摘 ?要： 為有效細分目標受眾，利用用戶行為信息設(shè)計藝術(shù)廣告媒體推送機制。采用相似度算法計算用戶瀏覽媒體內(nèi)容的相似度，獲取用戶行為特征即用戶對內(nèi)容的偏好程度。設(shè)置閾值，內(nèi)容相似程度在閾值以上視內(nèi)容為相同簇，完成用戶行為信息內(nèi)容簇分類。計算有效簇內(nèi)用戶行為新鮮度與離散度，結(jié)合新鮮因子求取有效簇最終權(quán)重。最后利用有效簇最終權(quán)重與用戶對內(nèi)容的偏好程度計算藝術(shù)廣告推送分數(shù)，對廣告排序選出適合用戶的廣告。藝術(shù)廣告媒體推送測試結(jié)果顯示，所設(shè)計廣告推送機制在長期與短期內(nèi)的召回率與查準率較優(yōu)，依據(jù)用戶行為特征向用戶精準推送藝術(shù)廣告信息。

關(guān)鍵詞： 用戶行為信息; 行為特征; 新鮮度; 藝術(shù)廣告; 簇; 推送機制

中圖分類號： TN711?34; TP393 ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）01?0143?05

Design of pushing mechanism of art advertising media

based on user behavior information

LI Xiaona

Abstract： The user behavior information is used to design the pushing mechanism of art advertisement media to effectively subdivide the target audience. The similarity algorithm is used to calculate the similarity of user′s browsed media content and obtain user′s behavior characteristics， i.e. user′s preference to content. The threshold value is set， and the contents are regarded as the same cluster wherein the content similarity degree is above the threshold value， and the classification of the user′s behavior information content cluster is completed. The freshness and the dispersion of user′s behavior in the effective clusters are calculated to obtain the final weight of the effective cluster by combining the freshness factor. Finally， the pushing score of art advertising is calculated by the final weight of effective cluster and the user′s preference to content， and the advertisements are sorted to select those appropriate to the users. The test results of the push of artistic advertising media show that the recall rate and precision rate of the pushing mechanism of designed advertising are higher in the long and short term， and the artistic advertising information is precisely pushed to users according to their behavior characteristics.

Keywords： user behavior information; behavior characteristic; freshness; art advertising; cluster; pushing mechanism

0 ?引 ?言

廣告精準推送是實現(xiàn)廣告投放效果最大化的基本要求，近幾年廣告精準投放成為廣告媒體重點研究的問題[1]。相對歐美發(fā)達國家而言，我國廣告精準推送處于初級發(fā)展階段?；ヂ?lián)網(wǎng)時代信息技術(shù)更新?lián)Q代快，藝術(shù)廣告可通過用戶瀏覽網(wǎng)頁信息內(nèi)容進行精準推送[2?3]，使藝術(shù)廣告內(nèi)容符合用戶的需求與喜好。這種方式被定義為基于用戶行為的精準廣告推送機制，與傳統(tǒng)的大眾營銷理念相比，精準推送廣告節(jié)約了尋找目標受眾的時間，縮減了不必要的廣告營銷工作量[4?5]。從用戶角度而言，減少了不需要廣告的干擾。

隨著廣告設(shè)計手段的進步、設(shè)計師思維的拓展，產(chǎn)生了大量藝術(shù)廣告，相比一般營銷廣告而言，藝術(shù)廣告更加含蓄、畫面精致，傳播廣告信息的方式易于接受[6]?；趶V告精準推送技術(shù)的發(fā)展分析可知，精準推送藝術(shù)廣告是實現(xiàn)藝術(shù)信息最大化的必需手段，為此，本文基于用戶行為信息設(shè)計藝術(shù)廣告媒體推送機制，利用用戶行為信息獲取用戶的行為特征，根據(jù)行為特征向用戶推薦符合其喜好的藝術(shù)廣告信息。

1 ?藝術(shù)廣告媒體推送機制

1.1 ?藝術(shù)廣告媒體推送機制設(shè)計

基于用戶行為信息的藝術(shù)廣告媒體推送機制如圖1所示。該機制推送廣告的思路如下：用戶瀏覽內(nèi)容時產(chǎn)生大量行為信息，提取用戶行為信息得到反映用戶行為特征的數(shù)據(jù)[7];根據(jù)預(yù)設(shè)閾值[α]得到用戶行為信息內(nèi)容簇，求取有效簇最終權(quán)重，結(jié)合用戶行為特征與有效簇最終權(quán)重計算廣告推送分數(shù)，根據(jù)分數(shù)對藝術(shù)廣告進行排名，實現(xiàn)藝術(shù)廣告媒體精準推送。

由圖1可知，設(shè)計藝術(shù)廣告媒體推送機制時，從用戶長期與短期行為兩方面描述用戶行為特征，推送廣告的精準度更強，目標用戶可有效接收和自身興趣愛好一致的藝術(shù)廣告信息。

1.2 ?用戶行為信息特征定義及提取

1） 相似度算法

采用相似度描述個體的相似程度，個體相似度差異大小通過相似度值表示，相似度值與個體差異成反比。用戶瀏覽記錄較少的情況下獲取的用戶行為特征誤差較大，通過計算瀏覽媒體內(nèi)容相似度的方式有效避免該情況。采用式（1）計算用戶瀏覽媒體內(nèi)容的相似度：

[wij=A（i）?A（j）A（i）A（j）] （1）

式中：[wij]是用戶瀏覽內(nèi)容[i]和[j]間的相似度;[A（i）]表示瀏覽內(nèi)容[i]的用戶人數(shù);一同瀏覽內(nèi)容[i]和[j]的用戶數(shù)量為[A（i）?A（j）]。由此可知，當(dāng)存在一定量用戶觀看媒體內(nèi)容[i]和[j]時，兩者內(nèi)容存在相似程度。求取瀏覽內(nèi)容相似度時以用戶行為信息為依據(jù)，更好體現(xiàn)用戶對瀏覽內(nèi)容的傾向性，由此向用戶推送的藝術(shù)廣告內(nèi)容精準性更強。

2） 用戶行為特征模型

用戶行為信息是用戶基于自身愛好與想法產(chǎn)生的瀏覽節(jié)目的記錄，體現(xiàn)用戶行為特征[8?9]。藝術(shù)廣告媒體推送廣告內(nèi)容以高精準度、高命中率為前提，通過分析用戶的行為特征得到差異較大與相似度較大的用戶，提升廣告推送精準度[10?12]。所以利用相關(guān)性變量體現(xiàn)用戶的行為特征，采用式（2）求取用戶行為特征：

[Gui=j∈Au?Si，Kwjiruj] （2）

式中：[Gui]為用戶[u]對內(nèi)容[i]的偏好程度;[Gu]是用戶[u]瀏覽內(nèi)容的集合;與內(nèi)容[i]相似程度最大的[K]個內(nèi)容的集合為[Si，K];[wji]表示節(jié)目[j]與[i]的相似度;[ruj]表示用戶[u]對節(jié)目[j]的興趣。

1.3 ?基于用戶行為信息特征的藝術(shù)廣告推送方法

1.3.1 ?用戶行為信息內(nèi)容簇分類

基于用戶行為信息提取用戶行為特征，基于該特征對用戶瀏覽媒體內(nèi)容進行分類，預(yù)設(shè)閾值[α]，兩個內(nèi)容相似程度在閾值以上，則媒體內(nèi)容視為相同簇，采用式（3）與式（4）計算相同簇內(nèi)容的質(zhì)心：

[dC=1ni=1ndidi2] （3）

[dQE=dCdC2] （4）

定義[C]表示內(nèi)容簇集合，首個簇的質(zhì)心[dQE1]為最久遠的網(wǎng)頁，定義為[d1]，得到[C=dQE1]，處理每個內(nèi)容的過程如下：

Step1：依據(jù)時間遠近獲取[dj]，[j]取值在[1～m]之間，且存在隨機[dQEi∈C]，定義[Fij]表示[dj]和[dQEi]的相似程度，通過向量空間模型求取[Fij]，得到[Fij=sindj，dQEi]，相似度最大值為[maxFij]。

Step2：當(dāng)[maxFij]在閾值以上時，證明[dj]在質(zhì)心為[dQEi]的簇內(nèi)，更新簇質(zhì)心得到[d′QEi]。

Step3：當(dāng)[maxFij]在閾值以下時，采用[dj]代替新簇質(zhì)心[dQEj]并添加至集合[C]。

基于Step1～Step3處理全部瀏覽內(nèi)容。媒體瀏覽內(nèi)容更新方法為：定義新產(chǎn)生的瀏覽內(nèi)容為[dm+1]，依據(jù)實際情況將[dm+1]視為獨立簇或者添加至現(xiàn)有簇中;刪除時間最久遠的媒體內(nèi)容，更新該簇質(zhì)心。

1.3.2 ?用戶行為特征描述

用戶行為信息內(nèi)容簇分類提供用戶長期與短期的用戶行為特征，由于用戶隨機瀏覽的內(nèi)容不能準確體現(xiàn)用戶的喜好，需剔除這一類干擾信息[13]，通過設(shè)置用戶行為因子完成干擾信息過濾。假設(shè)瀏覽內(nèi)容達到一定比重時，可將瀏覽內(nèi)容作為用戶行為信息的體現(xiàn)，用來描述用戶的行為特征，采用行為因子[ξ]表示瀏覽內(nèi)容的比重臨界值。低于臨界值[ξ]部分的簇視為噪聲簇，無價值;有效簇即瀏覽內(nèi)容在臨界值[ξ]以上。對于體現(xiàn)用戶短期行為特征的內(nèi)容簇而言，訪問時間是最關(guān)鍵的因素，近期瀏覽內(nèi)容更能準確體現(xiàn)用戶的喜好，關(guān)鍵性較強[14]。設(shè)置行為新鮮度概念，衡量內(nèi)容簇描述行為特征的新舊程度。定義[Uf]表示用戶行為新鮮度，該變量是有效簇內(nèi)容訪問用時均值的歸一化值，采用式（5）計算有效簇的平均訪問用時：

[Ht=1ni=1nti] （5）

向量[Vh=H1t，H2t，…，Hkt]由全部有效簇的訪問用時均值組成，[k]表示有效簇的數(shù)量，由此獲取[Uf]的計算方式如下：

[Uf=HtVh2=1nVh2i=1nti] （6）

描述用戶長期特征的內(nèi)容簇的關(guān)鍵是用戶瀏覽內(nèi)容的分散程度，瀏覽內(nèi)容廣泛程度與用戶時刻關(guān)注的頻率成正比，分布廣泛的內(nèi)容證明用戶關(guān)注度較高，該內(nèi)容相對關(guān)鍵[15]。采用離散程度衡量內(nèi)容分布的分散程度。

定義[Ud]表示用戶行為離散度，該變量是有效簇中內(nèi)容瀏覽時間的均方差歸一化值。采用式（7）求取用戶瀏覽內(nèi)容的時間均方差[σt]：

[σt=1ni=1nti-Ht2] （7）

向量[Vd=σ1t，σ2t，…，σkt]由全部有效簇內(nèi)容瀏覽時間均方差組成，據(jù)此計算有效簇的用戶行為離散程度，如下所示：

[Ud=σtVh2=1Vd21ni=1nti-Ht2] （8）

有效簇最終權(quán)重用[Ue]表示，簇內(nèi)用戶行為新鮮度與離散度是計算有效簇最終權(quán)重的依據(jù)，采用新鮮因子描述行為新鮮度在[Ue]中的關(guān)鍵程度。

定義[ε]表示新鮮因子，該變量是用戶行為新鮮度在最終權(quán)重中的占比數(shù)值。采用式（9）求取[Ue]：

[Ue=ε?Uf+1-εUd，ε∈0，1] （9）

將式（6）與式（8）代入式（9）中得到：

[Ue=ε?HtVh2+1-ε1Vd21ni=1nti-Ht2] （10）

在式（9）和式（10）中，[ε]取值為0和1時存在不同含義：分別表示注重用戶的長期與短期行為特征;[ε]在0～1之間時說明同時關(guān)注長期與短期用戶的行為特征。

基于式（2）得到用戶對內(nèi)容[i]的偏好程度，根據(jù)式（10）計算內(nèi)容簇權(quán)重，據(jù)此求取藝術(shù)廣告推送的分數(shù)值，如式（11）所示：

[scoreij=Ue?Gui] （11）

采用式（11）求取的得分值對藝術(shù)廣告進行排序，選取排名靠前的藝術(shù)廣告推送給用戶，實現(xiàn)藝術(shù)廣告媒體的精準推送與投放。

2 ?仿真實驗

2.1 ?內(nèi)容的相似度計算

本文設(shè)計基于用戶行為信息的藝術(shù)廣告媒體推送機制，構(gòu)建實驗環(huán)境測試該機制推送廣告的效果。實驗以網(wǎng)絡(luò)媒體為載體，實驗數(shù)據(jù)集為500張網(wǎng)頁內(nèi)容，內(nèi)容涉及旅游、財經(jīng)、體育、藝術(shù)以及電腦5個類別，每種類別包含100張網(wǎng)頁，網(wǎng)頁內(nèi)容隨機分布。預(yù)設(shè)800個與網(wǎng)頁瀏覽內(nèi)容相關(guān)的廣告，預(yù)設(shè)400個與網(wǎng)頁瀏覽內(nèi)容無關(guān)的廣告。用戶瀏覽內(nèi)容的相似度計算影響用戶行為特征提取結(jié)果，進一步影響藝術(shù)廣告媒體推送分數(shù)，所以，首先測試本文機制中用戶瀏覽內(nèi)容的相似度計算精準度，用平均絕對誤差進行評估。若計算結(jié)果低于0.2證明相似度計算值符合用戶行為特征提取要求。網(wǎng)頁瀏覽數(shù)量不同時，本文機制計算用戶瀏覽內(nèi)容相似度的平均絕對誤差如圖2所示。

圖2中，本文機制計算內(nèi)容的相似度平均絕對誤差初始值在0.18左右，符合用戶行為特征精準提取標準，隨著實驗的不斷進行，平均絕對誤差呈下降趨勢，用戶瀏覽網(wǎng)頁達到40張時，本文機制計算內(nèi)容相似度的平均絕對誤差趨于平穩(wěn)，在0.11上下浮動?？傮w看來，本文機制計算內(nèi)容的相似度誤差較低，為用戶行為特征計算、廣告推送分數(shù)計算創(chuàng)造了準確的數(shù)據(jù)條件。

2.2 ?長期與短期藝術(shù)廣告推送效果分析

實驗設(shè)置1天與16天兩個藝術(shù)廣告推送期限，分別檢測短期與長期內(nèi)本文廣告推送機制效果。廣告推送機制效果評估指標為召回率與查準率，與基于成本核算的廣告推送機制、基于最大化網(wǎng)絡(luò)的廣告推送機制進行對比，突出本文機制的優(yōu)越性。測試結(jié)果見表1～表4。

根據(jù)表1與表2分析短期與長期內(nèi)不同機制推送藝術(shù)廣告的召回率情況，召回率即查全率，是衡量推送機制分析用戶行為特征全面性的評估指標?；诔杀竞怂愕膹V告推送機制召回率均值由短期的86.55%降低至82.11%，基于最大化網(wǎng)絡(luò)的廣告推送機制召回率平均降低了約10%，且兩種機制的召回率均在90%以下，不能全面掌握用戶行為信息特征。本文推送機制長期與短期的召回率效果基本不變，均在90%以上，因為本文推送機制采用用戶行為新鮮度描述用戶短期行為特征，采用用戶行為離散度描述用戶長期行為特征，有效把握用戶在不同時期內(nèi)的行為、喜好變化情況，實現(xiàn)藝術(shù)廣告的精準推送。

從表3和表4可以看出，在短期查準率方面，本文機制表現(xiàn)最優(yōu)，最小查準率為93.5%，最大查準率可達97.6%;在長期查準率方面，本文廣告推送機制的查準率均在94.5%以上，因此，本文機制向用戶推送藝術(shù)廣告的準確度不受時間因素的影響?；诔杀竞怂愕膹V告推送機制的長期查準率優(yōu)于短期查準率，基于最大化網(wǎng)絡(luò)的廣告推送機制的短期查準率優(yōu)于長期查準率，但是兩種廣告推送機制相對本文機制而言，均不存在顯著優(yōu)勢。

2.3 ?藝術(shù)廣告媒體推送影響因素分析

1） 新鮮因子對藝術(shù)廣告媒體推送的影響

用戶行為的新鮮程度在最終權(quán)值中的關(guān)鍵程度通過新鮮因子體現(xiàn)。定義行為因子為6%，[λ=0.0，0.1，0.2，…，1.0]。新鮮因子對藝術(shù)廣告媒體推送的影響如圖3所示。分析圖3可知，隨著新鮮因子的增加，五種類別網(wǎng)頁內(nèi)容的最終權(quán)重變化存在差異，財經(jīng)、體育類別網(wǎng)頁內(nèi)容簇權(quán)重增加，其余類別權(quán)重為降低趨勢。這種變化說明，本文研究的藝術(shù)廣告媒體推送機制能夠根據(jù)用戶的行為信息特征適時調(diào)整推送廣告的類別，實現(xiàn)用戶長期行為、短期行為廣告的精準推送。

2） 行為因子對藝術(shù)廣告媒體推送的影響

定義新鮮因子為1，[ξ=1.5%，2.5%，…，7.5%]。行為因子對藝術(shù)廣告媒體推送的影響見表5。表5結(jié)果顯示：行為因子增加的同時，藝術(shù)廣告推送內(nèi)容逐漸減少，行為因子為1.5%時，藝術(shù)廣告推送主體內(nèi)容為35個，行為因子增加至4.5%時，藝術(shù)廣告推送主體內(nèi)容減少至22個，行為因子達到7.5%時，廣告推送內(nèi)容僅為旅游、財經(jīng)、電腦三項，成功過濾掉噪聲內(nèi)容，保留有效廣告信息。

3 ?結(jié) ?論

本文設(shè)計基于用戶行為信息的藝術(shù)廣告媒體推送機制，以用戶瀏覽網(wǎng)頁內(nèi)容產(chǎn)生的行為信息為基礎(chǔ)，提取用戶行為信息特征，針對用戶行為特征向目標發(fā)送符合其興趣愛好的藝術(shù)廣告，有效提高廣告推送的精準度。本文研究的藝術(shù)廣告推送機制實質(zhì)上是一種用戶定向廣告投放方式，在互聯(lián)網(wǎng)與信息技術(shù)不斷更新的背景下不斷優(yōu)化、完善。廣告精準推送有效減少了媒體推送信息的工作量，節(jié)約了經(jīng)濟成本與時間成本，未來媒體廣告的投放與推送必定以精準定向為方向，發(fā)展前景廣闊。

參考文獻

[1] 任云妹，周梅婷.社交媒體時代信息流廣告設(shè)計傳播策略思考[J].包裝工程，2017，38（14）：42?45.

[2] 葛桂麗，袁凌云，王興超.基于情境感知的用戶個性化興趣建模[J].計算機應(yīng)用研究，2017，34（4）：995?999.

[3] 黃傳慧，明均仁.基于TAM的移動用戶學(xué)術(shù)采納行為影響因素研究[J].現(xiàn)代情報，2017，37（6）：80?85.

[4] RICHARDS C L， IADEMARCO M F， ATKINSON D， et al. Advances in public health surveillance and information dissemination at the centers for disease control and prevention [J]. Public health reports， 2017， 132（4）： 333?342.

[5] 鮑鵬，沈華偉，程學(xué)旗.信息傳播中的用戶轉(zhuǎn)發(fā)選擇預(yù)測[J].計算機科學(xué)與探索，2016，10（11）：1524?1531.

[6] 李玲，劉敏，成國慶.基于DSSI理論的信息易感用戶動態(tài)提取模型[J].計算機學(xué)報，2017，40（12）：2812?2826.

[7] 司亞利，李峰，宋亞偉.結(jié)合流行度特征和核密度估計的興趣點推薦算法[J].小型微型計算機系統(tǒng)，2016，37（11）：2416?2420.

[8] 李永海.考慮客戶滿意度的電子商務(wù)商品信息推送效果測評方法[J].現(xiàn)代情報，2016，36（11）：55?58.

[9] 楊帆，何敏，施繼紅，等.基于LDA模型的網(wǎng)絡(luò)黨建信息推送策略[J].計算機工程，2016，42（9）：286?291.

[10] 阿幸，肖瞾殿，馬嬌，等.基于實踐經(jīng)驗的微博健康信息傳播研究[J].中國健康教育，2016，32（2）：141?143.

[11] FENG W S， WU L Y， LIN Y B， et al. WGSN： WLAN?based GPRS support node with push mechanism [J]. The computer journal， 2004， 47（4）： 405?417.

[12] 童龍文，黃少俊.基于地面數(shù)字電視的信息推送系統(tǒng)[J].電視技術(shù)，2017，41（7）：15?18.

[13] 邰蕾蕾，陶世奇.一種基于用戶識別特征模型的中醫(yī)藥健康養(yǎng)老信息推送算法[J].運籌與管理，2017，26（12）：183?188.

[14] 姜信景，齊小剛，劉立芳.個性化信息推薦方法研究[J].智能系統(tǒng)學(xué)報，2018，13（2）：189?195.

[15] 趙海燕，駱金，陳慶奎.時間與位置感知的活動個性化推薦方法[J].計算機工程，2018，44（4）：218?224.

作者簡介：李曉娜（1982—），女，黑龍江賓縣人，碩士，講師，主要研究方向為傳媒、播音主持藝術(shù)。