一种基于反向影响力采样的多轮社交广告推荐方法

本发明涉及广告推荐领域，更确切地说，它涉及一种基于反向影响力采样的多轮社交广告推荐方法。

背景技术：

1、随着移动设备的普及和信息网络的飞速发展，社交网络在人们的网络生活中变得无处不在。人们通过社交网络进行沟通交流，信息可以通过"口碑效应"在社交网络中迅速传播，产生巨大的影响力。因此，社交网络影响力最大化成为了一个备受研究关注的问题。

2、社交网络影响力最大化问题最早由richardson和domingos等人在2002年提出，主要用于研究"口碑效应"和"病毒营销"。其中，"病毒营销"是指商家通过找到影响力较大的人，利用他们的影响力和口碑效应来推广产品，以获得更大的经济效益。

3、社交网络通常被抽象为一个有向图，其中节点代表用户，边代表用户之间的传播关系。影响力最大化问题的目标是在给定的社交网络中，找到一个种子集合，使得该集合中的用户能够在社交网络上产生最大的影响力。kempe等人在2003年将该问题模型化为一个算法问题，并证明了ic模型、lt模型以及tr模型上的影响力最大化问题都是np-hard的。为了解决这一问题，kempe等人提出了贪心算法，通过选择边际收益最大的点加入种子集合，以达到近似解。

4、尽管贪心算法能够得到较好的近似解，但计算每个点的边际收益仍然具有挑战性。为了提高算法效率，研究者们提出了基于采样的影响力最大化算法，如反向影响力采样(ris)技术及其衍生算法。这些算法通过采样方法来估计节点的边际收益，并取得了良好的近似比和实用性。

5、然而，现有的研究主要关注用户对单个广告的接受程度，忽略了广告之间的关联。

技术实现思路

1、本发明的目的是针对现有技术的不足，提出了一种基于反向影响力采样的多轮社交广告推荐方法。

2、第一方面，提供了一种基于反向影响力采样的多轮社交广告推荐方法，包括：

3、步骤1、依据用户信息和商品信息获取用户网络g＝(u,e)、(其中，u为用户集合，e为用户之间有向边的集合，有向边代表用户关联关系，如好友、关注等关系)，广告网络n＝(v，w)(其中，v为广告集合，w为广告之间的有向边集合，有向边代表广告之间的关联关系，即用户浏览或购买了一件商品对另一件商品的接受程度具有促进作用)，特殊用户组us、广告网络边权函数w：广告收益函数revenue：推荐轮数t，预算k；

4、步骤2、基于多轮反向影响力采样技术对选定边集估计其期望广告收益；

5、步骤3、基于边的贪心算法选出广告序列σ；

6、步骤4、利用三明治夹逼方法获取三个广告序列。

7、作为优选，步骤2包括：

8、步骤2.1、定义用户u在第t轮接受广告v的概率pu，v，t，并对所有的u，v，t计算pu，v，t：

9、

10、其中，的含义为如果满足括号内条件值为1，否则值为0；σt代表已经被选中的第t轮广告序列；e表示广告序列σt中包含的边，即e(σt)＝{(σt，i，σt，j，t)|i≤j，(σt，i，σt，j)∈w}，(v′，v，t)∈e(σt)的含义为枚举e(σt)中任意指向节点v的边，v′为边的另一个节点；

11、步骤2.2、计算需要生成的多轮反向可达集数量θ；

12、步骤2.3、生成θ个随机多轮反向可达集；

13、步骤2.4、根据步骤2.1计算的pu，v，t和步骤2.3生成的多轮反向可达集，估计边集e′的期望广告收益h。

14、作为优选，步骤2.1中，pmax(u，v′，v，t)的计算公式为：

15、

16、pmax(u，v′，v，t)代表(v′，v)对v的增益是所有v的入边中最大那条的概率。

17、作为优选，步骤2.3中，多轮反向可达集数量θ的计算公式为：

18、

19、其中r＝maxv{revenue(v)·tk}，ε和l为参数，其中n＝|u|代表用户的数量。

20、作为优选，步骤2.3中，选择g中的一个节点u作为起始节点，g中所有能够到达u的点集被称为一个反向可达集，在多轮的情况下，每一轮都独立地随机生成一个u的反向可达集。

21、作为优选，步骤3包括：

22、步骤3.1、对于所有(vi，vj)∈ε，估计其边际期望收益h((vi，vj，t)|e(σ∪{σt}))，其中ε来表示尾部不在已选集合σt中的边的集合；

23、步骤3.2、选择边际收益最高的一条边(vi，vj)∈ε，如果边的头部vi不在σt里，或者vi＝vj，即该边是自环，则把vj加入到σt的末尾，否则就把vi和vj按顺序依次加入到σt的末尾。

24、作为优选，步骤4包括：

25、步骤4.1、重新定义用户在第t轮对所推荐广告的接受概率计算部分，即：

26、

27、

28、步骤4.2、根据pu，v，t和执行步骤3中的贪心算法，获得三组广告序列：

29、步骤4.3、对每一个时间轮t执行步骤4.2的过程，选取边际收益最大的一组广告序列加入到σ中，得到最终的多轮广告序列σ。

30、第二方面，提供了一种基于反向影响力采样的多轮社交广告推荐系统，用于执行第一方面任一所述的基于反向影响力采样的多轮社交广告推荐方法，包括：

31、第一获取模块，用于依据用户信息和商品信息获取用户网络g＝(u，e)、广告网络n＝(v，w)、特殊用户组us、广告网络边权函数w：广告收益函数revenue：推荐轮数t，预算k；

32、估计模块，用于基于多轮反向影响力采样技术对选定边集估计其期望广告收益；

33、选出模块，用于基于边的贪心算法选出广告序列σ；

34、第二获取模块，用于利用三明治夹逼方法获取三个广告序列。

35、第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的基于反向影响力采样的多轮社交广告推荐方法。

36、本发明的有益效果是：本发明将影响力最大化问题与广告推荐问题相结合，考虑广告之间的关联对用户接受广告程度的促进作用，并引入多轮广告序列影响力最大化问题。通过基于边的贪心算法，提高广告推荐的效果，实现平台收益的最大化。

技术特征：

1.一种基于反向影响力采样的多轮社交广告推荐方法，其特征在于，包括：

2.根据权利要求1所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤2包括：

3.根据权利要求2所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤2.1中，pmax(u，v′，v，t)的计算公式为：

4.根据权利要求3所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤2.3中，多轮反向可达集数量θ的计算公式为：

5.根据权利要求4所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤2.3中，选择g中的一个节点u作为起始节点，g中所有能够到达u的点集被称为一个反向可达集，在多轮的情况下，每一轮都独立地随机生成一个u的反向可达集。

6.根据权利要求5所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤3包括：

7.根据权利要求6所述的基于反向影响力采样的多轮社交广告推荐方法，其特征在于，步骤4包括：

8.一种基于反向影响力采样的多轮社交广告推荐系统，其特征在于，用于执行权利要求1至7任一所述的基于反向影响力采样的多轮社交广告推荐方法，包括：

9.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至7任一所述的基于反向影响力采样的多轮社交广告推荐方法。

技术总结
本发明涉及一种基于反向影响力采样的多轮社交广告推荐方法，对于社交网络中一组具有相似特性的特定用户，基于广告之间的关联，向他们推荐相同的多轮序列广告，经过社交网络传播，达到广告收益的最大化，并使用一种多轮随机反向影响力采样方法，用于估计影响力扩散增益。本发明的有益效果是：本发明使用基于边的贪心方法和三明治夹逼算法选择若干组序列广告推荐，在保证算法合理近似比的同时，取得良好的推荐效果，最大化广告平台收益。

技术研发人员：史麒豪,杨武剑,王灿,宋明黎
受保护的技术使用者：浙大城市学院
技术研发日：
技术公布日：2024/1/22