TWI638324B - 在共用網路中投放個人化廣告之系統及方法 - Google Patents

在共用網路中投放個人化廣告之系統及方法 Download PDF

Info

Publication number
TWI638324B
TWI638324B TW106145992A TW106145992A TWI638324B TW I638324 B TWI638324 B TW I638324B TW 106145992 A TW106145992 A TW 106145992A TW 106145992 A TW106145992 A TW 106145992A TW I638324 B TWI638324 B TW I638324B
Authority
TW
Taiwan
Prior art keywords
user
interest attribute
anonymous
users
browsing
Prior art date
Application number
TW106145992A
Other languages
English (en)
Other versions
TW201928835A (zh
Inventor
黃俊翔
黃瀞瑩
Original Assignee
中華電信股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW106145992A priority Critical patent/TWI638324B/zh
Application granted granted Critical
Publication of TWI638324B publication Critical patent/TWI638324B/zh
Publication of TW201928835A publication Critical patent/TW201928835A/zh

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本發明提供一種在共用網路中投放個人化廣告之系統及方法。首先,收集複數個用戶之行動網路瀏覽紀錄以進行分析,藉此產生各用戶之興趣屬性模型,另收集共用網路中匿名用戶之片段上網瀏覽紀錄,以將匿名用戶之片段上網瀏覽紀綠與各用戶之興趣屬性模型進行比對,藉此辨識出匿名用戶的身分,最後,將對應匿名用戶的身分之興趣屬性模型回饋給廣告系統,以供廣告系統根據對應匿名用戶的身分之興趣屬性模型,在共用網路中投放精準個人化廣告。因此,本發明能提升共用網路下個人化廣告投放的精準度。

Description

在共用網路中投放個人化廣告之系統及方法
本發明關於一種投放個人化廣告之技術,更具體地,係關於一種在共用網路中投放個人化廣告之系統及方法。
網路的廣告投放是現今重要的行銷管道,也是網站經營者(例如部落客、Youtube等)主要的獲利來源。
如何精準的投放廣告,用最少的預算換取最大的流量和效益是不斷地被討論,且已有許多作法被提出。但共用網路中精準投放廣告方法是比較少被提及且比較困難的,因為共用網路(例如家用網路)通常混合著一人以上的瀏覽紀錄。家用網路混合著一家人的瀏覽紀錄,一般的廣告投放方法根據使用者下的關鍵字或目前的瀏覽內容投放相關廣告,無法參考用戶的長期瀏覽行為,分析其興趣,以投放精準廣告。
因此,如何在多人共用網路下辨識出特定用戶,並將用戶興趣屬性回饋給廣告系統,提升共用網路下個人化廣告投放的精準度,為目前業界亟待解決之課題。
為解決至少上述問題,本發明提供一種在共用網路中投放個人化廣告之系統,係包括:行動網路瀏覽紀錄收集模組,係收集複數個用戶之行動網路瀏覽紀錄;興趣屬性分析模組,用於分析該複數個用戶之行動網路瀏覽紀錄,以產生該複數個用戶之各用戶之興趣屬性模型;共用網路瀏覽紀錄片段收集模組,係收集共用網路中匿名用戶之片段上網瀏覽紀錄;用戶辨識模組,用於將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對,以辨識該匿名用戶的身分;以及興趣屬性回饋模組,用於將對應該匿名用戶的身分之興趣屬性模型回饋給一廣告系統,以供該廣告系統根據對應該匿名用戶的身分之興趣屬性模型,在該共用網路中投放對應該匿名用戶的身分之個人化廣告。
於一實施例中,該興趣屬性分析模組係定期從該行動網路瀏覽紀錄收集模組取得該複數個用戶之行動網路瀏覽紀錄,以彙整成該各用戶之新的興趣屬性模型。該興趣屬性分析模組將該複數個用戶之行動網路瀏覽紀錄分類、統計及正規化,以產生該各用戶之行動網路瀏覽紀錄向量,再根據該各用戶之行動網路瀏覽紀錄向量產生該各用戶之個人化興趣屬性矩陣。
於一實施例中,該用戶辨識模組將該匿名用戶之片段上網瀏覽紀綠分類、統計及正規化,以產生該匿名用戶之片段上網瀏覽紀錄向量。該用戶辨識模組對該匿名用戶之 片段上網瀏覽紀錄向量及該各用戶之個人化興趣屬性矩陣進行比對運算,以產生該匿名用戶與該複數個用戶之相似度,且該用戶辨識模組判斷該匿名用戶之身分為具有較高相似度之用戶。
此外,為解決至少上述問題,本發明另提供一種在共用網路中投放個人化廣告之方法,係包括:收集複數個用戶之行動網路瀏覽紀錄;分析該複數個用戶之行動網路瀏覽紀錄,以產生各用戶之興趣屬性模型;收集共用網路中匿名用戶之片段上網瀏覽紀錄;將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對,以辨識該匿名用戶的身分;以及將對應該匿名用戶的身分之興趣屬性模型回饋給一廣告系統,以供該廣告系統根據對應該匿名用戶的身分之興趣屬性模型,在該共用網路中投放對應該匿名用戶的身分之個人化廣告。
於一實施例中,分析該複數個用戶之行動網路瀏覽紀錄以產生該各用戶之興趣屬性模型之步驟係包含:定期取得該複數個用戶之行動網路瀏覽紀錄,以彙整成該各用戶之新的興趣屬性模型。分析該複數個用戶之行動網路瀏覽紀錄以產生該各用戶之興趣屬性模型之步驟係包含:將該複數個用戶之行動網路瀏覽紀錄分類、統計及正規化,以產生該各用戶之行動網路瀏覽紀錄向量,再根據該各用戶之行動網路瀏覽紀錄向量產生該各用戶之個人化興趣屬性矩陣。
於一實施例中,將該匿名用戶之片段上網瀏覽紀綠與 該各用戶之興趣屬性模型進行比對以判斷該匿名用戶的身分之步驟係包含:將該匿名用戶之片段上網瀏覽紀綠分類、統計及正規化,以產生該匿名用戶之共用網路瀏覽紀錄向量。將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對以判斷該匿名用戶的身分之步驟係包含:對該匿名用戶之片段上網瀏覽紀錄向量及該各用戶之個人化興趣屬性矩陣進行比對運算,以產生該匿名用戶與該複數個用戶之相似度,且判斷該匿名用戶之身分為具有較高相似度之用戶。
本發明之在共用網路中投放個人化廣告之系統及方法可分析各用戶長期的行動網路瀏覽行為,建立興趣屬性模型以回饋給廣告系統,且可辨識出目前共用網路中的匿名用戶是誰,以供廣告系統提供對應其興趣屬性的廣告予該匿名用戶。因此,本發明解決了以往的廣告投放方法是根據使用者下的關鍵字或目前瀏覽內容投放相關廣告,無法參考用戶的長期瀏覽行為、分析其興趣,以投放精準的廣告之問題。
100‧‧‧在共用網路中投放個人化廣告之系統
110‧‧‧行動網路瀏覽紀錄收集模組
120‧‧‧興趣屬性分析模組
130‧‧‧興趣屬性模型
140‧‧‧共用網路瀏覽紀錄片段收集模組
150‧‧‧用戶辨識模組
160‧‧‧興趣屬性回饋模組
200‧‧‧廣告系統
S31~S39、S41~44、S51~S53‧‧‧步驟
本發明揭露之具體實施例將搭配下列圖式詳述,這些說明顯示在下列圖式:第1圖係本發明之在共用網路中投放個人化廣告之系統的示意方塊圖;第2圖係本發明之在共用網路中投放個人化廣告之方法之示意流程圖; 第3圖係本發明之在共用網路中投放個人化廣告之方法之一實施例的示意流程圖;以及第4圖係本發明之在共用網路中投放個人化廣告之方法之一實施例的示意流程圖。
以下藉由特定的實施例說明本發明之實施方式,熟習此項技藝之人士可由本文所揭示之內容輕易地瞭解本發明之其他優點及功效。本說明書所附圖式所繪示之結構、比例、大小等均僅用於配合說明書所揭示之內容,以供熟悉此技藝之人士之瞭解與閱讀,非用於限定本發明可實施之限定條件,故任何修飾、改變或調整,在不影響本發明所能產生之功效及所能達成之目的下,均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。
請參閱第1圖,本發明之在共用網路中投放個人化廣告之系統100包含行動網路瀏覽紀錄收集模組110、興趣屬性分析模組120、興趣屬性模型130、共用網路瀏覽紀錄片段收集模組140、用戶辨識模組150及興趣屬性回饋模組160,而興趣屬性回饋模組160可與外部的廣告系統200介接。
行動網路瀏覽紀錄收集模組110收集複數個用戶之行動網路瀏覽紀錄。行動網路瀏覽紀錄收集模組110可獨立運作於單一伺服器,提供一種介面,即時收集各用戶行動網路瀏覽紀錄並儲存下來,供後續分析用戶興趣屬性使用。
興趣屬性分析模組120用於分析該複數個用戶之行動網路瀏覽紀錄,以產生各用戶之興趣屬性模型130。興趣屬性分析模組120可定期從行動網路瀏覽紀錄收集模組110拉取新的資料,定期彙整、統計、分析各用戶的行動網路瀏覽紀錄,產出最新的興趣屬性模型130。就演算來說,興趣屬性分析模組120可將該複數個用戶之行動網路瀏覽紀錄分類、統計及正規化,以產生該各用戶之行動網路瀏覽紀錄向量,再根據該各用戶之行動網路瀏覽紀錄向量產生各該用戶之個人化興趣屬性矩陣。
共用網路瀏覽紀錄片段收集模組140收集共用網路中匿名用戶之片段上網瀏覽紀錄。共用網路瀏覽紀錄片段收集模組140可獨立運作於單一伺服器,提供一種介面,收集共用網路中匿名用戶一段時間內的上網瀏覽紀錄並儲存下來,供後續辨識共用網路中匿名用戶的身分使用。
用戶辨識模組150用於將該匿名用戶之片段上路瀏覽紀綠與該各用戶之興趣屬性模型130進行比對,以判斷該匿名用戶的身分。就演算來說,用戶辨識模組150將該匿名用戶之片段上網瀏覽紀綠分類、統計及正規化,以產生該匿名用戶之片段上網瀏覽紀錄向量,並對該匿名用戶之片段上網瀏覽紀錄向量及該各用戶之個人化興趣屬性矩陣進行比對運算,以產生該匿名用戶與該複數個用戶之相似度,且該用戶辨識模組判斷該匿名用戶之身分為具有較高相似度之用戶。
興趣屬性回饋模組160用於將對應該匿名用戶的身分 之興趣屬性模型回饋給一廣告系統200,以供廣告系統200根據對應該匿名用戶的身分之興趣屬性模型在該共用網路中投放廣告。
以家用網路為例,用戶辨識模組150會先從用戶興趣屬性模型130取得該共用網路下的每個人的興趣屬性模型,即取得家裡每個人的興趣屬性模型130,再將每個人的興趣屬性模型130與共用網路瀏覽紀錄片段收集模組140產出的瀏覽紀錄列向量矩陣進行比對運算,找出目前共用網路中匿名用戶的身分,並透過興趣屬性回饋模組160將此用戶的興趣屬性模型回饋給外部的廣告系統200,則廣告系統200可根據獲取的興趣屬性模型,在共用網路中投放精準廣告。
本發明之在共用網路下投放個人化廣告之方法包含:收集複數個用戶之行動網路瀏覽紀錄;分析該複數個用戶之行動網路瀏覽紀錄,以產生各用戶之興趣屬性模型;收集共用網路中匿名用戶之片段上網瀏覽紀錄;將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對,以判斷該匿名用戶的身分;以及將對應該匿名用戶的身分之興趣屬性模型回饋給一廣告系統,以供該廣告系統根據對應該匿名用戶的身分之興趣屬性模型在該共用網路中投放廣告。
具體而言,如第2圖所示,本發明方法主要包含步驟S31~S39,其中,步驟S31~S34需要循序定期執行,以更新用戶興趣屬性,提升後續相似度比較的正確性。
於步驟S31中,收集用戶行動網路瀏覽行為。行動網路瀏覽紀錄收集模組110可用即時串流技術收集行動網路中不同門號、連線IP、瀏覽網址等用戶上網行為並儲存下來。接著進至步驟S32。
於步驟S32中,彙整用戶行動歷史瀏覽紀錄。興趣屬性分析模組120可透過網頁分類工具將瀏覽網址分類,貼上對應的分類標籤,例如運動、購物、娛樂等網頁分類,再利用紀錄中的門號加連線IP資訊進行瀏覽紀錄切割,並統計分類後的瀏覽行為,計算出不同用戶的瀏覽行為類型。接著進至步驟S33。
於步驟S33中,正規化用戶行動歷史瀏覽紀錄。為了避免用戶使用網路的行為不同,導致收集到的瀏覽行為數量差異大,造成上一步驟的計算結果的值相差太多,而影響後續瀏覽行為相似度比較,興趣屬性分析模組120將上一步驟的計算結果進行正規化,取得特定門號加特定連線IP的n維瀏覽紀錄列向量矩陣(例如[type1:5,type2:2,type3:0,...])。接著進至步驟S34。
於步驟S34中,建立、更新個人瀏覽行為興趣屬性矩陣。興趣屬性分析模組120以個人為單位將上一步驟的瀏覽紀錄列向量矩陣彙整為個人興趣屬性集合,再轉換成個人興趣屬性矩陣,產出興趣屬性模型130。接著進至步驟S35。
於步驟S35中,收集共用網路中匿名用戶瀏覽行為片段。共用網路瀏覽紀錄片段收集模組140可用即時串流技 術收集一段時間內匿名用戶在共用網路的瀏覽紀錄並儲存下來。接著進至步驟S36。
於步驟S36中,彙整匿名用戶瀏覽行為片段。用戶辨識模組150透過網頁分類工具將匿名用戶瀏覽行為片段根據網址進行分類,貼上對應的分類標籤,並統計分類後的瀏覽行為,計算出此匿名用戶的瀏覽行為類型。接著進至步驟S37。
於步驟S37中,正規化匿名用戶瀏覽行為片段。為了與在步驟S31~S34計算出的個人興趣屬性矩陣比較相似度,用戶辨識模組150正規化步驟S36的計算結果,取得n維瀏覽紀錄列向量矩陣。接著進至步驟S38。
於步驟S38中,用戶辨識模組150最後會計算比對匿名用戶瀏覽行為與此共用網路中所有用戶瀏覽行為的相似度,將步驟S37的n維瀏覽紀錄列向量矩陣與該共用網路下的每個用戶興趣屬性矩陣進行比對函式運算,取得各用戶的匹配值(match value),而匹配值最高的將判定為目前共用網路的用戶。接著進至步驟S39。
於步驟S39中,興趣屬性回饋模組160回饋辨識出的用戶興趣屬性給廣告系統200,廣告系統獲取此資訊後,在共用網路中將對應所獲得之用戶興趣屬性之個人化廣告予以投放。
須說明的是,當有一名匿名用戶在共用網路上線時,步驟S35~S39循序執行,且可與步驟S31~S34同時執行,但步驟S38~S39必須在S31~S34完成一次後才可開始。
以家用網路為例,行動網路瀏覽紀錄收集模組110收集了此家用網路下每個人的行動瀏覽行為,紀錄如表一。
行動網路瀏覽紀錄收集模組110將取得的行動瀏覽紀錄送至興趣屬性分析模組120,透過網頁分類工具,將此共用網路內所有用戶對應之行動網路瀏覽紀錄進行網頁分類,分類後的結果如表二。
取得網頁連結對應之標籤後,利用瀏覽紀錄中的用戶門號搭配連線IP進行瀏覽紀錄切割,使用group by的方式整理所有瀏覽紀錄,整理後之瀏覽網頁分類紀錄如表三。
將整理後的網頁分類瀏覽紀錄進行統計,取得n維的瀏覽紀錄列向量(column vector)矩陣(例如[type1:5,type2:2,type3:0,...]),對應完整的瀏覽紀錄向量如表四。
接者利用透過正規化公式取得瀏覽紀錄列向量C,此時每筆紀錄已彙整為R i =(門號,IP,C i ),列向量正規化公式如下
舉例來說,表三的第一筆紀錄帶入公式,可以取得瀏覽紀錄列向量C:
整理後的紀錄則為
接著將整理後的網頁分類瀏覽紀錄R i 以個人為單位將 其彙整為個人興趣屬性集合,再透過轉換公式將個人興趣屬性集合轉成個人化興趣屬性矩陣,建立對應的130用戶興趣屬性模型,轉換公式如下:
舉例來說參照表三的門號1可以取得六筆的瀏覽網頁列向量紀錄如下:
再利用轉換公式將六筆瀏覽網頁列向量紀錄轉換取 得個人化興趣屬性矩陣:
依此方式取得表三的各門號之個人化興趣屬性矩陣:
以上從行動上網瀏覽紀錄收集、整理與彙整,到後面的建立瀏覽網頁列向量紀錄以及個人興趣屬性集合與最後建立的個人化興趣屬性矩陣的過程涵蓋了系統100中的行動網路瀏覽紀錄收集模組110、興趣屬性分析模組120以及最後產出了興趣屬性模型130,相關運作流程可參考第3圖之興趣屬性分析模組之運作流程。第3圖顯 示本發明之興趣屬性分析模組之運作流程。於步驟S41中,行動網頁瀏覽紀錄分類。於步驟S42中,用戶行動歷史瀏覽紀錄整理。於步驟S43中,用戶行動歷史瀏覽紀錄正規化。於步驟S44中,建立個人瀏覽行為興趣矩陣。
至此已完成建立在共用網路上各用戶的個人化興趣屬性矩陣,接者將以一範例說明如何將這些資訊透過用戶辨識模組進行用戶的辨識,流程步驟可參考第4圖用戶辨識模組之運作流程,假設在共用網路中有一匿名用戶進行上網行為,透過共用網路瀏覽紀錄片段收集模組進行片段的網頁瀏覽紀錄收集與處理。第4圖顯示本發明之用戶辨識模組之運作流程。於步驟S51中,透過網頁分類器將片段網頁瀏覽紀錄進行分類。於步驟S52中,透過片段瀏覽紀錄建立用戶瀏覽紀錄列向量。於步驟S53中,利用用戶瀏覽紀錄列向量與個人化興趣屬性矩陣完成用戶辨識比對。收集的瀏覽資料如表五。
同樣透過網頁分類工具將此片段網路瀏覽紀錄之網頁連結進行網頁分類,並藉由整理後的網頁分類瀏覽紀錄進行統計,取得n維的片段瀏覽紀錄列向量(column vector)矩陣:例如[股票:5,購物:3,政治:0,子女教養:2,社會:0,娛樂新聞:1,運動:0,電玩遊戲:0]
接著利用透過正規化公式取得瀏覽紀錄列向量C partial ,列向量正規化公式如下:
再將片段瀏覽紀錄列向量帶入公式,可以取得片斷瀏覽紀錄列向量C partial
為找出匿名用戶對應的門號使用者,本發明將匿名用戶瀏覽紀錄列向量與所有家戶中的個人化興趣屬性矩陣送入用戶辨識模組進行比對函式運算,取得各門號用戶的匹配值(match value),比對函式如下:
各門號用戶的匹配值(match value)M pj 計算結果如下:
門號1的匹配值(match value):
門號2的匹配值(match value):
門號3的匹配值(match value):
取得各門號用戶的匹配值(match value)後,即可進行匹配值(match value)的比對,由此實施例中可以看出門號2即為此片段瀏覽網頁紀錄的匿名用戶,在系統上找到此用戶資訊後,透過興趣屬性回饋模組送往廣告系統,廣告系統可根據獲取的興趣屬性模型,在共用網路中投放精準廣告。
綜上所述,本發明提供多人共用網路下,辨識特定用戶的方法與系統,並將用戶興趣屬性回饋給廣告系統,提升共用網路下個人化廣告投放的精準度。電信業擁有用戶行動網路瀏覽紀錄與共用網路的瀏覽紀錄,藉由分析行動網路瀏覽紀錄建立特定用戶的興趣屬性模型,再分析一段時間內的共用網路瀏覽紀錄,對應至各用戶興趣屬性模型,辨識目前上線用戶為誰,將此用戶的興趣屬性回饋給廣告系統,廣告系統可根據興趣屬性投放精準的個人化廣告。
上述實施例僅例示性說明本發明之功效,而非用於限制本發明,任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下對上述該些實施態樣進行修飾與改變。因 此本發明之權利保護範圍,應如後述之申請專利範圍所列。

Claims (10)

  1. 一種在共用網路中投放個人化廣告之系統,係包括:行動網路瀏覽紀錄收集模組,係收集複數個用戶之行動網路瀏覽紀錄;興趣屬性分析模組,用於分析該複數個用戶之行動網路瀏覽紀錄,以產生各用戶之興趣屬性模型;共用網路瀏覽紀錄片段收集模組,係收集共用網路中匿名用戶之片段上網瀏覽紀錄;用戶辨識模組,用於將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對,以辨識該匿名用戶的身分;以及興趣屬性回饋模組,用於將對應該匿名用戶的身分之興趣屬性模型回饋給一廣告系統,以供該廣告系統根據對應該匿名用戶的身分之興趣屬性模型,在該共用網路中投放對應該匿名用戶的身分之個人化廣告。
  2. 如申請專範圍第1項所述之系統,其中,該興趣屬性分析模組係定期從該行動網路瀏覽紀錄收集模組取得該複數個用戶之行動網路瀏覽紀錄,以彙整成該各用戶之新的興趣屬性模型。
  3. 如申請專範圍第1項所述之系統,其中,該興趣屬性分析模組將該複數個用戶之行動網路瀏覽紀錄分類、統計及正規化,以產生該各用戶之行動網路瀏覽紀錄向量,再根據該各用戶之行動網路瀏覽紀錄向量產生該各用戶之個人化興趣屬性矩陣。
  4. 如申請專範圍第3項所述之系統,其中,該用戶辨識模組將該匿名用戶之片段上網瀏覽紀綠分類、統計及正規化,以產生該匿名用戶之片段上網瀏覽紀錄向量。
  5. 如申請專範圍第4項所述之系統,其中,該用戶辨識模組對該匿名用戶之片段上網瀏覽紀錄向量及該各用戶之個人化興趣屬性矩陣進行比對運算,以產生該匿名用戶與該複數個用戶之相似度,且該用戶辨識模組判斷該匿名用戶之身分為具有較高相似度之用戶。
  6. 一種在共用網路中投放個人化廣告之方法,係包括:收集複數個用戶之行動網路瀏覽紀錄;分析該複數個用戶之行動網路瀏覽紀錄,以產生各用戶之興趣屬性模型;收集共用網路中匿名用戶之片段上網瀏覽紀錄;將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對,以辨識該匿名用戶的身分;以及將對應該匿名用戶的身分之興趣屬性模型回饋給一廣告系統,以供該廣告系統根據對應該匿名用戶的身分之興趣屬性模型,在該共用網路中投放對應該匿名用戶的身分之個人化廣告。
  7. 如申請專範圍第6項所述之方法,其中,分析該複數個用戶之行動網路瀏覽紀錄以產生該各用戶之興趣屬性模型之步驟係包含:定期取得該複數個用戶之行動網路瀏覽紀錄,以彙整成該各用戶之新的興趣屬性模型。
  8. 如申請專範圍第6項所述之方法,其中,分析該複數個用戶之行動網路瀏覽紀錄以產生該各用戶之興趣屬性模型之步驟係包含:將該複數個用戶之行動網路瀏覽紀錄分類、統計及正規化,以產生該各用戶之行動網路瀏覽紀錄向量,再根據該各用戶之行動網路瀏覽紀錄向量產生該各用戶之個人化興趣屬性矩陣。
  9. 如申請專範圍第8項所述之方法,其中,將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對以判斷該匿名用戶的身分之步驟係包含:將該匿名用戶之片段上網瀏覽紀綠分類、統計及正規化,以產生該匿名用戶之共用網路瀏覽紀錄向量。
  10. 如申請專範圍第9項所述之方法,其中,將該匿名用戶之片段上網瀏覽紀綠與該各用戶之興趣屬性模型進行比對以判斷該匿名用戶的身分之步驟係包含:對該匿名用戶之片段上網瀏覽紀錄向量及該各用戶之個人化興趣屬性矩陣進行比對運算,以產生該匿名用戶與該複數個用戶之相似度,且判斷該匿名用戶之身分為具有較高相似度之用戶。
TW106145992A 2017-12-27 2017-12-27 在共用網路中投放個人化廣告之系統及方法 TWI638324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW106145992A TWI638324B (zh) 2017-12-27 2017-12-27 在共用網路中投放個人化廣告之系統及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106145992A TWI638324B (zh) 2017-12-27 2017-12-27 在共用網路中投放個人化廣告之系統及方法

Publications (2)

Publication Number Publication Date
TWI638324B true TWI638324B (zh) 2018-10-11
TW201928835A TW201928835A (zh) 2019-07-16

Family

ID=64797516

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106145992A TWI638324B (zh) 2017-12-27 2017-12-27 在共用網路中投放個人化廣告之系統及方法

Country Status (1)

Country Link
TW (1) TWI638324B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023394A1 (en) * 2007-04-11 2010-01-28 Tencent Technology (Shenzhen) Company Limited Method, System And Server For Delivering Advertisement Based on User Characteristic Information
CN103177384A (zh) * 2013-04-16 2013-06-26 高鹏 基于用户兴趣图谱的网络广告投放方法
CN104574130A (zh) * 2013-10-28 2015-04-29 北京大学 一种基于客户资源库的广告精准投放方法及系统
TW201533681A (zh) * 2014-02-27 2015-09-01 Hiiir Inc 交互式網路廣告聯播系統及其方法與內儲交互式網路廣告聯播處理程式之電腦程式產品
TWI498836B (zh) * 2008-03-03 2015-09-01 Yahoo Inc 具有推廣者推薦之社交網路行銷方法與裝置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023394A1 (en) * 2007-04-11 2010-01-28 Tencent Technology (Shenzhen) Company Limited Method, System And Server For Delivering Advertisement Based on User Characteristic Information
TWI498836B (zh) * 2008-03-03 2015-09-01 Yahoo Inc 具有推廣者推薦之社交網路行銷方法與裝置
CN103177384A (zh) * 2013-04-16 2013-06-26 高鹏 基于用户兴趣图谱的网络广告投放方法
CN104574130A (zh) * 2013-10-28 2015-04-29 北京大学 一种基于客户资源库的广告精准投放方法及系统
TW201533681A (zh) * 2014-02-27 2015-09-01 Hiiir Inc 交互式網路廣告聯播系統及其方法與內儲交互式網路廣告聯播處理程式之電腦程式產品

Also Published As

Publication number Publication date
TW201928835A (zh) 2019-07-16

Similar Documents

Publication Publication Date Title
US10108979B2 (en) Advertisement effectiveness measurements
US11716401B2 (en) Systems and methods for content audience analysis via encoded links
CN106600343B (zh) 一种视频内容关联的在线视频广告管理方法及系统
US11947619B2 (en) Systems and methods for benchmarking online activity via encoded links
CN104298719B (zh) 基于社交行为进行用户的类别划分、广告投放方法和系统
US10848590B2 (en) System and method for determining a contextual insight and providing recommendations based thereon
US20110282860A1 (en) Data collection, tracking, and analysis for multiple media including impact analysis and influence tracking
US20170180496A1 (en) Systems and methods for analyzing traffic across multiple media channels via encoded links
US11936751B2 (en) Systems and methods for online activity monitoring via cookies
US20140095308A1 (en) Advertisement distribution apparatus and advertisement distribution method
CN105303394A (zh) 一种基于网页搜索引擎的网络广告投放方法和系统
US20180307733A1 (en) User characteristic extraction method and apparatus, and storage medium
CN107896153B (zh) 一种基于移动用户上网行为的流量套餐推荐方法及装置
US20210004844A1 (en) Building topic-oriented audiences
WO2022247666A1 (zh) 一种内容的处理方法、装置、计算机设备和存储介质
CN107958070A (zh) 一种基于用户偏好的个性化消息推送方法
CN105389714B (zh) 一种从行为数据识别用户特性的方法
US11620327B2 (en) System and method for determining a contextual insight and generating an interface with recommendations based thereon
TWI638324B (zh) 在共用網路中投放個人化廣告之系統及方法
TWI680666B (zh) 網路使用者身份辨識方法與系統
Aly et al. Towards a robust modeling of temporal interest change patterns for behavioral targeting
US9860227B2 (en) Identifying panelists based on input interaction patterns
CN110866651B (zh) 一种广告点击率预测方法
Zhou et al. Study on personalized recommendation model of internet advertisement
JP2000242626A (ja) 電子商取引履歴分析方法