基于算法推薦的個(gè)性化廣告?zhèn)鞑パ芯?/h1>

2023-12-30 02:01:54徐慧琴郝風(fēng)平方志偉聶莉娟

無線互聯(lián)科技訂閱 2023年20期 收藏

關(guān)鍵詞：余弦物品個(gè)性化

徐慧琴,郝風(fēng)平,方志偉,聶莉娟

(金肯職業(yè)技術(shù)學(xué)院,江蘇 南京 210000)

0 引言

在當(dāng)今數(shù)字化時(shí)代,廣告?zhèn)鞑ヒ呀?jīng)從傳統(tǒng)的媒體平臺(tái)轉(zhuǎn)向了互聯(lián)網(wǎng)和新媒體渠道。這種轉(zhuǎn)變推動(dòng)了個(gè)性化廣告?zhèn)鞑サ呐d起,為廣告主和消費(fèi)者之間的互動(dòng)提供了新的機(jī)遇和挑戰(zhàn)[1]。個(gè)性化廣告?zhèn)鞑ゼ夹g(shù)通過采集用戶行為、興趣和特征等數(shù)據(jù),能夠精確地向目標(biāo)受眾傳遞廣告信息,滿足他們多樣化的需求和興趣。相比傳統(tǒng)的廣告?zhèn)鞑シ绞?基于算法推薦的個(gè)性化廣告?zhèn)鞑ゾ哂懈叩木珳?zhǔn)度和效果,同時(shí)也可以減少資源浪費(fèi)。本文旨在深入研究基于算法推薦的個(gè)性化廣告?zhèn)鞑?探討其原理、實(shí)現(xiàn)流程和效果評估等,并解決其中存在的問題與挑戰(zhàn)。通過對該領(lǐng)域的深入剖析和實(shí)證研究,希望為廣告行業(yè)提供有效的個(gè)性化廣告?zhèn)鞑ソ鉀Q方案,推動(dòng)該技術(shù)的進(jìn)一步創(chuàng)新和發(fā)展。

1 個(gè)性化廣告推薦算法的原理及分類

個(gè)性化廣告推薦技術(shù)的核心思想是基于用戶的行為、興趣和社交等信息,對廣告進(jìn)行個(gè)性化推薦,提高廣告的效果和用戶滿意度。根據(jù)推薦算法的不同,個(gè)性化廣告推薦技術(shù)可以分為基于協(xié)同過濾的算法、基于內(nèi)容的算法、基于混合算法的算法等[2]。

1.1 基于協(xié)同過濾的算法

基于協(xié)同過濾的算法是一種利用用戶之間的相似性和共同行為模式進(jìn)行推薦的方法,通過分析用戶的歷史行為找到與其相似的用戶或物品,從而推薦給用戶與其興趣相關(guān)的廣告。具體來說,基于協(xié)同過濾的算法分為基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾。

基于用戶的協(xié)同過濾是通過分析用戶之間的相似度來找到興趣相似的用戶,從而推薦廣告。在具體實(shí)施時(shí)首先是計(jì)算用戶之間的相似度,通常采用余弦相似度、Jaccard相似度等指標(biāo)進(jìn)行計(jì)算;接著根據(jù)用戶相似度對廣告進(jìn)行推薦,通常采用最近鄰算法、基于矩陣分解的算法等進(jìn)行計(jì)算。

基于物品的協(xié)同過濾則是通過分析廣告之間的相似度,找到與目標(biāo)廣告相似的廣告,從而推薦給用戶。基于物品的協(xié)同過濾算法在計(jì)算相似度推薦時(shí)通常采用基于物品的最近鄰算法等方法。

1.2 基于內(nèi)容的算法

基于內(nèi)容的算法是一種基于廣告內(nèi)容的推薦算法,它通過分析廣告的特征和內(nèi)容,找到與用戶興趣相似的廣告,從而進(jìn)行推薦?；趦?nèi)容的算法分為以下幾個(gè)階段:

第一階段,對廣告的內(nèi)容進(jìn)行分析和特征提取。通常采用自然語言處理技術(shù)和機(jī)器學(xué)習(xí)技術(shù)對廣告進(jìn)行文本處理、特征提取和降維處理,從而得到廣告的特征向量。

第二階段,對用戶進(jìn)行興趣建模。通常采用協(xié)同過濾算法、聚類算法等技術(shù)對用戶的歷史行為和興趣進(jìn)行建模,從而得到用戶的興趣向量。

第三階段,計(jì)算廣告和用戶之間的相似度。通常采用余弦相似度、歐式距離、曼哈頓距離等指標(biāo)計(jì)算廣告和用戶之間的相似度。

第四階段,根據(jù)相似度對廣告進(jìn)行推薦。通常采用基于內(nèi)容的最近鄰算法、基于貝葉斯分類器的算法等對廣告進(jìn)行推薦。

1.3 基于混合算法的算法

基于混合算法的算法是一種將多種推薦算法進(jìn)行混合的推薦算法,旨在提高推薦準(zhǔn)確率和覆蓋率?；诨旌纤惴ǖ乃惴梢苑譃槎喾N類型,如基于加權(quán)融合的算法、基于規(guī)則融合的算法、基于深度學(xué)習(xí)的算法等。將多種推薦算法進(jìn)行整合,從而提高推薦準(zhǔn)確率和覆蓋率?；诨旌纤惴ǖ乃惴ㄊ紫仁遣捎貌煌耐扑]算法對廣告進(jìn)行推薦,例如:基于協(xié)同過濾的算法、基于內(nèi)容的算法等;接著對推薦算法的結(jié)果進(jìn)行不同技術(shù)的融合,如加權(quán)融合、規(guī)則融合等,從而得到最終的推薦結(jié)果。

2 算法應(yīng)用的實(shí)現(xiàn)流程

基于算法推薦的個(gè)性化廣告?zhèn)鞑ゼ夹g(shù)是一種利用用戶數(shù)據(jù)和算法模型進(jìn)行廣告精準(zhǔn)推薦的方法。該技術(shù)的實(shí)現(xiàn)流程主要包括以下幾個(gè)方面。

2.1 數(shù)據(jù)采集和預(yù)處理

個(gè)性化廣告推薦系統(tǒng)的實(shí)現(xiàn)需要收集和處理用戶和廣告數(shù)據(jù),包括用戶的行為數(shù)據(jù)、興趣數(shù)據(jù)和社交關(guān)系數(shù)據(jù),以及廣告的內(nèi)容、結(jié)構(gòu)、語言風(fēng)格等數(shù)據(jù)。(1)從目標(biāo)數(shù)據(jù)源(如數(shù)據(jù)庫、網(wǎng)站等)獲取原始數(shù)據(jù),為了確保數(shù)據(jù)的準(zhǔn)確性和完整性,對原始數(shù)據(jù)進(jìn)行清洗操作。(2)進(jìn)行數(shù)據(jù)的轉(zhuǎn)換與整合,將不同格式和來源的數(shù)據(jù)進(jìn)行統(tǒng)一表示,完成數(shù)據(jù)的轉(zhuǎn)換與整合之后,通過特征選擇與構(gòu)建,從數(shù)據(jù)中提取出與研究目標(biāo)相關(guān)的有代表性的特征。(3)進(jìn)行特征縮放和特征歸一化,消除不同特征間的尺度差異。(4)對預(yù)處理后的數(shù)據(jù)集進(jìn)行劃分,將其分為訓(xùn)練集和測試集,并進(jìn)行必要的數(shù)據(jù)集平衡處理,以確保兩個(gè)數(shù)據(jù)集的樣本分布較為均衡。通過這些步驟,本研究得到了高質(zhì)量、適用于后續(xù)分析和建模的數(shù)據(jù)集,為研究提供了可靠的基礎(chǔ)。具體的數(shù)據(jù)采集及預(yù)處理運(yùn)行流程如圖1所示。

圖1 數(shù)據(jù)采集及預(yù)處理運(yùn)行流程

2.2 用戶標(biāo)簽建模

在用戶數(shù)據(jù)分析的基礎(chǔ)上,可以將用戶標(biāo)記為不同的興趣類別或特征標(biāo)簽。用戶標(biāo)簽建模的核心步驟涉及特征提取。特征提取通過分析用戶的歷史行為數(shù)據(jù)和其他相關(guān)信息,本研究采用邏輯回歸算法提取具有代表性和區(qū)分性的特征。

P(y=1|x)=1/(1+exp(-(wT×x+b)))

(1)

式(1)表達(dá)了目標(biāo)變量取值為1的概率,x是輸入特征向量,w和b是模型參數(shù)。wT表示w的轉(zhuǎn)置,exp表示自然指數(shù)函數(shù)。邏輯回歸算法的核心思想是通過對輸入特征進(jìn)行線性加權(quán)組合,并將結(jié)果通過一個(gè)特定的sigmoid函數(shù)映射到0和1之間的概率范圍內(nèi),在這里采用梯度下降算法迭代更新參數(shù)w和b的值,使其能夠最小化損失函數(shù)。

2.3 相似度計(jì)算和推薦算法的選擇

個(gè)性化廣告推薦的實(shí)現(xiàn)需要選擇合適的相似度計(jì)算方法和推薦算法,從而計(jì)算廣告和用戶之間的相似度,并將廣告進(jìn)行排序和推薦。目前,常用的相似度計(jì)算方法包括余弦相似度、歐式距離、曼哈頓距離等指標(biāo),常見的推薦算法包括協(xié)同過濾、內(nèi)容推薦和混合推薦等。協(xié)同過濾算法基于用戶行為的相似性進(jìn)行推薦,內(nèi)容推薦算法根據(jù)廣告內(nèi)容與用戶興趣的匹配程度進(jìn)行推薦,而混合推薦算法結(jié)合了多個(gè)算法的優(yōu)勢。選擇合適的算法可以提高廣告推薦的準(zhǔn)確性和效果。本研究選擇基于余弦相似度的協(xié)同過濾推薦算法進(jìn)行實(shí)現(xiàn)。基于余弦相似度的協(xié)同過濾推薦算法是利用用戶的歷史行為數(shù)據(jù),通過計(jì)算評分向量之間的余弦相似度來度量用戶之間的相似程度,進(jìn)而實(shí)現(xiàn)個(gè)性化推薦。

首先構(gòu)建用戶-物品評分矩陣:創(chuàng)建一個(gè)評分矩陣ratings,其中每一行代表一個(gè)用戶對物品的評分。這個(gè)評分矩陣可以根據(jù)實(shí)際情況進(jìn)行定義和填充。

下一步通過計(jì)算用戶之間評分向量的余弦相似度,找到與目標(biāo)用戶最相似的若干個(gè)用戶,余弦相似度是一種衡量向量之間相似性的方法。

(2)

式(2)中A和B表示兩個(gè)n維向量,A是 [A1,A2, …,An] ,B是 [B1,B2, …,Bn],‖A‖和‖B‖分別表示向量A和向量B的長度,A與B的夾角θ的余弦相似度的計(jì)算過程涉及將向量映射到高維空間并計(jì)算它們之間的夾角。結(jié)果范圍在-1到1之間,當(dāng)兩個(gè)向量的夾角接近于0°時(shí),也就是它們的方向幾乎相同,此時(shí)余弦相似度接近于1,表示兩個(gè)向量非常相似。當(dāng)夾角接近于90°時(shí),也就是它們的方向幾乎垂直,此時(shí)余弦相似度接近于0,表示兩個(gè)向量之間沒有明顯的相似性。當(dāng)夾角接近于180°時(shí),也就是它們的方向完全相反,此時(shí)余弦相似度接近于-1,表示兩個(gè)向量完全不相似。

一旦找到最相似的用戶,算法就可以利用這些用戶的喜好和行為模式來預(yù)測目標(biāo)用戶對尚未評價(jià)的物品的喜好程度。通常情況下,該算法會(huì)根據(jù)最相似用戶對尚未評價(jià)物品的平均評分或加權(quán)平均評分,將這些物品推薦給目標(biāo)用戶。

(3)

式(3)為用戶的相似度,其中wnn′是用戶n與用戶n′的相似度,rn表示用戶n的評分向量。

(4)

式(4)為相似用戶的加權(quán)平均值,rnm是用戶n對商品m的評分,inm(0,1)表示用戶n對商品m有無評分,1表示有評分,0表示無評分。Un為用戶n的相似用戶集合。

2.4 模型訓(xùn)練

基于余弦相似度的協(xié)同過濾推薦算法,可以利用歷史數(shù)據(jù)來計(jì)算用戶之間的相似度,并結(jié)合用戶的評分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練,預(yù)測用戶可能感興趣的廣告內(nèi)容。模型訓(xùn)練采用矩陣分解算法,核心是將用戶-物品評分矩陣分解為兩個(gè)低維度的矩陣,通過學(xué)習(xí)得到的隱含特征向量表示用戶和物品的關(guān)系。這種隱含特征向量可以捕捉到用戶和物品之間的潛在關(guān)聯(lián),從而能夠準(zhǔn)確地評分預(yù)測和推薦,矩陣分解算法在協(xié)同過濾推薦中被廣泛應(yīng)用于提高推薦準(zhǔn)確性和個(gè)性化度。

(5)

式(5)中P矩陣是N個(gè)用戶對K個(gè)主題的關(guān)系,Q矩陣是K個(gè)主題跟M個(gè)物品的關(guān)系,至于K個(gè)主題具體是什么,在算法里面K是一個(gè)參數(shù),需要調(diào)節(jié),通常為10～100。如何來衡量分解后的矩陣與原始評分矩陣之間的誤差或差異程,本研究采用損失函數(shù)來求解,也就是式(6)中所有的非“-”項(xiàng)(即原有矩陣?yán)镂丛u分項(xiàng))的損失之和的最小值。

(6)

2.5 算法推薦評估

一旦模型訓(xùn)練完成,可以根據(jù)用戶-物品評分表和相似度矩陣表使用協(xié)同過濾算法生成推薦結(jié)果表。推薦結(jié)果表中列出了針對每個(gè)用戶的未評分物品的推薦評分,這些評分代表了用戶可能對該物品的喜好程度[3]。推薦結(jié)果的評分是通過將其他相似用戶對相似物品的評分進(jìn)行加權(quán)計(jì)算得出的,具有較高相似度得分的用戶對推薦結(jié)果產(chǎn)生更大的影響。通常,推薦結(jié)果的評分范圍與用戶-物品評分表中的評分范圍相似,較高的評分表示用戶可能更感興趣。

通過提供個(gè)性化的推薦體驗(yàn),推薦結(jié)果可以幫助用戶發(fā)現(xiàn)他們可能未注意到的物品,并根據(jù)用戶的反饋和行為數(shù)據(jù)進(jìn)行效果追蹤[4]。

用戶-物品評分如表1所示,以用戶為行,以物品為列,每個(gè)單元格中的數(shù)值表示用戶對物品的評分。該表格用于存儲(chǔ)用戶對物品的評價(jià)信息,是協(xié)同過濾算法的基礎(chǔ)數(shù)據(jù)。表中有4個(gè)用戶(User1、User2、User3、User4)和6個(gè)物品(Item1、Item2、Item3、Item4、Item5、Item6)。其中,缺失的評分用“-”表示,例如:User1對Item2的評分為3,而User4對Item3的評分為-。

表1 用戶-物品評分

相似矩陣如表2所示,顯示不同用戶或物品之間的相似度得分。表格的行和列代表用戶或物品,每個(gè)單元格中的數(shù)值表示相似度分?jǐn)?shù),范圍從0到1。例如:User1和User2的相似度得分為0.3,User3和User4之間的相似度得分為0.5。

表2 相似矩陣

推薦結(jié)果如表3所示,顯示協(xié)同過濾算法生成的推薦結(jié)果。每個(gè)單元格表示相應(yīng)用戶對該物品的推薦評分。推薦評分是根據(jù)其他用戶對相似物品的評分加權(quán)計(jì)算得出的。例如:對于User1,Item1的推薦評分為2.7,Item2的推薦評分為2.2。

表3 推薦結(jié)果

3 結(jié)語

本研究通過研究基于算法推薦的個(gè)性化廣告?zhèn)鞑ゼ夹g(shù),探索了如何利用用戶數(shù)據(jù)和算法模型實(shí)現(xiàn)廣告精準(zhǔn)推薦。通過對用戶數(shù)據(jù)的分析和建模,本研究能夠更好地理解用戶的興趣和需求,并為其提供個(gè)性化的廣告推薦。選擇適合的推薦算法并對模型進(jìn)行訓(xùn)練和優(yōu)化,使得廣告推薦更加準(zhǔn)確和有效。通過實(shí)施該技術(shù),廣告主可以將廣告消息精準(zhǔn)地傳遞給目標(biāo)用戶,提高廣告?zhèn)鞑サ木珳?zhǔn)度和點(diǎn)擊率[5]。同時(shí),消費(fèi)者也能夠獲取到更符合其個(gè)人興趣和需求的廣告內(nèi)容,提供更有價(jià)值的廣告體驗(yàn)。然而,個(gè)性化廣告?zhèn)鞑ゼ夹g(shù)仍然面臨一些挑戰(zhàn)和限制,隱私保護(hù)是一個(gè)重要的問題,需要平衡用戶數(shù)據(jù)的使用和個(gè)人隱私權(quán)益。另外,用戶行為和興趣的變化也是一個(gè)動(dòng)態(tài)的過程,需要不斷更新和優(yōu)化推薦算法和模型,以確保廣告投放的效果。

綜上所述,基于算法推薦的個(gè)性化廣告?zhèn)鞑ゼ夹g(shù)在提供精準(zhǔn)廣告推薦和滿足消費(fèi)者需求方面具有廣闊的應(yīng)用前景。未來的研究可以進(jìn)一步探索用戶數(shù)據(jù)的利用方式、改進(jìn)算法模型的效果,并深入研究廣告效果評估和隱私保護(hù)等問題,以進(jìn)一步完善該技術(shù)并推動(dòng)其在實(shí)際應(yīng)用中的廣泛使用。

猜你喜歡

余弦物品個(gè)性化

稱物品

小學(xué)生學(xué)習(xí)指導(dǎo)(低年級)(2022年5期)2022-05-31 08:33:14

“雙十一”，你搶到了想要的物品嗎?

瘋狂英語·初中天地(2021年11期)2021-02-16 00:38:58

堅(jiān)持個(gè)性化的寫作

文苑(2020年4期)2020-05-30 12:35:12

誰動(dòng)了凡·高的物品

少年漫畫(藝術(shù)創(chuàng)想)(2019年2期)2019-06-06 07:47:02

新聞的個(gè)性化寫作

新聞傳播(2018年12期)2018-09-19 06:27:10

兩個(gè)含余弦函數(shù)的三角母不等式及其推論

中學(xué)數(shù)學(xué)雜志(高中版)(2016年6期)2017-03-01 18:53:58

上汽大通:C2B個(gè)性化定制未來

汽車與新動(dòng)力(2016年6期)2017-01-04 10:50:48

分?jǐn)?shù)階余弦變換的卷積定理

北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版)(2016年5期)2016-02-27 06:31:40

圖像壓縮感知在分?jǐn)?shù)階Fourier域、分?jǐn)?shù)階余弦域的性能比較

職業(yè)技術(shù)(2015年8期)2016-01-05 12:16:46

找物品

小天使·一年級語數(shù)英綜合(2015年8期)2015-07-06 06:23:32

無線互聯(lián)科技2023年20期

無線互聯(lián)科技的其它文章

帶式輸送機(jī)參數(shù)化設(shè)計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

網(wǎng)絡(luò)安全等級保護(hù)在信息安全建設(shè)中的應(yīng)用

電子設(shè)備模塊化維修方法應(yīng)用研究

VR技術(shù)在航標(biāo)領(lǐng)域的應(yīng)用研究
——以溫州航標(biāo)實(shí)訓(xùn)基地為例

智慧圖書館讀者個(gè)人信息保護(hù)研究

衛(wèi)星通信中的自適應(yīng)調(diào)制與編碼技術(shù)研究