欢迎访问一起赢论文辅导网
本站动态
联系我们

手机:15327302358
邮箱:peter.lyz@163.com

Q Q:
910330594  
微信paperwinner
工作时间:9:00-24:00

博士论文
当前位置:首页 > 博士论文
个性化广告推荐系统及其应用研究_张玉洁
来源:一起赢论文网     日期:2021-05-26     浏览数:1429     【 字体:

 于提高对缺乏训练数据的新产品的CT 预测精度. 该方法中使用了改进的T rA da B 〇〇s t[ 1 2 ° ], 设计了一种基于梯度信息的采样策略, 并利用类似于M a pRe du c e 的机器学习框架, 与监督式方法相比,同时提高了计算效率和CT R 预测精度.除迁移学习外, 强化学习也可改进个性化广告推荐系统, 强化学习算法能够考虑动作的长期影响[1 21],并在面向特定任务的算法设计方面取得了长足的进步[ 1 2 2], 使得在广告推荐系统和强化学习之间开辟合作的渠道[5 6] 具有一定的研究意义?T h eo ch ar o us 等人[ 1 2 1 ] 指出强化学习在个性化广告推荐中的研究还处于初级阶段, 需要在计算和评估方面进行改进.R o h de 等人[ 5 6 ] 提出基于强化学习环境下的推荐系统R e c oG ym , 用于在线广告的推荐. 它允许参数化潜在空间的维度, 同样参数化广告曝光水平对特定时间广告点击率的相对影响程度. 这是推荐系统研究领域向前迈出的重要一步, 可以使得离线和在线指标能够结合起来, 协调线下和线上的性能.综上所述, 目前个性化广告推荐技术主要集中在上述几类当中. 在偏好获取技术中缺乏对用户动态偏好获取方面的研究, 在上下文推荐技术中对时间、位置等上下文的使用不充分, 可以考虑将多种上下文信息综合考虑, 开发新的混合方式, 并将广告点击率预测作为推荐的参考步骤. 此外, 对于深度学习、迁移学习、强化学习等在广告推荐中的广泛应用还需要进一步研究.3. 4 个性化广告推荐效用评价效用评价用于衡量个性化广告推荐系统的性能并直观反映其中存在的优势和不足, 是个性化广告推荐过程中不可缺少的环节. 对效用评价来讲, 主要包括广告数据集和评价指标两个关键元素.3 . 4 . 1 广告推荐数据集在广告推荐领域研究阶段, 通常涉及到广告数据的收集与处理. 研究使用的数据集的来源可以分成三种:一是利用作者工作单位提供的现实世界的内部数据集; 二是由一些组织举办的竞赛提供的公开数据集或者由相关机构在互联网上公开的数据集; 三是由研究人员在互联网上亲自抓取并处理得到的数据集.( 1 ) 内部数据集由于研究人员在相关部门工作, 易于获取研究需要的广告数据进行推荐的研究与实验. 该种数据集具有内容充实、获取灵活、数据较新的特点. Xm等人[ 4 2 ] 利用Y ah o o 的广告和数据团队提供的移动用户事件数据进行实验, 搜集i 〇s 用户的原始事件,进行大规模评估. Wa n g 等人[ 2 4 ] 利用Y a h o o 的广告展示平台, 利用该平台中某一个月的广告服务曰志数据进行研究. H w a ng 等人[4 7] 根据Y a h o o 公司提供的网络广告进行分类, 并利用CK I P 对关键词进行提取, 但是用户对广告的偏好是通过对用户采访获得的. S u 等人[9 9] 利用来自百度的真实在线广告数据进行实验, 并在公司的内部Ma pR e du c e 框架上实现其算法, 这个框架提供了用户友好的A PI 高效的运行环境.( 2 ) 公开数据集目前还存在公开的数据集提供给开发人员使用, 例如某些机构为了举办比赛而公开的数据集, 以及某些公司提供的不涉密的广告数据集. 该种数据集有数据权威、保护隐私、普遍适用等特点. U 等人[ 5 5 ] 使用广告数据集和社交网络数据集进行实验,广告数据集是包含A m a zo n 的产品[1 2 3] 和一些关键词查询等内容的广告存储库, 社交网络数据集使用Tw i t te r 和N ew s 两个真实世界数据集, 两者均来自SN AP . Ch a n 等人[ 6 5 ] 利用台湾的一家手机广告公司WA Y ST O RM 提供的移动日志数据集, 包括印象数据和点击数据两种, 分别记录不同信息. 文献[ 2 ] 中在三种不同的数据集上进行实验, 其中两个数据集从银行活动中获取, 另一个是从大型连锁酒店的活动中获取, 将使用特定策略收集的数据用于训练, 将使用随机策略收集的数据用于测试. Ro f f o 等人[ 1 2 4 ]公开了A DS 数据集, 该数据集中首次提供用户对广告的评分信息. S i da na 等人[1 2 5] 为方便广告推荐系统的研究, 公开了K A S A N DR 数据集, 该数据集收集自K e l k o o , 其中的点击行为附带丰富的上下文信息, 并有助于研究隐式反馈的影响. 文献[ 1 0 9 ,1 1 7 ]中使用A l i b ab a提供的A dDi s p l a y/ C l i ckDa t ao nTa o b a o . co m 数据集, 该数据集包含用户的行为日志,涵盖了用户在2 2 天内的购物行为, 可用于根据用户历史购物行为预测用户在接受某个广告曝光时的点击概率. 文献[ 1 0 2,1 1 8,1 2 6 ] 在预测CT R 时, 使用IP i nY o u 于2 0 1 4 年发布的桌面显示广告数据集, 它包括某个全球竞标算法竞赛三个季度的数据集. 以及IFLY TEK 有限公司提供的包含投标和点击数据的I0S 数据集. J ua n 等人[ 5 1 ] 使用来自Ka g g l e 比赛的两组C TR 集合C ri t e o 和A v a z u , 重点考虑两个数据集的特征因素. Lm 等人同样借助A v a zu 的数据研究其模型在离线场景下的效果. 表7 对部分公开数据集的特征、优缺点及统计信息进行描述.5 4 8 计算机学报 2 0 2 1年表7 部分公开的广告数据集数据集 特征 优点 缺点 统计信息AD SDa ta s e t ^ 2 4^首次提供广告评分信息可用信息丰富, 有丰富的用户心理性因素可用于情感分析缺乏社会关系信息, 评分标准比较主观包含人口统计学信息, 包含富媒体、图片、文本广告, 并将广告分为2 0 种, 超过1 20 0 个个人图片( 被标记为积极或消极) . 评分不小于4 即赋予点击标签, 小于4 为未点击K AS AN DR [ 125 ]从推荐系统中收集数据数据较新, 用户信息和点击信息详细包含的数据类型较少记录2 0 1 6 年6 月消费者对欧洲电子商务领导者K el k o o 投放的广告的响应行为. 包含来自2 0 个欧洲国家的1 . 2 3 亿用户提供的1 6 00 万次点击AdD i s p lay / Cli c k D a tao n Ta o b ao . c o mU 09 ’ 1 17]( T a o b ao )信息脱敏, 但不影响使用用户、广告信息丰富,涵盖比较全面的用户行为信息, 应用范围广用户信息分类标准不明确, 用户的行为序列缺少脱敏的广告i d从T ao b a o 网中随机抽样1 1 4 万用户的广告展示/ 点击日志, 构成原始的样本骨架, 涵盖了全部广告的基本信息, 涵盖了全部用户2 2 天内共7 亿条购物记录Di s p l ay Ad v er ti s i ngCh al l e n g e^ 1 ’ 1 1 8 ]( Cr i t eo )数据特征多元化数据连续, 采样率不固定, 正负样本比例不悬殊应用范围有限, 多用于CT R 预测广告C TR 预估的比赛数据, 由知名广告公司Cri te o赞助举办. 数据包括4 千万训练样本,5 0 0 万测试样本, 特征包括1 3 个数值特征, 2 6 个类别特征.Av azu Cli c k T h r o ug hR at e P r ed i c t i o n [5 :i a o 7^( Av a zu )数据清晰明确内容丰富, 包括网站和应用的种类, 数据连续时间跨度有限, 特征获取不全面移动广告DSP 公司Av azu 在K ag g le 上举办的广告点击率预测的比赛数据, 前几日为训练集, 最后一天为测试集i Pi nYo uR ea l T i meB i d di ng Da ta s et ^ 0 2- n s a 26 ^( i P i nY o u )数据特征多元化数据连续, 数据量大若用于广告推荐中, 需要比较复杂的处理本数据集包含了 i P i nY ou 全球RT B 竞价算法竞赛三季的数据. 包括在2 0 1 3 年内的1 0 天内来自9 个不同公司的用户的1 5 0 0 万条反馈( 3 ) 抓取数据集若不存在满足研究要求的数据集, 研究人员可以自行在网上抓取广告数据. 该种数据集有针对性强、目的明确、内容可控等特点. Wu 等人[ 1 3 ] 利用H yX en提供的A d Lo cu s 服务, 每隔半个小时收集一次广告数据? Pa z ah r 等人[2 2] 借助Web 应用程序S AR S I S ,尝试从社交网络L as t .fm 获取广告相关数据. Fa n等人[ 6 1 ] 在E b a y 和WUnp ed m 种收集用户的提交信息等, 并将数据处理为不同的格式用于B C CA 的实验. A z i m l 等人[1 2 7] 从全球最大的在线广告系统Ri g ht M ed m 中提取广告活动创意, 并计算两个月内用户对创意的点击率, 并为了消除广告位置和大小的对性能的影响, 创建具有相同位置和大小的两组数据集. Ba l k an 等人[ 1 2 8 ] 分析两个不同的商店和两个不同的显示器匿名收集的数据, 观察顾客在一天或一周中的不同时间、人口特征和性别上的观看情况, 训练模型, 得到下一时间要推荐的广告. H u 等人[4 8] 收集一组为期三周的用户行为日志, 并将用户对广告的隐式反馈分为6 类, 针对上下文特性进行研究.综上所述, 在个性化广告推荐领域中, 公开数据集较少, 多采用内部数据集或自行抓取的数据集进行研究. 因此, 需要不断扩充公开数据集的数量, 并提升数据集的质量, 使数据真正发挥其作用.3 . 4 . 2 个性化广告推荐评价指标评价的方式分为线下方式和线上方式, 线下方式主要是将特定的数据集按照一定的要求划分为训练集和测试集, 通过训练集来训练目标算法或者模型, 并使用测试集对训练完成的算法或模型进行结果测试, 并根据测试的结果利用多种评价指标进行评价. 线上方式主要是通过用户对系统提供内容的实时反馈以及操作或者填充调查问卷的方式对系统结果进行评价.根据评价指标的普遍适用性和专业性原则, 将评价指标分为传统评价指标与专用评价指标. 文献[ 1 29] 将推荐系统中使用的评价指标进行系统的介绍, 并将评价指标分为准确度指标、基于排序加权指标、覆盖率、多样性和新颖性, 共计5 类2 7 种评价指标, 并对各自的优缺点以及适用的环境进行深人分析. 根据其分析, 可以将文献[ 1 2 9 ] 中的评价指标归为传统推荐指标. 而在个性化广告推荐领域, 在使用传统推荐指标进行效果评测的同时, 还需要对专用指标进行扩充.( 1 ) 传统评价指标在个性化广告推荐技术中, 大部分采用线下的方式进行评价. 推荐技术的评价通常从效率和效果两个方面进行考虑, 即考虑其时间复杂度和推荐准确度. 对于传统评价指标的使用相当广泛, 在个性化广告推荐系统研究中, 会经常使用Pr e c is i〇n [1 7,22,4 2,44 4 5,4 7,6 1,89,1 24,1 3 。1 3 1]、[1 7,22,4 2,44 4 5,6 1,8 9,1 2 4]^| JQ [2 5,9 9,10 2,10 7,1 0 9,1 1 7 1 1 8,1 2 4,1 2 6]A c c ur a c y[2’8 9]、_F1[1 7] 或 _F me a s u r e[6 1] 等指标进行准确性的评价. 当准确性评价不能满足要求, 并且遇到预测结果与真实结果都存在时, 可以用MAE [ 1 1,1 7m,1 24 ]、MS E [1 24,1 2 7]、R MS E [1 。2,1 2 4,1 2 6]、L 〇g l 〇s s[5 1,1 1 8] 进行评价. 为了应对传统推荐指标不适用的场景, 可以对传统推荐指标进行改进, 例如用I ns t an c ep r e c i s i o n[4 1 ]、Ins t anc er e c al l[ 4 1 ]、I ns ta nc e fal l o ut[ 4 1 ]、A vg .MA E [ 1 9 ]、张玉洁等: 个性3 期 化广告推荐 系统及其应用研究 5 4 9A C P[ m ] 进行更加准确的评估?( 2 ) 专用评价指标除了使用传统评价指标外, 还存在一些专用评价指标, 专用评价指标是指专门用于广告推荐的评价指标, 不同于传统指标的普遍适用性, 专用指标有着专业、针对性强的特点. 目前适用的专用指标主要有: CTR[ 5 8 , 6 1 , 6 5 ]、R R[ 1 3 , 5 8 ]、E R[ 5 8 ]、A vg %Po s i t i v e?等, 这些专用指标根据研究人员的特定研究内容进行制定.除了 CT R、R R、E R 这几个专用指标可以在其它研究领域里扩展外, 还有一些专用指标具有很强的针对性. 例如, Wa ng 等人[2 4] 利用转化率的指标评测其广告推荐系统的实际提升效果. Y ua n 等人提出e ff e c t 指标, 用于衡量其个性化广告服务MA L CR的效果, 其中考虑广告推送和收到用户反馈之间的时间间隔, 以及用户对广告的评分. Y a n g 等人[ 1 3 2 ]在其研究中对Z a p p i n g 行为进行解释, 指出Z a p p in g行为是指用户停止观看广告的行为, 根据这种行为进行分类, 即z a p p in g / no n z a p p i ng ? 并为了解决广告评价中的评价指标匮乏问题, 提出Z ap p i ng I ndex ( Z I )评价指标, 该评价指标用来度量用户发生Z a p p mg行为的概率, 同样可以用来度量用户对不同商业类型的偏好. 未来可以在Z I 评价指标中将动态特征考虑进来, 不断优化评价指标.综上所述, 个性化广告推荐作为推荐系统的一部分, 仍然适用于传统的评价指标, 且目前大部分研究中依旧使用传统的评价指标. 但是由于其针对广告推荐进行研究的本质, 需要用更加具有针对性的专用指标进行评价. 虽然目前使用的专用评价指标较少, 但是从另一个方面说明个性化广告推荐中的专用评价指标具有很大研究空间, 需要努力尝试提出新的评价指标.为了进一步探讨个性化广告推荐系统的评价指标在研究中的具体应用效果, 这里对部分有代表性的个性化广告推荐技术的推荐性能进行定量分析和说明. 然而, 在3 . 4 . 1 节中可知, 虽然存在大量的个性化广告推荐领域的研究, 但是在该领域的公开数据集较少, 很难得到一个普适性较强的公开数据集,且各研究中采用的评价指标多是不同的. 于是, 在表8 中针对一些研究, 结合各自使用的数据集和推荐指标进行总结说明, 其中包含部分使用相同数据集和评价指标的研究. 随后结合表8 中的研究的实验结果, 针对各个研究进行实验效果说明, 并对部分使用相同数据集和评价指标的研究进行对比分析.表8 结合主要数据集和指标的研究总结数据类型 数据来源 主要指标 研究索引 研究相关说明内部救据隹-Y a h o oP r ec i s i o n [ 4 2,4 7]文献[42,47] 分别借助Y a h o o 移动事件数据和广告分类信息进行研究, 均明显优于对比方法转化率 [ 2 4 ] 通过在Y a h o o 广告平台及推荐中加人用户购买记录, 提升广告转化率百度 AU C [ 9 9 ]借助迁移学习在真实的百度广告数据集上进行实验, 其方法的效果优于部分监督学习方法AD SD a ta s e tP re c i s i o n、MSE 等[1 2 4]分为广告点击预测和广告评分预测两种场景, 前者用P r e C i S i 〇n、Re C a U 、AU C 评价, 后者用R MSE、MSE、MAE 评价, 通过对多种方法改进, 两种场景下的效果均得到提升T a o b a o AU C [ 1 0 9 , 1 1 7 ]文献[ 1 0 9 ] 中借助L1 和L2,l 正则化得到非凸非光滑优化问题, 并采用方向导数和拟牛顿法解决. 文献[ 1 1 7 ] 提出深度兴趣网络D I N 并对其优化, 两者已应用于Ali b a b a 在线展示广告系统公开数据集 Cr i t eo Lo g l o s s [ 5 1,1 1 8 ]文献[ 5 1 ] 在分解机FMS 中加人领域概念, 提出场感知分解机F FM. 文献[ 1 1 8 ]提出模糊深层神经网络F D N N , 并利用逐层的无监督方法和模糊逻辑回归方法. 二者均可用于CT R 预测Ava zu AU C [ 5 1,1 0 7 ]文献[ 1 0 7 ]将文献[ 5 1 ] 中的F FM 用于特征嵌人得到F FM MLP, 并在在线场景中表现不错i P i nYo u AU C [ 1 0 2 , 1 1 8 , 1 2 6 ]文献[1 0 2,1 2 6] 分别提出基于特征的完全耦合交互张量分解和稀疏分解机的方法, 均能够有效应对数据稀疏问题. 文献[ 1 1 8 ] 提出F D N N , 增强数据表示能力和健壮性I l y Xe n R R [ 1 3 ] 通过构建点击概率模型和多种回归模型, 形成动态广告推荐系统抓取 La s t. I'm MAE[2 2] 通过语义信息提髙推荐的准确性和鲁棒性, 利用用户意见不断更新推荐知识库数据集 Eb ay 、W i k i p ed i aCTR [ 6 1 ]收集用户提交的信息, 对内容进行文本挖掘得到内容与广告的相关度, 根据相关度选择广告在借助内部数据集进行的研究中, 文献[ 4 2 , 4 7 ]借助Y a h o o 提供的数据进行实验并进行推荐, 文献[ 4 2 ] 中基于A p p 的方法的P r e c i s i o n 在t o p 2 时可达到〇.  2 左右. 文献[ 4 7 ] 通过对3 2 个用户进行真实测试, 其的方法相对于随机推荐的Pr e c is i o n 提升了0 . 2 1 1 6, 达到0 . 3 9 4 0 . 文献[ 2 4 ] 的方法借助Y a h o o5 5 0 计算机学报 2 0 2 1年提供的广告平台数据改进广告推荐效果, 在产品表现上, 广告转化率提升了1 . 9 2 % . 文献[ 9 9 ] 在百度在线广告数据集上实验并提升点击率预测效果, 通过迭代更新数据权值, 将不同数据有选择地结合起来进行训练, 得到的A UC 达到0 .  7 3 4 1 , 证明迁移学习在类似场景下具有研究价值.在借助公开数据集进行的研究中, 文献[ 1 2 4 ] 在其公开的A DS 数据集上实验, 在广告点击率预测场景中, 其方法LR B5> 在类别层次上得到的Pr e c i s i on 、R e c a l l 在所有方法中均为最大, 分别达到0 . 4 1 2 0 、0 . 5 2 1 0 . 广告评分预测场景中, 发现产品类别数量为8时, 其方法S V R r b fB 5 得到的R MS E、M SE、M A E在所有方法中均为最小, 分别为〇.  1 0 1 0 、〇. 〇1 1 〇、〇. 0 8 9 0 . 文献[ 1 0 9 , 1 1 7 ] 在Ta o b a o 数据集上实验并用于广告点击率预测, 文献[ 1 0 9 ] 从大量稀疏数据中抓取非线性模式, A UC 达到0 . 6 6 2 9 . 文献[ 1 1 7 ] 通过对D I N 进行小批量正则化以及加人骰子激活函数, 训练后得到的A UC 达到0 . 6 0 8 3 . 文献[ 1 0 9 ] 的方法能够较好地拟合复杂的非线性函数, 并能够有效应对数据稀疏问题, 相对于文献[ 1 1 7 ] 有一定优势. 文献[ 5 1 , 1 1 8 ] 在C n t e o 数据集上实验并提升C TR 预测效果, 文献[ 5 1 ] 的方法能够很好地应用于稀疏但包含大量类别特征的数据, 其在公共数据集上的L o g l o s s 为0 . 4 4 6 1 . 文献[ 1 1 8 ] 的方法对噪声数据有很好的鲁棒性, 能够学习有用的高阶特征交互,其L o g lo s s 为0 . 4 5 1 0 . 文献[ 5 1 ] 相对于文献[ 1 1 8 ] 能够在数据稀疏的场景中有更好的表现, 具有更少的损失. 文献[ 1 0 7 ] 在A v az u 数据集上实验, 通过将文献[ 5 1 ] 中的FFM 用于增强特征嵌人得到F FMM LP , 其A UC 达到0 . 7 4 9 8 , 并在在线实验中提升了对新广告的点击率. 文献[ 1 0 2 , 1 1 8 , 1 2 6 ] 均在iPi nY o u数据集上实验, 且采用的实验方式不同, 但是从整体上看三者的A UC 由高到低为: 文献[ 1 1 8 ] > 文献[ 1 0 2 ] > 文献[ 1 2 6 ] . 文献[ 1 0 2,1 2 6 ] 分别采用交互张量分解和稀疏分解机的方法, 相对于文献[ 1 1 8 ] 中的模糊深层神经网络方法, 不能充分获取数据中的高阶非线性代表特征和复杂的内在映射关系.在借助抓取数据集进行的研究中, 文献[ 1 3 ] 借助在H yX e n 公司获取的数据, 构建1 6 种回归模型用于广告推荐, 其中效果最好的模型的R R 达到0 .9 5 6 9 . 文献[ 2 2 ] 在La s t .f m 中获取相关数据并进行实验, 其借助数据中的语义逻辑信息, 通过融合多种推荐技术得到广告推荐结果, 并应用与SA R S IS系统中. 随着用户数量的增多, S AR S IS 的M A E 逐渐变小, 当用户数目大于5 0 人时, M A E 降到0 .  1 及以下. 文献[ 6 1 ] 从E ba y 、Wi ki p edi a 获取训练数据并进行实验, 根据博客内容获取用户兴趣, 文中方法在所有触发页中得到的广告C TR 达到5 7 % . 上述研究的方法多种多样, 对应的效果也有提升, 进一步验证了广告推荐技术的全面性.4 个性化广告推荐的应用现状由于个性化广告推荐通过获取用户偏好, 利用多种推荐技术为用户推荐广告, 更好地满足用户需求, 使其拥有可期的应用前景, 也使得广告推荐系统应用场景拥有多样性的特点. 本节整理了个性化广告推荐的一些典型应用场景, 主要包括面向传统互联网、移动服务、数字标牌、I PT V 这四种场景. 并在表9 中列举了上述四种应用场景中的一些个性化广告推荐系统典型应用, 且对各个应用中的主要利用信息以及使用的个性化广告推荐技术进行总结.表9 个性化广告推荐应用应用场景 主要利用信息 典型应用 个性化广告推荐技术网页内容 Ad RO SA[4 3] 协同过滤文本内容 B CCA[ 6 1 ] 基于内容的广告上下文推荐传统互联网Co o k i e Y a h o o?s d i s p laya d v er t i s i ngp la tf or m ^2 4 ^ 基于关键词的广告上下文推荐用户活动记录, 用户信息 S ARS IS[2 2] 加权式混合推荐点击数据 R ec oG y m[5 6] 强化学习面部信息 F B ARS [9 3] 深度学习时间 A d Lo c u s。3] 基于时间的上下文推荐位置 MALCR [4 1] 基于用户位置的上下文推荐应用使用和点击历史 R AM[ 6 5 ] 层叠式混合推荐移动服务 反馈信息, 天气日期等环境信息,年龄等上下文信息W a l l et [7 0] 其它上下文位置 Ad me 。4] 基于用户位置的上下文推荐位置、评分 ADA[2 7] 协同过滤数字标牌 收视率、销售数据 IAF [ 97] 切换式混合推荐I P T V用户信息、电影信息、访问日志 On D em an d I PT V[3 0] 协同过滤时间 Mu r ali?spr o to t y pe [3 1] 基于时间的上下文推荐张玉洁等: 个性3 期 化广告推荐 系统及其应用研究 5 5 14 . 1 面向传统互联网的广告推荐利用网络平台对用户偏好进行追踪、研究, 使得在网络平台在投放广告方面相对于报纸、杂志、电视等传播媒体有着得天独厚的优势. 传统互联网代表的是PC 端的时代, 在PC 上投放广告已经成为越来越多广告商的选择. 根据个性化广告推荐是否涉及社交平台, 将面向传统的互联网的广告推荐类型分为一般网页广告和社交平台广告.一般网页广告上的广告推荐通常根据网页内容、网址链接信息、用户记录等, 通过内容获取或者分类器等技术, 实现在网页上的广告推荐. 目前已经存在大量针对网页的广告推荐的研究[5 7], 例如,A dR O SA [ 4 3 ] 集成网页和内容获取技术, 通过考虑多种因素实现为用户推荐个性化广告, 并具有很好的扩展性. Wan g 等人[2 4] 利用辅助标识来找到用户在不同co o k i e 中的联系, 生成二部图架构, 使用先进的随机游走模型对与每个浏览器co o ki e 相关特性衍生. 另外, 其提出一种监督式的链接预测模型, 该模型能提供足够的候选关键词并提供推荐的关键词的评分排名. 将上述研究内容应用于Y a h o o’s di s p l a ya dv e r t i s i n g p l a t fo rm , 虽然很大程度上缓解冷启动问题, 但是只将I P 地址作为辅助标识, 还有提升的空间. 文献[ 2 5 ] 中研究不同的浏览历史的获取周期如何影响分类器的预测精度, 发现利用网址的分类信息提高了分类器的准确率, 并使用分类的浏览历史数据构建用户模型. 其更多地关注确定潜在感兴趣的广告受众, 分析网站的链接模式与之前访问过本网址的用户比较后的相似度. 该研究有效地缓解冷启动问题, 但是仍可以将数据获取的时间间隔进行细化. Re c〇G ym[5 6] 根据用户在页面上对广告的点击数据, 利用强化学习技术, 判断用户在特定时间对广告的点击率, 生成对用户的推荐, 协调在线和离线的性能. 若推荐系统无法与互联网连接, 则可以考虑推荐离线广告. ? 8八& 3 [ 9 3 ] 是在离线场景下使用的基于面部的广告推荐系统, 对面部信息进行识别、跟踪和存储, 随后利用深度学习的技术, 借助用户多种信息, 为用户生成推荐. 但是该离线应用场景存在局限性, 其利用摄像设备记录人脸, 在应用过程中可能会在硬件设备、隐私保护上产生问题.此外, 广告推荐还应用到如博客、微博等社会化交流的大型平台之中, 产生社交平台广告. 由于这种社交平台的访问用户数量大, 个性化的定向投放就显得尤为重要. BC C A [ 6 1 ] 利用文本挖掘技术来发掘博客中的特征, 采用一种提高在线广告效益的上下文推荐算法. 结合上下文广告文本挖掘技术形成以博客为中心的上下文广告框架, 选择出与个人兴趣匹配的广告, 并根据广告与用户兴趣的相关性进行排名. SA RS I S 框架[ 2 2 ] 通过搜集社交网络用户活动记录, 不断更新用户偏好, 同时考虑用户信息的安全性, 使用语义技术提高社交平台广告推荐的精度和健壮性. 但是随着用户和项目数量的增加, 需要在更复杂的场景下对该框架进行测试. 上述在社交平台的广告推荐, 虽然针对社交网络用户的行为为其推荐满足其需求的广告, 但是没有充分利用社交平台中丰富的社交关系的优势, 多侧重于用户在社交平台的行为反馈.综上, 面向传统互联网的广告推荐拥有丰富的可利用信息且利用方式非常灵活. 但是没有充分利用网络环境给其带来的数据优势, 例如同时结合多种上下文辅助信息、社交关系等, 这方面有待扩展.另外, 还需要注意保护用户的隐私.4 . 2 面向移动服务的广告推荐随着移动服务的高速发展和移动用户数量的不断增加, 在移动设备上投放广告不仅可以弥补电视等传统平台上的广告投放的劣势, 更可以达到比传统平台更加迅速高效的传播效果[4 1]. 交互式宽带移动服务和个性化广告的融合为移动产业创造新的商业模式提供了可能[ 2 6 ], 使得移动设备上的广告投放更容易实现个性化的定向投放. 因此, 越来越多的广告商逐渐将广告投放的重心移向移动平台, 如何将新业务带给合适的客户成为移动运营商提供移动服务面临的主要问题[1 3 3]. 根据面向移动服务广告推荐的使用场景, 将其分为一般移动广告、移动Ap p广告.一般的移动广告主要通过短信、移动网页等比较传统的方式将推荐结果传递给目标用户. Y ua n 等人[ 4 1 ] 提出一种基于位置的定制化移动广告推荐的基础设施, 称为M A L CR . 其通过分析用户的隐式浏览行为构建用户画像, 根据用户所在位置处的广告与用户画像的相关性为用户推荐广告, 移动终端通过短信获取推荐结果. Wu 等人[1 3 3] 提出一种新的广告用户选择方法, 利用通话费用、短信费用、短信数量等数据, 用最大频繁项发现理论进行推荐, 并根据用户的反馈情况将用户分成正负样本, 研究特征的区间映射. 其实验结果表明, 该方法能够显著提高广告的成功率, 减少垃圾广告的数量. Lm 等人[ 1 34 ] 设5 5 2 计算机学报 2 0 2 1年计并实现移动互联网下基于用户行为的广告推荐系统, 该推荐系统包括用户行为分析、广告生成、WA P( Wi r e l e s s Ap p l i c at i o nP r o t o c o l ) 网页分析三个子系统. 通过用户的行为特征分析算法, 可以得到包括长期兴趣和短期兴趣的用户画像. 最后计算用户特征与广告的相似度, 用于排序和选择出最合适的广告呈现在移动网页上.移动AP P 广告主要在AP P 应用程序内为用户呈现广告, 用户在使用A P P 提供的服务时, 广告会以多种形式出现在Ap p 内部. A d m e[1 4] 采用非侵人式方法, 利用移动用户位置上下文信息和用户情感对目标用户提供个性化的移动广告. 得知用户在什么地点需要广告, 并在本地应用内采取合适的方式展示广告_Wa l l e t[ ? ] 是一款智能钱包AP P , 其收集用户使用信息、位置信息等, 生成用户画像传送到服务器. 服务器根据广告内容、用户画像以及环境上下文信息选择目标广告, 并将广告传回智能手机客户端. 另外, 用户对广告的反馈会被服务器用于完善用户及上下文信息, 提高用户对广告的满意率. Wu 等人[ 1 3 ] 提出一种动态广告推荐系统, 采用回归模型和点击概率模型对动态广告推荐系统进行设计.同时针对用户对广告点击率较高的时间段进行重点分析, 优化点击概率模型, 并尝试应用于名为A d Lo cu s 的Ap p 当中. 动态广告推荐系统的应用帮助A d Lo cu s 在避免冗余广告, 减少系统开销方面有一定的改进. 尺八皿[ 6 5 ] 考虑用户画像、AP P 使用情况、点击历史这三种因素. RAM 利用DB S CA N 算法对用户进行分类, 然后对已经分类的用户群组进行广告分派. 在推荐阶段, 利用定义的线性加权相似度算法计算出目标用户属于哪一组用户分类, 并将适合该用户分组的广告推荐给目标用户.广告传播方式不局限于上述形式. 随着自动驾驶汽车的无线通信与物联网的发展, 对车辆自组织网络V A N E T[ 2 7 44 应用引起人们的注意. 并且由于车辆的移动性, 当通过车辆进行通信时, 广告可以扩散到更多地方. 鉴于这种优势, A D A [2 7] 通过遗传算法和社交网络中的点中心度, 选择一组种子车辆, 用于向附近车辆投放广告. 并且引人用于广告分类和转发的缓冲方案, 采用基于协同过滤和基于位置服务的广告推荐算法, 发现用户偏好, 将广告的推荐到目标车辆的应用当中. 但是考虑到行车安全, 应将更多场景信息考虑进去, 例如推荐时间、用户的时速、用户周围的车辆数目等.面向移动服务的广告推荐与面向传统互联网的广告推荐相比, 最主要的区别在于前者打破了空间上的束缚, 与用户的交互也更加方便. 综上所述, 对于手机设备、移动应用等移动终端的广告推荐研究逐渐成为一种趋势, 移动终端凭借其独有的移动性以及对反映用户偏好相关信息的强大收集能力, 能够为移动广告推荐提供更多的数据, 方便研究人员进一步扩展移动广告推荐系统.4 . 3 面向数字标牌的广告推荐数字标牌指在大型商场、饭店、影院等人流汇集的公共场所, 通过大屏幕终端显示设备, 在特定场所、特定时间段对特定人群进行广告播放, 这种特性使其具有广告效应. 虽然数字标牌主要用于向观众提供广告内容的单向媒体, 但是依旧可以通过其它设备与观众进行交互. 例如, Ra vm k 等人[ 2 9 ] 开发出一种带有摄像头增强的数字标牌显示器, 通过计算机视觉算法获得观众的测量指标. 包括提取人的停留时间、注意时间等时间度量, 以及确定性别和年龄的人口统计指标. R av ni k 等人[2 8] 还指出收集观众测量数据可用作观看模式的统计分析、交互式显示应用以及对观察者建模的基础.由于智能视频分析( I nte l li g ent Vi deo A na lyt ic s ,IV A ) 的新技术的最新加人, 这些显示器能够实时调整其内容以适应观众的人口和时间特征, 以实现有效的实时信息或广告更新. A dcH c a m 等人[ 1 2 8 ] 使用IV A 系统收集的数据来构建预测模型, 以便在正确的时间为正确的客户识别正确的消息传递. 并创建“观众感知显示”, 可以根据观众行为和时间属性动态更改显示的广告. 1 八庐9 7 ] 率先将匿名浏览者分析和数据挖掘技术相结合, 得到有针对性和交互性的广告. 另外,I A F 将相关收视率信息与销售点数据关联起来, 将特定人群对广告的响应时间与广告产品的销售效果建立联系.综上所述, 针对数字标牌的研究主要集中在广告自适应的方向上, 根据多种环境或用户的信息提高推荐的准度. 未来可以将确定销售与观看时间或观众数量之间的关系纳人研究范围. 并研究如何将天气或公众假期等外部因素纳人模型当中, 考虑外部信息的影响, 提高性能.4 . 4 面向I P TV 的广告推荐I P TV 即交互式网络电视, 由于数字技术、移动互联网技术、网络通讯等的快速发展,IP TV 逐渐被各大运营商采用和部署. IP TV 以家用电视为主张玉洁等: 个性3 期 化广告推荐 系统及其应用研究 5 5 3要终端, 相比于传统的广播电视媒体有着更强的交互性. 鉴于此特性, 广告商们纷纷将目标瞄准到I PT V , 在I PT V 场景下的个性化广告推荐快速发展起来.IP T V 的个性化广告的选择同样用到一些场景信息. K o n ow 等人[3° ] 提出一种视频点播场景下的上下文感知目标广告推荐系统, 利用协同过滤推荐技术研究具有相似偏好的用户的行为和历史记录,对目标用户提供最合适的广告, 并尝试将该系统应用于一■ 项On D em a ndI PT V 服务中?通过I P TV 向用户群组推荐广告也是常见的应用场景之一. 文献[ 3 1 ] 中在I PT V 系统中插人个性化广告的技术选项, 描述一种由G o o g l e 的A dWo r ds扩展的出价模式, 提出一种在线广告调度算法, 在特定时间间隙中向一组用户展示多个广告, 并构建M ur a l i’sp r o t o t yp e 应用. 文献[ 1 3 5 ] 提供用于I PT V 系统中的个性化广告推送的系统和方法, 他们选择的广告取决于地理位置, 人口统计, 时间和电视节目. 文献[ 1 3 5 ] 与文献[ 3 1 ] 共同意识到由于带宽有限, 在I P TV 上实现完全个性化是不可行的, 因此他们对用户进行分组并评估, 并对同一用户分组展示相同广告. 但是文献[ 1 3 5 ] 中的用户分组主要根据地理分布区域完成, 容易造成年龄、性别等参数平均化, 将导致系统变为传统广告的模式.综上所述, 在用于I P TV 系统的上下文广告推荐中存在提升的空间, 应进一步研究利用更多上下文信息的推荐引擎. 此外, 在注意冷启动、数据稀疏等问题的同时, 还需要保证推荐体系结构的可扩展性, 以完成复杂场景下的推荐任务.从上述总结及表9 中可以看出, 个性化广告推荐的应用场景多集中于传统互联网和移动服务当中, 其它场景中应用较少. 并且, 表9 中的主要利用信息和个性化广告推荐技术也多种多样, 体现了偏好获取来源的灵活性和推荐技术的全面性. 此外, 随着5 G 技术的发展, 无论是在提高数据传输效率方面还是在减缓时延方面有很大改进. 尤其对移动场景下的广告推荐来讲, 拥有相当广阔的应用前景, 有助于进一步发展移动广告推荐系统.5 个性化广告推荐存在的问题及研究方向个性化广告推荐使得广告更加符合用户的兴趣, 在研究和应用方面都取得不错的进展. 然而, 广告推荐中同时存在传统推荐的问题和广告推荐特有的问题. 这部分主要讨论个性化广告推荐中存在的重点问题, 并分析未来个性化广告推荐研究的方向,主要包括以下几个方面:( 1 ) 广告推荐的时效性问题广告推荐的时效性需要考虑到用户需求的变化和时间上下文之间的联系, 即广告的时效性由用户需求的时效性决定, 用户的需求和偏好在一定时间内是允许存在变化的. 例如, 用户上周经常搜索计算机的商品信息, 并在这周购买了一台计算机. 但是购买后的一段时间后, 购物平台或者网站依旧为其推荐计算机的相关广告, 这种情况就是忽视用户需求的时效性, 导致用户对该商品甚至该商品所属企业产生反感或抵触的情绪.广告推荐的时效性不同于其它领域的时效性,例如, 新闻推荐中的时效性是以时间为节点, 新闻推荐区别于其它推荐的最大特点就是和时间上下文关联性很强, 超过一定时间发布的新闻对用户来讲是没有意义的[ 7 ]. 而广告推荐的目的是引起用户产生购买行为, 可以在用户角度和广告产品角度对广告推荐的时效性进行把握. 从用户角度来讲, 可以将用户行为的变化作为参考. 获取用户偏好的变化, 并做出实时响应. 从广告产品的角度来讲, 根据产品推出的时间、广告发布的时间等, 考虑广告效用随时间的衰减情况即产品是否还能满足当前用户需求.因此, 为给用户提供新颖的、及时的推荐结果,个性化广告推荐系统同时考虑用户偏好变化和广告效用的衰减, 这是未来的研究重点之一. 除了对用户动态偏好获取外, 还应在系统设计上进行改进. 对此, 可借助H ad o o p 等建立分布式推荐系统, 利用Ma pR e du c e 等编程模型及M o n g oDB 等N o S Q L 数据库技术, 提高数据处理的能力和效率, 进一步增强个性化广告推荐系统的可扩展性、灵活性、多样性,在保证性能的同时减少延迟.( 2 ) 用户的隐私保护问题个性化广告在消费者隐私和数据安全方面引起广泛的关注[ 2 6 ], 存在发展也引起争议. 近几年, 用户在门户网站和金融公司的个人信息被大量暴露并被滥用[7 °], 许多国家已经制定有关该问题的法律[26].最近,I A S 发布的“2 0 1 9 广告行业脉动” 的报告中指出,5 5 . 8 % 的受访者首要关注数据隐私问题, 并且9 3 . 3 % 的受访者认为数据隐私条例需要在全球范围5 5 4 计算机学报 2 0 2 1年内得到完善?.在推荐技术的角度来讲, 当前大多数广告推荐技术需要调用并分析用户的历史信息( 如协同过滤技术、上下文信息等), 即使例如基于社会化网络的推荐系统[ 5 8 ] 或基于位置时间的推荐系统[ 1 7 ] 这些不依赖历史信息的推荐方式, 也需要访问并分析某些用户的其它资料, 如用户的社会关系、地理位置等等. 而这些信息在一定程度上属于用户的个人隐私.另外, 数据隐私处理会使得可以利用的数据量减少[ 4 3 ], 导致对推荐效果产生影响.所以在具有隐私保护的广告推荐系统中存在两个个方面的挑战,一方面是需要推荐系统有效保护用户的这些隐私信息, 保证这些隐私不被他人过度访问. 例如当用户共享智能设备时, 先前用户的行为或偏好会通过广告透露给后续用户, 进而造成隐私泄露. 为解决类似挑战, 除了减少对用户隐私信息的获取外, 还可以进行用户切换检测. 具体来讲, 可以通过co o k i e 等信息跟踪用户行为, 根据用户经常使用的应用程序和网站等, 进行用户的行为特征匹配.除此之外, 可以在更细的粒度上进行研究, 通过对用户浏览的图片或者关键词进行精确分析, 发现用户之间的差异, 防止个人偏好隐私泄露给他人.另一方面的挑战是需要缓解因数据隐私处理对推荐产生的影响. 为应对挑战, 可以考虑在用户给项目进行评分时, 用假名保护隐私[ 1 3 6 ], 而不是直接将相关内容直接删除. 同时, 将隐私信息对推荐的影响程度进行评级, 对不具备代表性和说明性的用户属性或信息进行筛选. 尽量减少对用户直接信息的过度访问, 或者根据影响程度将信息进行脱敏.因此, 权衡上述两个方面的挑战, 提出有效的隐私保护机制( 如用户切换检测等) 是今后研究的重点.( 3 ) 广告推荐中的冷启动问题广告推荐中的冷启动问题产生的原因多由于产生了新用户或者新广告, 并且新用户没有访问过广告, 新广告也没有被用户访问. 冷启动问题是推荐系统中的重要挑战[ 8 ° ], 解决冷启动问题也成为推荐系统中的关键任务. 在广告推荐领域, 已经存在很多研究用于应对冷启动问题. 文献[ 1 2,2 7 ] 根据用户行为种类产生用户对广告的评分信息. 文献[ 1 7, 4 1 ] 不依赖用户信息, 利用位置或时间上下文信息缓解冷启动问题. 文献[ 1 2 , 6 2 ] 将不同推荐技术按照一定组合规则混合使用, 使得推荐技术之间能够优势互补, 提升推荐效果. 目前存在的冷启动解决方法中, 主要是创造数据、利用其它辅助数据以及改进传统推荐技术等, 属于比较常见的冷启动解决方法.冷启动问题产生的根源在于相关数据不存在或者相当稀少, 根据广告推荐系统中数据缺失的情况,将冷启动问题分为用户冷启动、广告冷启动以及系统冷启动问题, 系统冷启动指既存在用户冷启动, 又存在广告冷启动的情况. 针对上述三种冷启动问题,可以考虑如下几种方法.针对用户冷启动问题,一方面可利用迁移学习的方式, 使用其它相关领域的数据, 弥补本研究领域数据不足的劣势, 例如将新闻数据集和广告数据集混合[8 °]. 通过该方式, 交叉学习用户行为特征, 改善各自领域数据集不丰富的情况, 还能提高模型或算法的泛化能力. 目前, 迁移学习在个性化广告推荐领域的研究较少, 但是为解决广告推荐中的冷启动问题提供了新的思路. 另一方面可引导用户通过社交账号登录, 在降低注册成本的同时, 获取用户的社交网络信息, 提高新用户变老用户的转化率. 尽可能扩展用户画像, 增加更多维度的信息.针对广告冷启动问题, 主要通过新增广告的内容属性进行挖掘, 包括广告的主题、主题类别、关键字等. 例如可将广告转化为关键字向量, 通过计算向量的相似度, 实现广告聚类, 并将其推荐给对类似广告感兴趣的用户. 此外, 利用深度学习等技术, 舍去对一些广告的交互或评级信息, 减少神经网络对类似信息的依赖, 使其对新项目具有鲁棒性.针对系统冷启动问题, 主要通过专家标注的方式, 引人专家知识. 由于用户的兴趣可能性较多, 需要对用户提供具有代表性、区分性、多样性的广告,保证广告具有很高的覆盖率, 可以较快地收集用户的反馈信息, 并构建用户画像. 类似于老虎机问题,即推荐系统并不明确哪些广告受用户喜欢, 也不清楚用户喜欢特定广告的概率. 此时可对用户随机推荐不同主题或内容的广告, 根据用户的反馈再做判断.( 4 ) 广告推荐的内容敏感性问题广告推荐的内容要符合在满足用户偏好的同时, 也需要注意于当前上下文的匹配程度. 广告推荐的内容敏感性问题主要体现在广告推荐当前的内容是否合理, 会对用户的体验和感受以及商家的信誉产生很大的影响[1 3 7]. 例如, 用户在手机应用中浏览① I AS :2 0 1 9 年广告行业发展趋势报告. h t tp : // ww w . 1 9 9 i t .c o m / ar c h i v e s / 8 4 7 0 84 . h t ml张玉洁等: 个性3 期 化广告推荐 系统及其应用研究 5 5 5一条事故新闻时, 新闻中提到某景区设备发生事故,这时推荐系统可能根据该景区信息推荐该景区的广告, 此时该广告的内容就涉及到推荐内容敏感性问题. 而且,一些涉及违法犯罪内容的广告也会经常出现, 对用户产生极大的误导与消极影响.目前, 针对广告推荐的敏感性问题的研究比较少, 主要是通过构建分类器发现敏感内容. 例如, J m等人[1 3 8] 设计一种独特的网页敏感内容分类标准.然后, 构建一种分级分类器, 在不需要太多人工标记的情况下, 形成具有良好精度的敏感内容分类器.P en g 等人[ 1 3 9 ] 在移动广告环境下提出一种基于两阶段的敏感性校核方法, 包括广告分类和敏感性检测两个阶段, 分别用于判断广告分类和审核文本内容中是否有敏感信息. 上述方法均构建层次分类器, 获取敏感内容, 但是敏感性的确定过程存在主观因素,对敏感标准的确定和衡量是一个有趣的研究内容.另外, 深度学习技术的应用有助于确定广告中是否存在敏感性内容. S a nz g l n 等人[1 3 7] 利用预先训练的卷积神经网络处理广告图像素材, 将图像内容与目标网页中的信息结合, 以确定广告素材中是否存在敏感内容. 但是其实验环境为离线实验, 能否应对在线环境中实时改变的场景还需要进一步验证.因此, 广告推荐内容敏感性分析中确定一个统一的敏感性标准, 在减少主观因素干扰的同时, 实现敏感内容的在线自动检测是未来值得研究的方向.同时, 不能仅仅对广告的文本内容进行分析, 还应该借助深度学习的方法对图像、视频、音频等格式的广告进行筛选, 全方面防止敏感信息对用户产生不良影响.( 5 ) 用户动态偏好获取在实际场景中, 用户的兴趣偏好会随着时间的推移发生改变, 静态的用户偏好无法满足用户的实时需求. 许多研究中通过考虑用户的长期兴趣[ ? ’ 6 1 ’ _]、短期兴趣[ 2 5 ], 或者共同考虑用户的长期和短期兴趣[ 1 ° 4 a 3 4 ], 获取用户偏好. 但是用户长期和短期偏好的划分没有固定标准, 并且随着时间的推移, 用户的长短期偏好依旧需要重新获取.一些研究中尝试获取用户的动态偏好, 通过多种推荐技术来保证对用户偏好的动态掌握[ 2 2 ], 根据用户反馈或者广告推荐系统效果评价及时更新用户信息[4 ]. 但是用户动态偏好获取没有统一的理论框架或者方法,评价标准多种多样, 无法在各种偏好获取技术之间进行效果对比. 此外, 用户偏好更新可能需要消耗大量的时间或计算资源, 不能在短时间内对用户的即时需求做出响应.因此, 考虑到用户偏好更新的评价和效率问题,可以将以下几个方面作为未来研究方向: ① 构建统一的用户动态偏好获取和评价框架, 为动态偏好获取提供理论和方法上的支撑; ② 划分时间窗口, 提出有效的评价指标, 衡量用户偏好在时间窗口之间变化的强度, 并根据指标结果做出响应调整; ③ 尽量减少用户的输人, 降低计算规模, 若用户具有结构简单的用户画像, 可以提高用户偏好的更新速度[ 1 4 ].另外, 随着交互方式的进步, 许多系统或设备还可以获取更多的用户交互记录和实时反馈. 例如通过扫描二维码或其它接触方式等[ 1 4 ° ]. 因此, 可以通过co o ki e s 或者其它软件信息等, 对用户进行行为定向, 跟踪并计算用户的实时偏好或趋势.一方面可以通过用户在网上留下的近期内容提取特征, 并分析时间对用户兴趣的影响. 另一方面, 在广告展示时段内对用户行为重定向, 在根据用户兴趣变化及时推荐广告的同时, 可定向特定广告或服务的潜在用户, 进而使广告推荐更加精准.( 6 ) 基于内容的广告上下文推荐的扩展目前基于内容的上下文推荐多依赖于页面上的文本内容, 例如用户评论[ 2 1 ]、用户浏览的博文[ 6 1 ] 等.然而, 随着媒体传播方式的丰富, 页面上不仅仅具有文本信息, 还充斥着大量的图片、音频、视频等信息.若有效利用这些媒体资源, 根据图片或者视频中的内容, 结合用户偏好, 为用户推荐与图片、视频内容相关的广告, 能够有效提高个性化广告推荐的效果.例如, 文献[ 1 4 1 1 4 2 ] 中根据图像或视频内容分析,自动将视频广告与相关互联网信息链接.对图片、视频内容的抽取能力不足是该研究方向的主要阻碍, 导致无法准确推荐产品或服务. 为此, 对图片来讲, 展示图片多是静态的, 可借助模式识别方面的算法模型, 对图片进行特征抽取和内容识别. 而对于视频来讲, 可通过获取视频关键帧中的特征得到内容. 因此, 发展视觉搜索能力, 利用深度学习等技术发现图片或视频等媒体中包含的内容,深人挖掘用户偏好, 对扩展基于内容的广告上下文推荐具有重要的意义.( 7 ) 移动广告推荐系统本地化智能移动设备的普及和移动互联网技术的进步为移动广告推荐系统的发展创造了条件, 移动情景信息( 用户位置、时间、轨迹等) 和本地资源信息(

[返回]
上一篇:基于DEM辅助后向投影模型的InSAR高程反演方法_胡晓宁
下一篇:大数据_小数据_问题_以小见大的洞察_陈国青