CN101290631A - 一种网络广告自动投放方法及其*** - Google Patents

Abstract

本发明公开了一种网络广告自动投放方法及其***，其中该方法包括：步骤一，分析当前网页的页面内容，建立当前网页的特征向量；步骤二，根据特征向量计算当前网页与每个用于投放的第一广告之间的相关度，并根据相关度为每个第一广告打分；步骤三，根据广告的分值选择第一广告，并投放到当前网页上；步骤四，由当前网页跳转到新网页时，为该新网页计算用于投放的第二广告，并根据所选择的第一广告、第二广告分别在该新网页上的得分将所选择的第一广告或第二广告投放到该新网页上。本发明当用户在网络中浏览信息时，能够根据当前网页信息、用户模型自动投放相关的广告，以及当用户在网页间跳转时，让广告跟踪用户到新的网页。

Description

一种网络广告自动投放方法及其***

技术领域

本发明涉及计算机应用技术，特别是涉及一种网络广告自动投放方法及其***。

背景技术

随着互联网的迅速发展，网络广告也日益普及，其以文字链接、旗帜、视频等多种方式出现在各种网站、即时通信工具中。广告收入占当前互联网运营商收入的很大比例(据2006年统计，占收入的20％)，同时，网络广告也为商户提供了宣传自身产品的平台。与传统的媒体广告相比，网络广告具有较强的优势，如覆盖范围广、自主性、统计准确性、调整实时性等。当前的通过互联网和计算机投放广告的方法主要有普通网络页面广告、与网页内容相关广告等。

最新的研究显示，广告所投放的网页和广告内容越相关，用户点击的可能性越大，从而为互联网运营商带来的收益越大，所以，如何使得广告和广告所投放网页的相关性最大是目前研究的热点。但是，目前的投放技术仅仅考虑到投放的网页会影响用户点击的概率，而没有考虑用户模型以及同一广告多次出现对用户的记忆信息造成的影响，造成很大一部分广告和用户的喜好或者用户的需求不匹配，影响浏览网页时的用户体验，甚至引起用户对网页或者广告的反感。

发明内容

本发明所要解决的技术问题在于提供一种网络广告自动投放方法及其***，用于解决现有技术中在进行网络广告投放时无法跟踪用户的问题。

为了实现上述目的，本发明提供了一种网络广告自动投放方法，其特征在于，包括：

步骤一，分析当前网页的页面内容，建立当前网页的特征向量；

步骤二，根据所述特征向量计算当前网页与每个用于投放的第一广告之间的相关度，并根据所述相关度为每个所述第一广告打分；

步骤三，根据广告的分值选择所述第一广告，并投放到当前网页上；

步骤四，由当前网页跳转到新网页时，为该新网页计算用于投放的第二广告，并根据所选择的第一广告、所述第二广告分别与在该新网页的得分将所选择的第一广告或所述第二广告投放到该新网页上。

所述的网络广告自动投放方法，其中，所述步骤一中，进一步包括：

利用词频方式获取当前页面内容中的关键词，并根据所述关键词建立所述特征向量的步骤。

所述的网络广告自动投放方法，其中，所述步骤二中，进一步包括：

以如下公式计算所述相关度的步骤：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

p：当前网页；

ad：第一广告；

V_p：当前网页的特征向量；

V_ad：第一广告的特征向量；

rel(p，ad)：当前网页与第一广告之间的相关度；

以如下公式为所述第一广告打分的步骤：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

u：用户；

M_u：浏览当前网页的用户的用户模型因数；

rel(M_u，ad)：用户和第一广告的相关度；

CR_ad：第一广告的历史点击率；

P_ad：广告商对第一广告的出价；

α，β，γ，ω：为rel(p，ad)、rel(M_u，ad)、CR_ad、P_ad对应的权值，并且α+β+γ+ω＝1；

S_ad：针对当前网页，第一广告所获得的分值；

以如下公式计算用户和第一广告的相关度的步骤：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户的用户模型向量；

F_P(u)：用户正反馈的概率；

F_N(u)：用户负反馈的概率；

a：用户正反馈概率的权值；

b：用户负反馈概率的权值；

l：用户对广告的喜欢程度；

c：用户对广告喜欢程度的权值。

所述的网络广告自动投放方法，其中，所述步骤二中，进一步包括：

根据用户的浏览记录自动调整用户模型的步骤，所述用户模型包括一用户对广告的易接受性，并以点击比率cr表示，点击比率cr以如下公式计算：

用户对广告的接受程度l通过如下公式计算：

$l=\left\{\begin{array}{cc}1& \mathrm{cr}>\mathrm{\&tau;}1\\ 0& \mathrm{\&tau;}1\&le;\mathrm{cr}\&le;\mathrm{\&tau;}2\\ -1& \mathrm{cr}<\mathrm{\&tau;}2\end{array}\right.$

如果点击比率cr大于一个设定阈值τ1，则接受程度l为1，认为该用户对广告非常容易接受；如果点击比率cr小于一个设定阈值τ2，则接受程度l为-1，认为该用户对广告比较反感，很少点击广告；接受程度l为0时，认为该用户对广告的喜欢程度为普通喜欢。

所述的网络广告自动投放方法，其中，所述步骤三中，进一步包括：

根据广告的分值选择高于一预设分值阈值的分值最高的所述第一广告的步骤。

所述的网络广告自动投放方法，其中，所述步骤四中，进一步包括：

通过执行所述步骤一、所述步骤二计算所述第二广告，且当所述第二广告、所述第一广告分别在该新网页上的得分的差值小于一预设差值阈值时，将所述第一广告投放到该新网页上，实现广告的跟踪；否则将所述第二广告投放到该新网页上的步骤。

为了实现上述目的，本发明还提供了一种网络广告自动投放***，其特征在于，包括：

网页分析模块，用于分析当前网页的页面内容，建立当前网页的特征向量；

广告评估模块，连接所述网页分析模块，用于根据所述特征向量计算当前网页与每个用于投放的第一广告之间的相关度，并根据所述相关度为每个所述第一广告打分；

广告投放模块，连接所述广告评估模块，用于根据广告的分值选择所述第一广告，并投放到当前网页上；

跳转跟踪模块，连接所述网页分析模块、所述广告评估模块、所述广告投放模块，用于由当前网页跳转到新网页时，为该新网页计算用于投放的第二广告，并根据所选择的第一广告、所述第二广告分别在该新网页上的得分将所选择的第一广告或所述第二广告投放到该新网页上。

所述的网络广告自动投放***，其中，所述网页分析模块利用词频方式获取当前页面内容中的关键词，并根据所述关键词建立所述特征向量。

所述的网络广告自动投放***，其中，所述广告评估模块以如下公式计算所述相关度：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

p：当前网页；

ad：第一广告；

V_p：当前网页的特征向量；

V_ad：第一广告的特征向量；

rel(p，ad)：当前网页与第一广告之间的相关度；

以如下公式为所述第一广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

u：用户；

M_u：浏览当前网页的用户的用户模型因数；

rel(M_u，ad)：用户和第一广告的相关度；

CR_ad：第一广告的历史点击率；

P_ad：广告商对第一广告的出价；

α，β，γ，ω：为rel(p，ad)、rel(M_u，ad)、CR_ad、P_ad对应的权值，并且α+β+γ+ω＝1；

S_ad：针对当前网页，第一广告所获得的分值。

以如下公式计算用户和第一广告的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户的用户模型向量；

F_P(u)：用户正反馈的概率；

F_N(u)：用户负反馈的概率；

a：用户正反馈概率的权值；

b：用户负反馈概率的权值；

l：用户对广告的喜欢程度；

c：用户对广告喜欢程度的权值。

所述的网络广告自动投放***，其中，所述广告评估模块根据用户的浏览记录自动调整用户模型，所述用户模型包括一用户对广告的易接受性，并以点击比率cr表示，点击比率cr以如下公式计算：

用户对广告的接受程度l通过如下公式计算：

$l=\left\{\begin{array}{cc}1& \mathrm{cr}>\mathrm{\&tau;}1\\ 0& \mathrm{\&tau;}1\&le;\mathrm{cr}\&le;\mathrm{\&tau;}2\\ -1& \mathrm{cr}<\mathrm{\&tau;}2\end{array}\right.$

如果点击比率cr大于一个设定阈值τ1，则接受程度l为1，认为该用户对广告非常容易接受；如果点击比率cr小于一个设定阈值τ2，则接受程度l为-1，认为该用户对广告比较反感，很少点击广告；接受程度l为0时，认为该用户对广告的喜欢程度为普通喜欢。

所述的网络广告自动投放***，其中，所述广告投放模块根据广告的分值选择高于一预设分值阈值的分值最高的所述第一广告。

所述的网络广告自动投放***，其中，所述跳转跟踪模块通过调用所述网页分析模块、所述广告评估模块计算所述第二广告，且所述第二广告、所述第一广告分别在该新网页的得分的差值小于一预设差值阈值时，将所述第一广告投放到该新网页上，实现广告的跟踪；否则将所述第二广告投放到该新网页上。

所述的网络广告自动投放***，其中，所述跳转跟踪模块将所述当前网页或所述新网页中的每一块区域作为独立页面，并在每一块区域投放广告。

所述的网络广告自动投放***，其中，所述当前网页、所述新网页为问答***的每个问题区域或每个答案区域。

本发明的有益技术效果：

本发明所提供的一种能够跟踪用户的网络广告自动投放方法及***当用户在网络中浏览信息时，能够根据当前网页信息、用户模型自动投放相关的广告，以及当用户在网页间跳转时，在不影响用户体验的同时，让广告跟踪用户到新的网页。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1是本发明的网络广告自动投放方法流程图；

图2是本发明的网络广告自动投放***结构图；

图3是本发明跟踪用户的网络广告自动投放具体实施例；

图4是本发明跟踪用户的网络广告自动投放应用实施例。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。

如图1所示，是本发明的网络广告自动投放方法流程图。该方法是一种能够跟踪用户的网络广告自动投放方法，根据网页信息、用户模型自动投放广告，并跟踪用户在网页间的跳转，决定广告的投放。假设用户在浏览网页之前已经注册，可以得到用户的历史浏览记录，以及分析得出用户的兴趣、爱好等，统称为用户模型，根据用户模型向用户进行定向投放广告。

在本发明的一个实施例中，通过一广告数据库，存储所有广告的数据，同时所有广告都被分类，广告分类为一多级树状目录结构，称之为广告树，相当于广告的分类本体，对于所有可以投放的广告进行分类管理。

广告树中定义了多级(如两级)分类结构，为简单起见而不失一般性，用两类表示，第一级为父类别，第二级为每个父类别对应的子类别(在多级情况下，每个子类别下还可以再分为更小的子类别)，每个最底层子类别包含一组对应的叶子节点广告，每组中任意两个叶子节点广告之间的相关度大于两个组间任意两个叶子节点广告之间的相关度。

广告商发布广告包括如下步骤：

a1)，为广告提供关键词，提供广告内容；

a2)，如果广告发布商为该广告选择了分类，则转a4)；否则，转a3)；

a3)，根据广告商提供的关键词及广告内容得到的特征向量和广告树中各个类别之间的相关度，选择最相关的一个类别作为其归属类别；

a4)，将该广告增加到选定的分类中。

进一步地，步骤a3)中，根据广告的特征向量(以下简称向量，一般是由一组带权重的关键词组成)计算广告与类别相关度的步骤。对于广告ad₁，其向量表示为

由其包含的一组关键词表示。

进一步地，步骤a3)中，采用下式计算广告ad₁与类别c的相似度：

$\mathrm{rel}({\mathrm{ad}}_1,c)=V_{{\mathrm{ad}}_1}\&CenterDot;V_c$

其中，式中参数如下：

：广告ad₁的向量；

V_c：类别c的关键词向量；

rel(ad₁，c)：广告ad₁和类别c的相关度；

广告树的类别可以表示为：

CT＝{ad₁，ad₂，...，ad_i，...，ad_n}，其中，ad_i表示类别CT中第i个广告，n表示类别CT中广告的个数。

广告ad_i与其所属类别的关系可以表示为：

ad_i∈<CT_p，CT_c>，其中，CT_p表示父类别，CT_c表示子类别。每个CT由代表该CT的一个关键词向量V_CT表示。

具体地，本发明的网络广告自动投放方法流程包括如下步骤：

步骤S101，分析当前网页内容，利用词频方式获取其中的关键词，建立当前网页的网页特征向量；

步骤S102，计算当前网页与所有可以投放的广告以及当前用户之间的相关度，并结合用户模型、广告的点击率，以及广告商的出价，为每个广告打分；

步骤S103，根据广告的分值，将高于某一预设分值阈值的分值最高的若干个广告ad1投放到当前网页上；

步骤S104，当用户由当前网页跳转到另一个新网页时，重复步骤S101、步骤S102，为新网页计算可以投放的广告ad2，如果ad2、ad1在新网页上的得分的差值仍然小于一个预设差值阈值(即，S_ad2-S_ad1＜d_t，d_t为预设差值阈值，一般大于0)，ad1将仍然被投放到新网页上，实现广告的跟踪；否则，将ad2投放到新网页上。

进一步地，步骤S102中，采用下式计算网页p与广告ad之间的相关度：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

V_p：网页p的向量；

V_ad：广告ad的向量；

rel(p，ad)：网页p与广告ad之间的相关度。

进一步地，步骤S102中，采用下式为广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

M_u：浏览网页p的用户u的用户模型因数，如兴趣、喜好等；

rel(p，ad)：网页p与广告ad的相关度；

rel(M_u，ad)：用户u和广告ad的相关度；

CR_ad：广告ad的历史点击率；

P_ad：广告商对广告ad的出价；

α，β，γ，ω：以上四项相应的权值，并且α+β+γ+ω＝1；

S_ad：针对网页p，广告ad所获得的分值。

进一步地，步骤S102中，采用下式计算用户和广告的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户u的用户模型向量；

V_ad：广告ad的向量；

F_P(u)：用户u正反馈的概率；

F_N(u)：用户u负反馈的概率；

a：用户u正反馈概率的权值；

b：用户u负反馈概率的权值；

l：用户u对广告的喜欢程度；

c：用户u对广告喜欢程度的权值；

rel(M_u，ad)：用户u和广告ad的相关度。

进一步地，步骤S102中，根据用户的浏览记录自动调整用户模型。

进一步地，步骤S104中，将当前网页或新网页中的每一块区域作为独立页面进行处理，并在该每一区域投放广告。

进一步地，该网络广告自动投放方法还应用于问答***中，此时当前网页、新网页为问答***的每个问题区域或每个答案区域，即将每个问题和每个答案分别作为独立页面进行处理，并在这些独立页面(即每个问题区域和每个答案区域)上投放广告。

如图2所示，是本发明的网络广告自动投放***结构图。该***是一种能够跟踪用户的网络广告自动投放***200，根据网页信息、用户模型自动投放广告，并跟踪用户在网页间的跳转，决定广告的投放。假设用户在浏览网页之前已经注册，可以得到用户的历史浏览记录，以及分析得出用户的兴趣、爱好等，统称为用户模型，根据用户模型向用户进行定向投放广告。

能够跟踪用户的网络广告自动投放***200中，包括一广告数据库20，存储所有广告的数据，同时所有广告都被分类，广告分类为一多级树状目录结构，称之为广告树，相当于广告的分类本体，对于所有可以投放的广告进行分类管理。

广告树中定义了多级(如两级)分类结构，为简单起见而不失一般性，用两类表示，第一级为父类别，第二级为每个父类别对应的子类别(在多级情况下，每个子类别下还可以再分为更小的子类别)，每个最底层子类别包含一组对应的叶子节点广告，每组中任意两个叶子节点广告之间的相关度大于两个组间任意两个叶子节点广告之间的相关度。广告商发布广告时可以为每个广告选择一个分类，如果广告商没有选择分类，该***200将根据广告商提供的关键词及广告内容和广告树自动为该广告选择一个分类。

广告树的类别可以表示为：

CT＝{ad₁，ad₂，...，ad_i，...，ad_n}，其中，ad_i表示类别CT中第i个广告，n表示类别CT中广告的个数。

广告ad_i与其所属类别的关系可以表示为：

ad_i∈<CT_p，CT_c>，其中，CT_p表示父类别，CT_c表示子类别。每个CT由代表该CT的一个关键词向量V_CT表示。

能够跟踪用户的网络广告自动投放***200包括：

网页分析模块22，用于分析当前网页内容，利用词频方式获取其中的关键词，建立当前网页的特征向量；

广告评估模块24，连接网页分析模块22，用于根据当前网页的特征向量计算当前网页与所有可以投放的广告之间的相关度，并根据相关度为每个广告打分，具体地，由相关度结合用户模型、广告的点击率，以及广告商的出价，为每个广告打分；

广告投放模块26，连接广告评估模块24，用于根据广告的分值将高于某一预设分值阈值的分值最高的若干个广告ad1投放到当前网页上；

跳转跟踪模块28，连接网页分析模块22、广告评估模块24、广告投放模块26，用于当用户由当前网页跳转到另一个新网页时，重复调用网页分析模块22、广告评估模块24，为新网页计算可以投放的广告ad2，如果ad2、ad1在新网页上的得分的差值仍然小于一个预设差值阈值(即，S_ad2-S_ad1＜d_t，d_t为预设差值阈值，一般大于0)，ad1将仍然被投放到新网页上，实现广告的跟踪；否则，将ad2投放到新网页上。

进一步地，广告评估模块24根据广告的特征向量和网页的特征向量计算广告与网页的相关度。对于广告ad₁，其向量表示为

由其包含的一组关键词表示。

进一步地，广告评估模块24采用下式计算网页与广告之间的相关度：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

V_p：网页p的向量；

V_ad：广告ad的向量；

rel(p，ad)：网页p与广告ad之间的相关度。

进一步地，广告评估模块24采用下式为广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

M_u：浏览网页p的用户u的用户模型因数，如兴趣、喜好等；

rel(p，ad)：网页p与广告ad的相关度；

rel(M_u，ad)：用户u和广告ad的相关度；

CR_ad：广告ad的历史点击率；

P_ad：广告商对广告ad的出价；

α，β，γ，ω：以上四项相应的权值，并且α+β+γ+ω＝1；

S_ad：针对网页p，广告ad所获得的分值。

进一步地，广告评估模块24采用下式计算用户u和广告ad的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户u的用户模型向量；

V_ad：广告ad的向量；

F_P(u)：用户u正反馈的概率；

F_N(u)：用户u负反馈的概率；

a：用户u正反馈概率的权值；

b：用户u负反馈概率的权值；

l：用户u对广告的喜欢程度；

c：用户u对广告喜欢程度的权值；

rel(M_u，ad)：用户u和广告ad的相关度。

进一步地，广告评估模块24根据用户的浏览记录自动调整用户模型。

进一步地，跳转跟踪模块28将当前网页或新网页中的每一块区域作为独立页面进行处理，并在该每一区域投放广告。

进一步地，网络广告自动投放***200还应用于问答***中，此时当前网页、新网页为问答***的每个问题区域或每个答案区域，即将每个问题和每个答案分别作为独立页面进行处理，并在这些独立页面(即每个问题区域和每个答案区域)上投放广告。

如图3所示，是本发明跟踪用户的网络广告自动投放具体实施例。该实施例描述了一种能够跟踪用户的网络广告自动投放具体方法过程，能够根据网页信息、用户模型自动投放广告，并跟踪用户的跳转。

在该实施例中，假设用户在浏览网页之前已经注册，可以得到用户的历史浏览记录，以及分析得出用户的兴趣、爱好等，统称为用户模型，根据用户模型投放广告。

在该实施例中，跟踪用户的网络广告自动投放步骤具体为：

步骤S300，进入当前网页p1；

步骤S301，首先，分析当前网页p1的页面内容，利用词频方式获取其中的关键词，组成当前网页p1的关键词向量(以下简称向量，一般是由一组带权重的关键词组成)；

步骤S302，然后，计算当前网页p1与所有可以投放的广告之间的相关度，并结合用户模型、广告的点击率，以及广告商的出价，为每个广告打分；

步骤S303，最后，将高于某一预设分值阈值的分值最高的若干个广告(记作ad1)投放到当前网页p1上；

步骤S304，判断用户是否从当前网页p1跳转到另一新网页p2，若当用户由当前网页p1跳转到另一新网页p2时，则执行步骤S305，为新网页p2计算可以投放的广告ad2，否则转入步骤S309；

步骤S305，分析网页p2的页面内容，利用词频方式获取其中的关键词，组成网页p2的关键词向量v2；

步骤S306，根据向量v2计算网页p2与所有可以投放的广告之间的相关度，并结合用户模型、广告的点击率，以及广告商的出价，为每个广告打分；

步骤S307，选取将高于预设分值阈值的分值最高的若干个广告(记作ad2)作为网页p2上的投放候选，准备投放到网页p2上；

步骤S308，判断广告ad2在网页p2上的得分减去广告ad1在网页p2的得分是否仍然小于一个预设差值阈值(即，S_ad2-S_ad1＜d_t，d_t为预设差值阈值，一般大于0)；

该步骤S308中，若仍然小于，则将广告ad1仍然投放到网页p2上，实现广告的跟踪；否则，将广告ad2投放到网页p2上。投放完成后转入步骤S304继续执行；

步骤S309，结束。

在该实施例中，用户u如果点击了某个投放的广告ad，则认为用户u对广告ad进行了一次正反馈，每个广告的正反馈的概率由下式计算：

每个用户u的正反馈的概率由下式计算：

同时，假设在每个广告上有一个关闭按钮，如果用户u点击了这个关闭按钮，说明用户u不喜欢该广告，相当于用户u对该广告进行了负反馈。并且，每个广告的负反馈的概率由下式计算：

每个用户u的负反馈的概率由下式计算：

在该实施例中，网页p与广告ad之间的相关度由下式计算：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

V_p：网页p的向量；(网页的特征向量中关键词及其权重可以用词频或TF/IDF方法获得)；

V_ad：广告ad的向量；(广告的特征向量中关键词从广告商提供的关键词及广告内容抽取，其权重一般都为1)；

rel(p，ad)：网页p与广告ad之间的相关度。

在该实施例中，可以通过下式为广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

M_u：浏览网页p的用户u的用户模型因数，可包括用户u对广告的兴趣、反感、易接受性等因素(后面将分别计算这3个因素)；

rel(p，ad)：网页p与广告ad的相关度；

rel(M_u，ad)：用户u和广告ad的相关度；

CR_ad：广告ad的历史点击率；

P_ad：广告商对广告ad的出价；

α，β，γ，ω：以上四项相应的权值，并且α+β+γ+ω＝1；

S_ad：针对网页p，广告ad所获得的分值。

在该实施例中采用下式计算用户u和广告ad的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户u的用户模型向量；

V_ad：广告ad的向量；

F_P(u)：用户u正反馈的概率；

F_N(u)：用户u负反馈的概率；

a：用户u正反馈概率的权值；

b：用户u负反馈概率的权值；

l：用户u对广告的喜欢程度；

c：用户u对广告喜欢程度的权值；

rel(M_u，ad)：用户u和广告ad的相关度。

对于一个给定的时间窗tw，用户u如果点击了某个投放的广告ad或者点击之后在这个广告上作了一定时间t(可以以秒为单位，也可以以更长或短的一段时间为单位)的停留，相当于用户u对该广告进行了正反馈。如果只是点击了一下，那么该次正反馈时长是1；如果停留了时间t，那么该次正反馈时长是t。停留的时间越长，说明用户u对该广告越感兴趣。用户u对广告的兴趣向量通过以下步骤确定：

(1)获得用户u在时间窗tw内点击的广告集合Ads以及在各个广告ad_i上的权重W_i，该权重w_i即表示了用户u对某一广告的感兴趣程度，即对ad_i停留时长进行归一化的权重；

(2)获得用户u在广告集合Ads上的关键词向量，即用户u在时间窗tw内的兴趣向量

即广告集合Ads中每个广告的广告向量与用户u对其正反馈的乘积的累加，即

$V_{{\mathrm{ui}}_{\mathrm{tw}}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(V_{{\mathrm{ad}}_i}\&times;w_i)$

其中，式中参数如下：

：Ads中第i个广告ad_i的广告向量；

w_i：用户u在广告ad_i上的权重，即其对广告ad_i的感兴趣程度；

：用户u在时间窗tw内的兴趣向量。

将用户u的点击记录按照时间先后划分成S_N个时间窗，每个时间窗内的用户兴趣向量为

那么该用户u的兴趣向量V_ui可以通过下式计算：

$V_{\mathrm{ui}}=\frac{1}{S_N}\underset{S_i=1}{\overset{S_N}{\mathrm{\&Sigma;}}}{V}_{{\mathrm{ui}}_{S_i}}\&CenterDot;\mathrm{ff}\left(S_i\right)$

其中，式中参数如下：

：用户u在时间窗S_i上的兴趣向量；

S_N：时间窗的个数；

ff(S_i)：用户兴趣的遗忘函数，离当前时间越长的兴趣对用户当前兴趣的影响越小，表示为：

$\mathrm{ff}\left(S_i\right)=e^{-S_i}$

对于一个给定的时间窗tw，用户u对广告的反感向量通过以下步骤确定：

(1)计算用户u在时间窗tw内负反馈的广告集合Ads’以及在各个广告上的权重W_i′，该权重W_i′即表示了用户u对某一广告的反感程度，可以在用户u点击关闭广告按钮之前让用户u选择对广告的反感程度，如划分为3个等级，如果没有选择则按照默认值进行处理，对用户u反馈的反感程度进行归一化得到对每个广告的w_i′；

(2)计算用户u在广告集合Ads’上的关键词向量，即用户u在时间窗tw内的反感向量

即广告集合Ads’中每个广告的广告向量与用户u对其负反馈的乘积的累加，即

$V_{{\mathrm{ud}}_{\mathrm{tw}}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(V_{{\mathrm{ad}}_i}\&times;{w_i}^{\&prime;})$

其中，式中参数如下：

：Ads’中第i个广告ad_i的广告向量；

w_i′：用户u在广告ad_i上的权重，即其对广告ad_i的反感程度；

：用户u在时间窗tw内的反感向量。

将用户u的负反馈记录按照时间先后划分成S_N个时间窗，每个时间窗内的用户反感向量为

那么该用户u的反感向量V_ud可以通过下式计算：

$V_{\mathrm{ud}}=\frac{1}{S_N}\underset{S_i=1}{\overset{S_N}{\mathrm{\&Sigma;}}}{V}_{{\mathrm{ud}}_{S_i}}\&CenterDot;\mathrm{ff}\left(S_i\right)$

其中，式中参数如下：

：用户u在时间窗S_i上的反感向量；

S_N：时间窗的个数；

ff(S_i)：用户反感的遗忘函数，离当前时间越长的反感对用户当前反感的影响越小，表示为：

$\mathrm{ff}\left(S_i\right)=e^{-S_i}$

用户模型向量通过下式计算：

V_u＝V_ui-V_ud

用户对广告的易接受性反映在用户点击的广告的数量占推荐广告数的比例，即点击比率cr(Click Rate)，其计算方法如下：

如果点击比率cr大于一个给定的阈值τ1，接受程度l为1，则认为该用户对广告非常容易接受；如果点击比率cr小于一个给定的阈值τ2，接受程度l为-1，则认为该用户对广告比较反感，很少点击广告；如果接受程度l为0，则认为该用户对广告的喜欢程度为普通喜欢，即用户对广告的接受程度l通过如下的公式计算：

$l=\left\{\begin{array}{cc}1& \mathrm{cr}>\mathrm{\&tau;}1\\ 0& \mathrm{\&tau;}1\&le;\mathrm{cr}\&le;\mathrm{\&tau;}2\\ -1& \mathrm{cr}<\mathrm{\&tau;}2\end{array}\right.$

在该实施例中，可以根据用户的浏览记录自动调整用户模型。

在该实施例中，包括一广告数据库，用于存储所有广告的数据，同时所有广告都被分类，广告分类为一多级树状目录结构，称之为广告树，相当于广告的分类本体，对于所有可以投放的广告进行分类管理。

广告树定义了多级(如两级)分类结构，为简单起见而不失一般性，用两类表示，第一级为父类别，第二级为每个父类别对应的子类别(在多级情况下，每个子类别下还可以再分为更小的子类别)，每个最底层子类别包含一组对应的叶子节点广告，每组中任意两个叶子节点广告之间的相关度大于两个组间任意两个叶子节点广告之间的相关度。广告商发布广告时可以为每个广告选择一个分类，如果广告商没有选择分类，***将根据广告商提供的关键词及广告内容和广告树自动为该广告选择一个分类。

广告树的类别可以表示为：

CT＝{ad₁，ad₂，...，ad_i，...，ad_n}，其中，ad_i表示类别CT中第i个广告，n表示类别CT中广告的个数。

广告ad_i与其所属类别的关系可以表示为：

ad_i∈<CT_p，CT_c>，其中，CT_p表示父类别，CT_c表示子类别。每个CT由代表该CT的一个关键词向量V_CT表示。

广告之间的相关度根据广告的关键词向量计算。对于广告ad₁，其向量表示为

由其包含的一组关键词表示。它与广告ad₂之间的相关度由下式计算：

$R({\mathrm{ad}}_1,{\mathrm{ad}}_2)=V_{{\mathrm{ad}}_1}\&CenterDot;V_{a{d}_2}$

其中，式中参数如下：

：广告ad₁的向量；

：广告ad₂的向量；

R(ad₁，ad₂)：广告ad₁和ad₂的相关度；

本发明中的网页概念可以扩展到其他粒度的网页单位，如某个网页上的一个区域(该区域的关键词向量由该区域内的内容算出)，或包括多个网页的整个网站(该网站的关键词向量由该网站的所有网页内容算出)，每个网页上的一个区域或整个网站可以当作一个网页来进行本发明方法和/或***中所有计算，也即，计算为某个网页上的某个区域应该自动投放的广告，和/或，为某个网站上的所有网页计算相同的应该自动投放的广告。

如图4所示，是本发明跟踪用户的网络广告自动投放实施例。该实施例描述了将本发明方法及***应用于问答***或博客等一页中带有多个用户提交的多条信息或回复的***。这样的多条信息或回复都相当于网页中的文本内容，问答***中的问题及答案也相当于网页中的文本内容。为不失一般性，把这类***中的每一页的第一个用户提交的内容称之为问题，其后的所有用户回复的或提交的内容称之为其答案，整个网页称为一个问题线程或Thread。在图4中，为每个用户提交的内容(问题或答案)都投放零到多个广告。

在该实施例中，能够跟踪用户的网络广告自动投放***S可以表示为问题集、广告集、及用户集的三元组，即S＝<Ts，ADs，U>，其中，Ts是***中问题的集合，Ads是***中广告的集合，即Ts＝{T}；ADs＝{ad}。每个问题还包括其答案集合，即T＝<q，Ans>(或整个网页称为一个问题线程或Thread)，每个T中的问题q用问题的关键词向量V_q表示(特征向量中关键词及其权重可以用其词频或TF/IDF方法或特定***中的特定方法获得，如利用BuyAns.com中的语义模板可以获得更多的关键词权重中信息，详见申请号为200810102710.X的发明专利申请“一种基于内容的问题自动分类方法及其***”)；每个T中的每个答案ans∈Ans用该答案的关键词向量V_ans表示(特征向量中关键词及其权重可以用其词频或TF/IDF方法或特定***中的特定方法获得)；每个T的关键词向量用V_T表示(特征向量中关键词及其权重可以用其问题及所有答案的词频或TF/IDF方法或特定***中的特定方法获得)；每个广告ad∈ADs用该广告的关键词向量V_ad表示。U＝{u}表示***S的注册用户的集合。并且，***S中存在一个版面的集合B＝{b}，每个版面用该版面的关键词向量V_b表示，每个T仅属于一个版面。于是，有：

广告ad和问题q的相关度：rel(ad，q)＝V_ad·V_q；

广告ad和版面b的相关度：rel(ad，b)＝V_ad·V_b；

广告ad和Thread T的相关度：rel(ad，T)＝V_ad·V_T；

广告ad和ans的相关度：rel(ad，ans)＝V_ad·V_ans；

Thread T被投放的广告的正反馈的概率：

Thread T被投放的广告的负反馈告的概率：

在该实施例中，用户u首先进入某一问答***，点击了某个Thread T，***根据其中的问题和答案以及用户模型为其推荐广告ad，(ad＝recommendAd(T，u))。

如果用户u跳转到另一个Thread T1，如点击了www.buyans.com中的“原始问题”链接，这时，***根据原始问题及其答案以及用户模型为其推荐广告ad1(ad1＝recommendAd(T1，u))。如果ad1和ad在同一个广告子分类中，那么直接将ad作为原始问题的广告进行投放；否则，投放ad1。

如果用户u因为其他原因跳转到Thread T2。首先，***根据其问题和答案以及用户模型为其推荐广告ad2(ad2＝recommendAd(T2，u))。然后计算ad2、ad在T2上的得分，如果两个得分的差值小于一预设差值阈值τ，即S_ad2-S_ad＜τ，则投放ad，实现广告的跟踪；否则投放ad2。

如果用户u跳转到一个和该问答***有广告合作的网页p。这时，***根据网页p的向量以及用户模型为网页p推荐广告ad3(ad3＝recommendAd(p，u))。然后计算ad3、ad在p上的得分，如果两个得分的差值小于一预设差值阈值τ(通常，τ＞0)，即S_ad3-S_ad＜τ，则投放ad，实现广告的跟踪；否则投放ad3。

在该实施例中，可以通过下式为广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

M_u：浏览问题q的用户u的用户模型因数，包括用户u对广告的兴趣、反感、易接受性等因素；

rel(q，ad)：问题q与广告ad的相关度；

rel(M_u，ad)：用户u和广告ad的相关度；

CR_ad：广告ad的历史点击率；

P_ad：广告商对广告ad的出价；

α，β，γ，ω：以上四项相应的权值，并且α+β+γ+ω＝1；

S_ad：针对问题q，广告ad所获得的分值。

在该实施例中采用下式计算用户u和广告ad的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户u的用户模型向量；

V_ad：广告ad的向量；

F_P(u)：用户u正反馈的概率；

F_N(u)：用户u负反馈的概率；

a：用户u正反馈概率的权值；

b：用户u负反馈概率的权值；

l：用户u对广告的喜欢程度；

c：用户u对广告喜欢程度的权值；

rel(M_u，ad)：用户u和广告ad的相关度。

在该实施例中，用户模型可以根据用户的浏览记录自动调整。

在该实施例中，将本发明方法及***应用于百问百答问答***(其网址是www.buyans.com)中。当一注册用户登录该***后，可以通过点击主页中的某个问题链接(如问题“被蚊子叮了怎么办？”)而进入到该问题网页，如图4所示。同时，***首先根据问题的关键词获得该问题的问题关键词向量，结合用户模型向该用户推荐广告，并显示到问题的下面，如“雷达牌电蚊香，杀死蚊子不偿命！！！”由于该问题有答案“可以抹点牙膏。”，***同样根据答案的关键词获得该答案的答案向量，结合用户模型向该用户推荐广告，并显示到答案的下面，如“高露洁，牙齿白又白！！！”。

在本发明中，首先将用户的喜好以及对广告的喜欢程度等用户模型引入到广告推荐中；其次，在与上下文相关的网页中使用广告跟踪技术，加强用户记忆。最终实现在得到较好的用户体验的同时能够提高投放广告的收益。

本发明所提供的能够跟踪用户的网络广告自动投放方法及***，当用户在网络中浏览信息时，能够根据当前网页信息、用户模型自动投放相关的广告，以及当用户在网页间跳转时，让广告跟踪用户到新的网页。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (14)

1、一种网络广告自动投放方法，其特征在于，包括：

步骤一，分析当前网页的页面内容，建立当前网页的特征向量；

步骤二，根据所述特征向量计算当前网页与每个用于投放的第一广告之间的相关度，并根据所述相关度为每个所述第一广告打分；

步骤三，根据广告的分值选择所述第一广告，并投放到当前网页上；

步骤四，由当前网页跳转到新网页时，为该新网页计算用于投放的第二广告，并根据所选择的第一广告、所述第二广告分别与在该新网页的得分将所选择的第一广告或所述第二广告投放到该新网页上。

2、根据权利要求1所述的网络广告自动投放方法，其特征在于，所述步骤一中，进一步包括：

利用词频方式获取当前页面内容中的关键词，并根据所述关键词建立所述特征向量的步骤。

3、根据权利要求1或2所述的网络广告自动投放方法，其特征在于，所述步骤二中，进一步包括：

以如下公式计算所述相关度的步骤：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

p：当前网页；

ad：第一广告；

V_p：当前网页的特征向量；

V_ad：第一广告的特征向量；

rel(p，ad)：当前网页与第一广告之间的相关度；

以如下公式为所述第一广告打分的步骤：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

u：用户；

M_u：浏览当前网页的用户的用户模型因数；

rel(M_u，ad)：用户和第一广告的相关度；

CR_ad：第一广告的历史点击率；

P_ad：广告商对第一广告的出价；

α，β，γ，ω：为rel(p，ad)、rel(M_u，ad)、CR_ad、P_ad对应的权值，并且α+β+γ+ω＝1；

S_ad：针对当前网页，第一广告所获得的分值；

以如下公式计算用户和第一广告的相关度的步骤：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户的用户模型向量；

F_P(u)：用户正反馈的概率；

F_N(u)：用户负反馈的概率；

a：用户正反馈概率的权值；

b：用户负反馈概率的权值；

l：用户对广告的喜欢程度；

c：用户对广告喜欢程度的权值。

4、根据权利要求3所述的网络广告自动投放方法，其特征在于，所述步骤二中，进一步包括：

根据用户的浏览记录自动调整用户模型的步骤，所述用户模型包括一用户对广告的易接受性，并以点击比率cr表示，点击比率cr以如下公式计算：

用户对广告的接受程度l通过如下公式计算：

$l=\left\{\begin{array}{cc}1& \mathrm{cr}>\mathrm{\&tau;}1\\ 0& \mathrm{\&tau;}1\&le;\mathrm{cr}\&le;\mathrm{\&tau;}2\\ -1& \mathrm{cr}<\mathrm{\&tau;}2\end{array}\right.$

如果点击比率cr大于一个设定阈值τ1，则接受程度l为1，认为该用户对广告非常容易接受；如果点击比率cr小于一个设定阈值τ2，则接受程度l为-1，认为该用户对广告比较反感，很少点击广告；接受程度l为0时，认为该用户对广告的喜欢程度为普通喜欢。

5、根据权利要求1、2或4所述的网络广告自动投放方法，其特征在于，所述步骤三中，进一步包括：

根据广告的分值选择高于一预设分值阈值的分值最高的所述第一广告的步骤。

6、根据权利要求1、2或4所述的网络广告自动投放方法，其特征在于，所述步骤四中，进一步包括：

通过执行所述步骤一、所述步骤二计算所述第二广告，且当所述第二广告、所述第一广告分别在该新网页上的得分的差值小于一预设差值阈值时，将所述第一广告投放到该新网页上，实现广告的跟踪；否则将所述第二广告投放到该新网页上的步骤。

7、一种网络广告自动投放***，其特征在于，包括：

网页分析模块，用于分析当前网页的页面内容，建立当前网页的特征向量；

广告评估模块，连接所述网页分析模块，用于根据所述特征向量计算当前网页与每个用于投放的第一广告之间的相关度，并根据所述相关度为每个所述第一广告打分；

广告投放模块，连接所述广告评估模块，用于根据广告的分值选择所述第一广告，并投放到当前网页上；

跳转跟踪模块，连接所述网页分析模块、所述广告评估模块、所述广告投放模块，用于由当前网页跳转到新网页时，为该新网页计算用于投放的第二广告，并根据所选择的第一广告、所述第二广告分别在该新网页上的得分将所选择的第一广告或所述第二广告投放到该新网页上。

8、根据权利要求7所述的网络广告自动投放***，其特征在于，所述网页分析模块利用词频方式获取当前页面内容中的关键词，并根据所述关键词建立所述特征向量。

9、根据权利要求7或8所述的网络广告自动投放***，其特征在于，所述广告评估模块以如下公式计算所述相关度：

rel(p，ad)＝V_p·V_ad

其中，式中参数如下：

p：当前网页；

ad：第一广告；

V_p：当前网页的特征向量；

V_ad：第一广告的特征向量；

rel(p，ad)：当前网页与第一广告之间的相关度；

以如下公式为所述第一广告打分：

S_ad＝α·rel(p，ad)+βrel(M_u，ad)+γCR_p+ωP_ad

其中，式中参数如下：

u：用户；

M_u：浏览当前网页的用户的用户模型因数；

rel(M_u，ad)：用户和第一广告的相关度；

CR_ad：第一广告的历史点击率；

P_ad：广告商对第一广告的出价；

α，β，γ，ω：为rel(p，ad)、rel(M_u，ad)、CR_ad、P_ad对应的权值，并且α+β+γ+ω＝1；

S_ad：针对当前网页，第一广告所获得的分值。

以如下公式计算用户和第一广告的相关度：

rel(M_u，ad)＝V_u·V_ad+a·F_P(u)-b·F_N(u)+c·l

其中，式中参数如下：

V_u：用户的用户模型向量；

F_P(u)：用户正反馈的概率；

F_N(u)：用户负反馈的概率；

a：用户正反馈概率的权值；

b：用户负反馈概率的权值；

l：用户对广告的喜欢程度；

c：用户对广告喜欢程度的权值。

10、根据权利要求9所述的网络广告自动投放***，其特征在于，所述广告评估模块根据用户的浏览记录自动调整用户模型，所述用户模型包括一用户对广告的易接受性，并以点击比率cr表示，点击比率cr以如下公式计算：

用户对广告的接受程度l通过如下公式计算：

$l=\left\{\begin{array}{cc}1& \mathrm{cr}>\mathrm{\&tau;}1\\ 0& \mathrm{\&tau;}1\&le;\mathrm{cr}\&le;\mathrm{\&tau;}2\\ -1& \mathrm{cr}<\mathrm{\&tau;}2\end{array}\right.$

如果点击比率cr大于一个设定阈值τ1，则接受程度l为1，认为该用户对广告非常容易接受；如果点击比率cr小于一个设定阈值τ2，则接受程度l为-1，认为该用户对广告比较反感，很少点击广告；接受程度l为0时，认为该用户对广告的喜欢程度为普通喜欢。

11、根据权利要求7、8或10所述的网络广告自动投放***，其特征在于，所述广告投放模块根据广告的分值选择高于一预设分值阈值的分值最高的所述第一广告。

12、根据权利要求7、8或10所述的网络广告自动投放***，其特征在于，所述跳转跟踪模块通过调用所述网页分析模块、所述广告评估模块计算所述第二广告，且所述第二广告、所述第一广告分别在该新网页的得分的差值小于一预设差值阈值时，将所述第一广告投放到该新网页上，实现广告的跟踪；否则将所述第二广告投放到该新网页上。

13、根据权利要求7、8或10所述的网络广告自动投放***，其特征在于，所述跳转跟踪模块将所述当前网页或所述新网页中的每一块区域作为独立页面，并在每一块区域投放广告。

14、根据权利要求7、8或10所述的网络广告自动投放***，其特征在于，所述当前网页、所述新网页为问答***的每个问题区域或每个答案区域。

Images