CN102722832A - 在线视频广告精细化定向投放方法 - Google Patents

Abstract

本发明属于网络视频技术领域，特别涉及一种视频广告投放方法。在线视频广告精细化定向投放方法，包括：A.通过问卷调查，收集用户的身份和视频访问行为数据；B.对数据做预处理；C.构建正反样本向量：D.将正反样本向量带入支持向量机模型进行训练，得到最优分类面及权重w信息：E.使用得到的模型对用户做分类：F.模型验证；G.在视频网站服务器上实现自动化运行；H.当用户视频网站服务器时，模型记录用户的访问请求，对用户做出人群属性分类和标识，根据用户的属性推送适合的广告。本发明能够把广告精准的推送到每个合适的用户，既能大幅提升广告的投放效果，又能提升视频运营公司的资源利用率，同时还能减少了用户看不相关广告的次数。

Description

在线视频广告精细化定向投放方法

技术领域

本发明属于网络视频技术领域，特别涉及一种视频广告投放方法。 

背景技术

目前在线视频广告主要通过视频节目内容和地域进行定向投放，还不能更准确地投放给具有特定性别、年龄、收入、职业、学历等属性的目标人群。比如，北京某个经营中高端化妆品的广告主，需要对一款刚上市产品通过在线视频进行宣传，这款产品的目标人群是女性，年龄是25-45岁，月收入在5000元以上的白领。目前的在线广告投放是方法是通过在线问卷调查，统计25-45岁，月收入在5000元以上的女白领观看比较多的节目，针对ip来自北京的用户，在这些节目上投放这款产品广告。另一种为广告主所热衷的广告投放方式是在热播剧或者刚上映不久的电影中播出广告。这一方面由于受众针对性差而减弱了广告实际投放效果，另一方面造成广告主对热点资源的竞争，降低了视频运营公司的资源利用率。 

发明内容

本发明的目的是：提供一种能够把在线视频广告精准的推送给合适用户的方法。 

本发明的基本思路是：根据调查问卷以及数据处理，得到某类用户(如：女性，年龄25-45岁)对某类视频节目的偏好信息；对具体用户，记录其访问视频节目的历史信息，据此判断他的类别属性，向其推送适合的广告。 

本发明的技术方案是：一种在线视频广告精细化定向投放方法，包括以下步骤： 

A.通过问卷调查，收集不少于10万名用户的身份和视频访问行为数据，包含用户访问的视频分类，视频标题，视频tag等信息； 

B.对收集的数据做剔除空值、异常值、离群值的预处理，提升样本数据质量； 

C.统计问卷调查用户访问视频分类、关键词的次数，构建正反样本向量： 

+1  1：N1，2：N2，……，I：NI 

-1  1：M1，2：M2，……，I：MI 

式中：+1表示某类用户的向量，-1表示其他用户的向量，如+1表示18-35岁的女性，则-1表示其他的女性和男性；冒号前的1，2，……，I为I个视频分类，视频标题，视频tag信息，冒号后的Nx为某类用户对这个视频分类，视频标题，视频tag信息的访问次数，Mx表示其他用户对这个视频分类，视频标题，视频tag信息的访问次数； 

D.将正反样本向量带入支持向量机模型进行训练，支持向量机的形式为： 

minise $\frac{1}{2}{\left|\right|w\left|\right|}^2$

subject to    y_i[wx_i+b]-1≥0  i＝1，2，......，l 

式中：x为C步骤得到的正反样本向量，y∈{+1，-1}，l是训练样本的个数；w和b通过训练模型得到，w为分类间隔，b是常数； 

由此得到最优分类面及权重w信息： 

solver_type L2R_LR 

nr_class 2 

label 1-1 

nr feature 342 

bias-1 

w 

其中solver_type表示训练svm采用的类型，nr_class表示分类类别数，label表示类别标签，nr_feature表示支持向量个数，w表示最后得到的向量，用于计算分类； 

E.使用通过训练得到的模型对用户做分类，分类函数为： 

f(x)＝sgn{wx+b} 

其中：w和b由C步骤的训练模型得到；x表示由具体用户访问视频分类，视频标题，视频tag信息的次数构成的向量； 

如果f(x)＞0表示这个用户属于+1表示的那个分类，比如上面提到的18-35岁的女性；否则属于-1表示的分类； 

F.模型验证：通过实验，将预测为真且实际为真的数据记为tp，预测为真但实际为假的数据记为fp，将预测为假但实际为真的数据记为fn，预测为假且实际为假的数据记为tn；则模型的准确度Precision和覆盖率recall为； 

$\mathrm{Precision}=\frac{\mathrm{tp}}{\mathrm{tp}+\mathrm{fp}}$

$\mathrm{Recall}=\frac{\mathrm{tp}}{\mathrm{tp}+\mathrm{fn}}$

如果准确度Precision和覆盖率recall不满足要求，则返回A步骤，收集更多的用户的身份和视频访问行为数据，并再次执行B～F步骤，重新调整参数，直到准确度Precision和覆盖 率recall满足要求； 

G.在视频网站服务器上部署以上各步骤，实现自动化运行； 

H.当用户视频网站服务器时，模型记录用户的访问请求，对用户做出人群属性分类和标识，根据用户的属性推送适合的广告。 

本发明通过用户历史的访问记录和很少量的问卷调查样本，通过人工智能，机器学习的方法识别出所有用户的性别、年龄、收入、职业、学历等属性，能够把广告精准的推送到每个合适的用户。通过精准化投放，既能大幅提升广告的投放效果，又能提升视频运营公司的资源利用率，同时还能减少了用户看不相关广告的次数，保护了用户的感受。 

具体实施方式

一种在线视频广告精细化定向投放方法，包括以下步骤： 

A.通过问卷调查，收集不少于10万名用户的身份和视频访问行为数据，包含用户访问的视频分类，视频标题，视频tag等信息； 

B.对收集的数据做剔除空值、异常值、离群值的预处理，提升样本数据质量； 

C.统计问卷调查用户访问视频分类、关键词的次数，构建正反样本向量： 

+1  1：N1，2：N2，……，I：NI 

-1  1：M1，2：M2，……，I：MI 

式中：+1表示某类用户的向量，-1表示其他用户的向量，如+1表示18-35岁的女性，则-1表示其他的女性和男性；冒号前的1，2，……，I为I个视频分类，视频标题，视频tag信息，冒号后的Nx为某类用户对这个视频分类，视频标题，视频tag信息的访问次数，Mx表示其他用户对这个视频分类，视频标题，视频tag信息的访问次数； 

D.将正反样本向量带入支持向量机模型进行训练，支持向量机的形式为： 

minise $\frac{1}{2}{\left|\right|w\left|\right|}^2$

subject to    y_i[wx_i+b]-1≥0  i＝1，2，......，l 

式中：x为C步骤得到的正反样本向量，y∈{+1，-1}，l是训练样本的个数；w和b通过训练模型得到，w为分类间隔，b是常数； 

由此得到最优分类面及权重w信息： 

solver_type L2R_LR 

nr class 2 

label 1-1 

nr feature 342 

bias-1 

w 

其中solver_type表示训练svm采用的类型，nr_class表示分类类别数，label表示类别标签，nr_feature表示支持向量个数，w表示最后得到的向量，用于计算分类； 

E.使用通过训练得到的模型对用户做分类，分类函数为： 

f(x)＝sgn{wx+b} 

其中：w和b由C步骤的训练模型得到；x表示由具体用户访问视频分类，视频标题，视频tag信息的次数构成的向量； 

如果f(x)＞0表示这个用户属于+1表示的那个分类，比如上面提到的18-35岁的女性；否则属于-1表示的分类； 

F.模型验证：通过实验，将预测为真且实际为真的数据记为tp，预测为真但实际为假的数据记为fp，将预测为假但实际为真的数据记为fn，预测为假且实际为假的数据记为tn；则模型的准确度Precision和覆盖率recall为； 

$\mathrm{Precision}=\frac{\mathrm{tp}}{\mathrm{tp}+\mathrm{fp}}$

$\mathrm{Recall}=\frac{\mathrm{tp}}{\mathrm{tp}+\mathrm{fn}}$

如果准确度Precision和覆盖率recall不满足要求，则返回A步骤，收集更多的用户的身份和视频访问行为数据，并再次执行B～F步骤，重新调整参数，直到准确度Precision和覆盖率recall满足要求； 

G.在视频网站服务器上部署以上各步骤，实现自动化运行； 

H.当用户视频网站服务器时，模型记录用户的访问请求，对用户做出人群属性分类和标识，根据用户的属性推送适合的广告。 

Claims (1)

1.一种在线视频广告精细化定向投放方法，包括以下步骤：

A.通过问卷调查，收集不少于10万名用户的身份和视频访问行为数据，包含用户访问的视频分类，视频标题，视频tag等信息；

B.对收集的数据做剔除空值、异常值、离群值的预处理，提升样本数据质量；

C.统计问卷调查用户访问视频分类、关键词的次数，构建正反样本向量：

+1 1：N1，2：N2，……，I：NI

-1 1：M1，2：M2，……，I：MI

式中：+1表示某类用户的向量，-1表示其他用户的向量；冒号前的1，2，……，I为I个视频分类，视频标题，视频tag信息，冒号后的Nx为某类用户对这个视频分类，视频标题，视频tag信息的访问次数，Mx表示其他用户对这个视频分类，视频标题，视频tag信息的访问次数；

D.将正反样本向量带入支持向量机模型进行训练，支持向量机的形式为：

minise

subject to     y_i[wx_i+b]-1≥0  i＝1，2，......，l

式中：x为C步骤得到的正反样本向量，y∈{+1，-1}，l是训练样本的个数；w和b通过训练模型得到，w为分类间隔，b是常数；

由此得到最优分类面及权重w信息：

solver_type L2R_LR

nr_class 2

label 1-1

nr feature 342

bias-1

w

其中solver_type表示训练svm采用的类型，nr_class表示分类类别数，label表示类别标签，nr_feature表示支持向量个数，w表示最后得到的向量，用于计算分类；

E.使用通过训练得到的模型对用户做分类，分类函数为：

f(x)＝sgn{wx+b}

其中：w和b由C步骤的训练模型得到；x表示由具体用户访问视频分类，视频标题，视频tag信息的次数构成的向量；

如果f(x)＞0表示这个用户属于+1表示的那个分类，否则属于-1表示的分类；

F.模型验证：通过实验，将预测为真且实际为真的数据记为tp，预测为真但实际为假的数据记为fp，将预测为假但实际为真的数据记为fn，预测为假且实际为假的数据记为tn；则模型的准确度Precision和覆盖率recall为；

如果准确度Precision和覆盖率recall不满足要求，则返回A步骤，收集更多的用户的身份和视频访问行为数据，并再次执行B～F步骤，重新调整参数，直到准确度Precision和覆盖率recall满足要求；

G.在视频网站服务器上部署以上各步骤，实现自动化运行；

H.当用户视频网站服务器时，模型记录用户的访问请求，对用户做出人群属性分类和标识，根据用户的属性推送适合的广告。