基于用戶興趣的IPTV廣告精準(zhǔn)投放算法

牛 森

(上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院 上海 200030)

基于用戶興趣的IPTV廣告精準(zhǔn)投放算法

牛 森

(上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院 上海 200030)

當(dāng)前消費(fèi)者的需求呈現(xiàn)差異化、個(gè)性化和多樣化，精準(zhǔn)地細(xì)分市場(chǎng)，定位和分析目標(biāo)消費(fèi)者的需求和行為特征，從而對(duì)目標(biāo)消費(fèi)者進(jìn)行針對(duì)性的產(chǎn)品和服務(wù)信息宣傳，可大大提高廣告的精準(zhǔn)度，節(jié)省廣告費(fèi)用，同時(shí)使得受眾的干擾最小化。針對(duì)如何根據(jù)不同用戶的興趣偏好投放IPTV廣告，提出一種基于用戶行為的精準(zhǔn)投放算法。該算法根據(jù)節(jié)目之間的相似性構(gòu)建用戶的行為特征以研究用戶的興趣偏好，通過(guò)考慮用戶的差異性以及偏好的變化，改進(jìn)了傳統(tǒng)的廣告投放模式，并在實(shí)際數(shù)據(jù)集的仿真實(shí)驗(yàn)中驗(yàn)證了該算法的有效性。

個(gè)性化 行為特征 偏好 差異性

0 引 言

廣告，即“廣而告之”，它的目的在于引起注意，喚起人們對(duì)商品的需要，潛移默化中引導(dǎo)顧客了解這些商品的企業(yè)并博得好感，誘發(fā)消費(fèi)行為從而獲得利益。電視廣告是一種以電視作為傳播媒介的廣告，兼有視聽效果并運(yùn)用語(yǔ)言、聲音、文字、形象、動(dòng)作和表演等綜合手段進(jìn)行傳播，是電子廣告的一種常見形式。一般電視廣告是由專門的廣告公司制作，然后向電視臺(tái)購(gòu)買播放時(shí)長(zhǎng)。電視以其強(qiáng)大的傳播力和影響力，成為人們?nèi)粘Ｉ钪械闹匾M成部分，是人們了解信息、享受娛樂(lè)的重要途徑。然而傳統(tǒng)電視廣告的投放由于沒(méi)有目標(biāo)，成本高，生命周期短，難以估計(jì)發(fā)行量，其中有很大部分被“浪費(fèi)”掉，不能很好地使需要的人知道，難以達(dá)到其預(yù)期的效果。相關(guān)研究也表明，少于20%的觀眾對(duì)廣播電視上的廣告滿意，事實(shí)上，大多數(shù)觀眾甚至?xí)挓┠承V告，認(rèn)為其破壞他們看電視娛樂(lè)的心情[1-2]。

個(gè)性精準(zhǔn)化推薦系統(tǒng)是計(jì)算機(jī)科學(xué)人工智能領(lǐng)域從20世紀(jì)90年代發(fā)展出來(lái)的一個(gè)重要方向，是根據(jù)用戶的信息需求和興趣等，將用戶感興趣的信息或產(chǎn)品等推薦給用戶，從而避免用戶被動(dòng)地接受一些并不感興趣的內(nèi)容,干擾用戶的正常使用。相對(duì)于傳統(tǒng)模式，它充分考慮用戶之間的差異性，通過(guò)研究用戶的興趣偏好，進(jìn)行個(gè)性化計(jì)算，發(fā)現(xiàn)用戶的興趣點(diǎn)，從而引導(dǎo)用戶發(fā)現(xiàn)自己的信息需求，其不僅能為用戶提供個(gè)性化的服務(wù)，還能和用戶之間建立密切關(guān)系，讓用戶產(chǎn)生依賴。

隨著數(shù)字技術(shù)、網(wǎng)絡(luò)寬帶技術(shù)、移動(dòng)互聯(lián)網(wǎng)技術(shù)和衛(wèi)星通信技術(shù)的迅猛發(fā)展，IPTV系統(tǒng)技術(shù)陸續(xù)開始被世界各大電信運(yùn)營(yíng)商大規(guī)模采用和部署，IPTV也叫交互式網(wǎng)絡(luò)電視，是利用寬帶網(wǎng)的基礎(chǔ)設(shè)施，以家用電視機(jī)或計(jì)算機(jī)作為主要終端設(shè)備，集互聯(lián)網(wǎng)、多媒體、通信等多種技術(shù)于一體，通過(guò)互聯(lián)網(wǎng)絡(luò)協(xié)議(IP)向家庭用戶提供包括數(shù)字電視在內(nèi)的多種交互式數(shù)字媒體服務(wù)的嶄新技術(shù)，相對(duì)于傳統(tǒng)廣播電視媒體，IPTV擁有明顯的點(diǎn)播、互動(dòng)、回看和海量存儲(chǔ)的優(yōu)勢(shì)，更加注重交互性和互動(dòng)性，為實(shí)現(xiàn)電視廣告?zhèn)€性精準(zhǔn)化提供了基礎(chǔ)。在我國(guó)，近幾年隨著國(guó)務(wù)院公布了“三網(wǎng)融合”的政策，IPTV業(yè)務(wù)的區(qū)域市場(chǎng)、用戶市場(chǎng)空間在不斷擴(kuò)大，同時(shí)廣告商們也意識(shí)到傳統(tǒng)的營(yíng)銷模式不僅費(fèi)用高而且效率低下，難以維持下去，開始將目光聚焦到IPTV上。

對(duì)于個(gè)性精準(zhǔn)化推薦，目前已有一些比較成熟的方法，如基于內(nèi)容推薦、協(xié)同過(guò)濾推薦和基于關(guān)聯(lián)規(guī)則推薦等。針對(duì)電視廣告的個(gè)性精準(zhǔn)化推薦，一些研究者們也提出自己的方法，大部分都是通過(guò)構(gòu)建用戶特征，發(fā)掘用戶興趣與偏好，以此實(shí)現(xiàn)個(gè)性精準(zhǔn)化的廣告投放。Ha等[3]就以用戶的社交網(wǎng)絡(luò)信息構(gòu)建用戶特征，結(jié)合用戶對(duì)廣告商品的評(píng)價(jià)，實(shí)現(xiàn)對(duì)用戶個(gè)性精準(zhǔn)化廣告的推薦，然而通過(guò)用戶的基本信息去構(gòu)建用戶特征并不容易，因?yàn)橛脩舻男畔⒉⒉蝗菀撰@取。Kim等[4]就嘗試通過(guò)歸一化距離和內(nèi)積法推斷估計(jì)用戶的年齡、性別和職業(yè)等信息構(gòu)建用戶特征，并以此實(shí)現(xiàn)對(duì)用戶個(gè)性精準(zhǔn)化廣告的投放。而當(dāng)有一些用戶基本信息可獲取的時(shí)候，則可提高廣告的命中率。Lim等[5]提出可先根據(jù)已知的用戶年齡和性別信息對(duì)用戶進(jìn)行分類，結(jié)合用戶對(duì)電視節(jié)目類型的觀看偏好和觀看時(shí)間推斷用戶特征，從而實(shí)現(xiàn)對(duì)用戶個(gè)性精準(zhǔn)化投放廣告。Lekakos等[6]綜合考慮用戶的生活方式和用戶之間的相似性，根據(jù)相似用戶的生活方式預(yù)測(cè)用戶的偏好，提出一種基于用戶生活方式以實(shí)現(xiàn)個(gè)性化廣告投放的方法，而針對(duì)基于電視、寬帶和手機(jī)的使用情況得到的多源用戶特征。Kodialam等[7]使用拍賣模型選出一系列廣告并最優(yōu)化其投放次序從而實(shí)現(xiàn)廣告的個(gè)性精準(zhǔn)化投放。

綜上所述，目前的IPTV廣告精準(zhǔn)化投放主要是從用戶的基本信息出發(fā)，發(fā)掘用戶的興趣偏好，實(shí)現(xiàn)廣告的個(gè)性精準(zhǔn)化投放。但用戶的基本信息并不容易獲取，即使已知，亦不能保證其能有效反映出用戶的興趣偏好。而用戶的觀看記錄卻能直接反映用戶的偏好，很少?gòu)挠脩舻臍v史記錄信息中發(fā)掘用戶的偏好，究其原因可能是目前獲取的數(shù)據(jù)量太少，但隨著技術(shù)的進(jìn)步與IPTV市場(chǎng)的擴(kuò)大，這一問(wèn)題也將隨之解決。本文試從用戶的歷史記錄中構(gòu)建用戶特征，發(fā)掘用戶的興趣偏好，提出IPTV廣告精準(zhǔn)投放算法。

1 行為特征模型構(gòu)建

1.1 算法概述

算法思想如下：由于大部分用戶一般只選擇觀看少有的幾個(gè)節(jié)目，亦是互聯(lián)網(wǎng)數(shù)據(jù)的長(zhǎng)尾分布，但并不意味其不喜歡其他節(jié)目，所以在構(gòu)建用戶特征時(shí)需要考慮節(jié)目之間的相似性。首先估計(jì)出不同節(jié)目之間的相似度，進(jìn)而計(jì)算用戶的行為特征，并根據(jù)其對(duì)用戶進(jìn)行分類，然后計(jì)算不同用戶群的用戶對(duì)投放到不同節(jié)目上廣告的偏好，最后根據(jù)用戶的觀看記錄和廣告商的要求提出一種高效的廣告投放算法使得用戶和各廣告商達(dá)到實(shí)用性和利益性最優(yōu)的平衡。

1.2 相似度算法

相似度，即計(jì)算個(gè)體間的相似程度，相似度度量的值越小，說(shuō)明個(gè)體間相似度越小，差異越大。通過(guò)計(jì)算節(jié)目之間的相似性，可以有效解決數(shù)據(jù)稀疏性的問(wèn)題，即用戶只在少量的節(jié)目上有記錄，如果不考慮節(jié)目之間的相似性，則計(jì)算用戶的行為特征亦是有偏差的，因?yàn)槲闯浞挚紤]用戶的興趣偏好。在這里，本文采用協(xié)同過(guò)濾推薦方法[8]中定義兩物品間的相似性去計(jì)算節(jié)目之間的相似度：

(1)

1.3 用戶行為特征模型

用戶基于自身需求或者興趣愛(ài)好等觀看節(jié)目，觀看的歷史記錄可以反映用戶最近的行為特征信息，通過(guò)分析這些行為特征，篩選出比較相似的用戶以及差異較大的用戶，根據(jù)用戶的行為特征向不同類的用戶推送不同的內(nèi)容，可提高廣告的精準(zhǔn)度和命中率。而考慮到數(shù)據(jù)稀疏性的問(wèn)題，本文通過(guò)考慮節(jié)目之間的相關(guān)性，構(gòu)造如下公式來(lái)計(jì)算用戶的行為特征：

(2)

式中，Pui表示用戶u對(duì)節(jié)目i的偏愛(ài)程度，N(u)是用戶u觀看節(jié)目的集合，S(i,K)是和節(jié)目i最相似的K個(gè)節(jié)目的集合，wji是節(jié)目j和i的相似度，ruj是用戶u對(duì)節(jié)目j的興趣。

1.4 用戶分類

根據(jù)用戶行為特征模型，需要對(duì)相似行為特征的用戶進(jìn)行聚類，目前已經(jīng)有諸多的聚類算法，為了簡(jiǎn)化起見，本文采用的是較為經(jīng)典的K-means聚類算法。設(shè)定待聚類的用戶個(gè)數(shù)為n，人群聚類目標(biāo)個(gè)數(shù)設(shè)為，然后將n個(gè)用戶聚合成為個(gè)人群子類，并且使所得到的人群子類滿足：同一人群內(nèi)用戶的行為特征較相近，不同人群間用戶的行為特征差異明顯。聚類使得每個(gè)簇中的數(shù)據(jù)點(diǎn)之間最大程度的相似，而不同簇中的數(shù)據(jù)點(diǎn)最大程度的不同，從而發(fā)現(xiàn)數(shù)據(jù)集中有效的信息。

K-means算法在本文中的具體應(yīng)用步驟如下：

1) 隨機(jī)選取I個(gè)用戶的節(jié)目偏好度作為初始均值，計(jì)算其余用戶的節(jié)目偏好度與該均值的距離，將其指派給與其距離最小的聚類人群。

2) 選擇均方誤差MSE作為聚類判度函數(shù)：

(3)

式中，M為類別i中用戶的節(jié)目偏好度，Ci表示類別i中用戶的集合，Ai為類別i的節(jié)目偏好度均值。

3) 計(jì)算更新后每類人群節(jié)目偏好度的統(tǒng)計(jì)平均值以及每個(gè)用戶的節(jié)目偏好度與更新后均值的距離，將其指派給與其距離最小的聚類人群，從而更新聚類，并且計(jì)算每類的均方誤差。

4) 重復(fù)步驟3)，直至聚類判度函數(shù)收斂時(shí)停止。

1.5 用戶群偏好模型

對(duì)于不同的用戶群，用戶的行為特征具有明顯差異，所以不能一概而論地對(duì)用戶進(jìn)行投放廣告，應(yīng)先分析不同用戶群的行為特征，并計(jì)算在不同用戶群下各節(jié)目與廣告之間的相似度，從而在各用戶群中選擇與投放廣告相似度較大的節(jié)目上進(jìn)行投放，達(dá)到效益最大化。根據(jù)以上算法，構(gòu)造如下公式來(lái)計(jì)算不同用戶群下各節(jié)目與廣告之間的相似度：

(4)

結(jié)合用戶行為特征模型，可以得知類別i對(duì)節(jié)目j的偏愛(ài)程度pij，即:

(5)

式中，Ni為類別i的用戶總數(shù)，ci表示類別i中用戶的集合。所以類別i的用戶對(duì)投放在節(jié)目j上的廣告k的偏愛(ài)程度qijk，即:

(6)

2 精準(zhǔn)投放算法

在已知不同用戶群的用戶對(duì)投放在不同節(jié)目上的廣告的偏愛(ài)程度qijk，結(jié)合各廣告商的要求以及用戶的歷史觀看記錄，可通過(guò)構(gòu)建最優(yōu)化模型求解出廣告的最優(yōu)精準(zhǔn)投放算法。其中，假設(shè)xijk為投放在用戶群i下節(jié)目j上廣告k的次數(shù)，Ak為廣告k需要投放的總次數(shù)，Bij為用戶群i觀看節(jié)目j的總次數(shù)，i=1,2,…,I;j=1,2…,J;k=1,2,…,K，則模型如下：

(7)

而在未考慮用戶差異性以及節(jié)目與廣告之間的相似性時(shí)，廣告的投放算法可用如下優(yōu)化模型來(lái)表示：

(8)

只考慮到節(jié)目與廣告之間的相似性時(shí)，廣告的投放算法可用如下優(yōu)化模型來(lái)表示：

(9)

對(duì)比以上3種優(yōu)化模型，可以發(fā)現(xiàn)式(7)是較優(yōu)于式(8)和式(9)的，即基于用戶行為的廣告投放算法可以改善用戶的觀看體驗(yàn)以及提高廣告的效率。但以上模型均假設(shè)了用戶對(duì)廣告的偏好不會(huì)隨著其觀看次數(shù)而改變，而根據(jù)經(jīng)濟(jì)學(xué)中著名的邊際效用遞減規(guī)律可知，用戶在觀看一定數(shù)量廣告后對(duì)廣告的偏好程度會(huì)隨著其觀看次數(shù)的增加而遞減，故本文嘗試定義用戶偏好的變化情況：

(10)

式中，f為在(n0,+∞)上的非增有界函數(shù)，且f(n0)=qijk，n0為一閾值。從而，構(gòu)造考慮了用戶偏好變化的廣告投放算法：

(11)

可以看出式(11)更符合實(shí)踐。由于該問(wèn)題中用戶的偏好是受模型中的決策變量的影響，所以該優(yōu)化問(wèn)題已不是一個(gè)簡(jiǎn)單的線性整數(shù)優(yōu)化問(wèn)題，得到的結(jié)果可能是一個(gè)局部最優(yōu)解，而不是全局最優(yōu)解。但該模型的現(xiàn)實(shí)意義更加重要，即在考慮用戶的興趣偏好時(shí)，不能簡(jiǎn)單地將其作為一常量，因?yàn)槠鋾?huì)受其他因素的影響，而本文只著重考量觀看次數(shù)對(duì)其的影響。

3 仿真實(shí)驗(yàn)

本文通過(guò)對(duì)上海市某公司IPTV用戶進(jìn)行分析以闡述算法的實(shí)現(xiàn)。該數(shù)據(jù)集是用戶在2013年3月的歷史記錄，涉及955 908個(gè)用戶，191個(gè)節(jié)目頻道，共產(chǎn)生103 099 638條觀看記錄。

通過(guò)統(tǒng)計(jì)用戶觀看的頻道數(shù)，可以看出大部分用戶只是選擇觀看少量的頻道，如圖1所示，因此在計(jì)算用戶行為特征時(shí)，需要考慮頻道之間的相關(guān)性。但在計(jì)算頻道相關(guān)性時(shí)，發(fā)現(xiàn)由于用戶觀看頻道較分散，得到頻道之間的相似度均較低。同時(shí)鑒于頻道的不穩(wěn)定性，即可能出現(xiàn)頻道中斷的情況，本文選擇考量頻道的種類這一大類，同時(shí)IPTV運(yùn)營(yíng)商已對(duì)相應(yīng)的頻道進(jìn)行歸類，共分為：財(cái)經(jīng)，電視劇，電影，紀(jì)實(shí)，少兒，生活時(shí)尚，體育，衛(wèi)視，新聞綜合以及娛樂(lè)10大類。在統(tǒng)計(jì)用戶觀看頻道的種類數(shù)后，如圖2所示，可以看出大部分用戶只選擇3～4個(gè)種類的頻道，從而在計(jì)算用戶行為特征時(shí)，本文也選取與頻道種類最相似的前4個(gè)種類。

圖1 IPTV用戶觀看頻道的頻數(shù)圖

圖2 IPTV用戶觀看頻道種類的頻數(shù)圖

通過(guò)之前定義計(jì)算頻道節(jié)目之間的相似性公式，可得到頻道種類之間的相似性，如表1所示。

表1 頻道種類相似矩陣

根據(jù)用戶行為模型計(jì)算用戶對(duì)頻道種類的偏愛(ài)程度：

(12)

式中，pui表示用戶u對(duì)頻道種類i的偏愛(ài)程度，N(u)是用戶u觀看頻道種類的集合，S(i,K)是和頻道種類i最相似的K個(gè)頻道種類的集合，這里K取4，wji是頻道種類j和i的相似度，ruj是用戶u對(duì)頻道種類j的興趣，這里以用戶u觀看頻道種類j的頻率來(lái)表示。

由以上的行為特征屬性，對(duì)用戶進(jìn)行簡(jiǎn)單的分類，共分為3大類，從表2可以看出：第一類用戶較偏愛(ài)紀(jì)實(shí)類和體育類頻道，屬于偏男性類頻道，第二類用戶較偏愛(ài)電視劇、電影、生活時(shí)尚、衛(wèi)視、新聞綜合以及娛樂(lè)這些較休閑類的頻道，而第三類用戶較偏愛(ài)少兒類頻道，可能與其家庭結(jié)構(gòu)有關(guān)。在對(duì)10大頻道種類進(jìn)行因子分析降維后，選取前2個(gè)因子，如表3所示，可以看出因子1主要反映的是財(cái)經(jīng)、電視劇、電影、生活時(shí)尚、衛(wèi)視、新聞綜合以及娛樂(lè)但排除少兒類因素后用戶的行為特征，而因子2則主要反映的是紀(jì)實(shí)以及體育類但排除財(cái)經(jīng)、電視劇、少兒和生活時(shí)尚類因素后用戶的行為特征。結(jié)合三類人群的不同特點(diǎn)，可以得出第一類人群在因子1上的表現(xiàn)較好，第二類人群在因子2上的表現(xiàn)較好，而第三類人群則在因子1和因子2表現(xiàn)均不好，如圖3所示。

表2 IPTV用戶不同人群對(duì)各頻道種類的偏愛(ài)程度

表3 因子載荷矩陣

圖3 IPTV用戶人群在前兩個(gè)因子上的分布

由于廣告數(shù)據(jù)的缺乏，在以下的分析，本文假設(shè)對(duì)于不同人群下節(jié)目頻道種類與廣告之間的相似性已知。首先，本文考慮了5類廣告的投放，其投放次數(shù)相等，且總投放次數(shù)為用戶的歷史觀看記錄和，根據(jù)式(7)可得5類廣告在各人群不同節(jié)目種類的分布，如圖4所示。

圖4 各廣告在三類人群不同頻道種類的分布

可以看出，對(duì)于不同用戶群，廣告的投放分布呈現(xiàn)不同的趨勢(shì)，而對(duì)于同一用戶群內(nèi)，在不同的頻道種類上，廣告的分布也有較大的差異。同時(shí)也可以看出廣告在頻道種類上的極端效應(yīng)，即在同一頻道種類上，不同廣告的投放數(shù)量差距很大，可能是由于用戶在頻道種類上對(duì)不同廣告的興趣偏好不同導(dǎo)致的。也就是說(shuō)，廣告的投放只會(huì)選取與其興趣偏好較大的一些頻道種類上，會(huì)導(dǎo)致偏愛(ài)觀看該類頻道種類的用戶過(guò)多的接受相關(guān)廣告的投放，可能產(chǎn)生相反的效果。在考慮用戶偏好變化的情況下，即式(11)，得到5類廣告在各人群不同節(jié)目種類的分布，如圖5所示。

圖5 用戶偏好變化情況下各廣告在三類人群不同頻道種類的分布

可知在同一人群內(nèi)，廣告較均勻分散在不同頻道種類上，避免了廣告在頻道種類上的極端效應(yīng)。也就是說(shuō)，該結(jié)果不會(huì)受用戶偏好極值變化的較大影響，具有一定的穩(wěn)健性，而在上一模型結(jié)果中，可能會(huì)出現(xiàn)由于用戶偏好某一極值的變化，導(dǎo)致結(jié)果出現(xiàn)較大變化，這一性質(zhì)在用戶偏好估計(jì)出現(xiàn)偏差的情況下尤為重要。

4 結(jié) 語(yǔ)

本文針對(duì)IPTV廣告投放問(wèn)題提出了一種高效的基于用戶行為的算法。該算法通過(guò)用戶的歷史行為記錄構(gòu)建用戶特征屬性，從而發(fā)掘用戶的興趣偏好，并基于此實(shí)現(xiàn)廣告的個(gè)性精準(zhǔn)化投放，同時(shí)考慮了觀看次數(shù)對(duì)用戶興趣偏好影響的情況，以更好地?cái)M合實(shí)踐。本文通過(guò)對(duì)現(xiàn)實(shí)數(shù)據(jù)進(jìn)行分析以闡述算法的實(shí)現(xiàn)，發(fā)現(xiàn)廣告的投放在不同興趣偏好的人群上呈現(xiàn)不同的趨勢(shì)，且在同一人群內(nèi)，在不同頻道上的分布也是不同的。也就是說(shuō)，廣告的投放確實(shí)需要考慮用戶和節(jié)目頻道的差異，驗(yàn)證了本文考慮觀點(diǎn)的必要性。在對(duì)比考慮用戶興趣偏好變化的情況后，發(fā)現(xiàn)廣告較均勻地分散在不同人群的不同頻道種類上，避免了廣告在頻道種類上的極端效應(yīng)，使結(jié)果具有一定的穩(wěn)健性，進(jìn)一步證明本文提出算法的有效性。

但在以上的算法描述以及實(shí)證研究中，也可以看出該算法存在一定的不足。在考慮用戶觀看節(jié)目頻道次數(shù)時(shí)，本文只是簡(jiǎn)單的用歷史觀看次數(shù)去估計(jì)未來(lái)觀看次數(shù)，對(duì)于這方面的內(nèi)容，在未來(lái)的研究方向上可通過(guò)構(gòu)建一系列的時(shí)間序列模型以預(yù)測(cè)未來(lái)的觀看次數(shù)來(lái)解決；而考慮用戶興趣偏好變化的情況時(shí)，在確定變化發(fā)生的閾值以及偏好變化的曲線時(shí)，也只是簡(jiǎn)單地統(tǒng)計(jì)描述和一些主觀判斷，在后期的研究中可通過(guò)研究調(diào)查不同用戶群下用戶的偏好變化情況，以使得偏好變化曲線更加符合實(shí)際；同時(shí)后期也可以考慮一些廣告播放機(jī)制的約束，如有競(jìng)爭(zhēng)性質(zhì)的同類廣告不能同時(shí)投放給同一用戶，或者某類廣告只投放給具有某種用戶特征屬性的群體。

[1]MothersbaughDL,BestRJ,HawkinsDI.ConsumerBehaviour:BuildingMarketingStrategy[M]. 2007.

[2]IMedia(2001).Userrequirementscapturing.Deliverable1.3,InformationSocietyTechnologies(IST)ProjectiMedia,EuropeanCommission[OL]. [2004-01-20].http://imedia.intranet.gr.

[3]HaI,OhKJ,JoGS.Personalizedadvertisementsystemusingsocialrelationshipbasedusermodeling[J].MultimediaToolsandApplications, 2015, 74(20): 8801-8819.

[4]KimM,KangS,KimM,etal.TargetadvertisementserviceusingTVviewers’profileinference[M]//AdvancesinMultimediaInformationProcessing-PCM2005.SpringerBerlinHeidelberg, 2005: 202-211.

[5]LimJ,KimM,LeeB,etal.AtargetadvertisementsystembasedonTVviewer’sprofilereasoning[J].MultimediaToolsandApplications, 2008, 36(1-2): 11-35.

[6]LekakosG,GiaglisGM.ALifestyle‐BasedApproachforDeliveringPersonalizedAdvertisementsinDigitalInteractiveTelevision[J].JournalofComputer‐MediatedCommunication, 2004, 9(2): 00-00.

[7]KodialamM,LakshmanTV,MukherjeeS,etal.OnlineschedulingoftargetedadvertisementsforIPTV[C]//INFOCOM, 2010ProceedingsIEEE.IEEE, 2010: 1-9.

[8]LindenG,SmithB,YorkJ.Amazon.comrecommendations:Item-to-itemcollaborativefiltering[J].InternetComputing,IEEE, 2003, 7(1): 76-80.

AN ACCURATE DELIVERY ALGORITHM FOR IPTV ADVERTISEMENT BASED ON USER INTEREST

Niu Sen

(AntaiCollegeofEconomicsandManagement,ShanghaiJiaoTongUniversity,Shanghai200030,China)

The current consumer demand for differentiated, personalized and diversified. The problem is how to accurately segment the market, position and analyze the target consumer demand and behavioral characteristics, thus targeting the target consumer product and service information which can greatly improve the accuracy of advertising, saving advertising costs, while minimizing the interference of the audience. Thus, an accurate delivery algorithm based on user behavior for how to deliver IPTV advertisements according to different user’s preferences is proposed. The algorithm constructed the behavioral characteristics of the user according to the similarity between the programs to study the user’s interest preferences, improved the traditional advertising mode by considering the difference of users and the change of preferences. The validity of the algorithm was verified by the simulation experiment of the real data set.

Personalization Behavioral characteristics Preference Difference

2016-07-25。國(guó)家自然科學(xué)基金項(xiàng)目(71531010,71401104)。牛森，碩士生，主研領(lǐng)域：數(shù)據(jù)分析與運(yùn)營(yíng)優(yōu)化。

TP18 TP393

A

10.3969/j.issn.1000-386x.2017.06.040