MIML-BP：基于BP神经网络的广告分户推送与营运规划

杨远林 王莉萍 王艺霏

摘  要：电视广告是地方电视台商业营运的主要业务之一，为了在价格合理的前提下获得最大化的利润，同时提升收视率、影响力和买方产品销售量，地方电视台要将电视频道用户进行分类并匹配推送相应类别的视频广告。而如何做到用户的匹配推送，并且设置合适的价格是电视台广告推送的两大难题。文章分别设计了神经网络模型和模糊综合评价决策模型解决了上述问题。实验结果表明，文章提出的方法取得不错的效果并且验证了模型的有效性。

关键词：BP神经网络;分类模型;模糊综合评价

中图分类号：TP18        文献标识码：A文章编号：2096-4706（2021）23-0021-04

MIML-BP： Advertising Household Push and Operation Planning Based on BP Neural Network

YANG Yuanlin， WANG Liping， WANG Yifei

（Southwest University， Beibei  400715， China）

Abstract： TV advertising is one of the main businesses of commercial operation of local TV stations. In order to maximize profits on the premise of reasonable price and improve audience rating， influence and sales volume of buyers products， local TV stations should make classification and matching push of video advertisements of corresponding categories to TV channel users. And how to achieve the users matching push and set the appropriate price are two big problems for the TV station advertising push. This paper designs neural network model and fuzzy comprehensive evaluation decision model respectively to solve the above problems. Experimental results show that the proposed method achieves good results and verifies the availability of the model.

Keywords： BP neural network; classification model; fuzzy comprehensive evaluation

0  引  言

電视广告是地方电视台商业营运的主要业务之一。假设广告视频由产品销售或制造商（下统称买方）负责制作并向电视台（下称卖方）竞买播放时段。假设广告播放时段分周期组织竞卖，当前周期组织完成下一个周期的竞价交易。

1  BP神经网络模型

1.1  问题分析

针对问题一，由于电视广告类型有多种，电视用户特征也多样，本文选用了可多输入和多输出的BP神经网络模型。对问卷调查收集来的数据进行预处理，建立BP神经网络;根据训练模型做到匹配推送。

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信y从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权重和阈值，从而使BP神经网络预测输出不断逼近期望输出。由于电视广告类型有多种，电视用户特征也多样，多输入多输出的特点和BP神经网络模型有很好的契合性，所以，本文决定采用BP神经网络模型来解决问题一。需要说明的一点是，本文虽然对收集到的数据进行了预处理，尽可能地排除了错误数据，但输出结果仍然有一定的偏差。

为了便于理解三层BP神经网络模型的具体实施过程，可以借用如下示意图来辅助理解。

1.2  模型建立

为提高模型的实用性和可操作性，本文选取了三层结构的BP神经网络模型，每层具体含义为：

输入层：将电视频道用户的特征作为输入层，即重庆卫视用户的年龄，性别，爱好，专业，收入，教育背景，看电视时间，购买产品类型。显然，输入层有8个节点;分别用x1，x2，x3，…，x8，来表示。

隐含层：选择的BP神经网络模型的隐含层一共含有7个节点。

输出层：BP神经网络的输出为电视台推送的视频广告的类型，包括美妆类、医药类、食物类、家居生活类、学习用品类、植物花卉类等多种类型的广告，在本题中，本文选择了6个广告类型作为输出层。本文分别用y1，y2，y6来表示。

在BP神经网络模型，激活函数对于输出结果有着重要作用，为了使输出结果更具有实际意义，本文选择s型函数：

Y=1/（1+e（-X））     （1）

作为隐含层的激活函数，为了加快神经网络的学习速率，减少迭代次数，将双曲正切函数作为输出层的激活函数：

tanh（x）=（ex-e（-x））/（ex+e（-x））     （2）

本文通过输入自变量x1（p），x2（p），…，x10（p）和期望输出yd，1（p），yd，2（p），…，yd，n（p）来激活反向传播神经网络。

其中，隐含层神经元的实际输出为：

（3）

同样可得，输出层神经元的实际输出为：

（4）

通过不断地改变8个自变量所对应的权重和阈值以及输出层的阈值，可以得到不同的结果，通过不断的修正直至输出值逼近期望值，从而分析出电视广告类型与用户之间的关系，达到解决问题的目的。

综上所述，本文建立了一个8-7-6结构的三层BP神经网络模型，并且选择s型函数Ysigmoid=1/（1+e（-X））作为隐含层的激活函数，为了加快神经网络的学习速率，选择双曲正切函数Ytanh=2a/（（1+e（-bX））-a）作为输出层的激活函数。

2  模糊综合评价模型

2.1  问题分析

由于电视广告的定价要考虑多个因素，有些因素对价格的影响程度在量上又是难以精确衡量的，即广告价格影响系统具有“模糊性”特征，因此本文采用了模糊综合评价决策模型。研究了节目收视率、观众购买欲望及购买力等4个主要影响因素，再与重庆卫视历年来广告价格表里的数据相匹配，估算每个时段的竞卖合理底价。

2.2  模型建立

2.2.1  确定评价对象的指标集

本文先将所有可能影响重庆卫视广告定价的因素做成一个集合，表示为：

U={u1，u2，u3，u4}     （5）

在本题中本文选取以下4个影响因素：

u1：此时段的电视用户对广告产品的购买欲望;

u2：此时段重庆卫视的收视情况;

u3：其他电视台对此时段广告的定价情况;

u4：竞买同时段广告的买家数量。

2.2.2  建立评价集V以及Vi

（1）假设评价等级有5个，记做：

V={v1，v2，v3，v4，v5}       （6）

其中v1，v2，v3，v4，v5分别代表此时段广告竞卖底价可标价“很高，高，正常，较低，很低”。

（2）对4个影响因素，各建立5个评语构成的评价集，记为：

Vi={vi1，vi2，vi3，vi4，vi5}，i=1，2，3，4    （7）

具体来讲：

V1={v11，v12，v13，v14，v15}    （8）

表示对广告产品的购买欲望“很高，高，一般，低，很低”;

V2={v21，v22，v23，v24，v25}    （9）

表示在此时段看电视的次数“很多，多，一般，少，很少”;

V3={v31，v32，v33，v34，v35}    （10）

表示其他電视台对此时段广告的定价“很高，高，正常，低，很低”;

V4={v41，v42，v43，v44，v45}    （11）

表示竞买同时段广告的买方数量“很多，多，一般，少，很少”。

2.2.3  建立单因素评价向量并获得评价矩阵R

评价矩阵R如式（12）所示：

（12）

2.2.4  确定评价因素的权向量W

权重是表示因素重要性的相对数值，可通过收集公开的统计数据、问卷调查以及专家打分的方法获得评价因素的权向量W。

W={w1，w2，w3，w4}（13）

2.2.5  合成模糊综合评价结果向量

利用合适的算子将W与R进行合成

（14）

这里的合成算子使用算子;

则有如下所示综合评判结果：

（15）

其中bi是由W和R的第i列运算得到的，它表示可设定的广告竞卖底价高低对vi等级模糊等级的隶属程度。

2.2.6  估算各时段合理底价

将各时段的评价结果按b1的数值从大到小排列，将附录里重庆卫视2018年和2019年广告刊例价格表中的价格从高到低排列，进行一一匹配，得到卖方分时段竞卖合理底价Y（元/5秒）。

3  实验

3.1  数据预处理

由于本文收集数据来自问卷调查，为了提高数据的有效性，需要对收集到的数据需要数据清洗和数据的处理集成，然后才能进行数据归一化或者数据降维。

数据不合法：本文在对重庆电视台问卷调查资料整理时，发现问卷调查客户所填信息存在随意填写的现象。就调查问卷人性别信息而言，按常理说一般只有男女选其一，本文却发现有的问卷客户二个都勾选了。因此需要对这些记录进行筛选和清理，本文采用删除操作，即对该类不合法数据，直接删除该客户记录。因为客户如果就性别这一类基础信息都不愿意提供出来，更难指望该客户能提供有效的自身对重庆电视台真实的反馈，结果证明该方法是行之有效的。对于其他不合法数据，本文也采用了类似方法。

数据缺失：由于客户在填写重庆电视台问卷调查存在在很多非人力因素，如没有及时检，填写时间慌张等情况，导致一些问题没有填写，造成出现空值的情况。为了让数据不为空，本文采用了平均数法，即对空值数据用该特征的平均数去填充，从而增加样本的可靠性。

数据归一化：本文采用最小最大归一化。

BP神经网络初始化：随机初始化BP神经网络模型的权值和阈值。

3.2  结果1

用训练数据训练BP神经网络，并根据网络预测误差调整网络的权值和阈值。本文以用户的年龄，性别，爱好，专业，收入，教育背景，看电视时间，购买产品类型作为输入层，6种广告类型作为输出层，1层隐含层建立模型，训练结果如图2所示。

从图3可以看出，当训练样本为200时，模型一共迭代了8 972次才收敛，训练好网络以后，利用该网络的学习模式，当知道用户的特征以后，通过本文建立的模型就可以知道应该向该用户推送什么广告。从而本文回答了问题一。

3.3  结果二

估算各时段合理底价，将各时段的评价结果按b1的数值从大到小排列，将附录里重庆卫视2018年和2019年广告刊例价格表中的价格进行从高到低排列，并进行一一匹配，得到卖方分时段竞卖合理底价Y（元/5秒），分时段竞卖低價表如表1所示。

4  结  论

BP神经网络实现了从输入到输出的复杂映射关系，数学理论已证明它具有实现任何复杂非线性映射的功能，而广告与用户的特征经过分类以后刚好可以建立对应的映射关系。BP神经网络能通过问卷调查的数据进行学习，自动提取“合理的数据”，具有良好的自学习能力。BP神经网络经过改良后易推广，适合做分类处理。模糊综合评判能够避免经验主义，使决策更加合理、科学，简单易行。

参考文献：

[1] 耐格纳威斯基.人工智能：智能系统指南 [M].顾力栩，沈普惠，等译.北京：机械工业出版社，2007.

[2] MATLAB中文论坛.MATLAB神经网络30个案例分析 [M].北京：北京航空航天大学出版社，2010.

[3] 宋秉华.电视广告定价策略研究 [D].长沙：湖南大学.

[4] 罗萍，林邦豪.广告价格构成、影响因素及趋势分析 [J].发展研究，1995（8）： 22-25.

[5] 盛艳蕊，高飞，胡小华.模糊综合评价法在宗地估价中的应用 [J].城市勘测，2008（1）： 125-126+129.

[6] 葛雄灿.宗地估价的模糊综合评估法 [J].浙江大学学报（农业与生命科学版），2001（3）：345-348.

作者简介：杨远林（1996—），男，汉族，贵州兴义人，硕士在读，研究方向：数据挖掘;王莉萍（1998—），女，汉族，四川南充人，本科在读，研究方向：数学教育;王艺霏（1999—），女，汉族，山东即墨人，本科在读，研究方向：数学教育。