共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
从根本上说,我们之所以能够免费使用各种网络服务是因为它们有在线广告的支持。在线广告是一个高达数十亿美元的庞大业务,由大规模的多层次广告网络基础设施所支持,其中不仅包括合法的广告商也包括网络罪犯。实际上,安全厂商Blue Coat公司2011年网络威胁报告指出:恶意广告已经在2011年攀升至10大网络攻击方法中第3的位置。下面将介绍这种新现象的原理,以及如何最好地应对它的某些结论。 相似文献
4.
5.
6.
7.
从操作系统到网络门户,从Windows到广告用户,微软开始将目光移向广告营销。微软在线服务集团中国区销售总监、上海美斯恩网络通讯技术有限公司(MSN中国)销售副总裁陈啸称:“我们是一个纯粹网络广告收入的公司。”微软首先整合了具有广告价值的资源,除了微软在线用户,游戏机、掌上电脑以及移动设备的用户也将在应用时看到广告。中国市场广告用户增长达3倍陈啸曾用“江宽不碍船行”来形容中国广告市场的潜力大,那么这个正式运营1年零7个月,只有150人左右的公司已在广阔的中国广告市场划行多远了呢?“我们目前的广告用户比起第一年已经增长了… 相似文献
8.
从根本上说,我们之所以能够免费使用各种网络服务,是因为它们有在线广告的支持。在线广告是一个高达数十亿美元的庞大业务,由大规模的多层次广告网络基础设施所支持,其中不仅包括合法的广告商,也包括网络罪犯。 相似文献
9.
10.
11.
12.
Sunrise 《电脑技术——Hello-IT》2001,(5)
网络广告争夺的是网民的注意力。由于目前广告主和代理商过于强调点击率,网络广告的创意越来越受到各方的关注。 今年2月底,美国互联网广告联合会(IAB)公布了一系列新的在线广告规定。除目前被广泛采用的468 × 60象素旗帜广告外,又增加了7种新的广告样式。从IAB所推荐的7种广告尺寸来看,大尺寸的广告占了绝大部分,美国部分网站也开始使用大尺寸广告,像CNET在今年年初就正式推出了微型广告网站(Messaging Plus Unit)。为推出这种广告,CNET经过了长达6个月的策划、反馈及改版。在国内,… 相似文献
13.
14.
7月,沃尔玛在国外推出了一项名为“School My Way”的在线比赛,让学生来创作视频广告,获胜者的作品将在有线电视播出。对一向“沉稳”的沃尔玛来说这一做法足够创新,其实耐克、万事达、通用汽车、丰田汽车和欧莱雅等诸多大广告主,都在尝试这一“与用户互动”的广告形式。 相似文献
15.
很多朋友都会访问相关网站在线读书或浏览博客,但由于种种原因,这些网站都会放置很多的广告,在浏览过程中不时飘出的各式广告显然会让我们相当烦恼,稍不小心,甚至会误点某一广告跳转到其他的站点。如果你使用的是Windows 8.1,那么可以在Metro界面下使用IE,消灭在线浏览的广告骚扰。 相似文献
16.
网络广告对于网站来说无疑是命脉所系,以三大门户为代表的内容网站盈利模式始终依赖于网络广告,在过去的几个月里,各大网站为吸引广告客户使出了浑身解术,进行形式上的突破,内容上的更新,只为了一个目的——开拓广告市场,增加在线广告的收入。因此,了解谁更青睐网络广告便成为网站经营者最为关心的问题。 网络广告先锋公司的最新调查报告显示,2000年度对网络广告最有兴趣的为网络媒体类广告主,在 相似文献
17.
18.
随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。 相似文献
19.
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。 相似文献
20.
由于互联网中积累的广告日志具有数据稀疏、特征量大、正负样本分布极其不均匀等问题,使得人工特征提取费时费力,并且单一预测模型很难得到更好的预测性能。针对这些问题,提出梯度提升树GBDT和Stacking相融合的点击率预测模型GBDT-Stacking。通过引入梯度提升树自动进行特征提取与构造,并结合Stacking集成模型对在线广告点击率进行预测,有效提高了单个预测模型的性能。在真实广告数据集上的实验结果表明,GBDT-Stacking集成模型比对比模型在AUC的取值上至少提升了4%。 相似文献