基于用户行为信息的艺术广告媒体推送机制设计

摘  要： 为有效细分目标受众，利用用户行为信息设计艺术广告媒体推送机制。采用相似度算法计算用户浏览媒体内容的相似度，获取用户行为特征即用户对内容的偏好程度。设置阈值，内容相似程度在阈值以上视内容为相同簇，完成用户行为信息内容簇分类。计算有效簇内用户行为新鲜度与离散度，结合新鲜因子求取有效簇最终权重。最后利用有效簇最终权重与用户对内容的偏好程度计算艺术广告推送分数，对广告排序选出适合用户的广告。艺术广告媒体推送测试结果显示，所设计广告推送机制在长期与短期内的召回率与查准率较优，依据用户行为特征向用户精准推送艺术广告信息。

关键词： 用户行为信息; 行为特征; 新鲜度; 艺术广告; 簇; 推送机制

中图分类号： TN711?34; TP393                    文献标识码： A                     文章编号： 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

廣告精准推送是实现广告投放效果最大化的基本要求，近几年广告精准投放成为广告媒体重点研究的问题[1]。相对欧美发达国家而言，我国广告精准推送处于初级发展阶段。互联网时代信息技术更新换代快，艺术广告可通过用户浏览网页信息内容进行精准推送[2?3]，使艺术广告内容符合用户的需求与喜好。这种方式被定义为基于用户行为的精准广告推送机制，与传统的大众营销理念相比，精准推送广告节约了寻找目标受众的时间，缩减了不必要的广告营销工作量[4?5]。从用户角度而言，减少了不需要广告的干扰。

随着广告设计手段的进步、设计师思维的拓展，产生了大量艺术广告，相比一般营销广告而言，艺术广告更加含蓄、画面精致，传播广告信息的方式易于接受[6]。基于广告精准推送技术的发展分析可知，精准推送艺术广告是实现艺术信息最大化的必需手段，为此，本文基于用户行为信息设计艺术广告媒体推送机制，利用用户行为信息获取用户的行为特征，根据行为特征向用户推荐符合其喜好的艺术广告信息。

1  艺术广告媒体推送机制

1.1  艺术广告媒体推送机制设计

基于用户行为信息的艺术广告媒体推送机制如图1所示。该机制推送广告的思路如下：用户浏览内容时产生大量行为信息，提取用户行为信息得到反映用户行为特征的数据[7];根据预设阈值[α]得到用户行为信息内容簇，求取有效簇最终权重，结合用户行为特征与有效簇最终权重计算广告推送分数，根据分数对艺术广告进行排名，实现艺术广告媒体精准推送。

由图1可知，设计艺术广告媒体推送机制时，从用户长期与短期行为两方面描述用户行为特征，推送广告的精准度更强，目标用户可有效接收和自身兴趣爱好一致的艺术广告信息。

1.2  用户行为信息特征定义及提取

1） 相似度算法

采用相似度描述个体的相似程度，个体相似度差异大小通过相似度值表示，相似度值与个体差异成反比。用户浏览记录较少的情况下获取的用户行为特征误差较大，通过计算浏览媒体内容相似度的方式有效避免该情况。采用式（1）计算用户浏览媒体内容的相似度：

[wij=A（i）?A（j）A（i）A（j）] （1）

式中：[wij]是用户浏览内容[i]和[j]间的相似度;[A（i）]表示浏览内容[i]的用户人数;一同浏览内容[i]和[j]的用户数量为[A（i）?A（j）]。由此可知，当存在一定量用户观看媒体内容[i]和[j]时，两者内容存在相似程度。求取浏览内容相似度时以用户行为信息为依据，更好体現用户对浏览内容的倾向性，由此向用户推送的艺术广告内容精准性更强。

2） 用户行为特征模型

用户行为信息是用户基于自身爱好与想法产生的浏览节目的记录，体现用户行为特征[8?9]。艺术广告媒体推送广告内容以高精准度、高命中率为前提，通过分析用户的行为特征得到差异较大与相似度较大的用户，提升广告推送精准度[10?12]。所以利用相关性变量体现用户的行为特征，采用式（2）求取用户行为特征：

[Gui=j∈Au?Si，Kwjiruj] （2）

式中：[Gui]为用户[u]对内容[i]的偏好程度;[Gu]是用户[u]浏览内容的集合;与内容[i]相似程度最大的[K]个内容的集合为[Si，K];[wji]表示节目[j]与[i]的相似度;[ruj]表示用户[u]对节目[j]的兴趣。

1.3  基于用户行为信息特征的艺术广告推送方法

1.3.1  用户行为信息内容簇分类

基于用户行为信息提取用户行为特征，基于该特征对用户浏览媒体内容进行分类，预设阈值[α]，两个内容相似程度在阈值以上，则媒体内容视为相同簇，采用式（3）与式（4）计算相同簇内容的质心：

[dC=1ni=1ndidi2] （3）

[dQE=dCdC2] （4）

定义[C]表示内容簇集合，首个簇的质心[dQE1]为最久远的网页，定义为[d1]，得到[C=dQE1]，处理每个内容的过程如下：

Step1：依据时间远近获取[dj]，[j]取值在[1～m]之间，且存在随机[dQEi∈C]，定义[Fij]表示[dj]和[dQEi]的相似程度，通过向量空间模型求取[Fij]，得到[Fij=sindj，dQEi]，相似度最大值为[maxFij]。

Step2：当[maxFij]在阈值以上时，证明[dj]在质心为[dQEi]的簇内，更新簇质心得到[d′QEi]。

Step3：当[maxFij]在阈值以下时，采用[dj]代替新簇质心[dQEj]并添加至集合[C]。

基于Step1～Step3处理全部浏览内容。媒体浏览内容更新方法为：定义新产生的浏览内容为[dm+1]，依据实际情况将[dm+1]视为独立簇或者添加至现有簇中;删除时间最久远的媒体内容，更新该簇质心。

1.3.2  用户行为特征描述

用户行为信息内容簇分类提供用户长期与短期的用户行为特征，由于用户随机浏览的内容不能准确体现用户的喜好，需剔除这一类干扰信息[13]，通过设置用户行为因子完成干扰信息过滤。假设浏览内容达到一定比重时，可将浏览内容作为用户行为信息的体现，用来描述用户的行为特征，采用行为因子[ξ]表示浏览内容的比重临界值。低于临界值[ξ]部分的簇视为噪声簇，无价值;有效簇即浏览内容在临界值[ξ]以上。对于体现用户短期行为特征的内容簇而言，访问时间是最关键的因素，近期浏览内容更能准确体现用户的喜好，关键性较强[14]。设置行为新鲜度概念，衡量内容簇描述行为特征的新旧程度。定义[Uf]表示用户行为新鲜度，该变量是有效簇内容访问用时均值的归一化值，采用式（5）计算有效簇的平均访问用时：

[Ht=1ni=1nti] （5）

向量[Vh=H1t，H2t，…，Hkt]由全部有效簇的访问用时均值组成，[k]表示有效簇的数量，由此获取[Uf]的计算方式如下：

[Uf=HtVh2=1nVh2i=1nti] （6）

描述用户长期特征的内容簇的关键是用户浏览内容的分散程度，浏览内容广泛程度与用户时刻关注的频率成正比，分布广泛的内容证明用户关注度较高，该内容相对关键[15]。采用离散程度衡量内容分布的分散程度。

定义[Ud]表示用户行为离散度，该变量是有效簇中内容浏览时间的均方差归一化值。采用式（7）求取用户浏览内容的时间均方差[σt]：

[σt=1ni=1nti-Ht2] （7）

向量[Vd=σ1t，σ2t，…，σkt]由全部有效簇内容浏览时间均方差组成，据此计算有效簇的用户行为离散程度，如下所示：

[Ud=σtVh2=1Vd21ni=1nti-Ht2] （8）

有效簇最终权重用[Ue]表示，簇内用户行为新鲜度与离散度是计算有效簇最终权重的依据，采用新鲜因子描述行为新鲜度在[Ue]中的关键程度。

定义[ε]表示新鲜因子，该变量是用户行为新鲜度在最终权重中的占比数值。采用式（9）求取[Ue]：

[Ue=ε?Uf+1-εUd，ε∈0，1] （9）

将式（6）与式（8）代入式（9）中得到：

[Ue=ε?HtVh2+1-ε1Vd21ni=1nti-Ht2] （10）

在式（9）和式（10）中，[ε]取值为0和1时存在不同含义：分别表示注重用户的长期与短期行为特征;[ε]在0～1之间时说明同时关注长期与短期用户的行为特征。

基于式（2）得到用户对内容[i]的偏好程度，根据式（10）计算内容簇权重，据此求取艺术广告推送的分数值，如式（11）所示：

[scoreij=Ue?Gui] （11）

采用式（11）求取的得分值对艺术广告进行排序，选取排名靠前的艺术广告推送给用户，实现艺术广告媒体的精准推送与投放。

2  仿真实验

2.1  内容的相似度计算

本文设计基于用户行为信息的艺术广告媒体推送机制，构建实验环境测试该机制推送广告的效果。实验以网络媒体为载体，实验数据集为500张网页内容，内容涉及旅游、财经、体育、艺术以及电脑5个类别，每种类别包含100张网页，网页内容随机分布。预设800个与网页浏览内容相关的广告，预设400个与网页浏览内容无关的广告。用户浏览内容的相似度计算影响用户行为特征提取结果，进一步影响艺术广告媒体推送分数，所以，首先测试本文机制中用户浏览内容的相似度计算精准度，用平均绝对误差进行评估。若计算结果低于0.2证明相似度计算值符合用户行为特征提取要求。网页浏览数量不同时，本文机制计算用户浏览内容相似度的平均绝对误差如图2所示。

图2中，本文机制计算内容的相似度平均绝对误差初始值在0.18左右，符合用户行为特征精准提取标准，随着实验的不断进行，平均绝对误差呈下降趋势，用户浏览网页达到40张时，本文机制计算内容相似度的平均绝对误差趋于平稳，在0.11上下浮动。总体看来，本文机制计算内容的相似度误差较低，为用户行为特征计算、广告推送分数计算创造了准确的数据条件。

2.2  长期与短期艺术广告推送效果分析

实验设置1天与16天两个艺术广告推送期限，分别检测短期与长期内本文广告推送机制效果。广告推送机制效果评估指标为召回率与查准率，与基于成本核算的广告推送机制、基于最大化网络的广告推送机制进行对比，突出本文机制的优越性。测试结果见表1～表4。

根据表1与表2分析短期与长期内不同机制推送艺术广告的召回率情况，召回率即查全率，是衡量推送机制分析用户行为特征全面性的评估指标。基于成本核算的广告推送机制召回率均值由短期的86.55%降低至82.11%，基于最大化网络的广告推送机制召回率平均降低了约10%，且两种机制的召回率均在90%以下，不能全面掌握用户行为信息特征。本文推送机制长期与短期的召回率效果基本不变，均在90%以上，因为本文推送机制采用用户行为新鲜度描述用户短期行为特征，采用用户行为离散度描述用户长期行为特征，有效把握用户在不同时期内的行为、喜好变化情况，实现艺术广告的精准推送。

从表3和表4可以看出，在短期查准率方面，本文机制表现最优，最小查准率为93.5%，最大查准率可达97.6%;在长期查准率方面，本文广告推送机制的查准率均在94.5%以上，因此，本文机制向用户推送艺术广告的準确度不受时间因素的影响。基于成本核算的广告推送机制的长期查准率优于短期查准率，基于最大化网络的广告推送机制的短期查准率优于长期查准率，但是两种广告推送机制相对本文机制而言，均不存在显著优势。

2.3  艺术广告媒体推送影响因素分析

1） 新鲜因子对艺术广告媒体推送的影响

用户行为的新鲜程度在最终权值中的关键程度通过新鲜因子体现。定义行为因子为6%，[λ=0.0，0.1，0.2，…，1.0]。新鲜因子对艺术广告媒体推送的影响如图3所示。分析图3可知，随着新鲜因子的增加，五种类别网页内容的最终权重变化存在差异，财经、体育类别网页内容簇权重增加，其余类别权重为降低趋势。这种变化说明，本文研究的艺术广告媒体推送机制能够根据用户的行为信息特征适时调整推送广告的类别，实现用户长期行为、短期行为广告的精准推送。

2） 行为因子对艺术广告媒体推送的影响

定义新鲜因子为1，[ξ=1.5%，2.5%，…，7.5%]。行为因子对艺术广告媒体推送的影响见表5。表5结果显示：行为因子增加的同时，艺术广告推送内容逐渐减少，行为因子为1.5%时，艺术广告推送主体内容为35个，行为因子增加至4.5%时，艺术广告推送主体内容减少至22个，行为因子达到7.5%时，广告推送内容仅为旅游、财经、电脑三项，成功过滤掉噪声内容，保留有效广告信息。

3  结  论

本文设计基于用户行为信息的艺术广告媒体推送机制，以用户浏览网页内容产生的行为信息为基础，提取用户行为信息特征，针对用户行为特征向目标发送符合其兴趣爱好的艺术广告，有效提高广告推送的精准度。本文研究的艺术广告推送机制实质上是一种用户定向广告投放方式，在互联网与信息技术不断更新的背景下不断优化、完善。广告精准推送有效减少了媒体推送信息的工作量，节约了经济成本与时间成本，未来媒体广告的投放与推送必定以精准定向为方向，发展前景广阔。

参考文献

[1] 任云妹，周梅婷.社交媒体时代信息流广告设计传播策略思考[J].包装工程，2017，38（14）：42?45.

[2] 葛桂丽，袁凌云，王兴超.基于情境感知的用户个性化兴趣建模[J].计算机应用研究，2017，34（4）：995?999.

[3] 黄传慧，明均仁.基于TAM的移动用户学术采纳行为影响因素研究[J].现代情报，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] 鲍鹏，沈华伟，程学旗.信息传播中的用户转发选择预测[J].计算机科学与探索，2016，10（11）：1524?1531.

[6] 李玲，刘敏，成国庆.基于DSSI理论的信息易感用户动态提取模型[J].计算机学报，2017，40（12）：2812?2826.

[7] 司亚利，李峰，宋亚伟.结合流行度特征和核密度估计的兴趣点推荐算法[J].小型微型计算机系统，2016，37（11）：2416?2420.

[8] 李永海.考虑客户满意度的电子商务商品信息推送效果测评方法[J].现代情报，2016，36（11）：55?58.

[9] 杨帆，何敏，施继红，等.基于LDA模型的网络党建信息推送策略[J].计算机工程，2016，42（9）：286?291.

[10] 阿幸，肖瞾殿，马娇，等.基于实践经验的微博健康信息传播研究[J].中国健康教育，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] 童龙文，黄少俊.基于地面数字电视的信息推送系统[J].电视技术，2017，41（7）：15?18.

[13] 邰蕾蕾，陶世奇.一种基于用户识别特征模型的中医药健康养老信息推送算法[J].运筹与管理，2017，26（12）：183?188.

[14] 姜信景，齐小刚，刘立芳.个性化信息推荐方法研究[J].智能系统学报，2018，13（2）：189?195.

[15] 赵海燕，骆金，陈庆奎.时间与位置感知的活动个性化推荐方法[J].计算机工程，2018，44（4）：218?224.

作者简介：李晓娜（1982—），女，黑龙江宾县人，硕士，讲师，主要研究方向为传媒、播音主持艺术。