CN106920129B - 一种基于眼动追踪的网络广告效果测评***及其方法 - Google Patents

Abstract

本发明一种基于眼动追踪的网络广告效果测评***及其方法，该***包括：眼动追踪采集单元，用于通过眼动追踪装置获取用户在搜索引擎结果页上的测试行为信息；广告效果模型建立单元，用于根据眼动追踪采集单元得到的数据，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响；并根据眼动分析的结果，结合广告自身特性、显示反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；广告效果评测单元，用于根据广告效果模型，计算广告效果和各特征间的关系，测评广告效果模型的有效性。

Description

一种基于眼动追踪的网络广告效果测评***及其方法

技术领域

本发明属于互联网广告效果评估的技术领域，尤其涉及一种基于眼动追踪的网络广告效果测评***及其方法。

背景技术

目前，互联网广告作为网络营销的重要组成成分之一，是通过电子信息服务传播营销信息给消费者的一种手段。与传统的四大传播媒体广告相比，互联网广告凭借其覆盖面广、交互性强、成本低廉等诸多特点，成为主要的网络营销方法之一，在网络营销方法体系中具有举足轻重的地位。互联网广告的基本目标是广告主使用最低成本的方式通过各种媒介将广告传播到***那里。根据用户的不同类型，个性化推荐和合理配置广告，可以完善用户体验，提高客户满意度，提高广告***的性能。

随着网络广告应用的不断发展，网络广告效果也越来越为广告主们所关注。目前，网络广告效果评估方法主要包括加权计算方法、点击率和转换率等。网络广告效果测量方法有评价指标及分析用户行为日志。其中，评价指标包括CPM(每1000人成本)、CPA(每行动成本)、CPC(每点击成本)和CPS(销售成本)等；行为日志的大部分内容是单击日志，如单击序列，单击驻留时间，悬停时间等。点击率是互联网广告最传统、最广泛使用的标准。因此点击率预测是计算广告的一个热门话题。通过点击模型，可以根据用户的历史点击数据来描述用户的兴趣和行为，并预测用户未来的点击行为。现在主要有两种类型的点击模型：位置模型和级联模型。2008年，Craswell首次提出级联模型，但是，该级联模型仅适用于单点击会话。2009年，Guo在级联模型的基础上进行拓展，提出适用于多点击会话的DCM(Dependency Click Model)以及基于贝叶斯结构的CCM(Click Chain Model)。雅虎实验室的Chapelle提出的DBN(Dynamic Bayesian Network Click Model)成为广泛应用的点击模型。

但是，通过点击率进行网络广告效果评估存在一定的不足，鼠标的行为具有滞后性，产生的数据源单一，因此，简单地应用鼠标信息并不是一个准确和科学的方法来评估广告效果。人们逐步认识到，浏览广告与点击广告同样重要。美国广告研究公司Adknowledge的高级副总裁David Zinman先生说过：“营销人员更应该关注那些占用户总数的99％的无点击广告”。为了获取更大的利益，广告商和广告主着重研究消费者的心理和行为信息，努力探索这一稀缺的资源。

近年来，眼动追踪技术不断成熟，它可以将获取到的人类视觉信息进行可视化处理，提供了一种观察用户无意识行为信息的方法。眼动追踪技术具有客观性、同步性以及生态学效度的优势。目前该方法已经应用到商业、工业设计、软件评估等众多领域。将眼动追踪技术应用到网络广告效果研究中，可以有效的弥补用户信息少，信息不够准确等缺点。通过眼动追踪技术，精确收集眼动信息，可以确定用户的关注点和浏览轨迹，进而准确判断出用户的兴趣区和行为。Drèze研究发现，用户对广告浏览路径因个人经验而异。同时指出，使用点击率来评估广告的效果是有缺陷的。因为用户会注意到了广告但无点击，或者只专注于处理广告的程度。Wedel将广告分为文案、图片和品牌三部分，利用注视次数和面积的比率，发现品牌要素在广告中意义重大。然而，现有技术中的眼动追踪技术存在一定的不足，眼动追踪技术的研究多数仅是通过眼动参数这一类信息源对用户行为进行研究，并且将不同类型的眼动参数分开考虑，这种方法信息源单一，综合性不高，无法全面的进行网络广告效果的测评。

综上所述，现有技术中如何更加客观的进行网络广告效果的评估和分析；以及针对使用眼动追踪的网络广告效果测试***及其方法，如何达到根据眼动追踪信息结合点击行为信息检测广告效果、提高互联网广告的质量、优化广告分配效果和增强互联网用户交感体验，尚缺乏有效的解决方案。

发明内容

本发明为了解决上述问题，提供一种基于眼动追踪的网络广告效果测评***及其方法。本发明将观测度作为衡量广告质量的新的重要标准，运用眼动追踪方法获取隐式反馈信息，通过分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，构建用户观测模型，实现指导互联网广告效果测试和广告投放的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于眼动追踪的网络广告效果测评***，该***包括：

眼动追踪采集单元，被配置为通过眼动追踪装置获取用户眼动参数；

广告效果模型建立单元，被配置为根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

广告效果评测单元，被配置为根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性。

优选的，所述眼动追踪采集单元采集的用户眼动参数为用户在搜索引擎结果页上的测试行为信息数据。

优选的，所述广告效果模型建立单元，具体包括：

眼动参数分析模块，被配置为将所述眼动参数生成可视化数据图，定性分析网络广告对眼动参数的影响；

网络广告位置影响分析模块，被配置为分析不同位置的网络广告对眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告位置与眼动参数的映射关系；

网络广告相关性影响分析模块，被配置为根据所述网络广告位置与眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告相关性与眼动参数的映射关系；

特征提取模块，被配置为根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择。

模型建立模块，被配置为根据所述特征提取模块选择的特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

本发明为了解决上述问题，提供一种基于眼动追踪的网络广告效果测评***的测评方法。本发明将观测度作为衡量广告质量的新的重要标准，运用眼动追踪方法获取隐式反馈信息，通过分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，构建用户观测模型，实现指导互联网广告效果测试和广告投放的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于眼动追踪的网络广告效果测评***的测评方法，该方法包括以下步骤：

(1)采集眼动追踪信息：通过眼动追踪装置获取用户的眼动参数；

(2)建立广告效果模型：根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

(3)获得广告效果测评结果：根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性。

优选的，在所述步骤(1)中，用户的所述眼动参数为用户在搜索引擎结果页上的测试行为信息数据。

优选的，在所述步骤(2)中，建立广告效果模型的具体步骤为：

(2-1)眼动参数分析：将步骤(1)获取的所述眼动参数生成可视化数据图，初步定性分析网络广告对所述眼动参数的影响；

(2-2)网络广告位置影响分析：分析不同位置的网络广告对所述眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告位置与眼动参数的映射关系；

(2-3)网络广告相关性影响分析：根据广告位置与所述眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告相关性与眼动参数的映射关系；

(2-4)特征提取：根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取上述三方面与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择；

(2-5)广告效果模型建立：根据特征提取模块得到的主要特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

优选的，所述步骤(2-1)中，眼动参数分析的用户主体选取裸眼视力或矫正视力均在1.0以上，无色盲、色弱等影响视觉效应因素的随机人群。

优选的，所述步骤(2-1)中，眼动参数分析的测评场景设计为：

从搜索引擎上爬下来搜索引擎结果页，只保留所要研究位置的商业推广，随机选取多种不同类别的物品作为搜索任务，并在不同位置分别配置相关、不相关的网页广告。

优选的，在所述步骤(2-4)中，特征提取的具体步骤为：

(2-4-1)：选取所述眼动参数、鼠标行为参数以及广告自身参数三个方面与广告效果关系密切的8个特征，归一化注视时效特征，重定义平均瞳孔直径特征；

(2-4-2)：根据逐步回归前进法，对每个特征做多元线性回归，判断F统计量的值是否大于预先给定的显著性水平αⁱⁿ值，若大于，则引入新特征；

(2-4-3)：根据逐步回归后退法，对每个特征做多元线性回归，判断F统计量的值是否小于预先给定的显著性水平α^out的特征，若小于，则剔除不必要特征；

(2-4-4)：重复步骤(2-4-1)和(2-4-2)，直至特征不再被选择和剔除为止。

优选的，所述步骤(2-4-1)中，8个特征包括：

眼动参数：回访、注视次数、注视时效、平均瞳孔直径；

鼠标特征：是否点击；

广告自身特征：广告位置、广告相关性、广告覆盖率。

优选的，所述步骤(2-4-1)中，

所述注视时效归一化表示为：

其中，结束时间(end_time)为用户浏览完整个网页所需要的时间；

所述平均瞳孔直径的重定义公式为：

其中，i为注视点，n为该广告区域中注视点总数。

优选的，步骤(2-4-2)中的预先给定的显著性水平αⁱⁿ和步骤(2-4-3)中的预先给定的显著性水平α^out的关系为：

αⁱⁿ＜α^out。

优选的，在所述步骤(2-5)中，广告效果模型建立的具体步骤为：

(2-5-1)：提出衡量广告质量的观测度指标：用户浏览完网页之后对该网页的记忆程度，通过再认实验方法，评定用户对页面中广告的观测度；

(2-5-2)：初始化回归系数矩阵和学习率α；

(2-5-3)：计算有序逻辑回归的目标函数：

其中，J(θ)为有序逻辑回归的目标函数，θ为回归系数，y观测度预测值，

是传统的Logistic回归模型；

(2-5-4)：根据随机梯度下降算法计算下降梯度和学习率，更新回归系数θ；

(2-5-5)：重复(2-5-3)和(2-5-4)，直至所述有序逻辑回归的目标函数J(θ)取得最小值；

(2-5-6)：根据得到的回归系数矩阵，计算最大概率变量，相应的y值即为观测度预测值。

优选的，所述步骤(2-5-1)中广告质量的观测度分为四个等级，包括：

“A.肯定见过”、“B.好像见过”、“C.好像没见过”、“D.肯定没见过”，其对应分值分别为3-0分。

本发明的有益效果：

(1)本发明的基于眼动追踪的网络广告效果测评***，通过眼动追踪装置收集用户在搜索引擎结果页上的测试行为信息。运用数理统计的方法，针对分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响进行统计分析。结合广告自身特性、显示反馈信息和隐式反馈信息三个方面，构建广告观测模型。可以提高互联网广告的质量，优化广告分配效果，以及用户的兴趣度，使得互联网用户获得更好的交感体验。

(2)本发明的基于眼动追踪的网络广告效果测评方法，首次提出使用观测度作为衡量广告质量的新指标。结合观测度模型以及统计检验，构建用户对广告的观察度模型用以预测用户对广告的观测程度。测试结果表明，融合眼动特征来预测广告观测程度的方法优于普遍使用的显示反馈和广告自身特征的预测方法，能够更准确地分析广告效果和各特征间的关系，为网络广告效果评测提供重要的依据。

附图说明

图1是本发明的基于眼动追踪的网络广告效果测评***的结构示意图；

图2是本发明的基于眼动追踪的网络广告效果测评方法流程示意图；

图3是本发明被试数据汇总图；

图4是本发明眼动参数分析场景设计图；

图5是本发明眼动参数分析产生的扫视路径图；

图6是本发明眼动参数分析产生的热区图；

图7是本发明不同位置广告对眼动参数影响比较图；

图8是本发明不同位置广告对眼动参数影响多重均值比较图；

图9是本发明广告相关性对眼动参数影响比较图；

图10是本发明不同位置与不同相关性广告对眼动参数影响比较图；

图11是本发明所选特征图；

图12是本发明模型效果对比图；

图13是本发明模型验证图；

图14是本发明广告效果测评模型与传统模型的准确率对比图。

具体实施方式：

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。

实施例1：

本发明为了解决上述问题，提供一种基于眼动追踪的网络广告效果测评***及其方法。本发明将观测度作为衡量广告质量的新的重要标准，运用眼动追踪方法获取隐式反馈信息，通过分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，构建用户观测模型，实现指导互联网广告效果测试和广告投放的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于眼动追踪的网络广告效果测评***，如图1所示，该***包括：

眼动追踪采集单元，被配置为通过眼动追踪装置获取用户眼动参数；

广告效果模型建立单元，被配置为根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

广告效果评测单元，被配置为根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性。

在本实施例中，眼动追踪装置采用的是德国普升科技有限公司研发的SMIRED眼动仪(Version2.4)，其采样频率为60Hz。

所述眼动追踪采集单元采集的用户眼动参数为用户在搜索引擎结果页上的测试行为信息数据。

所述广告效果模型建立单元，具体包括：

眼动参数分析模块，被配置为将所述眼动参数生成可视化数据图，定性分析网络广告对眼动参数的影响；

网络广告位置影响分析模块，被配置为分析不同位置的网络广告对眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告位置与眼动参数的映射关系；

网络广告相关性影响分析模块，被配置为根据所述网络广告位置与眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告相关性与眼动参数的映射关系；

特征提取模块，被配置为根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择。

模型建立模块，被配置为根据所述特征提取模块选择的特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

实施例2：

本发明为了解决上述问题，提供一种基于眼动追踪的网络广告效果测评***的测评方法。本发明将观测度作为衡量广告质量的新的重要标准，运用眼动追踪方法获取隐式反馈信息，通过分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，构建用户观测模型，实现指导互联网广告效果测试和广告投放的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于眼动追踪的网络广告效果测评***的测评方法，如图2所示，该方法包括以下步骤：

(1)采集眼动追踪信息：通过眼动追踪装置获取用户的眼动参数；

(2)建立广告效果模型：根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

(3)获得广告效果测评结果：根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性。

在本实施例中，眼动参数分析的用户主体招募了28名被试人员，男女比例1:1，年龄在22-25岁之间，平均年龄24岁，所有的参与者均为在校研究生。由于希望得到的测评结果更符合大众真实情况，所以被试选取于不同专业的学生。此外，被试人员的裸眼视力或矫正视力均在1.0以上，无色盲、色弱等影响视觉效应因素。参与测评人数及泛化力度均达到现阶段眼动实验标准。

在本实施例中，眼动追踪装置采用的是德国普升科技有限公司研发的SMIRED眼动仪(Version2.4)，其采样频率为60Hz。

记录和分析过程使用其自带的IViewX，Experiment Center和BeGaze。

在本实施例中，为了保证测评效果更加接近现实生活，本发明设计的测评场景是：让被试人员尽可能像往常一样自由浏览，比如点击和滚动屏幕，并且较好的控制特征变量，并且保证被试人员看到的某一类型的搜索引擎结果页是一样的，将从搜索引擎上爬下来搜索引擎结果页，并且只保留所要研究位置的商业推广。测评过程中，通过SMI RED眼动仪(Version2.4)记录被试人员的眼动追踪信息，通过在网页中嵌入的JavaScript代码获取用户的点击信息。随机选取多种不同类别的物品作为搜索任务，分别为手机、汽车等，并在不同位置分别配置相关、不相关的网页广告。采用15(搜索任务)×3(广告位置)×2(广告相关、不相关)的设计。

在本实施例中，每次评测开始前将记录被试人员个人信息，并为被试人员展示关于本次评测的简短介绍，包括评测任务及设备硬件。但为了得到最真实的眼动数据和鼠标行为数据，评测所研究的具体内容将对被试人员隐藏。随后进行校准工作，当被试人员追踪水平达到要求后开始正式测评。测评完成后，进行再认实验，考察被试对广告的观测情况。在本实施例中，从28位被试人员测评过程中采集数据，其中3条数据由于机器故障原因缺失。实际得到的数据汇总数据如图3所示。

在所述步骤(1)中，用户的所述眼动参数为用户在搜索引擎结果页上的测试行为信息数据。

在所述步骤(2)中，建立广告效果模型的具体步骤为：

(2-1)眼动参数分析：将步骤(1)获取的所述眼动参数生成可视化数据图，初步定性分析网络广告对所述眼动参数的影响；

在本实施例中，眼动行为分析采用BeGaze眼动分析软件，将步骤(1)获取的所述眼动参数生成可视化的数据图，如图5所示的扫视路径图及如图6所示的热区图，通过这些数据图进行初步定性分析。原始材料如图4所示。

通过对比被试人员在SERPs上的数据图，可以发现被试人员对搜索结果主体上方的广告注视较多，下部区域次之，右侧区域关注很少，扫视路径更倾向于自上而下的流线型。

(2-2)网络广告位置影响分析：分析不同位置的网络广告对所述眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告位置与眼动参数的映射关系；

在本实施例中，首先，统计位于主体不同方位的网络广告区域内注视时效和注视次数的均值，并将其与网络广告区域内总体注视时间、注视次数的均值相比，结果如图7所示。可见，位于SERPs上方的网络广告其注视次数、注视时效均呈表现出依次大于下方、右侧的网络广告的效果(注视次数：20.62>15.65>8.86)，(注视时效：13.958>10.065>5.795)。而对于平均瞳孔直径参数也表现出上方、下方网络广告的瞳孔直径均值要明显高于右侧平均瞳孔直径。

然后，采用LSD检验进行事后分析，进一步验证不同位置的广告对眼动参数的影响，结果如图8所示。LSD检验是在方差分析之后所做的事后比较分析，对所有的多重比较进行简单的多次t检验，目的是对每个因素的均值逐对进行比较，以判断具体是哪些水平间存在显著差异。通过不同位置三个眼动参数的方差齐性检验，发现注视次数、注视时效比的sig值都小于0.05，方差齐。因此，为了了解广告不同位置对注视次数、注视时效的影响效果，可以进一步使用LSD检验。

分析图8可知，在注视次数方面，上方和右侧的均值差为11.77，sig＝0.000，即在显著性水平的条件下，上方和右侧的网络广告对于注视次数的影响存在显著差异。同样，下方和右方的均值差为6.80，sig＝0.026,即在显著性水平的条件下，上方和右侧的网络广告对于注视次数的影响存在显著差异。而上方和下方对于注视次数的影响差异不显著。在注视时效比方面，上方和右侧的均值差为8.163，sig＝0.001<0.05。因此，可以认为，上方和右侧的网络广告对于注视时效的影响存在显著差异。

由此我们可以得出初步结论，上方和下方的网络广告更加吸引用户，印证了BeGaze呈现出的可视化数据结果图中得到的定性分析，用户在搜索引擎结果页上对上部注视较多，下部区域次之，右侧区域关注很少，扫视路径基本呈现自上而下的流线型。广告位置对用户注意力具有显著影响，是衡量广告质量的重要特征之一。

(2-3)网络广告相关性影响分析：根据广告位置与所述眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告相关性与眼动参数的映射关系；

为了解决一些产品因其特殊性而长期不被大多数人所了解的问题，在本实施例中，首先将无关广告加入到搜索引擎结果页上，探究被试人员对无关广告的注意力情况，结果如图9所示。可以看出，网络广告与搜索内容是否相关对注视次数的影响显著T＝2.753，sig＝0.009，说明对于和搜索内容相关的广告，被试人员注视次数相对较多，吸引力上要强于不相关的网络广告。但是广告的相关性的注视时效和平均瞳孔直径差异不显著。

进一步分析，当网络广告处于不同位置时，与搜索内容相关、不相关的广告对于眼动参数的影响，进而探究网络广告相关性对于网络广告质量的影响，结果如图10所示。说明，总体上，在标准差相似的情况下，不同位置，无论是注视次数、注视时效比还是平均瞳孔直径，与搜索内容相关的广告都要高于无关的广告。也就表明，网络广告与搜索内容的相关性对被试人员是有影响的，同样是衡量广告质量的重要特征。

通过对比发现，广告的相关性在主体上方位置差异尤为显著，也就是说，当我们在上方加入无关广告时，会对用户的浏览造成影响，但是在搜索结果主体的下方和右侧加入无关广告，对用户影响较小，这为较特殊物品的推广提供了机会。

(2-4)特征提取：根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取上述三方面与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择；

衡量广告质量的标准有很多，尽管目前在广告学的研究中已有大量工作，也基本上都是基于显示反馈和广告自身信息。根据研究工作，我们发现眼动追踪参数、鼠标行为参数以及广告自身参数与广告效果之间关系密切。鼠标特征很多，如：悬停时间、到达位置等与眼动追踪特征中眼睛注视时间、到达位置等特征具有较强相关性，但眼动相较于鼠标更真实，所以这里我们只选取具有较强代表性的点击特征。

选取三个信息源进行特征提取。图11展示了在本发明初期预测可能会对用户观测度造成影响的8个特征。选取所述眼动参数、鼠标行为参数以及广告自身参数三个方面与广告效果关系密切的8个特征，8个特征包括：

眼动参数：回访、注视次数、注视时效、平均瞳孔直径；

鼠标特征：是否点击；

广告自身特征：广告位置、广告相关性、广告覆盖率。

为了消除因个人阅读风格，网页类型不同带来的差异，对部分特征进行归一化。将眼睛在广告区域内的注视时间(fix_time)修改为：

其中，结束时间(end_time)为用户浏览完整个网页所需要的时间；

平均瞳孔直径的重定义公式为：

其中，i为注视点，n为该广告区域中注视点总数。

眼动追踪装置得到的眼动参数较多，均方误差、统计量和AIC准则等特征选择方法计算复杂度非常大，因此本发明选取逐步回归方法对连续型变量进行特征选择：

第一步，根据逐步回归前进法，对每个特征做多元线性回归，判断F统计量的值是否大于预先给定的显著性水平αⁱⁿ值，若大于，则引入新特征；

第二步，根据逐步回归后退法，对每个特征做多元线性回归，判断F统计量的值是否小于预先给定的显著性水平α^out的特征，若小于，则剔除不必要特征；

第三步，重复步骤上述两个步骤，直至特征不再被选择和剔除为止。

为了避免死循环，令αⁱⁿ＜α^out。在本实施例中，令αⁱⁿ＝0.1，α^out＝0.15。通过分析得出，第一步引入的特征为注视点数目，第二步引入的特征为广告平均覆盖率，其余三个连续型特征依次引入，并无被剔除的特征。

(2-5)广告效果模型建立：根据特征提取模块得到的主要特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

在所述步骤(2-5)中，广告效果模型建立的具体步骤为：

首先，提出衡量广告质量的观测度指标。广告的成功不仅取决于阅读广告后是否购买该商品，而更多地应该表现为用户是否注意到并记住该商品，形成品牌效应。鼠标行为具有滞后性，用户反馈具有主观性，因此无法获知用户的真实信息。

所以本发明首次提出将观测度作为衡量广告质量的重要指标，它有效的结合三种信息源建立观测模型，更科学、有效地衡量广告质量。

观测度指的是用户浏览完网页之后对该网页的记忆程度，由于品牌效应追求的是长久的用户了解，所以希望能够反映出用户对广告的注意力、关注程度。通过再认实验，可以评定用户对页面中广告的观测度。

本发明将广告的观测度分为四个等级，分别为正向肯定、正向模糊、负向模糊和负向肯定，四个等级程度递减，或者表述为“A.肯定见过”、“B.好像见过”、“C.好像没见过”、“D.肯定没见过”，其对应分值分别为3-0分。

为了方便表达，对四个观测等级进行量化如下，影响量化等级y的特征即为自变量，表示为x＝(x₁,x₂,...,x_k)的k个特征。

由于观测度的概念首次提出，因此无法与其他研究进行对比。但观测度预测问题，通过支持向量机SVM、最大期望EM算法、决策树、岭回归等多种先进的分类算法比较，如图12所示，相比于支持向量机SVM和最大期望EM算法，本发明的有序Logistic回归预测观测度等级的效果表现最好。

其次，实现预测模型的算法。传统的Logistic回归模型：

其中，γ和

是待估计的回归系数，

p是预测y取某个值的概率即样本根据所选取的特征预测观测度属于某一等级的概率。

由于观测等级是程度递增的，所以选择Logistic回归模型中的累积概率模型。计算达到某种程度的累积概率

的公式为：

由此可得，y取某个值时的概率变量p为：

选取概率变量最大时的y值，作为预测结果。评测算法的目标函数为：

因此，我们的目的就是求能够使目标函数

的值最小的回归系数γ和

为了表达方便，令

目标函数做相应变化：

显然，目标函数是一个关于回归系数θ的二次函数，因此极小值即为最小值。随机梯度下降算法每个样本迭代更新一次参数，更快捷、有效。所以选取该算法求解θ同样可以取得较好效果，从而求解Logistic回归模型。观测模型算法如算法表示如下：

步骤一：初始化回归系数矩阵、学习率；

步骤二：计算有序逻辑回归的目标函数：

步骤三：由

计算下降梯度，计算学习率α。更新回归系数

步骤四：重复步骤二和步骤三，直至有序逻辑回归的目标函数取得最小值。

步骤五：根据得到的回归系数矩阵，计算最大概率变量，相应的y值即为观测度预测值。

进行进一步数据分析，在本实施例中，通过比较常数模型和总模型输出的-2倍对数似然值，对比引入特征后卡方值的大小来判断引入特征之后的模型是否有效，如图13所示。可知，引入特征后，在显著性水平p<0.001的情况下，总模型的-2倍对数似然值要比常数模型减少49.966，即卡方值为49.966。说明在该显著性水平下，至少有一个自变量的偏回归系数不为0，即本模型是有效的。

为了证明本发明提出加入隐式反馈信息，即眼动追踪信息这种方式的有效性，将使用不同的信息源进行有序多分类Logistic回归，对比包含不同信息源模型的准确率。由于数据集较小，所以这里采用五折交叉验证。图14展示了使用不同的特征预测用户观测度的准确程度。“自身”代表仅含有广告自身信息特征。“自身+点击”代表既含有广告自身特征又含有点击特征，“自身+鼠标+眼动”代表含有三种信息源的特征。加入眼动追踪信息的综合模型，即使在低迭代次数的情况下仍明显高于前两种模型，当迭代次数达到50次时，三种信息源模型的比仅广告自身信息预测类别的准确率高7％，比广告自身信息结合鼠标行为信息预测类别的准确率高3.5％。说明在广告自身信息以及显示反馈的基础上，增加隐式反馈特征的方法来预测用户观测度的方法表现出不错的效果。

本发明的有益效果：

(1)本发明的基于眼动追踪的网络广告效果测评***，通过眼动追踪装置收集用户在搜索引擎结果页上的测试行为信息。运用数理统计的方法，针对分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响进行统计分析。结合广告自身特性、显示反馈信息和隐式反馈信息三个方面，构建广告观测模型。可以提高互联网广告的质量，优化广告分配效果，以及用户的兴趣度，使得互联网用户获得更好的交感体验。

(2)本发明的基于眼动追踪的网络广告效果测评方法，首次提出使用观测度作为衡量广告质量的新指标。结合观测度模型以及统计检验，构建用户对广告的观察度模型用以预测用户对广告的观测程度。测试结果表明，融合眼动特征来预测广告观测程度的方法优于普遍使用的显示反馈和广告自身特征的预测方法，能够更准确地分析广告效果和各特征间的关系，为网络广告效果评测提供重要的依据。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于眼动追踪的网络广告效果测评***，其特征是：该***包括：

眼动追踪采集单元，被配置为通过眼动追踪装置获取用户眼动参数；

广告效果模型建立单元，被配置为根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

广告效果评测单元，被配置为根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性；

所述广告效果模型建立的具体步骤为：

(2-5-1)：提出衡量广告质量的观测度指标：用户浏览完网页之后对该网页的记忆程度，通过再认实验方法，评定用户对页面中广告的观测度；

(2-5-2)：初始化回归系数矩阵和学习率α；

(2-5-3)：计算有序逻辑回归的目标函数：

其中，J(θ)为有序逻辑回归的目标函数，θ为回归系数，y观测度预测值，

是传统的Logistic回归模型；

(2-5-4)：根据随机梯度下降算法计算下降梯度和学习率，更新回归系数θ；

(2-5-5)：重复(2-5-3)和(2-5-4)，直至所述有序逻辑回归的目标函数J(θ)取得最小值；

(2-5-6)：根据得到的回归系数矩阵，计算最大概率变量，相应的y值即为观测度预测值；

所述广告质量的观测度分为四个等级，包括：

“A.肯定见过”、“B.好像见过”、“C.好像没见过”、“D.肯定没见过”，其对应分值分别为3-0分。

2.如权利要求1所述的一种基于眼动追踪的网络广告效果测评***，其特征是：所述广告效果模型建立单元，具体包括：

眼动参数分析模块，被配置为将所述眼动参数生成可视化数据图，定性分析网络广告对眼动参数的影响；

网络广告位置影响分析模块，被配置为分析不同位置的网络广告对眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告位置与眼动参数的映射关系；

网络广告相关性影响分析模块，被配置为根据所述网络广告位置与眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立网络广告相关性与眼动参数的映射关系；

特征提取模块，被配置为根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择；

模型建立模块，被配置为根据所述特征提取模块选择的特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

3.一种基于眼动追踪的网络广告效果测评***的测评方法，该方法包括以下步骤：

(1)采集眼动追踪信息：通过眼动追踪装置获取用户的眼动参数；

(2)建立广告效果模型：根据所述眼动参数，定性和定量地分析位置不同、相关性不同的广告对于用户注意力、吸引力的影响，并结合广告自身特性、显式反馈信息和隐式反馈信息，提取与网络广告效果相关的特征，得到广告效果模型；

(3)获得广告效果测评结果：根据所述广告效果模型，计算广告效果和各特征间的关系，测评所述广告效果模型的有效性；

所述广告效果模型建立的具体步骤为：

(2-5-1)：提出衡量广告质量的观测度指标：用户浏览完网页之后对该网页的记忆程度，通过再认实验方法，评定用户对页面中广告的观测度；

(2-5-2)：初始化回归系数矩阵和学习率α；

(2-5-3)：计算有序逻辑回归的目标函数：

其中，J(θ)为有序逻辑回归的目标函数，θ为回归系数，y观测度预测值_，

是传统的Logistic回归模型；

(2-5-4)：根据随机梯度下降算法计算下降梯度和学习率，更新回归系数θ；

(2-5-5)：重复(2-5-3)和(2-5-4)，直至所述有序逻辑回归的目标函数J(θ)取得最小值；

(2-5-6)：根据得到的回归系数矩阵，计算最大概率变量，相应的y值即为观测度预测值；

所述广告质量的观测度分为四个等级，包括：

“A.肯定见过”、“B.好像见过”、“C.好像没见过”、“D.肯定没见过”，其对应分值分别为3-0分。

4.如权利要求3所述的一种基于眼动追踪的网络广告效果测评***的测评方法，其特征是：在所述步骤(2)中，建立广告效果模型的具体步骤为：

(2-1)眼动参数分析：将步骤(1)获取的所述眼动参数生成可视化数据图，初步定性分析网络广告对所述眼动参数的影响；

(2-2)网络广告位置影响分析：分析不同位置的网络广告对所述眼动参数影响，统计位于主体不同方位的广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告位置与眼动参数的映射关系；

(2-3)网络广告相关性影响分析：根据广告位置与所述眼动参数的映射关系，分析不同相关性的网络广告对眼动参数影响，统计位于主体不同方位的不同相关性广告区域内的注视时效和注视次数的均值，将其与网络广告区域内总体注视时间、注视次数的均值比较，建立广告相关性与眼动参数的映射关系；

(2-4)特征提取：根据所述网络广告相关性与眼动参数的映射关系、鼠标行为参数和网络广告自身参数，提取上述三方面与网络广告效果关系密切的特征，对特征进行归一化处理，并采用逐步回归方法进行特征选择；

(2-5)广告效果模型建立：根据特征提取模块得到的主要特征，采用有序Logistic回归方法，建立网络广告效果评测模型。

5.如权利要求4所述的一种基于眼动追踪的网络广告效果测评***的测评方法，其特征是：所述步骤(2-1)中，眼动参数分析的测评场景设计为：

从搜索引擎上爬下来搜索引擎结果页，只保留所要研究位置的商业推广，随机选取多种不同类别的物品作为搜索任务，并在不同位置分别配置相关、不相关的网页广告。

6.如权利要求4所述的一种基于眼动追踪的网络广告效果测评***的测评方法，其特征是：在所述步骤(2-4)中，特征提取的具体步骤为：

(2-4-1)：选取所述眼动参数、鼠标行为参数以及广告自身参数三个方面与广告效果关系密切的8个特征，归一化注视时效特征，重定义平均瞳孔直径特征；

(2-4-2)：根据逐步回归前进法，对每个特征做多元线性回归，判断F统计量的值是否大于预先给定的显著性水平αⁱⁿ值，若大于，则引入新特征；

(2-4-3)：根据逐步回归后退法，对每个特征做多元线性回归，判断F统计量的值是否小于预先给定的显著性水平α^out的特征，若小于，则剔除不必要特征；

(2-4-4)：重复步骤(2-4-1)和(2-4-2)，直至特征不再被选择和剔除为止。

7.如权利要求6所述的一种基于眼动追踪的网络广告效果测评***的测评方法，其特征是：所述步骤(2-4-1)中，8个特征包括：

眼动参数：回访、注视次数、注视时效、平均瞳孔直径；

鼠标特征：是否点击；

广告自身特征：广告位置、广告相关性、广告覆盖率；

所述注视时效归一化表示为：

其中，结束时间(end_time)为用户浏览完整个网页所需要的时间；

所述平均瞳孔直径的重定义公式为：

其中，i为注视点，n为该广告区域中注视点总数。

8.如权利要求6所述的一种基于眼动追踪的网络广告效果测评***的测评方法，其特征是：步骤(2-4-2)中的预先给定的显著性水平αⁱⁿ和步骤(2-4-3)中的预先给定的显著性水平α^out的关系为：αⁱⁿ<α^out。

Images