基于Web20的个性化广告推介建模研究

基于Web20的个性化广告推介建模研究 基于Web2.0的个性化广告推介建模研究 第27卷第1期 2010年1月 计算机应用与软件 ComputerApplicationsandSoftware V01.27No.1 Jan.2010 基于Web2.0的个性化广告推介建模研究 戴敏斐齐开悦陈剑波 (上海交通大学信息安全工程学院上海200240) 摘要随着Internet技术的发展,Web2.0的出现已经改变了人们的网络行为方式.个性化的服务作为Web2.0的核心特点, 也是目前网络广告发展的方向.基于Web2.0的用户和内容模型,对于个性化的广告推介进行建模分析,综合了包括网页和用户特 征及广告策略在内的影响广告推介决策的多重因素,提出了个性化广告的选择流程,并对最终的推介效果进行分析,说明个性化广 告推荐决策流程能够使得用户,广告主和平台运营商都受益. 关键词Web2.0个性化网络广告广告建模推介系统 oNMoDELLINGRECoMMENDATIoNoFWEB2.OBASEDPERSoNALISED WEBADVERTISEMENT DaiMinfeiQiKaiyueChenJianbo (SchoolofInformationSecurityEngineering,ShanghaiJiaotongUniversity,Shanghai2002 40,China) AbstractWiththedevelopmentoftheInternettechnology,Web2.0hasrenovatedpeople'Sbe haviourpatternonwebusage.Asoneofthe corecharacteristicsofWeb2.0.personalisedserviceisalsoadevelopingtrendofwebadvertisi ng.Basedonthemodelofuserandcontem— thekeycomponentsofWeb2.0.thispaperpresentsamodellinganalysisonrecommendingthe personalisedwebadvertisement,whichin— tegratesmultiplefactorsthataffectthefinalchoiceoftheemittedadvertisements,includingth echaracteristicsofrequestedwebpagesandUS— ers,aswellasadvertisingstrategies.Furthermore,theprocessofpersonalisedadvertisements electionisproposed,andtheoveralleffectsofthe processonusers,advertisersandwebpublishersareanalysed,whichindicatesthatthisperson alisedwebadvertisementrecommendingand choosingprocedurewillbenefitallofthesethreeparties. KeywordsWeb2.0PersonalisationWebadvertisingAdvertisingmodelRecommendingsystem 1Web2.0下的用户内容模型及其意义 以博客,维基百科,社交网站为特征的Web2.0已经实实在 在地走进了人们的生活.Web2.0对于Web1.0而言,是一场 从核心内容到外部应用的革命.它推翻了Web1.0时代用户纯 粹通过网络浏览器浏览HTML网页从而获取信息的使用模式, 使网络应用向着以用户为核心,互动性更强,内容更个性化的趋 势发展.人们在网络上的行为方式被彻底改变了.人们不仅继 续扮演着Web1.0时代信息获取者的角色,也同时成为了信息 的提供者,而这个新角色的加入正体现了Web2.0这场革命的 精髓——大众的智慧. 由于Web2.0引入了很多的新技术和新业务模式,其特性 显着区别于Web1.0模式,因此有必要对其进行深入研究. Web2.0的核心是个性化服务,加强对Web2.0的分析和研究, 有助于更好地了解用户(行为主体)和内容(行为客体)的特性, 有助于开发出有针对性的业务模式,使得Web2.0的内容和服 务日趋多样.Web2.0面临的是海量的用户和微内容信息,只 有深入研究基本对象的特性,才能确定其中大量属性,信息之间 的本质关联,制定有效的管理机制,使Web2.0的应用模式更加 有效. 对于Web2.0进行建模,归根结底,就是对用户,内容,以及 两者的交互行为进行建模.显而易见,这些交互行为的发出者 和接受者——用户和内容,是模型中最基本的两要素,而行为则 是将两者连接起来的桥梁.每一个要素都有不同的属性用以描 述其特征,而属性可分为静态属性和动态属性两大类,动态属性 又由动态基本属性和动态派生属性组成.用户的主要属性包括 个人基本信息,兴趣爱好,参与度,好友列表,用户生命周期,动 态兴趣分布,行为模式,圈子等;内容的主要属性包括内容基本 信息,原创度,敏感度,主题分布,用户交互历史,用户推荐历史, 图tWeb2.0的基本要素模型 收稿日期:2008—07—26.戴敏斐,硕士,主研领域:通信与信息 系统. 184计算机应用与软件2010年 信息增值度,关注度,内容生命周期等;而Web行为则根据用户 参与度的高低分为四大类:创造性行为,评论性行为,信息收集 性行为和浏览性行为.图1呈现了用户和内容要素以及Web 行为各自的属性和三者之间的关系.在对于Web2.0的基本要 素进行建模之后,我们便可以对于各种Web应用的典型场景进 行深入的分析. 2Web2.0个性化广告推介模型 2.1Web2.0个性化广告推介的意义及研究现状 随着网络应用的持续发展和使用者的不断增加,网络广告 已发展成为一种主流的广告方式,并已成为广告发布网站的一 个重要的收入来源.在传统模式下,由于未能掌握用户的精细 行为特性,平台运营商只是在网页上随机地,或者根据相对简单 的优先级策略推送广告.在这种相对简单的广告推送模式下, 广告的内容和网页内容以及和浏览网页的用户之间关联性较 低.这也就意味着广告投放效果相对较差,从而影响了广告主 对于这种广告方式的偏好程度和平台运营商的广告运营收益. 在Web2.0时代,服务个性化的特点也会在网络广告上体 现出来.与传统的网络广告不同,个性化的网络广告通过众多 筛选原则(如匹配广告和网页的内容),针对用户的兴趣爱好, 遵循用户当前的行为模式,考虑广告当前已被投放的情况以及 广告主事先设定的广告投放策略,来为每一用户的每一次网页 请求进行广告推介决策,选出最合适的广告呈现在用户请求访 问的页面上.这样的广告更可能吸引用户的眼球,从而提高了 广告的投放效率,用户,广告主和广告运营商三方面都会从中 受益. 正是在这样的背景下,对于个性化网络广告的研究越来越 得到学术界的重视.这些研究对于"个性化"的分析角度不尽 相同:有些是从Web使用挖掘的角度,即分析用户在当前会话 中对于不同主题网页的访问,来选择推送的广告;有些是基 于用户所在的社交网络做出广告推介;有些则是根据用户搜 索的关键词寻找出与之关联的广告. 2.2Web2.O个性化广告推介模型的假设和要素组成 2.2.1Web2.0个性化广告推介模型的假设 本模型对于广告和用户的点击行为做了以下假设: (1)广告点击率和广告与网页内容主题的一致性正相关; (2)兴趣爱好相近的用户的广告点击行为相似; (3)同一行为模式下的用户的广告点击行为相似; (4)用户对刚刚呈现过的广告的点击概率比对之前问隔较 长的广告的点击概率要小; (5)广告运营商对于不同的广告商有不同的优先级排序; (6)广告的付费方式为按点击付费,因此提高点击率是广 告运营商进行广告个性化的目标. 假设(3)中的行为模式反映的是用户进行Web访问的目的 或充当的角色.例如,用户在某些时刻可能以购买行为为主,另 一 些时候可能表现得像一个球迷.同一个用户可以在不同时刻 有不同的行为模式,但我们假设在每一个时刻,每个用户只有一 个行为模式.行为模式为用户的一个动态属性,由其最近访问 的网页主题和行为类型所决定. 2.2.2Web2.0个性化广告推介模型的要素组成 记广告运营商所需运营的广告总数为,v,该网站平台的网 页总数为.本个性化广告推介模型的组成要素如下: (1)内容主题内容包括用户请求访问的网页内容和广告 内容.系统在识别网页的主题分类(即提取网页内容的主题) 之后,需找到和该主题相对应的广告内容.内容的主题属性是 内容的一个静态属性(见图1),它的值 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 了该内容与网站定 义的内容主题列表中的各个主题之间的相关系数.每个内容都 可经过信息提取后表示为一个向量,其中每一个分量是提取的 信息经过去除噪声等处理步骤后得到的该内容的关键词,并且 每个关键词对应于一个归一化后的频率,这样就得到了该内容 的频率向量.然后比较该频率向量与已有主题列表中各主题对 应关键词的频率向量(网站之前已经定义或通过聚类分析…生 成),常见的比较 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 是计算两向量的余弦相似度,计算的结果 便可用作该内容和相应主题之间的相关系数.这样,就得到了 该内容的主题分布,也就确定了内容的主题分布属性的值J. 可定义分布向量中最大的分量,即相关系数最大的维度对应的 主题为该内容的主题.系统应在内容主题匹配后生成一网页广 告主题匹配列表:t=(,.,t:,…,t),其中t为广告i与网页主 题的相关系数.t的值越大,说明广告i和用户请求访问的网 页之间的主题关联度越高,也就是说,广告i和网页的主题越 相似. (2)用户兴趣Web2.0中一个很重要的概念是"社会网 络",用户的圈子属性反映了这个概念.用户可以根据自己的 喜好创建或加人某一个圈子,同一圈子中用户的兴趣爱好是类 似的.系统保留每个用户的广告点击历史,因而每个圈子在每 一 个时刻都有其所属成员对于每,个广告的平均点击计数,该 计数反映了该用户群体对于每一个广告的兴趣程度.一旦有新 的用户加入该圈,平均广告计数也会相应更新,计数值的变化反 映了该新加入用户的广告点击历史信息.因此,对于每一个用 户请求,系统可以识别出用户当前所在的圈子集合(用户所在 所有圈子的并集),从而提取出该集合中包含用户的平均广告 点击计数,得到和用户有类似兴趣的所有用户的广告点击历史 i,i=(i,i:,…,i),其中,为与该用户有类似兴趣的用户对广 告j的平均点击次数. (3)用户当前行为模式用户行为模式是用户的一个动态 属性,用户会话中包含了用户在一次Web访问中请求的一系列 网页信息.在本广告模型中,会话从一次访问中用户第一次对 广告发布网站发出HTYP请求时开始,在用户空闲一段时间后 会被系统关闭.而每一个当前用户在本次会话中的访问行为信 息会被系统记录下来.一个网页会话信息可记为ps=(ps,ps, … ,),其中ps?[0,1n己录了该用户对于第i个网页的即时 访问权重.在一个新的用户会话开始时被初始化,所有的分 量值被初始化为0.在当前用户访问的过程中,ps会根据式(1) 进行调整. r1若网页i在上次请求中刚被访问…i×ps,其它… 其中,是一个[0,1]间的常量,一般通过实验决定其具体的值, ps是第i分量本次更新之前的值.也就是说,对于最新访问的 页面,相应的分量值设为l;对于以前访问的页面,对应分量值 不断减小,以体现用户行为的时效性.在某一个时问点,若活动 会话数量足够大,对于系统记录的当前所有进行聚类分析. 通过一种合适的算法得到用户行为模式聚类集合,并以每一聚 类所包含的所有ps的平均值作为该聚类的代表元. 系统把用户当前的ps与所有聚类的代表元相比较,找出最 第1期戴敏斐等:基于Web2.0的个性化广告推介建模研究185 相近的行为模式,并以该行为模式下用户的广告访问情况得到 该模式用户的平均广告访问情况b,b=(b.,b:,…,b),其中b 为该行为模式下用户对广告i在单一会话中的平均点击次数. (4)用户当前会话的广告印象根据2.21节假设(4),在 同一会话中,若广告呈现时刻距当前时刻的时间间隔越小,用户 对这一广告的印象越深,因此为了提高单次广告投放的效果,这 样的广告越不适宜在短时间内再次推介.基于上述假设,定义 用户会话广告印象向量为as,as:(as,as2,…,as?).as在每个 用户会话开始时被初始化为零向量,之后每次广告呈现时,as 会按式(2)更新.对于as进行这样的不断更新的目的在于防止 同一个广告在短期内播放的次数过高.这在2.3节的广告选择 决策中将有所体现. r1若广告i在上次网页请求中刚被呈现… l iAXas1i其它 其中A(0,1)为一常数,as为as在本次更新之前的值. (5)当前会话广告呈现历史系统为当前活动会话保留广 告呈现历史信息,即记录每个广告在当前会话中已经被播放了 几遍.该要素可以记为e=(e,e:,…,e),其中e为广告i在 当前会话中已经投放的次数. (6)广告策略:播放次数限制和优先级很多广告主会对 平台运营商提出要求,在同一个会话中的广告播放次数不得超 过某个上限.这个具体的播放次数上限由用户播放限制向量 epu来表示:epu=(epuI,epu2,…,epu?),其中epu表示第i个广 告允许在同一会话中的播放次数.某一个广告对某一个用户当 前是否允许继续播放的信息记录在用户广告播放接受向量eau 中.用户的广告播放接受信息可以表示为:eau=(eau,eau, … ,eau).eau的值可通过式(3)计算得出: eau: 』苎,如或印一(3).={tj,【0其它 平台运营商也可以根据实际情况为每一个广告设定优先 级,我们可以把这个优先级信息用广告优先级向量P表示: P=(Pl,P2,…,P?)P.?[0,1] 2.3个性化广告推介模型处理流程 本模型对于广告个性化的处理分为三个阶段,处理过程如 图(2)所示. II 《商母 .\楚…….}j… 图2个性化广告推介模型处理流程 2.3.1用户信息识别处理阶段 每当系统接收到Hr不P请求时,会并行进行三项信息提取 操作.系统会提取出用户请求访问页面的主题分类,由此获取 和内容主题元素对应的广告列表t;系统同时识别出用户的圈子 属性,从而得到和用户兴趣元素相对应的圈子平均广告点击历 史i;系统还会根据记录的用户网页会话信息,判断出用户当前 的行为模式,然后提取出该行为模式下用户会话的平均广告访 问情况b.考虑i和b的出发点在于,由假设(2)和(3),用户和 与其兴趣爱好相似以及行为模式相同的其他用户有比较相近的 广告点击行为,因而希望通过这两类用户对广告的点击,来预测 或引导用户点击相应"热门"的广告.用,,y分别表示三个 要素t,i,b权重,,满足和为1.为了防止因某一要素的分 量绝对值过大而使得该要素对于结果产生过大的影响,我们对 ,,i,b分别归一化.于是,基于上述三元素的综合值为olt++ 讪,该值为一个?维向量,每个维度分量值的大小表示仅基于 以上三个考虑因素的广告推介合适程度.a,卢,具体的数值由 平台运营商根据需要自行决定.如果一个页面上有多个广告 位,可为不同的广告位选择不同的权重组合.一个处理效率相 对较高的方式是使每个广告位只基于单一的推送原则,即保留 ,y中对应于此原则的权重为1,并设定其余两个权重为0, 这样对于每个广告位上的广告只需进行三种中一种信息的 提取. 系统还会提取出用户的当前会话广告印象信息as和广告 策略元素的用户的广告播放接受信息eau,并将上述两个元素 共同作用于(ott+6),得到信息识别处理阶段的结果 Rankl. Rank】=(Ott+届+6)@(1一as)eau(4) 其中,0运算符表示对应分量相乘.式(4)右边第一个乘数因 子(olt+6)为考虑了网页主题,用户兴趣和用户当前访问 模式这三个要素的综合结果.根据式(2),as的分量值越接近 1,则说明相应的广告播放时间离当前时刻越近,意味着越不应 该选择该广告再次播放.因此(1一a5)分量值大的维度对应的 广告被推介的可能性应越大.而第三个乘数eau则是将广告主 的播放次数限制考虑在推介决策当中:若"分量为1,则对应 相同维度的Rank分量保持不变;否则Rank对应分量为0,也 即该广告不能够继续播放. 2.3.2综合分析阶段 在上一阶段,推介结果涉及的模型要素都和用户相关,而这 一 阶段则需加入广告平台运营商对于广告主的优先级排序,作 为广告推介的决策因素之一.在此基础上的广告推介决策结 果为: Rank2=Rank10p=(ott++',6)0(1一as)@eaup(5) 将优先级对应分量和之前的与用户相关的广告合适度分量 相乘,得到未经过滤的广告推介排名. 2.3.3过滤阶段 由于一些广告主对于广告投放的具体时间,浏览器类型等 方面会有一定要求,系统会对Rank进行相应的过滤.同时,网 页的版面 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 和广告本身的外形是否相匹配也是在过滤处理操 作中需要考虑的因素.将类似信息纳入考虑并分析后,系统最 终将生成一个新的排名列表Rank,分量值最高的维度对应的 广告就是系统会推送给用户的个性化广告. 2.4个性化广告推介模型效果分析 2.4.1模型整体效果分析 对于用户来说,本模型将个性化要素逐一细化并融入最终 推介决策的过程将会在一定程度上提高推介广告被用户点击的 概率.用户点击量的增加,从一个侧面反映出用户看到了真正 感兴趣的广告. 对于广告主来说,一方面,他们对广告投放提出的具体要求 被满足,另一方面,被推介的广告和用户兴趣相一致的可能性显 着提高,广告推送的对象为潜在需求相对较大的用户,这进一步 加大了将用户潜在需求转化为现实交易的可能性. 对于平台运营商来说,广告效率的提高带来的是广告主更 多的投入和新广告主的加入,单次广告投放的效率(即提升单 次广告投放引起的有效广告点击数)的提高使得运营商的广告 186计算机应用与软件2010鱼 投放成本降低,进而广告的经营效益被提升.而在个性化广告 推介过程中对平台用户进行的兴趣小组的细分信息,也是将来 进行其他有针对性的增值应用开发的一个基础资源. 综上所述,个性化广告推介将使得用户,广告主和平台运营 商三方受益. 2.4.2模型实验效果分析 为了更清楚地体现本模型的效果,我们设计了一个Web网 站,并在网站上实现了一个简化的广告选择系统.网站共有 100个网页,8O个广告,每个广告仅以文字形式呈现,共有15位 同学参与了实验.考虑到网站内容的广度有限,而模型中用户 当前行为模式要素的有效性主要体现在内容丰富的大型的网站 上,我们实现的系统中忽略了这一影响推介决策的要素.每个 网页上有两个广告位,每个广告位上(o/,)分别设为(1,0)和 (0.5,0.5).所有的广告优先级设为相同,无广告播放次数限 制,且网页和广告的内容分类已知.每个网页上都会有一个调 查,问用户是否有可能点击网页上呈现的广告,答案选项有"不 会","可能"和"很可能".实验初始阶段,我们请参与同学填写 了一份有关其兴趣爱好的调查问卷,并以此将他们分为三个小 组(即"圈子").在最初的数据采集阶段,网页广告由系统随机 选择.当积累了一定量的访问数据之后,我们分析得出每一个 圈子的用户平均广告点击历史,并发现只有2%的用户访问中 用户认为很可能点击广告,10%的访问中用户认为可能点击广 告.之后,系统根据式(5)对用户每一个访问的网页选择广告 进行推介.而后我们看到,17%的访问中用户认为很可能点击 广告,而认为可能点击广告的比率是40%. 我们意识到,一方面,本实验是在参与用户对实验目的有所 了解的情况下进行的,这很可能导致用户对于广告的关注度比 正常网页浏览时有所提高;另一方面,不同用户的行为习惯不 同,由于条件的限制,我们的样本数相对较小,因而参与实验的 用户的行为未必完全代表了大众的行为.综合这两点,本实验 数据的绝对值也许并不一定和现实中的网络广告点击率具有完 全意义上的可比性,但是我们认为这个实验的意义在于用户对 广告产生兴趣的网页访问数占总访问数的百分比的增量,目前 的实验结果可以从一定程度上体现出本文提出的个性化广告推 介模型的有效性. 3结语 由于时间的限制,在本文完成之日,本模型的实验验证部分 的数据采集量还相对有限,更大规模的数据采集还在进行当中. 由于对Web2.0的实验数据获取存在一定难度,也缺乏针对 Web2.0的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 数据样本参考,加之Web2.0系统的实验数据 采集和上层应用的结合程度较高,数据的采集需要涉及到用户 信息等平台运营商的敏感资料,因而在相关的实验环节上需要 更加精巧的实验设计.但通过上述分析,我们相信,该模型可以 体现Web2.0个性化服务的特点,能够通过广告的个性化为用 户,广告主和广告平台运营商都带来巨大的收益,并可作为Web 2.0个性化广告分析的一个参考模型. 参考文献 [1j韩家炜,堪博.数据挖掘:概念与技术[M].2版.范明,孟小峰,译. 北京:机械工业出版社,2007.3. [2]BaeSM,ParkSC,HaSH.Fuzzywebadselectorbasedonwebusage mining.IEEEInte|ligentSystem,2003,18(6):62—69. [3]O'ReillyT.WhatisWeb2.0Designpatternsandbusinessmodelsfor thenextgenerationofsoftware.;web-20.html?page:1. [4]WuKL,Aggarwa/CC,YuPS.Personalizationwithdynamicprofiler [R].AdvancedIssuesofE?CommerceandWeb-BasedInformation Systems,WECWIS2001,ThirdinternationalWorkshop,12—20,2001. [5]YangWS,DiaJB,ChengHC,eta/.Miningsocialnetworksfortarge- tedadvertising『R].HICSS2006.in39HawaiiInternationalCon~r. enoeonSystemsScience,IEEEComputerSociety,2006. [6]YibWT,GoodmanJ,CarvalhoVR.Findingadvertisingkeywordson webpages[R].www2006,ACM,213—222,2006. (上接第155页J 4结论 我国在众多领域拥有的大量进口电子装备中使用了较多逻 辑功能不明的黑匣芯片,该类芯片的广泛使用给装备的日常检 测,诊断与维护带来了诸多困难,同时该类设备中的安全性很值 得怀疑,这种安全性有可能是无意留下的,也有可能是恶意埋置 的.而国内目前针对这一方面的研究还处于起步状态,复杂,高 难度的实现技术也让很多研究者半途而废.本文提出的基于现 场跟踪分析技术在理论是完全可行的一种系统重构技术,并且 文章对该技术的具体实现应用也做了深入研究,给出了具体的 实现 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 ,对推动系统重构技术的发展有重要的作用. 参考文献 [1]杨士元.数字系统的故障诊断与可靠性设计[M].北京:清华大学 出版社.2000:19,129. [2]孔红伟,阮方,等.一种具有自动测试功能的交叉连接设备的新方 案[J]电子与信息,2002,28(9):164—169. [3]赵保华,钱兰,周颢,等.基于有限状态机的错误诊断算法[J].电 子与信息,2006,28(9):1679—1683. [4]李兆麟,盛世敏,吉利久,等.基于单元故障模型的树型加法器的测 试[J].计算机,2003,26(11):1494—1501. [5]姜云飞,李占山.基于模型诊断的元件替换与替换测试[J].计算 机,2001,24(6):666—672. [6]周沫.舰载雷达电路测试诊断系统的设计与应用[J].电子测量技 术,2007,30(9):157—159. [7]王廷才.基于Muhisim的电路仿真分析与设计[J]计算机工程与 设计,2004,4:176—178. [8]DirkJansen.电子设计自动化手册[M].王丹,童如松,译.北京:电 子工业出版社,2005:15—29, [9]陈芳,黄秋萍.基于多种EDA工具的ASIC设计[J].半导体行业, 2006,5:42—46. [10]EvgueniGoldberg,MukulR.PrasadandRobertK.Brayton.UsingSAT forCombinationalEquivalenceChecking[C].InProceedingsofthe DesignAutomationandTestinEuropeConference,Mar.2001:114 — 121. [11]GandolfiK,MourtelC,OlivierF.Electromagneticanalysis:Concretere— suits[C].InProceedingof3rdInternationalWorkshoponCryptographic HardwareandEmbeddedSystems(CHES),C,K,Koc,D.Naceacheand C.Paar.Eds.vo1.2162ofLNCS,Spnnger-Verlag,2001:255—265.