基于用戶興趣的IPTV廣告精準投放算法

牛 森

(上海交通大學安泰經濟與管理學院 上海 200030)

基于用戶興趣的IPTV廣告精準投放算法

牛 森

(上海交通大學安泰經濟與管理學院 上海 200030)

當前消費者的需求呈現差異化、個性化和多樣化，精準地細分市場，定位和分析目標消費者的需求和行為特征，從而對目標消費者進行針對性的產品和服務信息宣傳，可大大提高廣告的精準度，節省廣告費用，同時使得受眾的干擾最小化。針對如何根據不同用戶的興趣偏好投放IPTV廣告，提出一種基于用戶行為的精準投放算法。該算法根據節目之間的相似性構建用戶的行為特征以研究用戶的興趣偏好，通過考慮用戶的差異性以及偏好的變化，改進了傳統的廣告投放模式，并在實際數據集的仿真實驗中驗證了該算法的有效性。

個性化 行為特征 偏好 差異性

0 引 言

廣告，即“廣而告之”，它的目的在于引起注意，喚起人們對商品的需要，潛移默化中引導顧客了解這些商品的企業并博得好感，誘發消費行為從而獲得利益。電視廣告是一種以電視作為傳播媒介的廣告，兼有視聽效果并運用語言、聲音、文字、形象、動作和表演等綜合手段進行傳播，是電子廣告的一種常見形式。一般電視廣告是由專門的廣告公司制作，然后向電視臺購買播放時長。電視以其強大的傳播力和影響力，成為人們日常生活中的重要組成部分，是人們了解信息、享受娛樂的重要途徑。然而傳統電視廣告的投放由于沒有目標，成本高，生命周期短，難以估計發行量，其中有很大部分被“浪費”掉，不能很好地使需要的人知道，難以達到其預期的效果。相關研究也表明，少于20%的觀眾對廣播電視上的廣告滿意，事實上，大多數觀眾甚至會厭煩某些廣告，認為其破壞他們看電視娛樂的心情[1-2]。

個性精準化推薦系統是計算機科學人工智能領域從20世紀90年代發展出來的一個重要方向，是根據用戶的信息需求和興趣等，將用戶感興趣的信息或產品等推薦給用戶，從而避免用戶被動地接受一些并不感興趣的內容,干擾用戶的正常使用。相對于傳統模式，它充分考慮用戶之間的差異性，通過研究用戶的興趣偏好，進行個性化計算，發現用戶的興趣點，從而引導用戶發現自己的信息需求，其不僅能為用戶提供個性化的服務，還能和用戶之間建立密切關系，讓用戶產生依賴。

隨著數字技術、網絡寬帶技術、移動互聯網技術和衛星通信技術的迅猛發展，IPTV系統技術陸續開始被世界各大電信運營商大規模采用和部署，IPTV也叫交互式網絡電視，是利用寬帶網的基礎設施，以家用電視機或計算機作為主要終端設備，集互聯網、多媒體、通信等多種技術于一體，通過互聯網絡協議(IP)向家庭用戶提供包括數字電視在內的多種交互式數字媒體服務的嶄新技術，相對于傳統廣播電視媒體，IPTV擁有明顯的點播、互動、回看和海量存儲的優勢，更加注重交互性和互動性，為實現電視廣告個性精準化提供了基礎。在我國，近幾年隨著國務院公布了“三網融合”的政策，IPTV業務的區域市場、用戶市場空間在不斷擴大，同時廣告商們也意識到傳統的營銷模式不僅費用高而且效率低下，難以維持下去，開始將目光聚焦到IPTV上。

對于個性精準化推薦，目前已有一些比較成熟的方法，如基于內容推薦、協同過濾推薦和基于關聯規則推薦等。針對電視廣告的個性精準化推薦，一些研究者們也提出自己的方法，大部分都是通過構建用戶特征，發掘用戶興趣與偏好，以此實現個性精準化的廣告投放。Ha等[3]就以用戶的社交網絡信息構建用戶特征，結合用戶對廣告商品的評價，實現對用戶個性精準化廣告的推薦，然而通過用戶的基本信息去構建用戶特征并不容易，因為用戶的信息并不容易獲取。Kim等[4]就嘗試通過歸一化距離和內積法推斷估計用戶的年齡、性別和職業等信息構建用戶特征，并以此實現對用戶個性精準化廣告的投放。而當有一些用戶基本信息可獲取的時候，則可提高廣告的命中率。Lim等[5]提出可先根據已知的用戶年齡和性別信息對用戶進行分類，結合用戶對電視節目類型的觀看偏好和觀看時間推斷用戶特征，從而實現對用戶個性精準化投放廣告。Lekakos等[6]綜合考慮用戶的生活方式和用戶之間的相似性，根據相似用戶的生活方式預測用戶的偏好，提出一種基于用戶生活方式以實現個性化廣告投放的方法，而針對基于電視、寬帶和手機的使用情況得到的多源用戶特征。Kodialam等[7]使用拍賣模型選出一系列廣告并最優化其投放次序從而實現廣告的個性精準化投放。

綜上所述，目前的IPTV廣告精準化投放主要是從用戶的基本信息出發，發掘用戶的興趣偏好，實現廣告的個性精準化投放。但用戶的基本信息并不容易獲取，即使已知，亦不能保證其能有效反映出用戶的興趣偏好。而用戶的觀看記錄卻能直接反映用戶的偏好，很少從用戶的歷史記錄信息中發掘用戶的偏好，究其原因可能是目前獲取的數據量太少，但隨著技術的進步與IPTV市場的擴大，這一問題也將隨之解決。本文試從用戶的歷史記錄中構建用戶特征，發掘用戶的興趣偏好，提出IPTV廣告精準投放算法。

1 行為特征模型構建

1.1 算法概述

算法思想如下：由于大部分用戶一般只選擇觀看少有的幾個節目，亦是互聯網數據的長尾分布，但并不意味其不喜歡其他節目，所以在構建用戶特征時需要考慮節目之間的相似性。首先估計出不同節目之間的相似度，進而計算用戶的行為特征，并根據其對用戶進行分類，然后計算不同用戶群的用戶對投放到不同節目上廣告的偏好，最后根據用戶的觀看記錄和廣告商的要求提出一種高效的廣告投放算法使得用戶和各廣告商達到實用性和利益性最優的平衡。

1.2 相似度算法

相似度，即計算個體間的相似程度，相似度度量的值越小，說明個體間相似度越小，差異越大。通過計算節目之間的相似性，可以有效解決數據稀疏性的問題，即用戶只在少量的節目上有記錄，如果不考慮節目之間的相似性，則計算用戶的行為特征亦是有偏差的，因為未充分考慮用戶的興趣偏好。在這里，本文采用協同過濾推薦方法[8]中定義兩物品間的相似性去計算節目之間的相似度：

(1)

1.3 用戶行為特征模型

用戶基于自身需求或者興趣愛好等觀看節目，觀看的歷史記錄可以反映用戶最近的行為特征信息，通過分析這些行為特征，篩選出比較相似的用戶以及差異較大的用戶，根據用戶的行為特征向不同類的用戶推送不同的內容，可提高廣告的精準度和命中率。而考慮到數據稀疏性的問題，本文通過考慮節目之間的相關性，構造如下公式來計算用戶的行為特征：

(2)

式中，Pui表示用戶u對節目i的偏愛程度，N(u)是用戶u觀看節目的集合，S(i,K)是和節目i最相似的K個節目的集合，wji是節目j和i的相似度，ruj是用戶u對節目j的興趣。

1.4 用戶分類

根據用戶行為特征模型，需要對相似行為特征的用戶進行聚類，目前已經有諸多的聚類算法，為了簡化起見，本文采用的是較為經典的K-means聚類算法。設定待聚類的用戶個數為n，人群聚類目標個數設為，然后將n個用戶聚合成為個人群子類，并且使所得到的人群子類滿足：同一人群內用戶的行為特征較相近，不同人群間用戶的行為特征差異明顯。聚類使得每個簇中的數據點之間最大程度的相似，而不同簇中的數據點最大程度的不同，從而發現數據集中有效的信息。

K-means算法在本文中的具體應用步驟如下：

1) 隨機選取I個用戶的節目偏好度作為初始均值，計算其余用戶的節目偏好度與該均值的距離，將其指派給與其距離最小的聚類人群。

2) 選擇均方誤差MSE作為聚類判度函數：

(3)

式中，M為類別i中用戶的節目偏好度，Ci表示類別i中用戶的集合，Ai為類別i的節目偏好度均值。

3) 計算更新后每類人群節目偏好度的統計平均值以及每個用戶的節目偏好度與更新后均值的距離，將其指派給與其距離最小的聚類人群，從而更新聚類，并且計算每類的均方誤差。

4) 重復步驟3)，直至聚類判度函數收斂時停止。

1.5 用戶群偏好模型

對于不同的用戶群，用戶的行為特征具有明顯差異，所以不能一概而論地對用戶進行投放廣告，應先分析不同用戶群的行為特征，并計算在不同用戶群下各節目與廣告之間的相似度，從而在各用戶群中選擇與投放廣告相似度較大的節目上進行投放，達到效益最大化。根據以上算法，構造如下公式來計算不同用戶群下各節目與廣告之間的相似度：

(4)

結合用戶行為特征模型，可以得知類別i對節目j的偏愛程度pij，即:

(5)

式中，Ni為類別i的用戶總數，ci表示類別i中用戶的集合。所以類別i的用戶對投放在節目j上的廣告k的偏愛程度qijk，即:

(6)

2 精準投放算法

在已知不同用戶群的用戶對投放在不同節目上的廣告的偏愛程度qijk，結合各廣告商的要求以及用戶的歷史觀看記錄，可通過構建最優化模型求解出廣告的最優精準投放算法。其中，假設xijk為投放在用戶群i下節目j上廣告k的次數，Ak為廣告k需要投放的總次數，Bij為用戶群i觀看節目j的總次數，i=1,2,…,I;j=1,2…,J;k=1,2,…,K，則模型如下：

(7)

而在未考慮用戶差異性以及節目與廣告之間的相似性時，廣告的投放算法可用如下優化模型來表示：

(8)

只考慮到節目與廣告之間的相似性時，廣告的投放算法可用如下優化模型來表示：

(9)

對比以上3種優化模型，可以發現式(7)是較優于式(8)和式(9)的，即基于用戶行為的廣告投放算法可以改善用戶的觀看體驗以及提高廣告的效率。但以上模型均假設了用戶對廣告的偏好不會隨著其觀看次數而改變，而根據經濟學中著名的邊際效用遞減規律可知，用戶在觀看一定數量廣告后對廣告的偏好程度會隨著其觀看次數的增加而遞減，故本文嘗試定義用戶偏好的變化情況：

(10)

式中，f為在(n0,+∞)上的非增有界函數，且f(n0)=qijk，n0為一閾值。從而，構造考慮了用戶偏好變化的廣告投放算法：

(11)

可以看出式(11)更符合實踐。由于該問題中用戶的偏好是受模型中的決策變量的影響，所以該優化問題已不是一個簡單的線性整數優化問題，得到的結果可能是一個局部最優解，而不是全局最優解。但該模型的現實意義更加重要，即在考慮用戶的興趣偏好時，不能簡單地將其作為一常量，因為其會受其他因素的影響，而本文只著重考量觀看次數對其的影響。

3 仿真實驗

本文通過對上海市某公司IPTV用戶進行分析以闡述算法的實現。該數據集是用戶在2013年3月的歷史記錄，涉及955 908個用戶，191個節目頻道，共產生103 099 638條觀看記錄。

通過統計用戶觀看的頻道數，可以看出大部分用戶只是選擇觀看少量的頻道，如圖1所示，因此在計算用戶行為特征時，需要考慮頻道之間的相關性。但在計算頻道相關性時，發現由于用戶觀看頻道較分散，得到頻道之間的相似度均較低。同時鑒于頻道的不穩定性，即可能出現頻道中斷的情況，本文選擇考量頻道的種類這一大類，同時IPTV運營商已對相應的頻道進行歸類，共分為：財經，電視劇，電影，紀實，少兒，生活時尚，體育，衛視，新聞綜合以及娛樂10大類。在統計用戶觀看頻道的種類數后，如圖2所示，可以看出大部分用戶只選擇3～4個種類的頻道，從而在計算用戶行為特征時，本文也選取與頻道種類最相似的前4個種類。

圖1 IPTV用戶觀看頻道的頻數圖

圖2 IPTV用戶觀看頻道種類的頻數圖

通過之前定義計算頻道節目之間的相似性公式，可得到頻道種類之間的相似性，如表1所示。

表1 頻道種類相似矩陣

根據用戶行為模型計算用戶對頻道種類的偏愛程度：

(12)

式中，pui表示用戶u對頻道種類i的偏愛程度，N(u)是用戶u觀看頻道種類的集合，S(i,K)是和頻道種類i最相似的K個頻道種類的集合，這里K取4，wji是頻道種類j和i的相似度，ruj是用戶u對頻道種類j的興趣，這里以用戶u觀看頻道種類j的頻率來表示。

由以上的行為特征屬性，對用戶進行簡單的分類，共分為3大類，從表2可以看出：第一類用戶較偏愛紀實類和體育類頻道，屬于偏男性類頻道，第二類用戶較偏愛電視劇、電影、生活時尚、衛視、新聞綜合以及娛樂這些較休閑類的頻道，而第三類用戶較偏愛少兒類頻道，可能與其家庭結構有關。在對10大頻道種類進行因子分析降維后，選取前2個因子，如表3所示，可以看出因子1主要反映的是財經、電視劇、電影、生活時尚、衛視、新聞綜合以及娛樂但排除少兒類因素后用戶的行為特征，而因子2則主要反映的是紀實以及體育類但排除財經、電視劇、少兒和生活時尚類因素后用戶的行為特征。結合三類人群的不同特點，可以得出第一類人群在因子1上的表現較好，第二類人群在因子2上的表現較好，而第三類人群則在因子1和因子2表現均不好，如圖3所示。

表2 IPTV用戶不同人群對各頻道種類的偏愛程度

表3 因子載荷矩陣

圖3 IPTV用戶人群在前兩個因子上的分布

由于廣告數據的缺乏，在以下的分析，本文假設對于不同人群下節目頻道種類與廣告之間的相似性已知。首先，本文考慮了5類廣告的投放，其投放次數相等，且總投放次數為用戶的歷史觀看記錄和，根據式(7)可得5類廣告在各人群不同節目種類的分布，如圖4所示。

圖4 各廣告在三類人群不同頻道種類的分布

可以看出，對于不同用戶群，廣告的投放分布呈現不同的趨勢，而對于同一用戶群內，在不同的頻道種類上，廣告的分布也有較大的差異。同時也可以看出廣告在頻道種類上的極端效應，即在同一頻道種類上，不同廣告的投放數量差距很大，可能是由于用戶在頻道種類上對不同廣告的興趣偏好不同導致的。也就是說，廣告的投放只會選取與其興趣偏好較大的一些頻道種類上，會導致偏愛觀看該類頻道種類的用戶過多的接受相關廣告的投放，可能產生相反的效果。在考慮用戶偏好變化的情況下，即式(11)，得到5類廣告在各人群不同節目種類的分布，如圖5所示。

圖5 用戶偏好變化情況下各廣告在三類人群不同頻道種類的分布

可知在同一人群內，廣告較均勻分散在不同頻道種類上，避免了廣告在頻道種類上的極端效應。也就是說，該結果不會受用戶偏好極值變化的較大影響，具有一定的穩健性，而在上一模型結果中，可能會出現由于用戶偏好某一極值的變化，導致結果出現較大變化，這一性質在用戶偏好估計出現偏差的情況下尤為重要。

4 結 語

本文針對IPTV廣告投放問題提出了一種高效的基于用戶行為的算法。該算法通過用戶的歷史行為記錄構建用戶特征屬性，從而發掘用戶的興趣偏好，并基于此實現廣告的個性精準化投放，同時考慮了觀看次數對用戶興趣偏好影響的情況，以更好地擬合實踐。本文通過對現實數據進行分析以闡述算法的實現，發現廣告的投放在不同興趣偏好的人群上呈現不同的趨勢，且在同一人群內，在不同頻道上的分布也是不同的。也就是說，廣告的投放確實需要考慮用戶和節目頻道的差異，驗證了本文考慮觀點的必要性。在對比考慮用戶興趣偏好變化的情況后，發現廣告較均勻地分散在不同人群的不同頻道種類上，避免了廣告在頻道種類上的極端效應，使結果具有一定的穩健性，進一步證明本文提出算法的有效性。

但在以上的算法描述以及實證研究中，也可以看出該算法存在一定的不足。在考慮用戶觀看節目頻道次數時，本文只是簡單的用歷史觀看次數去估計未來觀看次數，對于這方面的內容，在未來的研究方向上可通過構建一系列的時間序列模型以預測未來的觀看次數來解決；而考慮用戶興趣偏好變化的情況時，在確定變化發生的閾值以及偏好變化的曲線時，也只是簡單地統計描述和一些主觀判斷，在后期的研究中可通過研究調查不同用戶群下用戶的偏好變化情況，以使得偏好變化曲線更加符合實際；同時后期也可以考慮一些廣告播放機制的約束，如有競爭性質的同類廣告不能同時投放給同一用戶，或者某類廣告只投放給具有某種用戶特征屬性的群體。

[1]MothersbaughDL,BestRJ,HawkinsDI.ConsumerBehaviour:BuildingMarketingStrategy[M]. 2007.

[2]IMedia(2001).Userrequirementscapturing.Deliverable1.3,InformationSocietyTechnologies(IST)ProjectiMedia,EuropeanCommission[OL]. [2004-01-20].http://imedia.intranet.gr.

[3]HaI,OhKJ,JoGS.Personalizedadvertisementsystemusingsocialrelationshipbasedusermodeling[J].MultimediaToolsandApplications, 2015, 74(20): 8801-8819.

[4]KimM,KangS,KimM,etal.TargetadvertisementserviceusingTVviewers’profileinference[M]//AdvancesinMultimediaInformationProcessing-PCM2005.SpringerBerlinHeidelberg, 2005: 202-211.

[5]LimJ,KimM,LeeB,etal.AtargetadvertisementsystembasedonTVviewer’sprofilereasoning[J].MultimediaToolsandApplications, 2008, 36(1-2): 11-35.

[6]LekakosG,GiaglisGM.ALifestyle‐BasedApproachforDeliveringPersonalizedAdvertisementsinDigitalInteractiveTelevision[J].JournalofComputer‐MediatedCommunication, 2004, 9(2): 00-00.

[7]KodialamM,LakshmanTV,MukherjeeS,etal.OnlineschedulingoftargetedadvertisementsforIPTV[C]//INFOCOM, 2010ProceedingsIEEE.IEEE, 2010: 1-9.

[8]LindenG,SmithB,YorkJ.Amazon.comrecommendations:Item-to-itemcollaborativefiltering[J].InternetComputing,IEEE, 2003, 7(1): 76-80.

AN ACCURATE DELIVERY ALGORITHM FOR IPTV ADVERTISEMENT BASED ON USER INTEREST

Niu Sen

(AntaiCollegeofEconomicsandManagement,ShanghaiJiaoTongUniversity,Shanghai200030,China)

The current consumer demand for differentiated, personalized and diversified. The problem is how to accurately segment the market, position and analyze the target consumer demand and behavioral characteristics, thus targeting the target consumer product and service information which can greatly improve the accuracy of advertising, saving advertising costs, while minimizing the interference of the audience. Thus, an accurate delivery algorithm based on user behavior for how to deliver IPTV advertisements according to different user’s preferences is proposed. The algorithm constructed the behavioral characteristics of the user according to the similarity between the programs to study the user’s interest preferences, improved the traditional advertising mode by considering the difference of users and the change of preferences. The validity of the algorithm was verified by the simulation experiment of the real data set.

Personalization Behavioral characteristics Preference Difference

2016-07-25。國家自然科學基金項目(71531010,71401104)。牛森，碩士生，主研領域：數據分析與運營優化。

TP18 TP393

A

10.3969/j.issn.1000-386x.2017.06.040