一种基于聚类的移动广告推荐方法
【专利摘要】本发明公开了一种基于聚类的移动广告推荐方法，包括：建立移动广告投放平台，通过移动广告投放平台采集用户数据信息；从移动广告投放平台的用户数据信息中提取广告行为数据；将广告行为数据转化为广告行为向量矩阵，广告行为向量矩阵的行向量为每一个用户的广告行为数据；对广告行为向量矩阵的各个行向量逐一进行降维计算；根据各个用户的相似度对用户进行聚类，计算出用户簇群；根据用户簇群的特征在移动广告投放平台中查找出与用户簇群相匹配的广告类别并将其加入至该用户的广告推荐序列中，将广告推荐序列中的移动广告推荐给用户进行投放。本发明提供的基于聚类的移动广告推荐方法在广告个性化推荐上具有准确性高的优点。
【专利说明】一种基于聚类的移动广告推荐方法
【技术领域】
[0001] 本发明涉及通信【技术领域】，尤其涉及一种基于聚类的移动广告推荐方法。
【背景技术】
[0002] 个性化广告是根据用户的浏览兴趣来向用户推荐相关的广告，它是精准广告投放 的一个非常重要的手段，个性化广告由于推荐的广告和用户的兴趣密切相关，可以有效地 提高用户体验，让用户更容易接受，从广告商的角度来说，个性化广告做到了有的放矢，避 免了广告投放的浪费，提高了广告投放的效率。
[0003] 随着移动网络接入环境的优化、入网资费的降低和智能移动通信终端（简称移动 终端）的普及，移动网络通信进入了一个蓬勃发展的时期，移动终端尤其是智能手机，已经 成为人们日常生活中不可或缺的随身通信工具和数字助手。越来越多的人使用手机上网浏 览互联网信息。而庞大的用户规模，以及移动终端携带方便的特性，吸引了大批技术开发者 为移动终端设计广告推荐方案。
[0004] 借助良好的数字媒体环境，广告传媒业的发展更为迅速。目前，利用计算机广告投 放平台，在计算机互联网上投放广告业务的技术已较为成熟；室外广告投放平台特别是数 字标牌广告，如在大型商场、超市、酒店大堂、影院及其它人流汇聚的公共场所，通过大屏幕 终端显示设备发布商业、财经和娱乐信息的多媒体专业视听系统等广告方式也较为常见。 但这种采用固定界面显示固定广告的做法，难以根据用户的属性和行为做出动态调整，降 低了广告投放的效率，且未能较好地迎合移动终端发展的需要，帮助客户利用移动终端直 接对广告显示界面进行设计，未能自动地将广告精准地推送到目标群体的移动终端上；另 一方面，无法面向用户，并根据移动终端上的广告投放效果、用户属性与习惯等对已投放的 广告显示界面进行更新，也未能为投放广告的广告主提供广告效益、效果统计分析、报表导 出、结算支出等功能。
[0005] 现有的一种个性化广告推荐技术是基于用户浏览记录和行为，为用户建立兴趣模 型，再用兴趣模型去匹配广告。通过统计一段时间内用户所浏览的网页信息，根据用户浏览 的网页中的关键字或网页类型提取用户特征，当需要为用户投放广告时，通过将广告的特 征和用户的特征进行匹配，将广告投放给用户。
[0006] 然而，这种方法在广告点击率很低的情况下，如广告点击率在万分之一到千分之 一的比例，通过已有的历史数据进行训练很难达到较好的稳定的结果，在利用历史数据进 行训练时，会产生数据稀疏的问题导致效果交差，而大多数广告点击次数可能仅为〇或1， 如此少的点击数很难准确的说明问题，据此展现的广告被用户点击的概率是很低的。因此， 现有的这种仅仅依靠广告点击率作为广告推荐要素的方法无法真正查找出广告投放目标， 广告推荐的准确性低，推荐结果的稳定性差。
【发明内容】
[0007] 本发明所要解决的技术问题是，提供一种基于聚类的移动广告推荐方法，提高移 动终端上的广告个性化推荐的准确性。
[0008] 为解决以上技术问题，一方面，本发明提供一种基于聚类的移动广告推荐方法，包 括：
[0009] S10 :建立移动广告投放平台，通过所述移动广告投放平台采集用户数据信息；
[0010] S20 :从所述移动广告投放平台的用户数据信息中提取广告行为数据；
[0011] S30:将所述广告行为数据转化为广告行为向量矩阵，所述广告行为向量矩阵的行 向量为每一个用户的广告行为数据；
[0012] S40 :对所述广告行为向量矩阵的各个行向量逐一进行降维计算；
[0013] S50 :判断各个用户的相似度，根据各个用户的相似度对用户进行聚类，利用聚类 的算法计算出用户簇群；
[0014] S60:根据所述用户簇群的特征，在所述移动广告投放平台中查找出与所述用户簇 群相匹配的广告类别并将其加入至该用户的广告推荐序列中，将所述广告推荐序列中的移 动广告推荐给用户进行投放。
[0015] 进一步地，在所述步骤S20中，所述广告行为数据包括：用户在广告展示期内对广 告的点击次数、下载安装的移动广告的次数、所述下载安装的移动广告所属的广告类别，以 及所述广告类别的转化率数值。
[0016] 进一步地，所述步骤S30包括：
[0017] 实时监测用户在所述移动广告平台上的广告行为，将每一个用户的广告行为数据 统计为一维的行向量：
[0018] Am - [am-" am-2，· · ·，am-n]
[0019] 其中，参数m表示第m个用户，参数η表示第η个移动广告，向量元素 am_n表示第m 个用户对第η个移动广告的安装行为，m > 0, η > 0 ;
[0020] 将所有用户的广告行为的行向量组成为所述的广告行为向量矩阵。
[0021] 优选地，所述安装行为是用户对移动广告的安装次数，则所述向量元素 am n表示第 m个用户对第η个移动广告的安装次数。
[0022] 进一步地，所述步骤S40具体包括：
[0023] S401 :将所述移动广告平台的广告池中的移动广告划分为多个类型；
[0024] S402:根据广告池中的各种广告类型的特征，判断每一个用户的广告行为中所涉 及的各个移动广告的类型；
[0025] S403:将属于同一个类型的移动广告安装行为作为同一类广告安装行为，并统计 所述同一类广告安装行为的安装次数，对所述用户广告行为行向量A m进行统计更新，获得 每一个用户的广告行为类别行向量：
[0026] A'm = [a' m l, a' m 2, . . . , a' m P]
[0027] 其中，参数m表示第m个用户，参数P表示第P类移动广告，向量元素 a'm_P表示第 m个用户对第P类移动广告的安装次数，m>0，n>P>0。
[0028] 再进一步地，在所述步骤S403之后，还包括：
[0029] S404 :收集所述移动广告平台的各种移动广告类型的广告投放转换率，获得转化 率数值C = [C0ni，Con2,. . .，ConP]，其中，向量元素 ConP表示第P类广告的转化率；
[0030] S405:根据以下公式，利用所述转化率数值对所述广告行为类别行向量A'm的各个 向量元素 a' m P进行更新，获得第m个用户的广告喜好向量：
[0031]
【权利要求】
1. 一种基于聚类的移动广告推荐方法，其特征在于，包括： S10 :建立移动广告投放平台，通过所述移动广告投放平台采集用户数据信息； S20 :从所述移动广告投放平台的用户数据信息中提取广告行为数据； S30 :将所述广告行为数据转化为广告行为向量矩阵，所述广告行为向量矩阵的行向量 为每一个用户的广告行为数据； S40 :对所述广告行为向量矩阵的各个行向量逐一进行降维计算； S50 :判断各个用户的相似度，根据各个用户的相似度对用户进行聚类，利用聚类的算 法计算出用户簇群； S60 :根据所述用户簇群的特征，在所述移动广告投放平台中查找出与所述用户簇群相 匹配的广告类别并将其加入至该用户的广告推荐序列中，将所述广告推荐序列中的移动广 告推荐给用户进行投放。
2. 如权利要求1所述的基于聚类的移动广告推荐方法，其特征在于，在所述步骤S20 中，所述广告行为数据包括：用户在广告展示期内对广告的点击次数、下载安装的移动广告 的次数、所述下载安装的移动广告所属的广告类别，以及所述广告类别的转化率数值。
3. 如权利要求2所述的基于聚类的移动广告推荐方法，其特征在于，所述步骤S30包 括： 实时监测用户在所述移动广告平台上的广告行为，将每一个用户的广告行为数据统计 为一维的行向量： Am - [am-1，am-2，· · ·，am-η] 其中，参数m表示第m个用户，参数n表示第n个移动广告，向量元素 am_n表示第m个 用户对第η个移动广告的安装行为，m > 0, η > 0 ; 将所有用户的广告行为的行向量组成为所述的广告行为向量矩阵。
4. 如权利要求3所述的基于聚类的移动广告推荐方法，其特征在于，所述安装行为是 用户对移动广告的安装次数，则所述向量元素 am n表示第m个用户对第η个移动广告的安 装次数。
5. 如权利要求4所述的基于聚类的移动广告推荐方法，其特征在于，所述步骤S40具体 包括： 5401 :将所述移动广告平台的广告池中的移动广告划分为多个类型； 5402 :根据广告池中的各种广告类型的特征，判断每一个用户的广告行为中所涉及的 各个移动广告的类型； S403:将属于同一个类型的移动广告安装行为作为同一类广告安装行为，并统计所述 同一类广告安装行为的安装次数，对所述用户广告行为行向量Am进行统计更新，获得每一 个用户的广告行为类别行向量： A m - [a m-1，a m-2，· · ·，a m-P] 其中，参数m表示第m个用户，参数P表示第P类移动广告，向量元素 a' m_P表示第m个 用户对第P类移动广告的安装次数，m > 0, η > P > 0。
6. 如权利要求5所述的基于聚类的移动广告推荐方法，其特征在于，在所述步骤S403 之后，还包括： S404:收集所述移动广告平台的各种移动广告类型的广告投放转换率，获得转化率数 值C = [C〇ni，Con2, · · ·，ConP]，其中，向量元素 ConP表示第P类广告的转化率； S405 :根据以下公式，利用所述转化率数值对所述广告行为类别行向量A'm的各个向量 元素 a' m P进行更新，获得第m个用户的广告喜好向量：
其中，向量元素 fm_P表示第m个用户对第P类移动广告的安装喜好因子。
7. 如权利要求6所述的基于聚类的移动广告推荐方法，其特征在于，所述步骤S50具体 包括： S501 :在所有用户中任意选取K个用户的广告喜好向量作为初始的聚类中心点，形成 初始簇群，1 < K < M，参数Μ为所有用户的数量； S502:将所有用户作为聚类对象，逐一计算出每一个用户的广告喜好向量与所述Κ个 聚类中心点的距离，并将与每个用户归类到与其距离最近的聚类中心点，每个所述聚类中 心点与归类到其内部的各个用户形成一个类； 5503 :重新计算得到的各个类的质心Ε。，将计算得到的质心作为新的聚类中心点对用 户进行聚类； 5504 :迭代所述步骤S502?S503步直至新的质心具有收敛性，获得对所有用户 进行聚类后的Κ个用户簇群，分别为用户簇群Q[l]，用户簇群Q[2]，......，用户簇群 Q[K]，并且，第k类用户簇群Q[k]分别在共P种移动广告类型的中心向量为F' k = [f' k」，f' k_2,. . .，f' k_P]，其中，向量元素 f' k_P表示第k类用户簇群在第P类移动广告的中心 向量值，1彡k彡K。
8. 如权利要求7所述的基于聚类的移动广告推荐方法，其特征在于，在所述步骤S503 中，通过以下公式计算出第k类用户簇群的质心： 办fi
其中，Fm是用户m的广告喜好向量，nk是第k个用户簇群的大小，
是属于用户 簇群Q[k]的所有用户广告喜好向量之和。
9. 如权利要求8所述的基于聚类的移动广告推荐方法，其特征在于，所述步骤S60包 括： 5601 :当任一用户h接入移动广告平台时，查找出用户h所在的用户簇群及其对应的中 心向量；当用户h与第k类用户簇群对应时，其中心向量为F' k = [f' k」，f' k 2,. . .，f' k P]; 5602 :根据向量元素值的大小，对用户h所对应的用户簇群的中心向量F' k = [f' kJ，f' k_2, · · ·，f' k_P]中的元素值进行排序； 5603 :根据排序在前面的一个或多个元素值所对应的广告类别，在所述移动广告平台 上广告池中抽取相应的广告，随机排序后加入用户h的移动软件广告推荐序列中； 5604 :在所述用户h的移动软件广告推荐序列中抽取一个或多个用户喜好度最高的广 告进行推荐。
【文档编号】G06Q30/02GK104063801SQ201410283679
【公开日】2014年9月24日 申请日期:2014年6月23日 优先权日:2014年6月23日
【发明者】毛仁歆 申请人:广州优蜜信息科技有限公司