车联网环境下广告调度模型研究

发布时间：2018-03-03 04:36

  本文选题：基于位置的广告　切入点：广告调度　出处：《湖北工业大学》2017年硕士论文　论文类型：学位论文

【摘要】：广告作为多数互联网企业的主要盈利手段之一,在各种基于互联网的服务中都有非常成熟的应用,如何为用户提供个性化的广告,提高用户满意度和广告效果一直是各大互联网公司的研究热点。移动互联网的蓬勃发展和移动设备的便携性和上下文感知等特点为基于位置的服务的发展提供了硬件条件,地图、团购、打车等各种基于位置的服务飞速发展。随着辅助驾驶以及自动驾驶技术的兴起以及移动应用针对驾驶场景的优化和车载智能系统的发展,用户在车内使用互联网服务越来越频繁,为车联网环境下的广告服务提供了良好平台。针对车联网环境下为用户推送本地化广告主所提供的广告的问题,设计广告调度层来优化匹配给当前用户的广告数据的播放策略。在用户行车过程中,用户的位置不断发生变化,单纯根据现有的推荐系统的推荐结果依次播放,而不考虑用户的位置等上下文信息,无法最大化有限的广告播放窗口的广告效果。其次,与用户在使用传统网络服务时候的离散行为不同,在用户一段时间内的行车过程中,用户的行为受到限制,车内的环境比较单一,使用互联网服务的行为比较连续。这样一来,推荐给用户的广告之间是有相互影响的,除了关注单个广告的推荐效果外,还要提高广告播放序列的总体效果。在推荐系统对用户的人口统计学信息、用户兴趣模型数据,以及用户行车数据等信息的充分利用的基础之上,使用广告的用户匹配度数据,上下文匹配等数据来优化广告序列整体播放效果。为了实现广告调度层优化广告播放目标,将广告调度问题抽象为合适的数学模型,即在一定约束条件下的广告序列综合收益最大化的问题。首先,设置不同约束条件来实现不同情形下的广告播放次数、播放间隔的调控和广告的类型控制等条件,设计合理的目标函数来度量广告播放序列的综合收益。其次,引入整数规划模型来求解简化条件下的广告调度问题。整数规划模型描述简单,适合在比较简单的系统中实现,也方便用来对广告调度进行初步的分析。最后,引入蚁群优化算法来对较大问题规模以及更加复杂的条件下的数学模型进行分析和求解。通过将广告调度问题转化蚁群优化算法中各个要素,详细的介绍了使用蚁群优化算法求解广告调度问题的流程,并使用实验数据对算法的可行性进行验证。
[Abstract]:Advertising, as one of the main means of profit for most Internet enterprises, has very mature applications in all kinds of Internet-based services, how to provide personalized advertising for users, Improving user satisfaction and advertising effect has always been the research hotspot of major Internet companies. The vigorous development of mobile Internet and the portable and context-aware characteristics of mobile devices provide hardware conditions for the development of location-based services. Map, group purchase, taxi and other location-based services have developed rapidly. With the rise of auxiliary driving and autonomous driving technology, mobile applications for driving scenarios optimization and the development of intelligent vehicle systems, Users use Internet services more and more frequently in cars, which provides a good platform for advertising services in car networking environment. The advertisement scheduling layer is designed to optimize the playing strategy that matches the advertisement data to the current user. In the process of driving, the user's position changes constantly, and simply plays according to the recommendation result of the existing recommendation system. However, it can not maximize the advertising effect of a limited advertising window without considering the context information such as the location of the user. Secondly, different from the discrete behavior of the user when using the traditional network service, in the driving process of the user for a period of time, The user's behavior is restricted, the environment in the car is relatively simple, and the behavior of using the Internet service is relatively continuous. As a result, the advertisements recommended to the user have a mutual influence, in addition to focusing on the recommended effect of a single advertisement. On the basis of the full use of demographic information, user interest model data, and user driving data of the recommendation system, the user matching degree data of the advertisement is used. In order to realize the advertising scheduling layer optimization, the advertising scheduling problem is abstracted into an appropriate mathematical model. That is to say, the problem of maximizing the comprehensive income of advertising sequences under certain constraints. Firstly, different constraints are set to realize the regulation of the number of times of advertisement playing, the regulation of play interval and the control of type of advertisement under different circumstances, and so on. A reasonable objective function is designed to measure the comprehensive income of the advertisement play sequence. Secondly, an integer programming model is introduced to solve the advertisement scheduling problem under the simplified conditions. The integer programming model is simple to describe and suitable to be implemented in a relatively simple system. It is also convenient for preliminary analysis of advertising scheduling. Finally, Ant colony optimization (ACO) algorithm is introduced to analyze and solve the mathematical model of large problem scale and more complex conditions. The advertising scheduling problem is transformed into various elements of ant colony optimization algorithm. The flow chart of using ant colony optimization algorithm to solve advertising scheduling problem is introduced in detail, and the feasibility of the algorithm is verified by experimental data.
【学位授予单位】：湖北工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TN929.5;TP393.09;TP18

【相似文献】

相关期刊论文 前10条

1 宋雪梅;李兵;;蚁群优化算法的理论、改进及应用[J];唐山学院学报;2006年01期

2 冯宝华;;蚁群优化算法的原理及改进[J];科技信息(科学教研);2007年31期

3 李凯;田双亮;耿丽君;张喜;;基于免疫的蚁群优化算法[J];山东理工大学学报(自然科学版);2009年04期

4 王同喜;;蚁群优化算法研究[J];长江大学学报(自然科学版)理工卷;2009年03期

5 王罡;冯艳君;;基于蚁群优化算法的旋转货架拣选路径规划[J];计算机工程;2010年03期

6 许昌;常会友;徐俊;衣杨;;一种新的融合分布估计的蚁群优化算法[J];计算机科学;2010年02期

7 曹国震;郭雷;;蚁群优化算法应用研究[J];电脑知识与技术;2011年02期

8 李德启;田素贞;;一种基于云环境下蚁群优化算法的改进研究[J];陕西科技大学学报(自然科学版);2012年01期

9 赵云涛;王胜勇;卢家斌;叶刚桥;蒋瑛;;蚁群优化算法及其理论进展[J];科技创新导报;2012年10期

10 钱乾;程美英;熊伟清;周鸣争;;二元蚁群优化算法研究综述[J];计算机应用研究;2012年04期

相关会议论文 前7条

1 赵冬斌;易建强;;基于蚁群优化算法的机器人规划[A];第25届中国控制会议论文集（中册）[C];2006年

2 熊伟清;魏平;;基于食物量分配的多种群二元蚁群优化算法[A];中国自动化学会控制理论专业委员会D卷[C];2011年

3 唐好选;曲毅;;蚁群优化算法在蛋白质构象预测问题中的应用[A];黑龙江省计算机学会2007年学术交流年会论文集[C];2007年

4 西光旭;;蚁群优化算法与应用研究[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

5 王海宁;孙守迁;;基于优化成熟度的自适应蚁群优化算法[A];2010年全国开放式分布与并行计算机学术会议论文集[C];2010年

6 吴国凤;曾标;;蚁群算法系统的Java模拟与分析[A];IT服务促进企业信息化——第十一届中国Java技术及应用交流大会文集[C];2008年

7 邓科;丛爽;;不同蚁群优化算法在C-TSP中的性能对比研究[A];'2010系统仿真技术及其应用学术会议论文集[C];2010年

相关博士学位论文 前8条

1 冷煌;蚁群优化算法的若干研究[D];吉林大学;2016年

2 燕忠;基于蚁群优化算法的若干问题的研究[D];东南大学;2005年

3 程志刚;连续蚁群优化算法的研究及其化工应用[D];浙江大学;2005年

4 赵娟平;移动机器人路径规划的蚁群优化算法研究[D];东北大学;2012年

5 刘彦鹏;蚁群优化算法的理论研究及其应用[D];浙江大学;2007年

6 李莉;柔性作业车间调度中的群智能优化算法研究[D];东北林业大学;2011年

7 杨佳;混合量子优化算法理论及应用研究[D];重庆大学;2009年

8 吕勇;蚁群优化算法及在网络路由中的应用研究[D];浙江大学;2005年

相关硕士学位论文 前10条

1 张健;蚁群优化算法及其在复杂网络社区检测中的应用研究[D];西安电子科技大学;2014年

2 刘乐柱;混沌蚁群优化算法与H-R神经元网络动力学研究[D];安徽师范大学;2015年

3 景鹏杰;基于多目标蚁群优化算法的全基因组关联分析研究[D];上海交通大学;2015年

4 史大龙;基于蚁群优化算法的视频监控智能检测系统的研究与实现[D];中国海洋大学;2015年

5 王诏远;基于蚁群优化算法的网络编码资源优化问题研究[D];西南交通大学;2016年

6 谢鹏飞;基于Spark平台的混沌蚁群优化算法研究与实现[D];内蒙古农业大学;2016年

7 李勇霞;自适应蚁群优化算法[D];重庆大学;2016年

8 王中齐;车联网环境下广告调度模型研究[D];湖北工业大学;2017年

9 张罡;基于蚁群优化算法的SDN流量调度研究[D];湖北工业大学;2017年

10 李金汉;蚁群优化算法及其应用研究[D];哈尔滨理工大学;2008年

，

本文编号：1559593