因此RBQ下最优竞价策略的研究具有前沿性和紧迫性；(4)跨平台推广方式在实际应用中已经很普遍，但是还没有相关的研究，因此从多平台竞价的角度出发研究广告商的最优策略具有理论和实践意义；(5)目前的相关研究都是从某一个角度出发，但是如上所说关键字竞价是一个复杂的系统，各个因素紧密相连，因此从复杂系统的角度出发，探索各个关键因素之间的关系和影响从而为最优竞价提供决策支持是十分具有挑战性的问题；(6)用数据对已有模型或者新模型进行验证。由于获取实际数据十分困难，因此赞助广告系统仿真及数据生成平台的研究也具有重要意义。
标签：搜索引擎论文; 广告策略论文; 搜索引擎收录论文; 搜索引擎推广论文; 用户研究论文; 广告论文; 关键字优化论文;