电商搜索广告中的查询语义理解和广告排序问题一直都是学术界和工业界研究的热点,两者是相互依存的关系,排序是最终目的,而只有做好查询短语的语义理解才能实现精准广告排序,两者缺一不可。其中语义理解的关键技术有查询意图预测和查询语义扩展,而排序过程涉及到广告相关性计算和广告点击率预估。语义理解的精度直接影响到返回给用户的广告质量和广告排序的精度,而传统的基于概率的方法虽能一定程度上理解用户的查询语义,但是不够精细。本文的语义理解方法通过提取强有力的特征来描述用户的查询,其中通过引入MCI(mutual click intent)来描述两个查询项之间的关联度,通过改进的PageRank算法来计算查询项的贡献度,进而提取出与关联度、贡献度相关的特征,再将提取出的两类特征应用进分类器中,实现精准预测用户查询意图。另外,针对贡献度求解模型中查询有向图可能存在无用有向边干扰算法迭代的问题,采用“剪枝”操作去除掉查询有向图中的无用有向边,提升贡献度值求解的精度,并最终提升查询意图预测分类器的性能。同时为了检索出更多相关的广告,方法基于Word2Vec模型做了查询的语义扩展。随后,我们设计了一系列实验来证明“剪枝”操作能提高分类器的性能以及语义理解方法可以有效检索出更多更加相关的广告。广告排序的精度直接影响到用户的查询体验和广告商、广告媒介的直接经济利益。而影响广告排名的主要因素有广告相关性、预期广告点击率和广告商出价等,经过综合分析,本文基于GBDT模型实现广告点击率预估,基于贡献度求解模型和标准TF-IDF模型计算广告相关性。另外,对查询的语义理解操作使得进入排序模块的查询不是单一的查询短语,而是一个查询短语集合,因此在排序过程需要解决多查询条件下的广告排序问题,本文给出的解决方案是使用在查询意图预测过程中得分最高的查询子短语,即最能代表用户查询意图的查询子短语代替当前检索的查询短语参与广告排序的计算。基于以上过程得到各影响因素的值之后,应用于排序公式实现广告排序。实验结果表明该方法是有效的。