[发明专利]一种移动互联网广告投放方法

说明书

本发明公开了一种移动互联网广告投放方法，所述方法包括：步骤1：获取用户发布的微博文本数据，得到表示用户兴趣的词向量；步骤2：计算用户之间的熟悉度和兴趣相似度，得到用户之间的相似度矩阵；步骤3：获取与用户最相似的前k个用户对广告的行为数据，采用基于用户的协同过滤方法生成拟推荐的广告列表；步骤4：获取用户的位置信息，找出与用户在同一区域的n个用户，采用基于用户的协同过滤方法再次对用户生成拟推荐的广告列表；步骤5：对两个推荐列表进行线性加权组合，得到拟推荐给用户的广告列表；步骤6：定期更新表示用户兴趣的词向量空间和用户相似度矩阵，以适应用户兴趣的变化。

技术领域

本发明涉及机器学习领域，特别是涉及一种移动互联网广告投放方法。

背景技术

移动互联网广告主要采用广告横幅、文本链接、多媒体等方式，通过网络广告平台在移动智能终端上投放广告。随着移动互联网技术的迅速发展，与传统媒体广告如报纸、杂志、电视、广播以及户外广告相比，移动互联网广告具有得天独厚的优势。然而，目前很多广告都是随机投放的，即每次用户来了，随机选择一个广告投放给他，投放效率很低。同时，随意投放的广告干扰了用户正常的生活，普遍引起用户的反感。面对这种情况，移动互联网广告的个性化精准投放受到了研究者的广泛关注。

在互联网广告投放平台方面，百度联盟推出了“按效果付费”的CPA（Cost PerAction）广告平台。微软公司开发了Microsoft adCenter广告销售平台，在微软的资源平台上进行广告投放。谷歌公司研发了Google AdSense网络广告投放平台，页面上的广告会随着页面内容的不同而有所不同，提高了广告投放的精准度。相比谷歌的个性化广告推荐系统，Facebook利用海量的用户数据和社交网络关系建立的广告投放系统，可以深入挖掘用户兴趣，通过朋友的推荐，帮助用户找到相关性更高和更准确的广告信息。除此之外，学术界和工业界在广告的个性化精准投放方面上也取得了一些研究成果，例如：在考虑内容定向和地理位置的基础上，采用贝叶斯技术进行移动广告的高效、精准投放；通过对广告日志数据的统计分析，使用Hadoop平台挖掘广告特征与广告间的联系，进而改善广告的投放效果；研究表明，用户更喜欢来自朋友的推荐而不是被系统“算出来的推荐”，社会影响力被认为比历史行为的相似性更加重要，通过社会关系的分析，可以大幅度提高推荐的精确度；根据用户的喜好进行广告的推荐更有利于提高广告的浏览率，并且更加容易让用户接受广告推销的产品；同时，用户的兴趣随着时间的推移会逐渐发生变化，而用户的活动呈现出明显的本地化特征，如果推荐附近用户喜欢的广告，将有利于提高广告的转化率。

发明内容

本发明所要解决的技术问题是：考虑实际的移动应用环境，针对移动互联网广告发展的现状、存在的问题，如何创新地设计一种综合考虑用户兴趣、好友关系以及时间和位置上下文影响的移动互联网广告投放方法。

为了解决上述问题，本发明公开了一种移动互联网广告投放方法，其技术方案包括以下步骤：

步骤1：获取用户发布的微博文本数据，通过中文分词和噪声内容处理，创建词汇表，得到表示用户兴趣的词向量；

步骤2：利用用户的社交网络关系计算用户之间的熟悉度，根据表示用户兴趣的词向量空间计算用户之间的兴趣相似度，通过线性组合，得到用户之间的相似度矩阵；

步骤3：获取与用户u最相似的前k个用户对广告的行为数据，得到“用户-广告”矩阵；根据用户之间的相似度矩阵，采用基于用户的协同过滤方法生成拟推荐的广告列表L1；

步骤4：获取用户u的位置信息，从与用户u最相似的前k个用户中找出与用户u在同一区域的n个用户，其中n≤k；利用“用户-广告”矩阵，根据用户之间的相似度矩阵，采用基于用户的协同过滤方法再次对用户u生成拟推荐的广告列表L2；

步骤5：对两个推荐列表L1和L2进行线性加权组合，得到拟推荐给任意用户u的广告列表L=θ×L1+(1-θ)×L2，θ∈(0,1)为线性组合系数；