摘要：文章主要分析了用户和广告的数据，研究其用户和视频广告分类匹配并建立模型，对拍卖的广告位进行底价估算模型的建立，建立同时提升收视率、销售量和电视台收益的竞价模型。为了建立用户和广告分类推送的静态模型，先建立广告的项目文档和用户的偏好文档，根据信息库的数据，通过TF-IDF算法，建立模型并计算两者之间的余弦相似度。

关键词：TF-IDF算法；线性回归分析；估算模型

1引言

电视广告的传播媒介是电视，电视广告能直观地传递产品信息，并且具有收视率高、覆盖率高，可以加深频道用户的印象等优点。广告的分户推送是基于频道用户的年龄、性别、喜好、观看记录、购买行为等进行具体的相关匹配，用户的喜好信息根据算法算出最可能购买的商品并推送相关产品，提高了频道用户的观看率，希望频道用户购买此类商品。假设广告视频由产品销售或制造商（以下简称买方）负责制作并向电视台（以下简称卖方）竞买播放时段。假设广告播放时段分周期组织竞卖活动，当前周期组织完成下一个周期的竞价交易。分析频道用户的年龄、喜好、购买行为、浏览记录特征等，建立用户数据库。同时，抽取视频广告的分类特征并建立广告特征数据库，然后通过对比用户喜好与广告特征的相似度，决定为用户推荐视频广告。根据频道用户喜好的产品，为用户推荐相似的产品，对频道用户进行个性化推荐。为了保证本文模型的合理性与严谨性，现提出以下几点假设：（1）假设该周期内，用户对某一产品的兴趣不改变；（2）假设不同时段播放广告的时长相同；（3）假设买方与卖方交易公平公正，不存在任何违规行为；（4）假设不存在任何交易漏洞；（5）假设买方与卖方均追求利益最大化，不存在其他交易行为；（6）假设频道用户不存在中途换台的行为。

2区别用户的分类特征的静态推送模型

基于内容对用户进行个性化推荐，根据用户的历史浏览数据，总结出包括用户偏好数据和项目特征数据的特征向量。自动推送根据用户偏好特征向量与项目特征向量相似度推算出与频道用户特征向量相似度高的产品，播放该产品的视频广告。TF-IDF是用于信息检索的常用加权技术，可以用于数据挖掘。本问通过该算法建立模型，并求解（见表1~3）。假设有M个视频广告，关键词ki在广告qi中出现，设fij为关键词ki在广告di中出现的次数，k是关键词个数，向量表示广告j的项目文档，表示用户c的偏好文档。TF词频表示词语在广告中出现的频率，qi表示广告的总字数，关键词ki在广告qi中的词频定义：（1）IDF反文档频率，包含关键词的文档越多，IDF越小，说明该关键词ki不具有很好的类别区分作用，关键词ki在广告集中出现的逆频IDFi定义：（2）由公式（1）和公式（2）可得出权值，Fij为关键字ki在广告qj中出现的次数。最终的权值为：（3）其中，M为广告集包含的广告数，mi为广告集中包含关键词ki的广告数。项目文档与偏好文档的余弦相似度：（4）根据用户偏好文档和广告项目文档，可以求得用户偏好文档中3种广告类型的词频TF、反文档频率IDF以及权值Wij见表4，根据广告项目文档算例，可得出项目文档中3种广告类型的词频TF、反文档频率由表4数据得出两文档的余弦相似度：经计算得出，假设的项目文档与用户偏好文档的余弦相似度为0.99353，余弦相似度越接近1，相似度越高。可以看出，用户偏好文档算例与项目文档算例相似度极高，所以可以将项目广告中的广告类型推荐给该用户群体。由分析得知，广告价格的计算模型为：电视广告价格=1741.847×满意度+90063.598×收视率-146365.187广告价格以元为单位（保留两位小数），将收视率与满意度都在其基础数据上乘以100。通过计算模型得出，当满意度增长1%，广告价格上调1741.847元，而当满意度上调1%，广告价格则上调90063.598元。收视率的提升能使广告价格上调幅度变得更大。因此，可以根据此计算模型和各个时间段的收视率与满意度数据得出分时段竞买的合理底价估算（见表5）。

3结束语

TF-IDF算法可以根据关键词在文档中出现的次数求出词频TF，再根据包含关键词的文档个数求出IDF，得出权重。通过余弦相似度，很容易得出两文档之间的相似程度。

参考文献：

［1］刘蓓琳.电子商务个性化推荐研究［M］.北京:中国经济出版社,2015.

［2］刘国珍.电视广告定价模型研究［D］.长沙:湖南大学,2009.

［3］项亮.推荐系统实践［M］.北京:人民邮电出版社,2012.

［4］欧海鹰.网络广告：运营机理与资源管理研究［M］.北京:中国财政经济出版社,2013.

作者:鲁鑫 施宏远 宋婉霞 左立昕 高梦璐 单位:营口理工学院