交互式广告移动媒体系统设计与实现

传统广告移动媒体系统通常基于PC端运行,存在交互性不强的问题。基于此,阐述了交互式广告移动媒体系统的设计需求和架构,运用iBeancon微定位、H5及Android技术设计了系统功能模块,包括广告内容发布模块、推送模块、用户终端显示模块和广告移动交互模块,阐述了系统交互式广告的实现效果。相较于传统媒体广告系统而言,此系统具有更强的交互性和应用价值。     

基于广告与用户相似度的点击率预估模型

点击率预估是广告推荐系统中的一个重要方向,现有的点击率预估模型大多是基于特征feature与CTR之间的关系预测一条广告是否被用户点击,但是仍有许多能提高点击率模型性能的信息被忽略.文章提出了一种基于广告特征与用户特征相似度的模型,该模型在DeepFM点击率预测算法的基础上,增加了一个能够拟合广告特征与用户特征之间关系...     

基于用户实时反馈的点击率预估算法

当前主流的在线广告点击率（CTR）预估算法主要通过机器学习方法从大规模日志数据中挖掘用户与广告间的相关性从而提升点击率预估精度,其不足之处在于没有充分考虑用户实时行为对CTR的影响。对大规模真实在线广告日志进行分析后发现,在会话中,用户CTR的动态变化和用户先前的反馈行为高度相关,不同的用户行为对用户实时CTR的影响不尽相同。基于上述分析结果,提出一种基于用户实时反馈的点击率预估算法。首先,从大规模真实在线广告日志数据中定量分析用户反馈和点击率预估精度的相关关系;然后,根据分析结果将用户的反馈行为特征化;最后,使用机器学习方法对用户的行为进行建模,并根据用户的反馈实时动态调整广告投放,从而提升在线广告系统的点击率预估精度。实验结果表明,用户实时反馈特征和用户点击率高度相关;相比于传统没有用户实时反馈信息的预测模型,该算法在测试集上对AUC（Area Under the Curve）和RIG（Relative Information Gain）指标提升分别为0.83%和6.68%。实验结果表明,用户实时反馈特征显著提高点击率预估的精度。     

特征重要性动态提取的广告点击率预测模型

点击率预测(Click-Through Rate,CTR)是在线展示广告中的一项关键任务,CTR预测任务中涉及的数据通常有多个特征,对其中的重要特征提取、建模的方式极大地影响了 CTR预测的准确性.以往方法在特征重要性提取过程中存在信息干扰问题.针对这一问题,提出了一种特征重要性动态提取的广告点击率预测模型.该模型将门...     

在线广告点击率预测方法的研究综述

在在线广告和推荐系统中，准确预测点击率(Click-Through Rate, CTR)是至关重要的。CTR是广告被点击次数与广告被展示次数的比值。过去，许多传统的机器学习算法，如逻辑回归、支持向量机，因为简单且易于实现而被广泛地应用于广告点击率预测工作。然而，这些传统算法往往需要复杂的特征工程。相较之下，深度学习模型能够有效自动提取高阶特征，可以较好地解决这一问题。此外，为了实现更高效、更准确的性能，融合了嵌入式和钦层感知器(Multilayer Perceptron, MLP)的优点的混合架构近年来被广泛地应用。该文对预测点击率的方法进行了全面的研究，不仅根据现有解决方案的架构将其分为三类，而且对每一类进行了详细的概述。最后，该文指出了该领域存在的挑战和未来发展方向，为进一步研究指明可能的途径。     

基于集成模型的移动应用广告转化率预测

移动应用广告是互联网广告市场中一种主动的广告形式,它能够分析用户的兴趣爱好,并投其所好,精准投放广告,从而提高用户体验,为广告平台与广告主带来巨大的收益.因此,预测移动应用广告的转化率已成为一个非常重要的研究方向.本文以逻辑回归和两个梯度提升树模型为基础,使用堆叠和平均的集成思想,提出了两种集成模型--SXL和BLLX模型,解决了传统预测模型能力有限,无法精准预测转化率的问题.在腾讯2017社交广告比赛的数据集上的实验结果表明,SXL和BLLX两种模型能够有效地提高广告转化率的预测结果.     

个性化广告推荐系统及其应用研究

近年来,随着互联网及智能移动设备的发展和普及,丰富了广告的推送方式和投放平台.但是传统的广告推送无法满足用户对个性化广告的需求,导致用户对广告产生抵触情绪,给广告推送带来极大的挑战.个性化广告推荐系统作为应对这些挑战的有效手段,成为个性化服务领域的研究热点之一.个性化广告推荐系统获取用户兴趣偏好,利用多种个性化广告推荐技术,通过PC端、移动终端等多平台为用户提供个性化广告,并且已经在一些应用系统中取得不错的效果.本文对个性化广告推荐系统的研究进展进行系统地综述,从个性化广告推荐的概述出发,对近年来个性化广告推荐的关键技术进行深入分析,包括数据采集与预处理、用户偏好获取、个性化广告推荐技术等.统计分析了个性化广告推荐中使用的多种数据集和评价指标,总结当前个性化广告推荐在传统互联网、移动服务、数字标牌、IPTV等场景下的应用.最后对个性化广告推荐系统存在问题和未来深入研究的方向进行讨论和展望.     

一种带标签的协同过滤广告推荐算法

为准确预测点击率(CTR)并合理利用其进行广告推荐,基于标签推荐技术与协同过滤方法,提出一种新的混合式广告推荐算法。将广告关键词作为标签引入到Query页的相似性计算中,采用Query页加权综合相似度度量方法降低相似矩阵的稀疏性,建立一种基于广告关键词的搜索广告兴趣模型。使用Top-N策略以减少最近邻候选集的大小,并基于预测CTR筛选出广告推荐结果。通过实验调节Query页加权综合相似度度量参数并验证算法的可扩展性。在KDDCUP2012数据集上的实验结果表明,与传统协同过滤算法、基于标签的推荐算法及基于标签和项目关系的推荐算法相比,带标签的协同过滤广告推荐算法具有更好的可扩展性和较优的推荐质量。     

基于push机制的MDM平台研究

移动互联网的飞速发展,对企业业务运营和管理模式的变革具有深刻影响。大量的智能移动终端在企业移动信息化中得到了普及和应用,移动应用的管理、控制和安全,已经成为企业迫切需要解决的问题,企业对智能移动终端的管控已是大势所趋。介绍了基于push机制的MDM平台的关键技术,并对平台架构和功能进行了分析。     

基于GMM-FMs的广告点击率预测研究

传统单一模型对广告点击率(CTR)的预测效果较片面,且广告日志数据存在稀疏性问题。为此,将高斯混合模型(GMM)与因子分解机(FM)相结合,建立一种广告点击率预测模型GMM-FMs。对原始数据集进行高斯聚类,在聚类后得到的数据子集上分别建立CTR预测模型,将多个预测模型的结果进行有效加权得到最终结果。实验结果表明,相比传统逻辑回归与FM模型,该模型在训练集与测试集比例不同时均能取得较高的AUC值。