一种电梯传媒终端个性化广告推送方法技术

本发明专利技术公开了一种电梯传媒终端个性化广告推送方法，推送方法步骤如下：步骤1、服务器收集移动应用广告并预处理形成广告系统；步骤2、从系统中获取用户画像，并进行向量化；步骤3、服务器使用基于RBF神经网络和用户画像的混合推荐算法对所述步骤1中的广告数据进行混合式推荐计算；步骤4、计算用户向量模型与RBF神经网络算法推荐结果之间的相似度，进行结果推荐。本发明专利技术提出一种电梯传媒终端个性化广告推送方法，通过从数据稀疏性和用户兴趣两个维度提高系统推送结果的精准度，在一定程度上改善了数据稀疏性的问题，同时提高广告与用户兴趣的符合度，提升广告效果，发挥“互联网+”广告效益。

【技术实现步骤摘要】
一种电梯传媒终端个性化广告推送方法
本专利技术涉及广告推送
，特别涉及一种电梯传媒终端个性化广告推送方法。
技术介绍
随着移动互联网的普及和飞速发展，推荐系统也已经被广泛应用于各种领域，例如移动电子商务领域，App移动广告领域。移动应用广告是通过移动终端设备访问移动应用时显示的广告，移动应用广告形式包括横幅广告、插播广告、积分墙广告、视频广告、激励下载安装应用等。现有技术中通常采用协同过滤推荐算法来计算用户对广告的评分矩阵的协同相似度，但是协同过滤推荐算法中存在数据稀疏性的缺点，针对这一缺点，当前使用较为广泛的解决方法是为用户没有评分的物品填充一个中间值或者平均值，能一定程度上解决数据稀疏性的问题，但是数据稀疏评分矩阵中多数评分项都属于空缺状态，这样计算出来的最近邻居项目个数都是相对于非空缺项的最近邻居项目个数，因此，通过上述方法在精确度方面并不能做到很好的提升，基于此，提出本专利技术。
技术实现思路
本专利技术的主要目的在于提供一种电梯传媒终端个性化广告推送方法，可以有效解决
技术介绍
中的问题。为实现上述目的，本专利技术采取的技术方案为：一种电梯传媒终端个性化广告推送方法，推送方法步骤如下：步骤1、服务器收集移动应用广告并预处理形成广告系统；步骤2、从系统中获取用户画像，并进行向量化；步骤3、服务器使用基于RBF神经网络和用户画像的混合推荐算法对所述步骤1中的广告数据进行混合式推荐计算；步骤4、计算用户向量模型与RBF神经网络算法推荐结果之间的相似度，进行结果推荐。优选的，所述步骤3中基于RBF神经网络和用户画像的混合推荐算法是在用户的行为基础上引入RBF神经网络算法对广告进行评分。优选的，所述步骤3中引用RBF神经网络算法对广告进行评分方法的步骤如下：步骤3.1、设Y表示用户的评分向量,K表示稀疏度小于阈值的评分向量集合，计算稀疏度小于阈值的评分向量集合，将所有的评分向量与阈值比较，如果比阈值大，将该评分向量添加到K，否则跳转到步骤3.3；步骤3.2、判断是否所有的评分向量都满足数据稀疏度的阈值，即判断步骤3.1处理后的评分向量集合Y与K是否相等；步骤3.3、把评分向量作为RBF神经网络的输入，预测空缺评分项的值，降低矩阵稀疏度；步骤3.4、把集合K中的每个用户与目标用户代入Pearson相似度计算公式，并且将得到的值与阈值进行比较；步骤3.5、计算K中所有用户与目标用户的相似度，把值最高的N个用户作为目标用户的最近邻居集；步骤3.6、预测目标用户对未来评分广告的评分。优选的，所述步骤4中用户的向量模型还包括有用户的兴趣模型。优选的，所述用户的兴趣模型建立方法步骤如下：S1、收集用户的行为信息；S2、对所述S1中搜集到的数据进行标签化，归一化计算，根据用户历史行为计算用户对某一广告标签的权重；S3、依次计算所有广告标签的权重，形成的向量代表用户的兴趣爱好。优选的，所述用户的行为包括用户的自然数据和行为数据。优选的，所述步骤4中计算用户向量模型与RBF神经网络算法推荐结果之间的相似度采用的是余弦相似度算法。优选的，当电梯内不存在用户时，广告系统通过热门标签、周边大部分群体喜欢资源综合判定进行推送。RBF又叫径向基函数，属于前馈型的神经网络。所谓的前馈是指通过控制器向受控制的部分发送某种指令使它进行某种行为，而受控制的部分同时通过另外的途径向控制器发送反馈信息，以便控制器及时进行调控。RBF神经网络的分层总共有三层，最开始的输入层、中间的隐层以及输出结果的输出层。隐层有一个转换函数，它属于局部相应的取整函数，在网络输入端加上激励信号，在输出端就可以获得相应的信号。其他前向型网络中的转换函数大多数都是全局响应的函数，RBF网络进行训练学习之前，需要给出输入向量和目标，训练的目的是要求得到第一层和第二层之间的权重、阈值，第二层和第三层之间的权重、阈值。与现有技术相比，本专利技术具有如下有益效果：本专利技术提出的电梯传媒终端个性化广告推送方法，结合RBF网络神经和用户画像，研究提出一种改进的混合推荐算法，利用RBF神经网络来预测整个评分矩阵中的空缺值并填充整个矩阵，之后才开始使用填充后的稠密矩阵计算评分矩阵的相似度，寻找跟用户相似的邻居集，不仅彻底克服了数据稀疏性的缺点，还提升了计算的精确度；同时本专利技术还将用户的兴趣模型代入，将整个结果再次与用户的兴趣向量进行匹配计算相似度后进行推荐，通过实施“互联网+”模式下电梯传媒终端个性化广告推送算法，可以从数据稀疏性和用户兴趣两个维度提高系统推送结果的精准度，在一定程度上改善了数据稀疏性的问题，同时提高广告与用户兴趣的符合度，提升广告效果，发挥“互联网+”广告效益。附图说明图1为本专利技术一种电梯传媒终端个性化广告推送方法的流程示意图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。一种电梯传媒终端个性化广告推送方法，推送方法如下：第一、服务器收集移动应用广告并预处理形成广告系统，将该传媒终端安装在电梯内；第二、广告推送前，首先从系统中获取用户画像，并进行向量化，该向量化的形成采用现有技术，其具体步骤和方法不再赘述；第三、服务器使用基于RBF神经网络和用户画像的混合推荐算法对广告数据进行混合式推荐计算，具体的是指在用户的行为基础上引入RBF神经网络算法对广告进行评分，其中用户的行为信息包括有性别、年龄等自然数据和关注、浏览、转发等行为数据以及关注内容等多方面；本专利技术中主要是利用RBF神经网络来预测整个评分矩阵中的空缺值并填充整个矩阵，之后才开始使用填充后的稠密矩阵计算评分矩阵的相似度，寻找跟用户相似的邻居集，以此来提高推送结果的精准度，引用RBF神经网络算法对广告进行评分方法的步骤如下：步骤3.1、设Y表示用户的评分向量,K表示稀疏度小于阈值的评分向量集合，计算稀疏度小于阈值的评分向量集合，将所有的评分向量与阈本文档来自技高网...

【技术保护点】
1.一种电梯传媒终端个性化广告推送方法，其特征在于，推送方法步骤如下：/n步骤1、服务器收集移动应用广告并预处理形成广告系统；/n步骤2、从系统中获取用户画像，并进行向量化；/n步骤3、服务器使用基于RBF神经网络和用户画像的混合推荐算法对所述步骤1中的广告数据进行混合式推荐计算；/n步骤4、计算用户向量模型与RBF神经网络算法推荐结果之间的相似度，进行结果推荐。/n

【技术特征摘要】
1.一种电梯传媒终端个性化广告推送方法，其特征在于，推送方法步骤如下：
步骤1、服务器收集移动应用广告并预处理形成广告系统；
步骤2、从系统中获取用户画像，并进行向量化；
步骤3、服务器使用基于RBF神经网络和用户画像的混合推荐算法对所述步骤1中的广告数据进行混合式推荐计算；
步骤4、计算用户向量模型与RBF神经网络算法推荐结果之间的相似度，进行结果推荐。


2.根据权利要求1所述的一种电梯传媒终端个性化广告推送方法，其特征在于，所述步骤3中基于RBF神经网络和用户画像的混合推荐算法是在用户的行为基础上引入RBF神经网络算法对广告进行评分。


3.根据权利要求2所述的一种电梯传媒终端个性化广告推送方法，其特征在于，所述步骤3中引用RBF神经网络算法对广告进行评分方法的步骤如下：
步骤3.1、设Y表示用户的评分向量,K表示稀疏度小于阈值的评分向量集合，计算稀疏度小于阈值的评分向量集合，将所有的评分向量与阈值比较，如果比阈值大，将该评分向量添加到K，否则跳转到步骤3.3；
步骤3.2、判断是否所有的评分向量都满足数据稀疏度的阈值，即判断步骤3.1处理后的评分向量集合Y与K是否相等；
步骤3.3、把评分向量作为RBF神经网络的输入，预测空缺评分项的值，降低矩阵稀疏度；
步骤3.4、把集合K中的每个用户与目标用户代入P...

【专利技术属性】
技术研发人员：陈彦彬，黄立央，薛晓桂，林嘉欣，黎松铭，庄旭驰，谢万龙，范冰，王铄，徐亚鹏，张海龙，
申请(专利权)人：揭阳职业技术学院，
类型：发明
国别省市：广东;44