云環(huán)境下DM廣告精準投放模型研究.pdf

1、近年來，隨著云計算、大數(shù)據(jù)和物聯(lián)網(wǎng)等高新技術的成熟及發(fā)展，推動傳統(tǒng)DM(direct mail,譯為“直投廣告”)廣告媒體行業(yè)的快速轉型。在云環(huán)境的廣告投放模型中，DM廣告與用戶數(shù)據(jù)量劇增，引起數(shù)據(jù)稀疏性和算法可擴展性難題，成為精準投放模型亟待解決的問題。
　　目前傳統(tǒng)廣告投放從用戶行為和內容定向兩方面來建立模型，通過相似度計算來對用戶進行劃分，根據(jù)用戶的共同行為特征或偏好內容進行廣告投放。云環(huán)境下數(shù)據(jù)集極度稀疏性，使可用于模型訓

2、練的有效數(shù)據(jù)很少，無法準確找到用戶或廣告的最近鄰居；而大數(shù)據(jù)量計算，需要耗費大量計算資源和時間，傳統(tǒng)方法可擴展性較差。針對傳統(tǒng)精準投放模型的弊端，本文以云環(huán)境下的DM廣告為研究對象，基于二分k均值聚類和L-BFGS優(yōu)化的協(xié)同過濾算法提出DM廣告精準投放模型，論文的核心工作如下：
　　(1)針對DM廣告投放流程，分析傳統(tǒng)環(huán)境與云環(huán)境下廣告投放流程的區(qū)別，以及云環(huán)境下精準投放方法和難點，提出本文要解決的關鍵問題，設計云環(huán)境下精準投放模

3、型的兩階段算法。
　　(2)研究廣告精準投放模型的數(shù)據(jù)處理流程，基于二分k均值和Hadoop分布式數(shù)據(jù)倉庫，對現(xiàn)有數(shù)據(jù)集轉換和聚類分析，根據(jù)實時的用戶特征與行為分析選擇聚類簇，作為精準投放模型中協(xié)同過濾算法的數(shù)據(jù)輸入。
　　(3)提出一種基于L-BFGS優(yōu)化的協(xié)同過濾算法作為精準投放模型預測方法，將用戶和商品的特征進行組合，使用因子分解機模型(Factorization Machine，F(xiàn)M模型)預測用戶對廣告的偏好程度，同

4、時降低數(shù)據(jù)稀疏性影響；使用L-BFGS算法作為FM模型的參數(shù)訓練方法，具有收斂速度快和占用計算空間低等特點，提高訓練FM模型的計算效率和可擴展性，滿足云環(huán)境下預測精準度和計算效率要求。
　　最后，基于Spark計算框架實現(xiàn)精準投放模型和設計數(shù)值實驗進行驗證。通過不同數(shù)據(jù)集并與其它三種方法進行實驗比較，并分析算法收斂速度、特征數(shù)量和數(shù)據(jù)集大小對算法精準度的影響。結果表明：該模型在四個不同規(guī)模的數(shù)據(jù)集上都有最高的預測精準度，在適當增加