在线关键词广告(AdWords)是如今网络营销市场使用最广泛发展最快的广告投放方式,它又被称作关键词拍卖(Keyword Auctions)或位置拍卖(Position Auctions)。由于关键词广告拍卖机制具有独特的封闭性和不确定性,广告商在参与关键词竞价过程中会遇到两个主要问题:第一,如何确定关键词的竞价价格才能保证广告商获得的收益最大化;第二,在预算限制的条件下如何对多关键词做预算分配以保证总收益最大化。本文通过解决上述两个问题,为广告商制定合理的竞价策略,以保证广告商在关键词广告竞价过程中获得最高的经济效益。本论文主要的研究工作如下:1.设计了针对关键词收益的Multiple-LSTM数据预测模型。由于不同竞价价格下广告商获得的收益不同,通过对关键词广告竞价收益的准确预测,可以实现最优竞价价格策略的制定。对于竞价收益的预测不仅需要考虑出价价格也需要考虑近期竞价表现。基于LSTM有效处理时间序列数据的特点,并为了更好地学习多种时间序列数据之间的相关性,设计了Multiple-LSTM神经网络结构模型。该模型将竞价价格和近七天的竞价表现作为输入特征,能够有效预测收益值,并通过实验证实了该模型相对于其他预测方法有更高的准确率。2.利用第二代非劣支配排序遗传算法(Non-dominated Sorting Gennetic Algorithm II,NSGA-II)解决了关键词广告竞价活动中存在的预算分配问题。具体以收益最大化、无效点击最小化为目标建立多目标优化模型,并利用NSGA-II在求解均匀分布、多样性良好的Pareto解集中存在的优势,对模型进行求解,详细论述了求解的方法和过程。并利用该算法对实际竞价中的十个关键词进行算例分析,结果表明,本文提出的算法与传统的平均分配预算的方案相比,该模型有效地改善了广告预算的分配,增加了广告的收益,对广告商制定广告预算分配策略有指导作用。3.设计并开发了广告商参与关键词竞价的辅助管理系统。设计了该系统的总体架构,并详细描述了数据采集模块、数据分析模块和交互展示模块的架构设计,将最优竞价策略和最优预算分配策略融入到相关模块中,实现了整个系统的完整开发。