文档介绍：华中科技大学博士学位论文
摘要
随着互联网的迅速发展,网络广告也得到了快速的发展。与传统媒体广告相比,
网络广告能通过多媒体方式,全天候、全球性的展示,具有成本低、互动性强的特
点。网络广告越来越受到广告商的青睐,并成为许多学者研究的对象。
近几年,网络广告不论在商业应用还是研究领域都获得了极大的发展。然而随
着网络广告爆炸式的投放,横幅广告点击率不断下降,网络广告的发展前景受到了
诸多质疑。为了提高网络广告的点击率,为每个用户提供个性化的广告信息是当前
业界与学界的一个研究焦点。
RSS 广告是一种新型的网络广告形式,针对 RSS 广告的个性化推荐问题,本文
对 RSS 个性化网络广告系统进行了探讨,针对其中的关键算法进行了有益的分析与
研究,包括分类算法、关联规则挖掘算法和协同过滤算法。
首先利用关联规则挖掘算法分析用户的浏览行为,并提出基于频繁 1-项子树
(FS-tree)的频繁模式挖掘算法。在线 RSS 阅读器拥有大量的注册用户,他们产生
的事务数据集非常庞大,如果使用 FP-growth 算法进行关联规则的挖掘,需要占用大
量内存空间。针对这个问题,提出基于频繁 1-项子树(FS-tree)的频繁模式挖掘算
法。该算法通过构建频繁 1-项子树,使 FP-tree 的最大深度和最大宽度得以分离。实
验结果表明,该算法占用内存小,执行效率高,能有效的进行关联规则的挖掘。
接下来利用协同过滤算法分析用户的订阅行为,并提出基于项目分类的协同过
滤算法。由于在 RSS 在线阅读器网站上,用户订阅的 Feed 只占所有 Feed 的极少数,
用户数与 Feed 数的急剧增加将导致用户评分矩阵变得极端稀疏,造成两个用户共同
评分过的项非常稀少,因此通过协同过滤算法计算邻居用户不准确,推荐质量急剧
下降。针对该问题,提出基于项目分类的协同过滤推荐算法。该算法利用系统已经
产生的 Feed 分类结果,计算类中各个项之间的相似性,然后再通过加权的方法对未
评分项进行预测评分,从而有效降低了数据的稀疏性。实验结果表明,基于项目分
类的协同过滤推荐算法可以有效解决在用户评分数据极端稀疏的情况下,传统相似
性度量方法存在的不足,显著提高推荐系统的推荐质量。
提出智能广告推荐策略。一个有效的广告推荐系统首先应该能根据各种情况调
整广告推荐集的输出,并能对广告商的一些要求设置广告过滤规则。针对这个问题,
本文设置了若干过滤规则,并提出一个混合推荐策略,使系统能根据问题背景和实
II
华中科技大学博士学位论文
际情况产生不同的广告推荐集。如果是一个老用户,将调用协同过滤推荐算法产生
推荐集,使用户在登录的初始阶段就能获得个性化的 RSS 广告。之后,随着用户访
问的深入,当用户当前的浏览序列到达一定长度值 L 时,将触发关联规则推荐算法,
否则采用分类推荐算法产生广告集。采用混合广告推荐策略,可以有效解决新用户、
新项目问题,由于协同过滤算法和关联规则挖掘算法都是离线完成的,系统具有较
好的实时性。
提出基于决策树的广告客户流失模型。客户流失管理是许多行业关注的一个重
要问题,广告商作为 RSS 在线阅读器的主要收入来源,应该对他们的流失予以高度
关注。针对这个问题,本文以 CRM 中的 RFM 模型为基础,根据广告业的实际情况,
提出广告客户流失模型,并利用决策树算法对该模型进行了分析。
关键词: 网络广告 RSS 个性化数据挖掘协同过滤
III
华中科技大学博士学位论文
Abstract
With the rapid development of the , Advertising has been rapid
development. Compared with traditional media advertising, Advertising through
multi-media, all-weather, global exposure, with low-cost, highly interactive features.
Advertising favored by more and more advertisers, and ed the research
subject of many scholars.
In recent years, both mercial application and research field,
Advertising has been a great development. However, with the explos