广播电视开机广告精准投放系统

赵雅倩，李 楠，刘慧敏，何彦卓，谢海伦

（中国传媒大学 信息工程学院，北京 100024）

广播电视开机广告精准投放系统

赵雅倩，李 楠，刘慧敏，何彦卓，谢海伦

（中国传媒大学 信息工程学院，北京 100024）

为解决广播电视开机广告投放效率低的问题，提出广播电视开机广告精准投放系统，系统包括收视人群兴趣分析系统和开机广告投放系统两大部分。系统充分利用观众收视习惯与人群兴趣特征之间的关系，以及兴趣特征和广告受众需求之间的联系，通过用户收视数据分析，基于用户收视习惯与商品类型的匹配，将系统中的两大部分结合，实现广播电视开机广告精准投放的目的。

精准投放；兴趣特征；开机广告；广播电视；收视习惯

广播、电视、网络等多样化媒体迅速发展，使得广告传播的途径增多，进而促进商家利用多样化的途径增加广告投放的数量和质量。而广告投放效率低下的问题在很大程度上被社会忽视。尤其在广播电视领域，信息传递的单向性造成大量广告信息的冗余。广播电视开机广告精准投放系统针对这一问题对广播电视开机广告的投放效率做出了改进。

利用受众的行为信息对其兴趣特征进行分析并定向投放广告的方式并不陌生。使用赞助搜索广告的消费参考网站（包括点评网站、搜索引擎等）通过搜集用户生成内容(User Generated Content，UGC)点评信息以及重新组织与展现产品信息，将相关的产品信息列表提供给用户[1]。与这种广告投放方式相对应的技术系统也较为成熟，由著名环球网上广告方案公司Double Click提出的动态广告报告与目标定位（Dynamic Ad⁃vertising Reporting Targeting，DART）技术中，不同类型的客户对目标人群有着不同需求，该技术根据这一点精准地判断受众特征，将广告投放给最符合客户需求的人群，从而将客户广告的命中率最大限度地提高[2]。

在广播电视领域，数字电视广告带来了电视广告传播模式的变革，使传播方式由单向传播向互动传播转变，收视对象由强制性接收向选择收看转变[3]。本文提出的广播电视开机广告精准投放系统，利用数据库分析用户收视习惯，实现了广播电视开机广告的精准投放。这种电视增值业务广告的投放方式可以通过网络运营商诸如歌华来加以推广实现，从而在整个广播电视领域得到应用，从长远来看也具有相当的发展潜力和研究价值。

1 系统模型

1.1 推荐系统框图

如图1所示，开机广告精准投放系统推荐框图包括基于节目类型的分析以及基于所选用户信息的分析两大线路，最后统一于对用户收视习惯的分析。

针对该系统，本文提出的方案利用用户收视情况分析其收视喜好，根据其喜好推送相关类型的广告。

首先要进行数据的基础处理，由于节目形式与内容的多样化，需要对不同的节目进行分类，并且将节目类型与合适的广告类型相匹配。然后分析用户收视信息，得出其收视习惯以及喜好。用户收视习惯直接与节目类型所匹配的广告类型相对应，完成用户和广告类型的匹配。

图1 开机广告精准投放系统推荐框图

应用此系统时，广告商可选择广告类型，目标用户将呈现于界面以供精准投放使用。

1.2 数据准备

本文所设计的电视开机广告推荐系统所涉及的数据主要包括用户背景信息、用户收视信息以及节目信息维表等。

参考国际电视总公司副总裁张海潮编制的《中国电视节目分类体系》一书中的分类标准，将三级节目分类整合成两级节目分类[4]，一级类别有4种，即新闻类、娱乐类、教育类、服务类。其中新闻类节目的二级节目分类为综合新闻消息节目、分类新闻消息节目、新闻专题类节目、新闻谈话节目、国际新闻类节目；娱乐类节目的二级节目分类为电视剧节目、体育节目、电影类节目、综艺类节目、音乐节目、戏剧节目、游戏节目、真人秀节目、娱乐谈话节目、大型娱乐节目；教育类节目的二级节目分类为社会教育节目、少儿青年节目、国际教育类节目；服务类节目的二级节目分类为生活服务节目、理财节目、频道宣传收视服务节目。

所用产品类型聚类，将二级节目分类以多对多映射关系与产品类型进行匹配，例如，娱乐类中“体育类节目”匹配产品类型为“体育类产品”。

2 系统算法分析

基于开机广告精准投放系统模型的数据处理过程是：首先基于数据库采集的收视用户相关基本信息，使用单个用户收看单个节目时长算法获取用户收视节目时长，使用聚类算法获取各节目类型；然后使用收视时长算法将单个用户收看各个类型的单个节目累加，获得各类型的收视时长以及收视总时长，基于以上数据，利用收视喜好程度算法得出用户对各类型节目的喜好程度，以及对各产品的喜好程度；进而使用用户收视喜好排序算法获取用户兴趣取向以及产品匹配程度，最后将各类型广告与相应兴趣取向用户相匹配。

算法的具体介绍如下。

2.1 单个用户收看单个节目时长算法

式中：a代表某用户；i代表a用户按照收视记录映射的某节目；j代表a用户某条记录；Sj_bgn，Sj_end代表满足条件的收视纪录起始时间；Ti_bgn，Ti_end代表某节目播出起止时间；Ta，i代表单个用户收看单个节目时长。该算法以简单的语句囊括了4种收视情况下的用户收看某节目的时长。

2.2 聚类算法

该产品类型聚类分析法可以实现任意簇数的人群自动聚类，借经典的K-means算法[5]，设定待聚类的某产品分类的用户匹配度（某聚类产品类型收视总时长占用户收视总时长的百分比）个数为n（样本有限的情况下，n亦为有限值），匹配度的人群聚类目标个数设为k，然后将某种产品的n个用户匹配度聚合成为k个人群分类，并且使所获得的匹配度人群聚类满足同一人群的产品匹配度较相近，不同人群的产品匹配度差异明显。聚类使得每个簇中的数据点之间最大程度地相似，而不同簇中的数据点最大程度地不同，从而发现数据集中有效的、有用的信息[6]。

K-means算法在本系统中的具体应用步骤如下：

1）随机选取某产品k个用户匹配度作为初始均值，计算其余用户匹配度与该均值的距离，将其指派给与其距离最小的聚类人群。

2）选择均方误差MSE作为聚类判度函数。

式中：M为匹配度；Ci表示某个聚类；Ai表示该聚类均值。

3）计算更新每类人群匹配度的统计平均值以及每个用户匹配度与更新后均值的距离，将其指派给与其距离最小的聚类人群，从而更新聚类。并且计算每类的均方误差。

4）重复步骤3），当聚类判度函数收敛时停止。

2.3 收视时长算法

计算某用户某聚类节目收视总时长Ta,b及某聚类产品类型收视总时长Ta,c及某用户收视总时长Ta

式中：a代表某用户；b代表所选聚类节目类型；c代表所选产品类型；i代表某节目；n，m和q代表节目数量。

2.4 收视喜好程度算法

计算某用户某聚类节目收视时间Ta,b占其收视总时长Ta的百分比Pa,b，以及某用户某聚类产品类型收视总时长Ta,c占其收视总时长Ta的百分比Pa,c

式中：a代表某用户；b代表所选聚类节目类型；c代表所选产品类型；Ta,b代表某用户某聚类节目收视总时长；Ta,c代表某用户某聚类产品类型收视总时长；Ta代表某用户收视总时长。该百分比作为用户收视喜好的评判标准，是用户收视习惯分析中的重要中间数据。将此节目收视时常百分比进行排序，获得相关节目分类的用户喜好水平，筛选数值最大的多类节目，以便广告商选择对应的节目类型，确定目标用户。或根据产品类型聚类节目，得到与产品喜好程度正相关的百分比值，以便广告商根据商品类型获得目标用户。

2.5 用户收视喜好排序算法

排序得到某用户某聚类节目收视时长Ta,b占其收视总时长Ta百分比Pa,b最大的聚类节目类型B，及某用户某聚类产品收视时长Ta,c占其收视总时长Ta百分比Pa,c最大的聚类产品类型C的算法，即

式中：a代表某用户；b代表所选聚类节目类型；c代表所选产品类型。

该算法获取了收视用户a最匹配的聚类节目类型B和聚类产品类型C。相关程度与相应百分比正相关，使用max函数筛选出每个用户相关度最高的节目或产品类型。此系统限定，相关性排序前三的节目或产品视为与用户匹配，则在表中删去max函数所选中的对象，再重复上述过程两次，即得到相关度最高的三类节目或产品，作为一种简单的匹配结果。

根据以上算法，可以从采样数据中获得相应用户的收视习惯信息以及产品匹配信息，进而通过广告商的节目类型选择或者产品类型选择提供目标用户相关信息。

3 仿真及性能分析

本文选用承德地区的采样数据进行分析，对于节目类型分析法，所选数据包括样本用户机顶盒信息、样本用户收视记录和节目播放信息。

图2反映了各用户最喜欢的三类节目并预测他们喜欢的广告产品。广告商可以先通过左边第一选择项进行筛选，得到较喜欢该类节目的用户，百分数表示该用户收看此类节目在四类节目中所占时间百分比。通过第二类选择项，可以显示出可能对该项广告产品感兴趣的用户。

图2 用户收视个性表（截图）

图3反映了各个时段某类节目收视到达率的情况，即特定对象在特定时期内看到某一广告的人数占总人数的比率。根据收视到达率广告商可以选择合适的广告投放时间。

根据用户与产品匹配程度进行筛选能够得到目标用户的简单信息，更为详细的匹配程度饼状图如图4所示。根据某用户与产品的详细匹配数据，有助于分析用户的产品购买取向，从而进一步优化广告决策。

4 结论

在数字电视媒体内容极大丰富，不同电视观众对电视节目的兴趣取向各不相同的环境下，本文提出了基于用户兴趣分析的开机广告投放系统。根据数据库中记录的数据，对电视节目观众进行了兴趣分析，构造了开机广告投放系统，并对本投放系统所筛选出的数据进行了详细介绍。通过节目类型聚类、广告类型与相应聚类节目类型绑定进行目标用户选择，以及在一天中的不同时段对用户收视到达率的分析，可以通过观众收视节目的数据将观众分成不同类型，有效进行高效广告的投放，方便广告商地进行广告投放。

图3 分时段收视到达率统计表

图4 产品匹配程度图

[1]卢向华，彭志伟，巴素琳.互联网营销服务创新及其价值——基于赞助搜索广告的分析[J].研究与发展管理，2011，23（6）：64-69.

[2]俞淑平.网络定向广告投放算法研究[D].杭州：浙江大学，2010.

[3]张曼缔.传播学视中的数字电视广告分析[J].编辑之友，2012（6）: 49-51.

[4] 柳中元，刘玲好.电视节目分类体系的构建原则-兼评张海潮先生的《中国电视节目分类体系》[J].声屏世界，2012（2）：62-63.

[5] 陈寿文,李明东.基于面向对象思想KMeans算法实现[J].滁州学院学报，2008，10（3）:42-44.

[6]钱彦江.大规模数据聚类技术研究与实现[D].成都:电子科技大学，2009.

李 楠（1993—），本科生，广播电视工程专业；

刘慧敏（1993—），女，本科生，数字媒体技术专业；

何彦卓（1993—），本科生，数字媒体技术专业；

谢海伦（1993—），女，本科生，数字媒体技术专业。

Broadcasting Television Boot Advertisement Accurate Delivery System

ZHAO Yaqian,LI Nan,LIU Huimin,HE Yanzhuo,XIE Hailun
（Information Engineering School,Communication University of China,Beijing 100024,China）

In order to solve the problem of the low efficiency of broadcasting television advertising system,a broadcasting television boot advertisement accurate delivery system is proposed,which includes two parts:audience interest analysis system and boot advertisement delivery system.The system makes full use of the relationships between the audience habits and the users＇interest features,as well as the users＇interest features and the audience demands.By analyzing the data of the users,based on the matching of the audience habits and the commodity category,the system combines these two parts, achieving the goal of delivering the broadcasting television boot advertisement accurately.

accurate delivery;interest feature;boot advertisement;broadcasting television;audience habit

TN919.5

B

赵雅倩（1993—），女，本科生，通信工程专业；

�� 盈

2014-04-09

【本文献信息】赵雅倩，李楠，刘慧敏，等.广播电视开机广告精准投放系统[J].电视技术，2014，38（20）.