MIML-BP：基于BP神經(jīng)網(wǎng)絡(luò)的廣告分戶推送與營(yíng)運(yùn)規(guī)劃

楊遠(yuǎn)林 王莉萍 王藝霏

摘? 要：電視廣告是地方電視臺(tái)商業(yè)營(yíng)運(yùn)的主要業(yè)務(wù)之一，為了在價(jià)格合理的前提下獲得最大化的利潤(rùn)，同時(shí)提升收視率、影響力和買方產(chǎn)品銷售量，地方電視臺(tái)要將電視頻道用戶進(jìn)行分類并匹配推送相應(yīng)類別的視頻廣告。而如何做到用戶的匹配推送，并且設(shè)置合適的價(jià)格是電視臺(tái)廣告推送的兩大難題。文章分別設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)模型和模糊綜合評(píng)價(jià)決策模型解決了上述問題。實(shí)驗(yàn)結(jié)果表明，文章提出的方法取得不錯(cuò)的效果并且驗(yàn)證了模型的有效性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);分類模型;模糊綜合評(píng)價(jià)

中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）23-0021-04

MIML-BP： Advertising Household Push and Operation Planning Based on BP Neural Network

YANG Yuanlin， WANG Liping， WANG Yifei

（Southwest University， Beibei? 400715， China）

Abstract： TV advertising is one of the main businesses of commercial operation of local TV stations. In order to maximize profits on the premise of reasonable price and improve audience rating， influence and sales volume of buyers products， local TV stations should make classification and matching push of video advertisements of corresponding categories to TV channel users. And how to achieve the users matching push and set the appropriate price are two big problems for the TV station advertising push. This paper designs neural network model and fuzzy comprehensive evaluation decision model respectively to solve the above problems. Experimental results show that the proposed method achieves good results and verifies the availability of the model.

Keywords： BP neural network; classification model; fuzzy comprehensive evaluation

0? 引? 言

電視廣告是地方電視臺(tái)商業(yè)營(yíng)運(yùn)的主要業(yè)務(wù)之一。假設(shè)廣告視頻由產(chǎn)品銷售或制造商（下統(tǒng)稱買方）負(fù)責(zé)制作并向電視臺(tái)（下稱賣方）競(jìng)買播放時(shí)段。假設(shè)廣告播放時(shí)段分周期組織競(jìng)賣，當(dāng)前周期組織完成下一個(gè)周期的競(jìng)價(jià)交易。

1? BP神經(jīng)網(wǎng)絡(luò)模型

1.1? 問題分析

針對(duì)問題一，由于電視廣告類型有多種，電視用戶特征也多樣，本文選用了可多輸入和多輸出的BP神經(jīng)網(wǎng)絡(luò)模型。對(duì)問卷調(diào)查收集來的數(shù)據(jù)進(jìn)行預(yù)處理，建立BP神經(jīng)網(wǎng)絡(luò);根據(jù)訓(xùn)練模型做到匹配推送。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。在前向傳遞中，輸入信y從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)重和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。由于電視廣告類型有多種，電視用戶特征也多樣，多輸入多輸出的特點(diǎn)和BP神經(jīng)網(wǎng)絡(luò)模型有很好的契合性，所以，本文決定采用BP神經(jīng)網(wǎng)絡(luò)模型來解決問題一。需要說明的一點(diǎn)是，本文雖然對(duì)收集到的數(shù)據(jù)進(jìn)行了預(yù)處理，盡可能地排除了錯(cuò)誤數(shù)據(jù)，但輸出結(jié)果仍然有一定的偏差。

為了便于理解三層BP神經(jīng)網(wǎng)絡(luò)模型的具體實(shí)施過程，可以借用如下示意圖來輔助理解。

1.2? 模型建立

為提高模型的實(shí)用性和可操作性，本文選取了三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型，每層具體含義為：

輸入層：將電視頻道用戶的特征作為輸入層，即重慶衛(wèi)視用戶的年齡，性別，愛好，專業(yè)，收入，教育背景，看電視時(shí)間，購(gòu)買產(chǎn)品類型。顯然，輸入層有8個(gè)節(jié)點(diǎn);分別用x1，x2，x3，…，x8，來表示。

隱含層：選擇的BP神經(jīng)網(wǎng)絡(luò)模型的隱含層一共含有7個(gè)節(jié)點(diǎn)。

輸出層：BP神經(jīng)網(wǎng)絡(luò)的輸出為電視臺(tái)推送的視頻廣告的類型，包括美妝類、醫(yī)藥類、食物類、家居生活類、學(xué)習(xí)用品類、植物花卉類等多種類型的廣告，在本題中，本文選擇了6個(gè)廣告類型作為輸出層。本文分別用y1，y2，y6來表示。

在BP神經(jīng)網(wǎng)絡(luò)模型，激活函數(shù)對(duì)于輸出結(jié)果有著重要作用，為了使輸出結(jié)果更具有實(shí)際意義，本文選擇s型函數(shù)：

Y=1/（1+e（-X））? ? ?（1）

作為隱含層的激活函數(shù)，為了加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，減少迭代次數(shù)，將雙曲正切函數(shù)作為輸出層的激活函數(shù)：

tanh（x）=（ex-e（-x））/（ex+e（-x））? ? ?（2）

本文通過輸入自變量x1（p），x2（p），…，x10（p）和期望輸出yd，1（p），yd，2（p），…，yd，n（p）來激活反向傳播神經(jīng)網(wǎng)絡(luò)。

其中，隱含層神經(jīng)元的實(shí)際輸出為：

（3）

同樣可得，輸出層神經(jīng)元的實(shí)際輸出為：

（4）

通過不斷地改變8個(gè)自變量所對(duì)應(yīng)的權(quán)重和閾值以及輸出層的閾值，可以得到不同的結(jié)果，通過不斷的修正直至輸出值逼近期望值，從而分析出電視廣告類型與用戶之間的關(guān)系，達(dá)到解決問題的目的。

綜上所述，本文建立了一個(gè)8-7-6結(jié)構(gòu)的三層BP神經(jīng)網(wǎng)絡(luò)模型，并且選擇s型函數(shù)Ysigmoid=1/（1+e（-X））作為隱含層的激活函數(shù)，為了加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，選擇雙曲正切函數(shù)Ytanh=2a/（（1+e（-bX））-a）作為輸出層的激活函數(shù)。

2? 模糊綜合評(píng)價(jià)模型

2.1? 問題分析

由于電視廣告的定價(jià)要考慮多個(gè)因素，有些因素對(duì)價(jià)格的影響程度在量上又是難以精確衡量的，即廣告價(jià)格影響系統(tǒng)具有“模糊性”特征，因此本文采用了模糊綜合評(píng)價(jià)決策模型。研究了節(jié)目收視率、觀眾購(gòu)買欲望及購(gòu)買力等4個(gè)主要影響因素，再與重慶衛(wèi)視歷年來廣告價(jià)格表里的數(shù)據(jù)相匹配，估算每個(gè)時(shí)段的競(jìng)賣合理底價(jià)。

2.2? 模型建立

2.2.1? 確定評(píng)價(jià)對(duì)象的指標(biāo)集

本文先將所有可能影響重慶衛(wèi)視廣告定價(jià)的因素做成一個(gè)集合，表示為：

U={u1，u2，u3，u4}? ? ?（5）

在本題中本文選取以下4個(gè)影響因素：

u1：此時(shí)段的電視用戶對(duì)廣告產(chǎn)品的購(gòu)買欲望;

u2：此時(shí)段重慶衛(wèi)視的收視情況;

u3：其他電視臺(tái)對(duì)此時(shí)段廣告的定價(jià)情況;

u4：競(jìng)買同時(shí)段廣告的買家數(shù)量。

2.2.2? 建立評(píng)價(jià)集V以及Vi

（1）假設(shè)評(píng)價(jià)等級(jí)有5個(gè)，記做：

V={v1，v2，v3，v4，v5}? ? ? ?（6）

其中v1，v2，v3，v4，v5分別代表此時(shí)段廣告競(jìng)賣底價(jià)可標(biāo)價(jià)“很高，高，正常，較低，很低”。

（2）對(duì)4個(gè)影響因素，各建立5個(gè)評(píng)語(yǔ)構(gòu)成的評(píng)價(jià)集，記為：

Vi={vi1，vi2，vi3，vi4，vi5}，i=1，2，3，4? ? （7）

具體來講：

V1={v11，v12，v13，v14，v15}? ? （8）

表示對(duì)廣告產(chǎn)品的購(gòu)買欲望“很高，高，一般，低，很低”;

V2={v21，v22，v23，v24，v25}? ? （9）

表示在此時(shí)段看電視的次數(shù)“很多，多，一般，少，很少”;

V3={v31，v32，v33，v34，v35}? ? （10）

表示其他電視臺(tái)對(duì)此時(shí)段廣告的定價(jià)“很高，高，正常，低，很低”;

V4={v41，v42，v43，v44，v45}? ? （11）

表示競(jìng)買同時(shí)段廣告的買方數(shù)量“很多，多，一般，少，很少”。

2.2.3? 建立單因素評(píng)價(jià)向量并獲得評(píng)價(jià)矩陣R

評(píng)價(jià)矩陣R如式（12）所示：

（12）

2.2.4? 確定評(píng)價(jià)因素的權(quán)向量W

權(quán)重是表示因素重要性的相對(duì)數(shù)值，可通過收集公開的統(tǒng)計(jì)數(shù)據(jù)、問卷調(diào)查以及專家打分的方法獲得評(píng)價(jià)因素的權(quán)向量W。

W={w1，w2，w3，w4}（13）

2.2.5? 合成模糊綜合評(píng)價(jià)結(jié)果向量

利用合適的算子將W與R進(jìn)行合成

（14）

這里的合成算子使用算子;

則有如下所示綜合評(píng)判結(jié)果：

（15）

其中bi是由W和R的第i列運(yùn)算得到的，它表示可設(shè)定的廣告競(jìng)賣底價(jià)高低對(duì)vi等級(jí)模糊等級(jí)的隸屬程度。

2.2.6? 估算各時(shí)段合理底價(jià)

將各時(shí)段的評(píng)價(jià)結(jié)果按b1的數(shù)值從大到小排列，將附錄里重慶衛(wèi)視2018年和2019年廣告刊例價(jià)格表中的價(jià)格從高到低排列，進(jìn)行一一匹配，得到賣方分時(shí)段競(jìng)賣合理底價(jià)Y（元/5秒）。

3? 實(shí)驗(yàn)

3.1? 數(shù)據(jù)預(yù)處理

由于本文收集數(shù)據(jù)來自問卷調(diào)查，為了提高數(shù)據(jù)的有效性，需要對(duì)收集到的數(shù)據(jù)需要數(shù)據(jù)清洗和數(shù)據(jù)的處理集成，然后才能進(jìn)行數(shù)據(jù)歸一化或者數(shù)據(jù)降維。

數(shù)據(jù)不合法：本文在對(duì)重慶電視臺(tái)問卷調(diào)查資料整理時(shí)，發(fā)現(xiàn)問卷調(diào)查客戶所填信息存在隨意填寫的現(xiàn)象。就調(diào)查問卷人性別信息而言，按常理說一般只有男女選其一，本文卻發(fā)現(xiàn)有的問卷客戶二個(gè)都勾選了。因此需要對(duì)這些記錄進(jìn)行篩選和清理，本文采用刪除操作，即對(duì)該類不合法數(shù)據(jù)，直接刪除該客戶記錄。因?yàn)榭蛻羧绻托詣e這一類基礎(chǔ)信息都不愿意提供出來，更難指望該客戶能提供有效的自身對(duì)重慶電視臺(tái)真實(shí)的反饋，結(jié)果證明該方法是行之有效的。對(duì)于其他不合法數(shù)據(jù)，本文也采用了類似方法。

數(shù)據(jù)缺失：由于客戶在填寫重慶電視臺(tái)問卷調(diào)查存在在很多非人力因素，如沒有及時(shí)檢，填寫時(shí)間慌張等情況，導(dǎo)致一些問題沒有填寫，造成出現(xiàn)空值的情況。為了讓數(shù)據(jù)不為空，本文采用了平均數(shù)法，即對(duì)空值數(shù)據(jù)用該特征的平均數(shù)去填充，從而增加樣本的可靠性。

數(shù)據(jù)歸一化：本文采用最小最大歸一化。

BP神經(jīng)網(wǎng)絡(luò)初始化：隨機(jī)初始化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值。

3.2? 結(jié)果1

用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。本文以用戶的年齡，性別，愛好，專業(yè)，收入，教育背景，看電視時(shí)間，購(gòu)買產(chǎn)品類型作為輸入層，6種廣告類型作為輸出層，1層隱含層建立模型，訓(xùn)練結(jié)果如圖2所示。

從圖3可以看出，當(dāng)訓(xùn)練樣本為200時(shí)，模型一共迭代了8 972次才收斂，訓(xùn)練好網(wǎng)絡(luò)以后，利用該網(wǎng)絡(luò)的學(xué)習(xí)模式，當(dāng)知道用戶的特征以后，通過本文建立的模型就可以知道應(yīng)該向該用戶推送什么廣告。從而本文回答了問題一。

3.3? 結(jié)果二

估算各時(shí)段合理底價(jià)，將各時(shí)段的評(píng)價(jià)結(jié)果按b1的數(shù)值從大到小排列，將附錄里重慶衛(wèi)視2018年和2019年廣告刊例價(jià)格表中的價(jià)格進(jìn)行從高到低排列，并進(jìn)行一一匹配，得到賣方分時(shí)段競(jìng)賣合理底價(jià)Y（元/5秒），分時(shí)段競(jìng)賣低價(jià)表如表1所示。

4? 結(jié)? 論

BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了從輸入到輸出的復(fù)雜映射關(guān)系，數(shù)學(xué)理論已證明它具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能，而廣告與用戶的特征經(jīng)過分類以后剛好可以建立對(duì)應(yīng)的映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)能通過問卷調(diào)查的數(shù)據(jù)進(jìn)行學(xué)習(xí)，自動(dòng)提取“合理的數(shù)據(jù)”，具有良好的自學(xué)習(xí)能力。BP神經(jīng)網(wǎng)絡(luò)經(jīng)過改良后易推廣，適合做分類處理。模糊綜合評(píng)判能夠避免經(jīng)驗(yàn)主義，使決策更加合理、科學(xué)，簡(jiǎn)單易行。

參考文獻(xiàn)：

[1] 耐格納威斯基.人工智能：智能系統(tǒng)指南 [M].顧力栩，沈普惠，等譯.北京：機(jī)械工業(yè)出版社，2007.

[2] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析 [M].北京：北京航空航天大學(xué)出版社，2010.

[3] 宋秉華.電視廣告定價(jià)策略研究 [D].長(zhǎng)沙：湖南大學(xué).

[4] 羅萍，林邦豪.廣告價(jià)格構(gòu)成、影響因素及趨勢(shì)分析 [J].發(fā)展研究，1995（8）： 22-25.

[5] 盛艷蕊，高飛，胡小華.模糊綜合評(píng)價(jià)法在宗地估價(jià)中的應(yīng)用 [J].城市勘測(cè)，2008（1）： 125-126+129.

[6] 葛雄燦.宗地估價(jià)的模糊綜合評(píng)估法 [J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2001（3）：345-348.

作者簡(jiǎn)介：楊遠(yuǎn)林（1996—），男，漢族，貴州興義人，碩士在讀，研究方向：數(shù)據(jù)挖掘;王莉萍（1998—），女，漢族，四川南充人，本科在讀，研究方向：數(shù)學(xué)教育;王藝霏（1999—），女，漢族，山東即墨人，本科在讀，研究方向：數(shù)學(xué)教育。