摘要：行为定向又称为兴趣定向,是在线广告的一种有效投放手段,主要指网络媒体或广告联盟网络根据用户的历史行为信息为用户投放其感兴趣的广告.用户的历史行为信息包括搜索历史、网页浏览历史、广告点击和交易历史等,研究表明这些行为数据具有稀疏性、实时性和海量的特点.如何针对这些特点设计更好的行为定向方法已成为研究界和工业界面临的主要难题.针对行为数据具有稀疏性这一特点,提出一种新的融合社会信息与用户历史行为信息的行为定向方法.该方法的基本思想是基于Homophily理论:朋友之间对某一事物的喜好或态度具有一定的相似性,单个用户对该事物的喜好可通过其朋友们对该事物的态度来判断.首先将行为定向看作一个优化问题—采用泊松回归建模用户对广告的浏览和点击次数,并通过使数据似然最大的方法构建目标函数;然后将社交网络的朋友关系数据抽象为社会正则项,并将该正则项作为优化问题的一部分,以建模朋友之间的相互影响.本文中,我们根据朋友们喜好的相似度差异提出两个社会正则项:均值正则项———朋友们的喜好相似度较高;个体正则项———朋友们的喜好相似度差异较大.将这两个社会正则项分别加到上述优化问题中,对应均值模型和个体模型.实验表明这两个模型的性能要优于传统的只使用用户历史行为信息的行为定向方法;尤其当用户的历史行为数据稀疏时,我们的模型在点击率提升度上比传统方法提高了5%的精度.

摘要：该文研究用户行为演变的过程.用户行为具有语义信息,借鉴概率潜在语义发现思想,来挖掘用户网络行为背后的倾向主题.行为倾向代表用户的兴趣,它随时间发生改变,这个变化除了受用户自身因素影响外,还受大众因素的影响.该文以搜索广告数据为实验数据,从语义的角度提出一种描述用户兴趣变化过程的因子模型,并预测用户对推荐项目的打分.它的创新之处在于:(1)以用户动态兴趣、项目主题、用户自身历史打分偏好、项目热度作为研究用户对推荐项目打分的因子要素;(2)利用动态主题模型从大众影响、用户自身因素两个方面研究用户兴趣变化的原因及过程;(3)对推荐项目,使用静态LDA得到每条项目的主题.最后大量的实验结果证明所提模型能够较好地预测用户实时兴趣.