[發(fā)明專(zhuān)利]一種基于分布式計(jì)算的互聯(lián)網(wǎng)信息投放渠道優(yōu)化系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201410289052.5
• 申請(qǐng)日: 2014-06-24
• 公開(kāi)（公告）號(hào): CN104133837B
• 公開(kāi)（公告）日: 2017-10-31
• 發(fā)明（設(shè)計(jì)）人: 張婭;魏逸;王宇晨
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海交通大學(xué)
• 主分類(lèi)號(hào): G06F17/30
• 分類(lèi)號(hào): G06F17/30
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司31236
• 代理人: 郭國(guó)中

1.一種基于分布式計(jì)算的互聯(lián)網(wǎng)信息投放渠道優(yōu)化系統(tǒng)，該系統(tǒng)包括：

數(shù)據(jù)收集模塊，該模塊通過(guò)web服務(wù)器收集用戶(hù)行為數(shù)據(jù)：將收集到的用戶(hù)行為分為兩部分，一部分記錄了某些用戶(hù)的全部瀏覽行為，另一部分記錄了同一信息不同渠道的訪問(wèn)特征；

數(shù)據(jù)預(yù)處理模塊，該模塊是對(duì)web服務(wù)器收集的用戶(hù)行為數(shù)據(jù)進(jìn)行處理，首先進(jìn)行數(shù)據(jù)清理，采取忽略元祖及去除冗余的方法；隨后進(jìn)行數(shù)據(jù)集成，對(duì)所收集到的數(shù)據(jù)的單位進(jìn)行統(tǒng)一化處理；最后進(jìn)行數(shù)據(jù)規(guī)約，將點(diǎn)擊時(shí)間轉(zhuǎn)化為模型參數(shù)，并最終形成包含用戶(hù)ID、信息投放渠道、時(shí)間和點(diǎn)擊這四個(gè)域的數(shù)據(jù)集；再將此數(shù)據(jù)集中的一部分提取出來(lái)，作為訓(xùn)練集；其余數(shù)據(jù)集中的數(shù)據(jù)作為測(cè)試集；

訓(xùn)練模塊，該模塊用類(lèi)E-M算法對(duì)訓(xùn)練集進(jìn)行迭代運(yùn)算，迭代至概率累加模型中的用戶(hù)影響強(qiáng)度因子α和影響隨時(shí)間衰減的因子ω收斂，從而得到參數(shù)α，ω；

信息投放渠道貢獻(xiàn)度預(yù)測(cè)模塊，該模塊的輸入為測(cè)試集，采用訓(xùn)練模塊訓(xùn)練出來(lái)的不同渠道對(duì)用戶(hù)影響強(qiáng)度因子α和影響隨時(shí)間衰減的因子ω作為模型參數(shù)，構(gòu)建投放渠道m(xù)貢獻(xiàn)度，再根據(jù)每個(gè)投放渠道m(xù)的所屬網(wǎng)站或類(lèi)型進(jìn)行加和，得出各網(wǎng)站和各類(lèi)型的貢獻(xiàn)度；最后根據(jù)各網(wǎng)站和各類(lèi)型的貢獻(xiàn)度，由高到低進(jìn)行排序，選用排名靠前的網(wǎng)站或類(lèi)型來(lái)進(jìn)行信息投放，以此來(lái)優(yōu)化互聯(lián)網(wǎng)信息投放效果；

轉(zhuǎn)化率預(yù)測(cè)模塊，該模塊的輸入為測(cè)試集，首先，建立生存函數(shù)S_u(t)，然后利用1-S_u(t)給每一個(gè)用戶(hù)進(jìn)行評(píng)分，預(yù)測(cè)出最有可能轉(zhuǎn)化的用戶(hù)，并向這部分用戶(hù)推送信息。

2.根據(jù)權(quán)利要求1所述的基于分布式計(jì)算的互聯(lián)網(wǎng)信息投放渠道優(yōu)化系統(tǒng)，其特征在于，所述數(shù)據(jù)收集模塊采用行為跟蹤的方法記錄下某些用戶(hù)的全部瀏覽行為；采用日志挖掘的方法，記錄下同一信息不同渠道的訪問(wèn)特征，完成對(duì)于用戶(hù)信息的收集，并將用戶(hù)信息存儲(chǔ)于web服務(wù)器。

3.根據(jù)權(quán)利要求1所述的基于分布式計(jì)算的互聯(lián)網(wǎng)信息投放渠道優(yōu)化系統(tǒng)，其特征在于，所述訓(xùn)練模塊建立概率累加模型，即用戶(hù)行為條件強(qiáng)度函數(shù)λ_u(t)：

λu(t)=Σtiu<tαadiuωadiuexp(-ωadiu(t-tiu)),t<Tu0,otherwise]]>

其中：記用戶(hù)為集合{1,…,U}，信息渠道為集合{1,…,n}，觀察到的用戶(hù)行為為集合{C₁,......,C_u}，用戶(hù)u的行為記錄的結(jié)構(gòu)為其中是用戶(hù)u第i次行為的信息投放渠道id，是用戶(hù)u第i次行為的時(shí)間，X_u是用戶(hù)轉(zhuǎn)化結(jié)果，X_u＝1表示用戶(hù)轉(zhuǎn)化，X_u＝0則反；l_u是用戶(hù)u行為的總次數(shù)，如果用戶(hù)u轉(zhuǎn)化了，則t_u代表轉(zhuǎn)化時(shí)間，否則代表觀察時(shí)間窗口節(jié)點(diǎn)；α為不同渠道投放的信息對(duì)用戶(hù)影響強(qiáng)度因子，ω為影響隨時(shí)間衰減的因子，k是信息投放渠道id，α_k、ω_k分別代表信息投放渠道k的影響強(qiáng)度因子和影響隨時(shí)間衰減的因子，T_u代表轉(zhuǎn)化時(shí)間或觀察時(shí)間窗口節(jié)點(diǎn)；

為表示用戶(hù)轉(zhuǎn)化率，建立生存函數(shù)S_u(t)，其中：

Su(t)=exp(-∫0tλu(v)dv)]]>

接著通過(guò)類(lèi)EM算法迭代優(yōu)化一下目標(biāo)方程，使L(θ)獲得最大值；

L(θ)=ΣXu=1(log(Σiαadiuωadiuexp(-ωadiu(Tu-tiu))))+Σu(-Σiαadiu(1-exp(-ωadiu(Tu-tiu))))]]>

其中E-step：

piu=αadiuωadiuexp(-ωadiu(Tu-tiu))Σtiu<Tuαadiuωadiuexp(-ωadiu(Tu-tiu)),Xu=10,Xu=0]]>

M-step:

令得：

αk=ΣXu=1Σadiu=kpiuΣuΣadiu=k(1-exp(-ωadiu(t)(Tu-tiu)))]]>

ωk=ΣXu=1Σadiu=kpiuΣuΣadiu=k(piu(Tu-tiu)+αk(t)(Tu-tiu)exp(-ωadiu(t)(Tu-tiu)))]]>

即完成訓(xùn)練過(guò)程。