[发明专利]一种基于用户在线行为的网络广告即时效应评价方法及系统

权利要求书

1.一种基于用户在线行为的网络广告即时效应评价体系的构建方法，其特征是，该方法步骤包括：获取网络用户广告点击行为之后的后继网站访问行为数据，分析网络用户的线上行为特征；结合网站内容特征和上述网络用户行为特征建立用户行为模型；并基于用户行为模型构建网络广告即时效应的评估模型；即时效应即是否购买；

A.获取一段时间长度内投放网络广告的企业在WEB服务器上记录的用户站点访问日志信息；一段时间长度指一季度到一年不等；

B.在所有用户站点访问日志信息中根据预设的无效访问条件对日志信息中不影响用户行为建模的无效访问数据进行清洗，生成基础用户行为数据集；用户站点访问日志信息包括用户对不同网络广告类型的访问信息；

C.根据业务流程对用户站点访问的行为建模，结合网站内容特征，以单cookies用户的一次会话session为单位提取用户广告点击行为之后的站点访问特征并剔除非网络广告导致的站点访问会话，构建用户行为特征数据集，即以每一个用户单次会话为单位对象，通过用户特征数据提取函数获得一条用户特征数据，从而构建用户行为特征数据集；

D.根据C提取的用户行为特征数据集，运用Relief-F特征选择算法对用户行为特征选择，筛选出对建模结果满足一定影响程度的用户行为特征，获得最终用户行为特征数据集作为建模阶段输入数据；具体为：

首先是用户识别：用户识别是将服务器记录的访问数据按照单一用户进行划分，得出同一用户的所有访问记录：以cookies识别用户，当出现用户禁用cookies时，采用IP地址联合用户代理的方式识别用户，具体为：

第一步，根据是否采集到用户的Cookie信息，为属于同一天的所有有Cookie的用户按照其Cookie为其添加唯一识别的ID；

第二步，将所有没有Cookie的用户取出，以IP地址分组；

第三步，在每一个IP地址分组内找到用户代理Agent，用户代理表示其所用设备类型，操作系统和浏览器类型；一个IP地址内的用户代理为使用该用户代理发出请求的用户添加唯一识别的ID；

第四步，最终用户识别的映射为：

其次是会话session识别；会话识别是将用户的多次访问进行划分，常见的会话识别方式有设置会话时间上界、按照时间阈值划分和参引页划分三种方式；采用时间阈值划分方式，即按照30分钟时间阈值，将超过该阈值的两次访问记录划分为两个会话；

用户行为特征计算，通过R语言统计程序，计算每一个用户每一个会话相应的用户行为特征数据，每一个会话对应一条用户行为特征数据，合并用户行为特征数据获得用户行为特征数据集；

根据提取的用户行为特征数据集，采用Relief-F算法进行用户行为特征选择，根据各个特征和类别的相关性赋予特征不同的权重，并移除权重小于设定阈值的特征，特征选择的具体过程包括：

第一步，以D表示用户行为特征数据集，Ai(i＝1,2,…,n)表示用户的n个特征；T为希望获得的各个特征的权重并将所有特征权重设初始值0，令样本抽样次数为m；

第二步，每次从用户行为特征数据集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本Near Hits，记为Hj(j＝1,2,3)；从每个R的不同类的样本集中均找出k个近邻样本Near Misses，记为Mj(C)，表示类C中的第j个最近邻样本

第三步，更新每个特征的权重，其计算公式如下：

在上式中，P(C)表示第C类出现的概率，从而计算获得各个用户行为特征的权重，排序删选后获得更为合理的用户行为特征数据集；

E.根据D中所获得的最终用户行为特征数据集，采用逻辑回归方法进行用户行为特征数据建模，在一定的迭代次数下，得到多种网络广告的整体用户购买转化模型和单一网络广告类型影响下的用户在线行为的转化模型，即整体用户购买转化模型和用户在线行为的转化模型，用户在线行为包含浏览、收藏、购买多种用户在线行为；

所述步骤E中的用户行为建模包含所述整体用户购买转化模型和用户在线行为的转化模型建模两个部分：

逻辑回归方法以购买行为特征为因变量，描述广告来源用户行为特征的特征变量为自变量；

逻辑回归方法具体包括：经过前期特征提取和选择获得的用户行为特征数据集包括网络广告来源即广告行为数据和用户行为特征数据，用户行为特征数据包括浏览行为、搜索行为和兴趣特征：(X,Y)＝(x₁,x₂,…,x_m,y₁,y₂,…,y_n)，记x_i为用户广告来源的类型特征，记y_j为第j个用户行为特征；则构建的逻辑回归模型如下：

h_α,β(x,y)＝p(purchase|X,Y)＝Logit(αX+βY+ε)

＝[1+exp(α₁x₁+α₂x₂+...+θ_mx_m+β₁y₁+β₂y₂+...+β_ny_n+ε)]^-1

其中{h_α,β(x,y)}为用户购买行为特征变量、即网络广告即时效应；α,β分别为网络广告来源特征和用户行为特征的影响系数，α_i表示第i个网络广告来源特征的影响系数；

最后，根据用户行为特征数据估计各个影响系数α₁,α₂,…,α_m和β₁,β₂,…,β_n，获得网络广告即时效应评价模型；i＝3,j＝3；

在这个步骤中包含两个建模过程：

1)首先是结合用户广告行为和购买行为的网络广告整体即时效应的整体用户购买转化模型，这里的模型输入参数仅为X，即用户的广告行为，用户的广告行为包括:是否来自展示广告、是否来自付费搜索广告及是否来自电子邮件广告，每一个具体行为参数均为0/1变量，此时逻辑回归模型转化为：

h_α(x)＝p(purchase|X)＝Logit(αX+ε)

＝[1+exp(α₁x₁+α₂x₂+...+θ_mx_m+ε)]^-1

该模型获得的是三种网络广告类型对用户购买转化的影响，α₁,α₂,…,α_m分别表示不同网络广告类型对用户转化的影响方向和影响程度大小，m＝3；

2)其次是结合用户广告行为、浏览行为、搜索行为、兴趣特征和购买行为的单一网络广告类型影响下的用户在线行为的转化模型；这里每一个(y₁,y₂,…,y_n)表示的是具有n个元素的向量、n为分析的广告种类数，n＝3；(y₁,y₂,…,y_n)表示用户行为属性向量，相应的参数变化为

β_i(β_i1,β_i2,…,β_in)，β_ij表示第i种网络广告来源的第j个用户行为特征，此时逻辑回归模型转化为：

h_β(y)＝p(purchase|Y)＝Logit(βY+ε)

该模型获得是不同网络广告类型进入站点的用户的不同在线行为模式，参数结果表示不同网络广告类型对用户后继站点访问行为的影响类型和影响大小，并通过这种影响方式构建单一网络广告类型下的是否购买即时效应评价模型；

F.根据E中所获得的用户购买转化模型和用户在线行为的转化模型，进行所述转化模型的参数分析，解释各个参数的实际管理含义，分析不同网络广告类型对购买转化率的影响、对后续站点访问行为转化的影响，构建网络广告即时效应评价体系。