基于邻居选取策略的人群定向算法
本文关键词: 种子人群 行为相似人群 邻居选取策略 用户相似度 人群定向 出处:《计算机研究与发展》2017年07期 论文类型:期刊论文
【摘要】:人群定向是广告推荐系统中的一种重要技术,它是通过分析种子人群的行为数据,找出潜在的目标人群,而现有人群定向算法大多依赖于传统的协同过滤推荐算法.由于传统的协同过滤算法具有推荐精度低和抗攻击能力较弱的问题,为了解决这些问题,提出了一种基于邻居选取策略的人群定向算法.1)通过用户行为相似,动态选择出与种子人群具有相似行为的用户;2)以用户特征和用户行为作为邻居选取的依据,通过用户相似度从行为相似人群中选择出每个种子用户的邻居,并将所有的相似邻居作为候选人群;3)通过基于邻居选取策略的人群定向算法,从候选人群中择出潜在的目标用户,以完成人群定向.实验结果表明:与现有方法相比,该方法不仅提高了人群定向的精度,而且也增强了系统的抗攻击能力.
[Abstract]:Crowd orientation is an important technology in advertising recommendation system. It can find out the potential target population by analyzing the behavior data of seed population. Most of the existing crowd orientation algorithms rely on the traditional collaborative filtering recommendation algorithm. Because the traditional collaborative filtering algorithm has the problems of low recommendation accuracy and weak anti-attack ability, in order to solve these problems. A crowd orientation algorithm based on neighbor selection strategy. 1) dynamically selecting users with similar behavior to seed populations through user behavior similarity; 2) based on the user characteristics and user behavior as the basis of neighbor selection, the neighbors of each seed user are selected from the behavior similarity group by user similarity, and all similar neighbors are selected as candidate groups; 3) through the crowd orientation algorithm based on neighbor selection strategy, the potential target users are selected from the candidate population to complete the crowd orientation. The experimental results show that: compared with the existing methods. This method not only improves the accuracy of crowd orientation, but also enhances the anti-attack ability of the system.
【作者单位】: 武汉大学计算机学院;汉口学院计算机科学与技术学院;
【基金】:国家自然科学基金项目(61272277)~~
【分类号】:TP391.3
【正文快照】: 目前随着互联网的发展,互联网广告的数据资源以惊人的速度增长,为了解决广告主向目标用户投放广告的需求,人群定向技术应运而生.人群定向主要通过现有用户的行为,找出未来潜在的目标人群,并选择适当的广告投放给这些目标人群.人群定向的精度依赖于信息过滤的技术,而在现有的技
【参考文献】
相关期刊论文 前7条
1 黄震华;张佳雯;田春岐;孙圣力;向阳;;基于排序学习的推荐算法研究综述[J];软件学报;2016年03期
2 荣辉桂;火生旭;胡春华;莫进侠;;基于用户相似度的协同过滤推荐算法[J];通信学报;2014年02期
3 郭磊;马军;陈竹敏;姜浩然;;一种结合推荐对象间关联关系的社会化推荐算法[J];计算机学报;2014年01期
4 贾冬艳;张付志;;基于双重邻居选取策略的协同过滤推荐算法[J];计算机研究与发展;2013年05期
5 陈克寒;韩盼盼;吴健;;基于用户聚类的异构社交网络推荐算法[J];计算机学报;2013年02期
6 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[J];计算机学报;2010年08期
7 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期
【共引文献】
相关期刊论文 前10条
1 王永;万潇逸;陶娅芝;张璞;;基于K-medoids项目聚类的协同过滤推荐算法[J];重庆邮电大学学报(自然科学版);2017年04期
2 严春燕;戴仕明;;基于协同过滤算法的用户喜好研究[J];计算机时代;2017年07期
3 孟桓羽;刘真;王芳;徐家栋;张国强;;基于图和改进K近邻模型的高效协同过滤推荐算法[J];计算机研究与发展;2017年07期
4 周孟;朱福喜;;基于邻居选取策略的人群定向算法[J];计算机研究与发展;2017年07期
5 李威;付晓东;刘骊;刘利军;;基于社会选择理论的在线服务评价[J];计算机应用;2017年07期
6 林敏;陈美龙;;基于大数据的协同过滤推荐算法在智慧图书馆中的应用[J];电子科学技术;2017年04期
7 李冰;王虎;王锐;;客户群及个体服务选择影响因子研究[J];计算机工程与应用;2017年13期
8 张松;张琳;王汝传;;基于用户限制聚类的协同过滤推荐算法[J];南京邮电大学学报(自然科学版);2017年03期
9 曲朝阳;徐鹏飞;娄建楼;颜佳;曲楠;;基于协同过滤的电力信息运维知识个性化推荐模型[J];东北师大学报(自然科学版);2017年02期
10 张子洋;金志刚;张瑞;;基于最近邻居优化选取方法的协同过滤推荐算法[J];南开大学学报(自然科学版);2017年03期
【二级参考文献】
相关期刊论文 前10条
1 孟祥武;刘树栋;张玉洁;胡勋;;社会化推荐系统研究[J];软件学报;2015年06期
2 黄伟;曾舒如;;基于图像信息和排序学习技术的疾病预测方法[J];南昌工程学院学报;2015年03期
3 丁宇新;燕泽权;冯威;薛成龙;周迪;;基于有监督主题模型的排序学习算法[J];电子学报;2015年02期
4 应毅;刘亚军;陈诚;;基于云计算技术的个性化推荐系统[J];计算机工程与应用;2015年13期
5 李金忠;杨威;夏洁武;曾小荟;孙凌宇;;基于Hooke & Jeeves模式搜索的排序学习方法[J];计算机工程;2015年07期
6 印鉴;王智圣;李琪;苏伟杰;;基于大规模隐式反馈的个性化推荐[J];软件学报;2014年09期
7 陈珂;邹权;彭志平;柯文德;;异质社交网络中协同排序的好友推荐算法[J];小型微型计算机系统;2014年06期
8 彭泽环;孙乐;韩先培;石贝;;基于排序学习的微博用户推荐[J];中文信息学报;2013年04期
9 王元卓;靳小龙;程学旗;;网络大数据:现状与展望[J];计算机学报;2013年06期
10 陈克寒;韩盼盼;吴健;;基于用户聚类的异构社交网络推荐算法[J];计算机学报;2013年02期
,本文编号:1462911
本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/1462911.html