一种有效预防点击欺诈的算法

网络广告中,点击欺诈愈演愈烈,已经成为阻碍网络广告业健康发展的一大顽疾。针对网络广告业发展所面临的困境,对预防点击欺诈进行了研究,提出一种基于浏览时间和点击频率,并与验证码相结合的算法。该算法能有效屏蔽类似于木马点击器软件的点击欺诈,有效屏蔽浏览者偶然的无意识的无效点击,显著降低人工点击欺诈的效率,同时也不会让真正的潜在客户流失。     

一种有效预防点击欺诈的策略

网络广告中,点击欺诈愈演愈烈,使得搜索引擎企业以及点击付费模式遭到质疑。点击欺诈已经成为阻碍网络广告业健康发展的一大顽疾。针对网络广告业发展所面临的困境,提出一种基于图形验证码的预防点击欺诈策略。该策略能有效屏蔽类似于木马点击器软件的欺诈点击,有效屏蔽浏览者偶然的无意识的无效点击,显著降低人工欺诈点击的效率。     

点击欺诈群体检测与发现*

在线广告中的欺诈点击(click fraud)是指所有利用欺诈性手段或带有欺诈意图并被搜索引擎承认的点击行为。传统点击欺诈检测主要集中在检测个体用户点击的合法性。然而,目前存在很多的发布商雇佣大批网络用户,以群体形式进行欺诈点击。针对这一问题,提出了一种检测点击欺诈群组的方法。首先使用频繁项集挖掘算法来发现共同点击过大量广告的个体用户,作为疑似欺诈组。然后,在对组内用户点击行为属性分析的基础上,运用孤立点检测方法找到与组内其它用户有显著差异的疑似欺诈用户。最后,运用贝叶斯分类方法对检测到的所有疑似欺诈成员分类,得到真正的欺诈群组和欺诈用户。在真实数据集上的实验结果证明了方法的可行性与有效性。     

Web挖掘在网络广告点击欺诈检测中的应用

为有效解决网络广告中存在的点击欺诈问题,提出了一种基于Web挖掘算法的解决方案,并设计了一套点击欺诈检测模型.该模型通过对点击流进行时序分析、离群点挖掘、非线性分析等操作,能有效检测或屏蔽各类点击欺诈,有效屏蔽无意识的无效点击,并且在不影响广告展示速度的基础上显著提高检测点击欺诈的效率.实验结果表明,该解决方案可以有效检测采用手动或者利用计算机程序的方法模仿正常用户进行点击欺诈的行为,表明了模型的可行性和方案的有效性.     

基于集成特征选择的点击欺诈检测方法

网络在线广告中以套取广告费为目的的点击欺诈已经严重影响了网络广告的稳定发展。从FDMA2012竞赛提供的欺诈发布商检测的真实数据集出发，针对冗余特征会降低训练效率以及不平衡数据会使决策边界发生偏倚的问题，提出了一种基于集成特征选择的网络在线广告点击欺诈检测方法。采用Bagging方法和合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）相结合的方法将多数的正常点击广告发布商样本与少数的欺诈点击广告发布商样本构造为多个袋装子集，利用基于相关性度量的特征选择算法对每个袋装子集中筛选出特征子集，设置阈值得到特征合集，利用随机森林算法构建点击欺诈检测模型。实验结果表明该方法能够有效识别出实施欺诈点击行为的非法发布商，达到网络在线广告中点击欺诈检测的要求。     

网络检索用户行为可靠性分析

基于大规模真实网络用户的行为日志,对用户与网络搜索引擎系统的交互过程和用户决策过程展开研究.通过比较具有相关信息的用户点击和普通点击的分布,对用户点击的3类上下文背景特征进行分析,从而实现对用户点击的可靠性评估.实验结果表明,通过对用户点击的上下文背景的特征分析,能够发现用户检索行为中的思维决策过程,并进而对用户点击的可靠性进行有效的评估.     

一种基于用户行为特征选择的点击欺诈检测方法

在线广告是目前众多网络巨头收入的主要来源,在线广告也为网络的健康发展提供了强大的经济支撑。目前,利用用户行为属性特征来识别点击欺诈的方法中,含有较多的冗余特征,检测效率相对较低。针对这一问题,提出了一种属性特征选择与分类方法相结合的欺诈检测方法。通过训练数据集找到欺诈用户点击广告的属性特征集合,采用Fisher分方法得到了属性特征重要度排序,选取重要属性特征,并基于这些重要的特征使用支持向量机二分类方法分类。在真实数据集上的实验结果证明了该方法的可行性与有效性。     

网络检索用户行为可靠性分析

基于大规模真实网络用户的行为日志,对用户与网络搜索引擎系统的交互过程和用户决策过程展开研 究.通过比较具有相关信息的用户点击和普通点击的分布,对用户点击的3 类上下文背景特征进行分析,从而实现对 用户点击的可靠性评估.实验结果表明,通过对用户点击的上下文背景的特征分析,能够发现用户检索行为中的思维 决策过程,并进而对用户点击的可靠性进行有效的评估.     

国际新闻

点击欺诈增至14.1%ClickForensics公布的调查报告发现,第二季度网络搜索相关广告的点击欺诈(clickfraud)率增加到14.1%,高于第一季的13.7%。这项调查包含对1300多名在线营销商所做的访调。第二季度Google、雅虎等大型搜索网站的点击欺诈发生率达12.8%,高于第一季的12.1%。高价位搜索关键字广告每点击一次就让广告主付出2美元以上广告费,点击欺诈的平均发生率为20.2%。当竞争对手故意点击某家公司刊登的网络广告,意图让对方多付广告费,或是某网站为分得更多在线广告收益而蓄意点击广告灌水充数,皆属点击欺诈行为。搜索网站表示,点击欺诈的…     

基于非平衡数据处理方法的网络在线广告中点击欺诈检测的研究

网络在线广告中以套取广告费为目的的点击欺诈检测是机器学习应用的重要内容之一。支持向量机(Support Vector Machine,SVM)是一种优秀的解决二分类和回归问题的机器学习算法,但应用于网络在线广告中的欺诈点击检测时,由于数据集的极端非平衡性,算法性能受到极大的限制。从FDMA2012竞赛欺诈发布商检测的真实数据集出发,在详细研究与对比了3种非平衡数据处理方法后,选取最佳的混合采样方法对原始数据进行处理,再将其应用于SVM分类器。实验结果表明,所提方法能够有效识别实施欺诈点击行为的非法发布商,准确度达到95%左右,满足了网络在线广告中点击欺诈检测的要求。     

网络广告播放系统的设计

随着当前互联网络信息传播情况的发展，以互联网为传播媒介的网络广告影响迅速扩大，本文针对当前网络广告播放系统的特点和构成进行了详细的分析，指出了当前网络广告播放系统所存在的问题，并给出了一种新型的网络广告播放系统模型的实现技术。     

网络广告播放系统的设计

随着当前互联网络信息传播情况的发展,以互联网为传播媒介的网络广告影响迅速扩大,本文针对当前网络广告播放系统的特点和构成进行了详细的分析,指出了当前网络广告播放系统所存在的问题,并给出了一种新型的网络广告播放系统模型的实现技术。     

基于网络广告发展与思考

本文主要运用探索性研究的方法,在阅读大量文献和市场调研的基础上,以网络广告的规范化管理为契机,结合当今的实际情况,探讨网络广告飞速发展中出现的一些突出问题,并提出了一些独特性的对策和建议。     

基于用户评价的查询串与搜索结果特征权重计算

提出了利用大量用户评价结果来进行特征权重的计算方法,用于解决搜索引擎中查询串与搜索结果的相似度分析。该方法完全利用用户对搜索结果的“潜在评价”来进行。用户对输入查询串所做的点击反映了其内部的关联性,该文提出的方法可获取这种关联性,对该问题建立了数学模型,利用EM算法解决了特征权重的计算。由于模型的函数比较复杂,难于计算其收敛性,因此,使用了模拟退火算法作为EM算法的补充,用于验证算法的收敛性。实验使用百度搜索引擎在竞价广告上进行,提取的测试数据样本为100个广告和144 132个query,获得的数据结果显示,所有特征收敛到全局最优解,抽样部分数据获得检索相似准确率为93.32%,召回率为87.43%。     

NEVA: Visual Analytics to Identify Fraudulent Networks

Trust-ability, reputation, security and quality are the main concerns for public and private financial institutions. To detect fraudulent behaviour, several techniques are applied pursuing different goals. For well-defined problems, analytical methods are applicable to examine the history of customer transactions. However, fraudulent behaviour is constantly changing, which results in ill-defined problems. Furthermore, analysing the behaviour of individual customers is not sufficient to detect more complex structures such as networks of fraudulent actors. We propose NEVA (Network dEtection with Visual Analytics), a Visual Analytics exploration environment to support the analysis of customer networks in order to reduce false-negative and false-positive alarms of frauds. Multiple coordinated views allow for exploring complex relations and dependencies of the data. A guidance-enriched component for network pattern generation, detection and filtering support exploring and analysing the relationships of nodes on different levels of complexity. In six expert interviews, we illustrate the applicability and usability of NEVA.     

网络广告设计的移位思维

网络广告以最先进的姿态出现在广告媒体当中,它的产生和快速发展有着历史必然性,要想让网络广告带来更多的广告效益还需策划者从多方面进行思考,移位思维就是网络广告设计成功的法宝之一。     

超平面的平面广告设计

进入21世纪,广告业的发展更加日新月异,在受到影视广告和网络广告的冲击下,平面广告也出现新趋势,带给受众以新鲜、生动的冲击力和吸引力。这些作品有的是利用放置环境的参与性,有的是利用受众的参与性,有的是利用材质的特殊性,有的是利用媒介的独特性等手法,在传统的平面媒体上打破"平面"、"静态"的传统,使作品"立体"、"活动"、"交互"了起来。     

CAT-RFE:点击欺诈的集成检测框架

点击欺诈是近年来最常见的网络犯罪手段之一,互联网广告行业每年都会因点击欺诈而遭受巨大损失。为了能够在海量点击中有效地检测欺诈点击,构建了多种充分结合广告点击与时间属性关系的特征,并提出了一种点击欺诈检测的集成学习框架——CAT-RFE集成学习框架。CAT-RFE集成学习框架包含3个部分:基分类器、递归特征消除(RFE,recursive feature elimination)和voting集成学习。其中,将适用于类别特征的梯度提升模型——CatBoost(categorical boosting)作为基分类器;RFE是基于贪心策略的特征选择方法,可在多组特征中选出较好的特征组合;Voting集成学习是采用投票的方式将多个基分类器的结果进行组合的学习方法。该框架通过CatBoost和RFE在特征空间中获取多组较优的特征组合,再在这些特征组合下的训练结果通过voting进行集成,获得集成的点击欺诈检测结果。该框架采用了相同的基分类器和集成学习方法,不仅克服了差异较大的分类器相互制约而导致集成结果不理想的问题,也克服了RFE在选择特征时容易陷入局部最优解的问题,具备更好的检测能力。在实际互联网点击欺诈数据集上的性能评估和对比实验结果显示,CAT-RFE集成学习框架的点击欺诈检测能力超过了CatBoost模型、CatBoost和RFE组合的模型以及其他机器学习模型,证明该框架具备良好的竞争力。该框架为互联网广告点击欺诈检测提供一种可行的解决方案。