电商平台中搜索广告的转化率,作为衡量广告转化效果的指标,从广告创意、商品品质、商家质量等多个角度综合刻画用户对广告商品的购买意向。提高转化率,一方面,能够使广告主匹配到最可能购买自家商品的用户,提升广告主的投资回报率(ROI);另一方面,也能让用户快速找到购买意愿最强的商品,从而提升在电商平台中的用户体验。随着电商行业的逐步成熟,商家和用户对搜索出的广告转化提出了更高的要求。遗憾的是对于搜索广告,现有研究主要集中在曝光率和点击率上,对转化率的研究鲜有涉及。转化率的影响因素有哪些,如何提升转化率成为了亟需解决的问题。针对这一情况,本文对电商平台搜索广告的转化率进行了相关研究,具体情况如下:通过建立以转化率为目标的机器学习模型,经大数据训练学习后,分析模型依赖的特征,从而找出转化率的影响因素。数据挖掘的结果显示,搜索广告转化率的影响因素中,排名较前的分别是,物流服务、商品销量、消费者偏好、电商平台查询推荐词精确程度等。将影响因素映射至广告转化过程的三个阶段中,提出搜索广告转化率提升的方向:第一阶段,电商平台应尽力提升查询推荐的精确程度;第二阶段,商家应结合消费者特征进行精准的广告投放,如考虑在什么时间对什么用户投放什么内容的广告;第三阶段,商家应对广告商品和店铺的品质进行改善,如商品价格的制定,通过活动扩大商品的销量,提升店铺物流服务等。其中,第一阶段的查询推荐,是整个转化过程的基础,也是三个阶段中平台唯一可控的因素,因此对于平台来讲,应主要着手于此处的研究来提升转化率。据此,对查询推荐做进一步研究。分析电商平台中购物搜索的过程,构建实际购物中查询推荐过程的马尔科夫决策模型,并设计求解模型的深度强化学习算法,最后通过算例验证模型,实验结果表明,经过359轮的试探学习之后,平台学习到最优策略,并且确实没有在某一决策过程中选择热门内容,证明了算法的有效性,与传统查询推荐相比,本方法具有准确、智能、实时适应的特点。本文基于数据挖掘,引入有监督机器学习算法进行对广告商品转化率影响因素的挖掘,相比于传统回归分析,挖掘出的影响因素较为全面,过程相对简洁,具有一定的借鉴意义。同时,将查询推荐过程归纳为一个序列决策问题,设计出更加智能的查询推荐算法,可为电商查询推荐系统的设计提供参考。