CN102156721A

CN102156721A - 基于标签的互联网视频广告精准投放方法

Info

Publication number: CN102156721A
Application number: CN2011100773970A
Authority: CN
Inventors: 张栋
Original assignee: Individual
Current assignee: Beijing Qihoo Technology Co Ltd
Priority date: 2011-03-29
Filing date: 2011-03-29
Publication date: 2011-08-17
Anticipated expiration: 2031-03-29

Abstract

本发明公开了一种基于标签的互联网视频广告精准投放方法，涉及互联网信息技术领域，包括：S1：获取用户和广告的标签，所述标签为描述用户和广告的属性的关键词；S2：根据用户、广告和标签建立用户-标签矩阵和广告-标签矩阵，并填充所述用户-标签矩阵和广告-标签矩阵的空缺；S3：根据填充后的用户-标签矩阵和广告-标签矩阵，计算两个矩阵之间行向量的相似度，并按相似度降序排序；S4：选择与用户相似度排在前N的广告投放到该用户观看的互联网视频中。本发明实现了互联网视频中播放过程中广告的个性化精确投放。

Description

基于标签的互联网视频广告精准投放方法

技术领域

本发明涉及互联网信息技术领域，特别涉及一种基于标签的互联网视频广告精准投放方法。

背景技术

现有的电视广告和互联网视频广告是一种强制用户收看的方式投放，用户无法选择，只能强制被看广告，这样的广告投放方式为随意投放方式，另外，互联网视频广告一般投放在视频播放开始之前，用户可能错过观看。上述方案有如下缺陷：

1、用户对投放的广告不感兴趣；

2、广告主浪费了钱，把广告投放到了无效用户；

3、播放视频的网站会失去用户和广告主。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何在互联网视频中实现广告的精确投放，即使得适当的用户在适当的时候看到适当的广告。

(二)技术方案

为解决上述技术问题，本发明提供了一种基于标签的互联网视频广告精准投放方法，包括以下步骤：

S1：获取用户和广告的标签，所述标签为描述用户和广告的属性的关键词；

S2：根据用户、广告和标签建立用户-标签矩阵和广告-标签矩阵，并填充所述用户-标签矩阵和广告-标签矩阵的空缺；

S3：根据填充后的用户-标签矩阵和广告-标签矩阵，计算两个矩阵之间行向量的相似度，并按相似度降序排序；

S4：选择与用户相似度排在前N的广告投放到该用户观看的互联网视频中。

其中，获取用户和广告的标签的方式包括以下三种：

人工标记：人工给广告及用户加标签；

用户浏览行为：根据浏览网页的cookie数据获取用户和广告的标签；

第三方数据获取：通过第三方统计网站直接获取用户和广告的标签。

其中，所述步骤S2中填充矩阵的具体方式为：

根据PLSA主题模型中的文档-词矩阵，将用户和广告映射为文档，标签映射为词，采用PLSA算法填充所述用户-标签矩阵和广告-标签矩阵的空缺。

其中，所述步骤S2中填充矩阵的具体方式为：

S2.1：统计用户看过的广告，将该广告的标签添加到所述用户-标签矩阵中；

S2.2：统计广告被哪些用户看过，将看过该广告的用户的标签添加到所述广告-标签矩阵中；

S2.3：反复执行步骤S2.1和S2.2不断填充并更新所述用户-标签矩阵和广告-标签矩阵。

其中，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为余弦方法，公式如下：

similarity = \cos (P, Q) = \frac{P \cdot Q}{| P | | Q |} = \frac{Σ_{i = 1}^{n} (P (i) Q (i))}{\sqrt{Σ_{i = 1}^{n} P {(i)}^{2}} \sqrt{Σ_{i = 1}^{n} Q {(i)}^{2}}}

其中，P和Q分别为用户-标签矩阵和广告-标签矩阵中的行向量，i为行向量中元素的位置。

其中，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为计算KL距离(kullback-Leibler divergence)方法，公式如下：

similarity = D_{KL} (P | | Q) = \underset{i}{Σ} P (i) \log \frac{P (i)}{Q (i)}

其中，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为计算直方图重叠距离(Histogram intersection distance)方法，公式如下：

similarity = \frac{Σ_{i = 1}^{n} \min (P (i), Q (i))}{\min (Σ_{i = 1}^{n} P (i), Σ_{i = 1}^{n} Q (i))}

其中，步骤S4中，在视频镜头切换时，判断切换的两个画面的像素重合度低于预定阈值时投放广告。

其中，所述N取5～10。

(三)有益效果

本发明中，对用户和广告定义表示其属性的标签，并建立用户-标签矩阵和广告-标签矩阵，通过计算矩阵间行向量之间的相似度实现了广告的个性化精确投放。

附图说明

图1是本发明实施例的一种基于标签的互联网视频广告精准投放方法流程图；

图2是图1中步骤S102中一种填充用户-标签矩阵和广告-标签矩阵的方式具体流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明实施例的一种基于标签的互联网视频广告精准投放方法包括：

步骤S101，获取用户和广告的标签，所述标签为描述用户和广告的属性的关键词。标签可以是行业、产品等的分类，如时尚、运动、IT、建筑等。表示广告属于某个行业或产品的广告，用户关注某个行业或产品。获取用户和广告的标签的途径主要有以下三种：

人工标记：人工给广告及用户加标签；

用户浏览行为：根据浏览网页的cookie数据获取用户和广告的标签，如用户的浏览记录为：电影《将爱》和足球比赛《英超》，则给该用户加上“爱情”和“运动”的标签；

第三方数据获取：通过第三方统计网站直接获取用户和广告的标签，如视频网站直接提供用户曾经观看过哪些类型视频的历史数据。

步骤S102，根据用户、广告和标签建立用户-标签矩阵和广告-标签矩阵，并填充用户-标签矩阵和广告-标签矩阵的空缺。用户-标签矩阵表示用户被标定了那些标签；广告-标签矩阵表示：视频广告被标定了那些标签。一个简单的用户-标签矩阵和广告-标签矩阵的示例如下所示(左为用户-标签矩阵，右为广告-标签矩阵)：

上述两个矩阵中，用户1(user1)关注时尚，广告1(ad1)属于运动类广告。

实际上这两个矩阵都是很大的矩阵，因为用户数和视屏广告的数目很大，形成的矩阵是一个稀疏矩阵，意味着很多元素是缺失的。必须是把缺失的元素补上，可以使用PLSA(参考文献：Thomas Hofmann，Unsupervised Learning by Probabilistic Latent Semantic Analysis，Machine Learning 42，no.1(January 1，2001)：177-196)算法把缺省的矩阵补全。根据PLSA主题模型中的文档-词矩阵，将用户和广告映射为文档，标签映射为词，采用PLSA算法填充用户-标签矩阵和广告-标签矩阵的空缺。

如图2所示，还可以采用以下方式填充用户-标签矩阵和广告-标签矩阵：

步骤S201，统计用户看过的广告，将该广告的标签添加到用户-标签矩阵中；

步骤S202，统计广告被哪些用户看过，将看过该广告的用户的标签添加到广告-标签矩阵中；

步骤S203，反复执行上述两步，不断填充用户-标签矩阵和广告-标签矩阵，同时，由于获取用户和广告的标签的更新，两个矩阵也会不断更新。

如：用户A看了广告a、b、c，则将a、b、c的标签给用户A，广告a被用户A、B、C看了，则将A、B、C的标签给广告a。

步骤S103，根据填充后的用户-标签矩阵和广告-标签矩阵，计算两个矩阵之间行向量的相似度，并按相似度降序排序。相似度计算的方法有的很多，如：

余弦方法，公式如下：

similarity = \cos (P, Q) = \frac{P \cdot Q}{| P | | Q |} = \frac{Σ_{i = 1}^{n} (P (i) Q (i))}{\sqrt{Σ_{i = 1}^{n} P {(i)}^{2}} \sqrt{Σ_{i = 1}^{n} Q {(i)}^{2}}}

其中，P和Q分别为用户-标签矩阵和广告-标签矩阵中的行向量，i为行向量中元素的位置。P＝[1，0，1，0，1，0]，Q＝[0，1，1，1，0，0]，则：

similarity = \cos (P, Q) = \frac{1}{\sqrt{3} \sqrt{3}} = \frac{1}{3}

KL距离(Kullback-Leibler divergence)方法，公式如下：

similarity = D_{KL} (P | | Q) = \underset{i}{Σ} P (i) \log \frac{P (i)}{Q (i)}

其中，P和Q分别为用户-标签矩阵和广告-标签矩阵中的行向量，i为行向量中元素的位置。例如：p＝[1，0，1，0，1，0]，q＝[0，1，1，1，0，0]，先对每个行向量除以向量的总和，进行各自归一化处理，转化成概率分布，然后计算KL距离：

P’＝[1/3，0，1/3，0，1/3，0]

Q’＝[0，1/3，1/3，1/3，0，0]

similarity＝d_kl(P’，Q’)＝1/3×log(1/3/0)+1/3×log(1)+1/3×log(1/3/0)＝infinity约定0×log(0/q(x))＝0；p(x)×log(p(x)/0)＝infinity。

直方图重叠距离(Histogram intersection distance)方法，公式如下：

similarity = \frac{Σ_{i = 1}^{n} \min (P (i), Q (i))}{\min (Σ_{i = 1}^{n} P (i), Σ_{i = 1}^{n} Q (i))}

其中，P和Q分别为用户-标签矩阵和广告-标签矩阵中的行向量，i为行向量中元素的位置，将P和Q对应含有n个bin的直方图中相应bin里的数据数量。例如：用户-标签向量中的标签对应直方图中的各个bin，那么用户对于标签的值则为bin里的数量。p＝[1，0，1，0，1，0]，q＝[0，1，1，1，0，0]，则：

similarity = \frac{1}{1 + 1 + 1} = \frac{1}{3} .

步骤S104，选择与用户相似度排在前N的广告投放到该用户观看的互联网视频中。N优选为5～10。其中，在投放广告时，判断切换的两个画面的像素重合度低于预定阈值，若低于则投放广告，否则继续播放视频。

本发明在实施时，整合多家视频媒体，把广告投放到符合要求的特定人群，而不是投放在特定视频网站，还包括投放到游戏网站、社区网站等能够播放视频的网站。使广告投放达到了更好的效果。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims

1.一种基于标签的互联网视频广告精准投放方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，获取用户和广告的标签的方式包括以下三种：

人工标记：人工给广告及用户加标签；

3.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述步骤S2中填充矩阵的具体方式为：

4.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述步骤S2中填充矩阵的具体方式为：

5.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为余弦方法，公式如下：

similarity = \cos (P, Q) = \frac{P \cdot Q}{| P | | Q |} = \frac{Σ_{i = 1}^{n} (P (i) Q (i))}{\sqrt{Σ_{i = 1}^{n} {P (i)}^{2}} \sqrt{Σ_{i = 1}^{n} {Q (i)}^{2}}}

6.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为计算KL距离(kullback-Leibler divergence)方法，公式如下：

similarity = D_{KL} (P | | Q) = \underset{i}{Σ} P (i) \log \frac{P (i)}{Q (i)}

7.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述步骤S3中计算两个矩阵之间行向量的相似度的方法为计算直方图重叠距离(Histogram intersection distance)方法，公式如下：

similarity = \frac{Σ_{i = 1}^{n} \min (P (i), Q (i))}{\min (Σ_{i = 1}^{n} P (i), Σ_{i = 1}^{n} Q (i))}

8.如权利要求1所述的基于标签的互联网视频广告精准投放方法，其特征在于，步骤S4中，在视频镜头切换时，判断切换的两个画面的像素重合度低于预定阈值时投放广告。

9.如权利要求1～8中任一项所述的基于标签的互联网视频广告精准投放方法，其特征在于，所述N取5～10。