于提高对缺乏训练数据的新产品的ＣＴ Ｒ 预测精度． 该方法中使用了改进的Ｔ ｒＡ ｄａ Ｂ 〇〇ｓ ｔ［ １ ２ ° ］， 设计了一种基于梯度信息的采样策略， 并利用类似于Ｍ ａ ｐＲｅ ｄｕ ｃ ｅ 的机器学习框架， 与监督式方法相比，同时提高了计算效率和ＣＴ Ｒ 预测精度．除迁移学习外， 强化学习也可改进个性化广告推荐系统， 强化学习算法能够考虑动作的长期影响［１ ２１］，并在面向特定任务的算法设计方面取得了长足的进步［ １ ２ ２］， 使得在广告推荐系统和强化学习之间开辟合作的渠道［５ ６］ 具有一定的研究意义？Ｔ ｈ ｅｏ ｃｈ ａｒ ｏ ｕｓ 等人［ １ ２ １ ］ 指出强化学习在个性化广告推荐中的研究还处于初级阶段， 需要在计算和评估方面进行改进．Ｒ ｏ ｈ ｄｅ 等人［ ５ ６ ］ 提出基于强化学习环境下的推荐系统Ｒ ｅ ｃ ｏＧ ｙｍ ， 用于在线广告的推荐． 它允许参数化潜在空间的维度， 同样参数化广告曝光水平对特定时间广告点击率的相对影响程度． 这是推荐系统研究领域向前迈出的重要一步， 可以使得离线和在线指标能够结合起来， 协调线下和线上的性能．综上所述， 目前个性化广告推荐技术主要集中在上述几类当中． 在偏好获取技术中缺乏对用户动态偏好获取方面的研究， 在上下文推荐技术中对时间、位置等上下文的使用不充分， 可以考虑将多种上下文信息综合考虑， 开发新的混合方式， 并将广告点击率预测作为推荐的参考步骤． 此外， 对于深度学习、迁移学习、强化学习等在广告推荐中的广泛应用还需要进一步研究．３． ４ 个性化广告推荐效用评价效用评价用于衡量个性化广告推荐系统的性能并直观反映其中存在的优势和不足， 是个性化广告推荐过程中不可缺少的环节． 对效用评价来讲， 主要包括广告数据集和评价指标两个关键元素．３ ． ４ ． １ 广告推荐数据集在广告推荐领域研究阶段， 通常涉及到广告数据的收集与处理． 研究使用的数据集的来源可以分成三种：一是利用作者工作单位提供的现实世界的内部数据集； 二是由一些组织举办的竞赛提供的公开数据集或者由相关机构在互联网上公开的数据集； 三是由研究人员在互联网上亲自抓取并处理得到的数据集．（ １ ） 内部数据集由于研究人员在相关部门工作， 易于获取研究需要的广告数据进行推荐的研究与实验． 该种数据集具有内容充实、获取灵活、数据较新的特点． Ｘｍ等人［ ４ ２ ］ 利用Ｙ ａｈ ｏ ｏ 的广告和数据团队提供的移动用户事件数据进行实验， 搜集ｉ 〇ｓ 用户的原始事件，进行大规模评估． Ｗａ ｎ ｇ 等人［ ２ ４ ］ 利用Ｙ ａ ｈ ｏ ｏ 的广告展示平台， 利用该平台中某一个月的广告服务曰志数据进行研究． Ｈ ｗ ａ ｎｇ 等人［４ ７］ 根据Ｙ ａ ｈ ｏ ｏ 公司提供的网络广告进行分类， 并利用ＣＫ Ｉ Ｐ 对关键词进行提取， 但是用户对广告的偏好是通过对用户采访获得的． Ｓ ｕ 等人［９ ９］ 利用来自百度的真实在线广告数据进行实验， 并在公司的内部Ｍａ ｐＲ ｅ ｄｕ ｃ ｅ 框架上实现其算法， 这个框架提供了用户友好的Ａ ＰＩ 高效的运行环境．（ ２ ） 公开数据集目前还存在公开的数据集提供给开发人员使用， 例如某些机构为了举办比赛而公开的数据集， 以及某些公司提供的不涉密的广告数据集． 该种数据集有数据权威、保护隐私、普遍适用等特点． Ｕ 等人［ ５ ５ ］ 使用广告数据集和社交网络数据集进行实验，广告数据集是包含Ａ ｍ ａ ｚｏ ｎ 的产品［１ ２ ３］ 和一些关键词查询等内容的广告存储库， 社交网络数据集使用Ｔｗ ｉ ｔ ｔｅ ｒ 和Ｎ ｅｗ ｓ 两个真实世界数据集， 两者均来自ＳＮ ＡＰ ． Ｃｈ ａ ｎ 等人［ ６ ５ ］ 利用台湾的一家手机广告公司ＷＡ Ｙ ＳＴ Ｏ ＲＭ 提供的移动日志数据集， 包括印象数据和点击数据两种， 分别记录不同信息． 文献［ ２ ］ 中在三种不同的数据集上进行实验， 其中两个数据集从银行活动中获取， 另一个是从大型连锁酒店的活动中获取， 将使用特定策略收集的数据用于训练， 将使用随机策略收集的数据用于测试． Ｒｏ ｆ ｆ ｏ 等人［ １ ２ ４ ］公开了Ａ ＤＳ 数据集， 该数据集中首次提供用户对广告的评分信息． Ｓ ｉ ｄａ ｎａ 等人［１ ２ ５］ 为方便广告推荐系统的研究， 公开了Ｋ Ａ Ｓ Ａ Ｎ ＤＲ 数据集， 该数据集收集自Ｋ ｅ ｌ ｋ ｏ ｏ ， 其中的点击行为附带丰富的上下文信息， 并有助于研究隐式反馈的影响． 文献［ １ ０ ９ ，１ １ ７ ］中使用Ａ ｌ ｉ ｂ ａｂ ａ提供的Ａ ｄＤｉ ｓ ｐ ｌ ａ ｙ／ Ｃ ｌ ｉ ｃｋＤａ ｔ ａｏ ｎＴａ ｏ ｂ ａ ｏ ． ｃｏ ｍ 数据集， 该数据集包含用户的行为日志，涵盖了用户在２ ２ 天内的购物行为， 可用于根据用户历史购物行为预测用户在接受某个广告曝光时的点击概率． 文献［ １ ０ ２，１ １ ８，１ ２ ６ ］ 在预测ＣＴ Ｒ 时， 使用ＩＰ ｉ ｎＹ ｏ ｕ 于２ ０ １ ４ 年发布的桌面显示广告数据集， 它包括某个全球竞标算法竞赛三个季度的数据集． 以及ＩＦＬＹ ＴＥＫ 有限公司提供的包含投标和点击数据的Ｉ０Ｓ 数据集． Ｊ ｕａ ｎ 等人［ ５ １ ］ 使用来自Ｋａ ｇ ｇ ｌ ｅ 比赛的两组Ｃ ＴＲ 集合Ｃ ｒｉ ｔ ｅ ｏ 和Ａ ｖ ａ ｚ ｕ ， 重点考虑两个数据集的特征因素． Ｌｍ 等人同样借助Ａ ｖ ａ ｚｕ 的数据研究其模型在离线场景下的效果． 表７ 对部分公开数据集的特征、优缺点及统计信息进行描述．５ ４ ８ 计算机学报 ２ ０ ２ １年表７ 部分公开的广告数据集数据集 特征 优点 缺点 统计信息ＡＤ ＳＤａ ｔａ ｓ ｅ ｔ ＾ ２ ４＾首次提供广告评分信息可用信息丰富， 有丰富的用户心理性因素可用于情感分析缺乏社会关系信息， 评分标准比较主观包含人口统计学信息， 包含富媒体、图片、文本广告， 并将广告分为２ ０ 种， 超过１ ２０ ０ 个个人图片（ 被标记为积极或消极） ． 评分不小于４ 即赋予点击标签， 小于４ 为未点击Ｋ ＡＳ ＡＮ ＤＲ ［ １２５ ］从推荐系统中收集数据数据较新， 用户信息和点击信息详细包含的数据类型较少记录２ ０ １ ６ 年６ 月消费者对欧洲电子商务领导者Ｋ ｅｌ ｋ ｏ ｏ 投放的广告的响应行为． 包含来自２ ０ 个欧洲国家的１ ． ２ ３ 亿用户提供的１ ６ ００ 万次点击ＡｄＤ ｉ ｓ ｐ ｌａｙ ／ Ｃｌｉ ｃ ｋ Ｄ ａ ｔａｏ ｎ Ｔａ ｏ ｂ ａｏ ． ｃ ｏ ｍＵ ０９ ’ １ １７］（ Ｔ ａ ｏ ｂ ａｏ ）信息脱敏， 但不影响使用用户、广告信息丰富，涵盖比较全面的用户行为信息， 应用范围广用户信息分类标准不明确， 用户的行为序列缺少脱敏的广告ｉ ｄ从Ｔ ａｏ ｂ ａ ｏ 网中随机抽样１ １ ４ 万用户的广告展示／ 点击日志， 构成原始的样本骨架， 涵盖了全部广告的基本信息， 涵盖了全部用户２ ２ 天内共７ 亿条购物记录Ｄｉ ｓ ｐ ｌ ａｙ Ａｄ ｖ ｅｒ ｔｉ ｓ ｉ ｎｇＣｈ ａｌ ｌ ｅ ｎ ｇ ｅ＾ １ ’ １ １ ８ ］（ Ｃｒ ｉ ｔ ｅｏ ）数据特征多元化数据连续， 采样率不固定， 正负样本比例不悬殊应用范围有限， 多用于ＣＴ Ｒ 预测广告Ｃ ＴＲ 预估的比赛数据， 由知名广告公司Ｃｒｉ ｔｅ ｏ赞助举办． 数据包括４ 千万训练样本，５ ０ ０ 万测试样本， 特征包括１ ３ 个数值特征， ２ ６ 个类别特征．Ａｖ ａｚｕ Ｃｌｉ ｃ ｋ Ｔ ｈ ｒ ｏ ｕｇ ｈＲ ａｔ ｅ Ｐ ｒ ｅｄ ｉ ｃ ｔ ｉ ｏ ｎ ［５ ：ｉ ａ ｏ ７＾（ Ａｖ ａ ｚｕ ）数据清晰明确内容丰富， 包括网站和应用的种类， 数据连续时间跨度有限， 特征获取不全面移动广告ＤＳＰ 公司Ａｖ ａｚｕ 在Ｋ ａｇ ｇ ｌｅ 上举办的广告点击率预测的比赛数据， 前几日为训练集， 最后一天为测试集ｉ Ｐｉ ｎＹｏ ｕＲ ｅａ ｌ Ｔ ｉ ｍｅＢ ｉ ｄ ｄｉ ｎｇ Ｄａ ｔａ ｓ ｅｔ ＾ ０ ２－ ｎ ｓ ａ ２６ ＾（ ｉ Ｐ ｉ ｎＹ ｏ ｕ ）数据特征多元化数据连续， 数据量大若用于广告推荐中， 需要比较复杂的处理本数据集包含了 ｉ Ｐ ｉ ｎＹ ｏｕ 全球ＲＴ Ｂ 竞价算法竞赛三季的数据． 包括在２ ０ １ ３ 年内的１ ０ 天内来自９ 个不同公司的用户的１ ５ ０ ０ 万条反馈（ ３ ） 抓取数据集若不存在满足研究要求的数据集， 研究人员可以自行在网上抓取广告数据． 该种数据集有针对性强、目的明确、内容可控等特点． Ｗｕ 等人［ １ ３ ］ 利用Ｈ ｙＸ ｅｎ提供的Ａ ｄ Ｌｏ ｃｕ ｓ 服务， 每隔半个小时收集一次广告数据？ Ｐａ ｚ ａｈ ｒ 等人［２ ２］ 借助Ｗｅｂ 应用程序Ｓ ＡＲ Ｓ Ｉ Ｓ ，尝试从社交网络Ｌ ａｓ ｔ ．ｆｍ 获取广告相关数据． Ｆａ ｎ等人［ ６ １ ］ 在Ｅ ｂ ａ ｙ 和ＷＵｎｐ ｅｄ ｍ 种收集用户的提交信息等， 并将数据处理为不同的格式用于Ｂ Ｃ ＣＡ 的实验． Ａ ｚ ｉ ｍ ｌ 等人［１ ２ ７］ 从全球最大的在线广告系统Ｒｉ ｇ ｈｔ Ｍ ｅｄ ｍ 中提取广告活动创意， 并计算两个月内用户对创意的点击率， 并为了消除广告位置和大小的对性能的影响， 创建具有相同位置和大小的两组数据集． Ｂａ ｌ ｋ ａｎ 等人［ １ ２ ８ ］ 分析两个不同的商店和两个不同的显示器匿名收集的数据， 观察顾客在一天或一周中的不同时间、人口特征和性别上的观看情况， 训练模型， 得到下一时间要推荐的广告． Ｈ ｕ 等人［４ ８］ 收集一组为期三周的用户行为日志， 并将用户对广告的隐式反馈分为６ 类， 针对上下文特性进行研究．综上所述， 在个性化广告推荐领域中， 公开数据集较少， 多采用内部数据集或自行抓取的数据集进行研究． 因此， 需要不断扩充公开数据集的数量， 并提升数据集的质量， 使数据真正发挥其作用．３ ． ４ ． ２ 个性化广告推荐评价指标评价的方式分为线下方式和线上方式， 线下方式主要是将特定的数据集按照一定的要求划分为训练集和测试集， 通过训练集来训练目标算法或者模型， 并使用测试集对训练完成的算法或模型进行结果测试， 并根据测试的结果利用多种评价指标进行评价． 线上方式主要是通过用户对系统提供内容的实时反馈以及操作或者填充调查问卷的方式对系统结果进行评价．根据评价指标的普遍适用性和专业性原则， 将评价指标分为传统评价指标与专用评价指标． 文献［ １ ２９］ 将推荐系统中使用的评价指标进行系统的介绍， 并将评价指标分为准确度指标、基于排序加权指标、覆盖率、多样性和新颖性， 共计５ 类２ ７ 种评价指标， 并对各自的优缺点以及适用的环境进行深人分析． 根据其分析， 可以将文献［ １ ２ ９ ］ 中的评价指标归为传统推荐指标． 而在个性化广告推荐领域， 在使用传统推荐指标进行效果评测的同时， 还需要对专用指标进行扩充．（ １ ） 传统评价指标在个性化广告推荐技术中， 大部分采用线下的方式进行评价． 推荐技术的评价通常从效率和效果两个方面进行考虑， 即考虑其时间复杂度和推荐准确度． 对于传统评价指标的使用相当广泛， 在个性化广告推荐系统研究中， 会经常使用Ｐｒ ｅ ｃ ｉｓ ｉ〇ｎ ［１ ７，２２，４ ２，４４ ４ ５，４ ７，６ １，８９，１ ２４，１ ３ 。１ ３ １］、［１ ７，２２，４ ２，４４ ４ ５，６ １，８ ９，１ ２ ４］＾｜ ＪＱ ［２ ５，９ ９，１０ ２，１０ ７，１ ０ ９，１ １ ７ １ １ ８，１ ２ ４，１ ２ ６］Ａ ｃ ｃ ｕｒ ａ ｃ ｙ［２’８ ９］、＿Ｆ１［１ ７］ 或 ＿Ｆ ｍｅ ａ ｓ ｕ ｒ ｅ［６ １］ 等指标进行准确性的评价． 当准确性评价不能满足要求， 并且遇到预测结果与真实结果都存在时， 可以用ＭＡＥ ［ １ １，１ ７ｍ，１ ２４ ］、ＭＳ Ｅ ［１ ２４，１ ２ ７］、Ｒ ＭＳ Ｅ ［１ 。２，１ ２ ４，１ ２ ６］、Ｌ 〇ｇ ｌ 〇ｓ ｓ［５ １，１ １ ８］ 进行评价． 为了应对传统推荐指标不适用的场景， 可以对传统推荐指标进行改进， 例如用Ｉ ｎｓ ｔ ａｎ ｃ ｅｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ［４ １ ］、Ｉｎｓ ｔ ａｎｃ ｅｒ ｅ ｃ ａｌ ｌ［ ４ １ ］、Ｉ ｎｓ ｔａ ｎｃ ｅ ｆａｌ ｌ ｏ ｕｔ［ ４ １ ］、Ａ ｖｇ ．ＭＡ Ｅ ［ １ ９ ］、张玉洁等： 个性３ 期 化广告推荐 系统及其应用研究 ５ ４ ９Ａ Ｃ Ｐ［ ｍ ］ 进行更加准确的评估？（ ２ ） 专用评价指标除了使用传统评价指标外， 还存在一些专用评价指标， 专用评价指标是指专门用于广告推荐的评价指标， 不同于传统指标的普遍适用性， 专用指标有着专业、针对性强的特点． 目前适用的专用指标主要有： ＣＴＲ［ ５ ８ ， ６ １ ， ６ ５ ］、Ｒ Ｒ［ １ ３ ， ５ ８ ］、Ｅ Ｒ［ ５ ８ ］、Ａ ｖｇ ％Ｐｏ ｓ ｉ ｔ ｉ ｖ ｅ？等， 这些专用指标根据研究人员的特定研究内容进行制定．除了 ＣＴ Ｒ、Ｒ Ｒ、Ｅ Ｒ 这几个专用指标可以在其它研究领域里扩展外， 还有一些专用指标具有很强的针对性． 例如， Ｗａ ｎｇ 等人［２ ４］ 利用转化率的指标评测其广告推荐系统的实际提升效果． Ｙ ｕａ ｎ 等人提出ｅ ｆｆ ｅ ｃ ｔ 指标， 用于衡量其个性化广告服务ＭＡ Ｌ ＣＲ的效果， 其中考虑广告推送和收到用户反馈之间的时间间隔， 以及用户对广告的评分． Ｙ ａ ｎ ｇ 等人［ １ ３ ２ ］在其研究中对Ｚ ａ ｐ ｐ ｉ ｎ ｇ 行为进行解释， 指出Ｚ ａ ｐ ｐ ｉｎ ｇ行为是指用户停止观看广告的行为， 根据这种行为进行分类， 即ｚ ａ ｐ ｐ ｉｎ ｇ ／ ｎｏ ｎ ｚ ａ ｐ ｐ ｉ ｎｇ ？ 并为了解决广告评价中的评价指标匮乏问题， 提出Ｚ ａｐ ｐ ｉ ｎｇ Ｉ ｎｄｅｘ （ Ｚ Ｉ ）评价指标， 该评价指标用来度量用户发生Ｚ ａ ｐ ｐ ｍｇ行为的概率， 同样可以用来度量用户对不同商业类型的偏好． 未来可以在Ｚ Ｉ 评价指标中将动态特征考虑进来， 不断优化评价指标．综上所述， 个性化广告推荐作为推荐系统的一部分， 仍然适用于传统的评价指标， 且目前大部分研究中依旧使用传统的评价指标． 但是由于其针对广告推荐进行研究的本质， 需要用更加具有针对性的专用指标进行评价． 虽然目前使用的专用评价指标较少， 但是从另一个方面说明个性化广告推荐中的专用评价指标具有很大研究空间， 需要努力尝试提出新的评价指标．为了进一步探讨个性化广告推荐系统的评价指标在研究中的具体应用效果， 这里对部分有代表性的个性化广告推荐技术的推荐性能进行定量分析和说明． 然而， 在３ ． ４ ． １ 节中可知， 虽然存在大量的个性化广告推荐领域的研究， 但是在该领域的公开数据集较少， 很难得到一个普适性较强的公开数据集，且各研究中采用的评价指标多是不同的． 于是， 在表８ 中针对一些研究， 结合各自使用的数据集和推荐指标进行总结说明， 其中包含部分使用相同数据集和评价指标的研究． 随后结合表８ 中的研究的实验结果， 针对各个研究进行实验效果说明， 并对部分使用相同数据集和评价指标的研究进行对比分析．表８ 结合主要数据集和指标的研究总结数据类型 数据来源 主要指标 研究索引 研究相关说明内部救据隹－Ｙ ａ ｈ ｏ ｏＰ ｒ ｅｃ ｉ ｓ ｉ ｏ ｎ ［ ４ ２，４ ７］文献［４２，４７］ 分别借助Ｙ ａ ｈ ｏ ｏ 移动事件数据和广告分类信息进行研究， 均明显优于对比方法转化率 ［ ２ ４ ］ 通过在Ｙ ａ ｈ ｏ ｏ 广告平台及推荐中加人用户购买记录， 提升广告转化率百度 ＡＵ Ｃ ［ ９ ９ ］借助迁移学习在真实的百度广告数据集上进行实验， 其方法的效果优于部分监督学习方法ＡＤ ＳＤ ａ ｔａ ｓ ｅ ｔＰ ｒｅ ｃ ｉ ｓ ｉ ｏ ｎ、ＭＳＥ 等［１ ２ ４］分为广告点击预测和广告评分预测两种场景， 前者用Ｐ ｒ ｅ Ｃ ｉ Ｓ ｉ 〇ｎ、Ｒｅ Ｃ ａ Ｕ 、ＡＵ Ｃ 评价， 后者用Ｒ ＭＳＥ、ＭＳＥ、ＭＡＥ 评价， 通过对多种方法改进， 两种场景下的效果均得到提升Ｔ ａ ｏ ｂ ａ ｏ ＡＵ Ｃ ［ １ ０ ９ ， １ １ ７ ］文献［ １ ０ ９ ］ 中借助Ｌ１ 和Ｌ２，ｌ 正则化得到非凸非光滑优化问题， 并采用方向导数和拟牛顿法解决． 文献［ １ １ ７ ］ 提出深度兴趣网络Ｄ Ｉ Ｎ 并对其优化， 两者已应用于Ａｌｉ ｂ ａ ｂ ａ 在线展示广告系统公开数据集 Ｃｒ ｉ ｔ ｅｏ Ｌｏ ｇ ｌ ｏ ｓ ｓ ［ ５ １，１ １ ８ ］文献［ ５ １ ］ 在分解机ＦＭＳ 中加人领域概念， 提出场感知分解机Ｆ ＦＭ． 文献［ １ １ ８ ］提出模糊深层神经网络Ｆ Ｄ Ｎ Ｎ ， 并利用逐层的无监督方法和模糊逻辑回归方法． 二者均可用于ＣＴ Ｒ 预测Ａｖａ ｚｕ ＡＵ Ｃ ［ ５ １，１ ０ ７ ］文献［ １ ０ ７ ］将文献［ ５ １ ］ 中的Ｆ ＦＭ 用于特征嵌人得到Ｆ ＦＭ ＭＬＰ， 并在在线场景中表现不错ｉ Ｐ ｉ ｎＹｏ ｕ ＡＵ Ｃ ［ １ ０ ２ ， １ １ ８ ， １ ２ ６ ］文献［１ ０ ２，１ ２ ６］ 分别提出基于特征的完全耦合交互张量分解和稀疏分解机的方法， 均能够有效应对数据稀疏问题． 文献［ １ １ ８ ］ 提出Ｆ Ｄ Ｎ Ｎ ， 增强数据表示能力和健壮性Ｉ ｌ ｙ Ｘｅ ｎ Ｒ Ｒ ［ １ ３ ］ 通过构建点击概率模型和多种回归模型， 形成动态广告推荐系统抓取 Ｌａ ｓ ｔ． Ｉ＇ｍ ＭＡＥ［２ ２］ 通过语义信息提髙推荐的准确性和鲁棒性， 利用用户意见不断更新推荐知识库数据集 Ｅｂ ａｙ 、Ｗ ｉ ｋ ｉ ｐ ｅｄ ｉ ａＣＴＲ ［ ６ １ ］收集用户提交的信息， 对内容进行文本挖掘得到内容与广告的相关度， 根据相关度选择广告在借助内部数据集进行的研究中， 文献［ ４ ２ ， ４ ７ ］借助Ｙ ａ ｈ ｏ ｏ 提供的数据进行实验并进行推荐， 文献［ ４ ２ ］ 中基于Ａ ｐ ｐ 的方法的Ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ 在ｔ ｏ ｐ ２ 时可达到〇．  ２ 左右． 文献［ ４ ７ ］ 通过对３ ２ 个用户进行真实测试， 其的方法相对于随机推荐的Ｐｒ ｅ ｃ ｉｓ ｉ ｏ ｎ 提升了０ ． ２ １ １ ６， 达到０ ． ３ ９ ４ ０ ． 文献［ ２ ４ ］ 的方法借助Ｙ ａ ｈ ｏ ｏ５ ５ ０ 计算机学报 ２ ０ ２ １年提供的广告平台数据改进广告推荐效果， 在产品表现上， 广告转化率提升了１ ． ９ ２ ％ ． 文献［ ９ ９ ］ 在百度在线广告数据集上实验并提升点击率预测效果， 通过迭代更新数据权值， 将不同数据有选择地结合起来进行训练， 得到的Ａ ＵＣ 达到０ ．  ７ ３ ４ １ ， 证明迁移学习在类似场景下具有研究价值．在借助公开数据集进行的研究中， 文献［ １ ２ ４ ］ 在其公开的Ａ ＤＳ 数据集上实验， 在广告点击率预测场景中， 其方法ＬＲ Ｂ５＞ 在类别层次上得到的Ｐｒ ｅ ｃ ｉ ｓ ｉ ｏｎ 、Ｒ ｅ ｃ ａ ｌ ｌ 在所有方法中均为最大， 分别达到０ ． ４ １ ２ ０ 、０ ． ５ ２ １ ０ ． 广告评分预测场景中， 发现产品类别数量为８时， 其方法Ｓ Ｖ Ｒ ｒ ｂ ｆＢ ５ 得到的Ｒ ＭＳ Ｅ、Ｍ ＳＥ、Ｍ Ａ Ｅ在所有方法中均为最小， 分别为〇．  １ ０ １ ０ 、〇． 〇１ １ 〇、〇． ０ ８ ９ ０ ． 文献［ １ ０ ９ ， １ １ ７ ］ 在Ｔａ ｏ ｂ ａ ｏ 数据集上实验并用于广告点击率预测， 文献［ １ ０ ９ ］ 从大量稀疏数据中抓取非线性模式， Ａ ＵＣ 达到０ ． ６ ６ ２ ９ ． 文献［ １ １ ７ ］ 通过对Ｄ Ｉ Ｎ 进行小批量正则化以及加人骰子激活函数， 训练后得到的Ａ ＵＣ 达到０ ． ６ ０ ８ ３ ． 文献［ １ ０ ９ ］ 的方法能够较好地拟合复杂的非线性函数， 并能够有效应对数据稀疏问题， 相对于文献［ １ １ ７ ］ 有一定优势． 文献［ ５ １ ， １ １ ８ ］ 在Ｃ ｎ ｔ ｅ ｏ 数据集上实验并提升Ｃ ＴＲ 预测效果， 文献［ ５ １ ］ 的方法能够很好地应用于稀疏但包含大量类别特征的数据， 其在公共数据集上的Ｌ ｏ ｇ ｌ ｏ ｓ ｓ 为０ ． ４ ４ ６ １ ． 文献［ １ １ ８ ］ 的方法对噪声数据有很好的鲁棒性， 能够学习有用的高阶特征交互，其Ｌ ｏ ｇ ｌｏ ｓ ｓ 为０ ． ４ ５ １ ０ ． 文献［ ５ １ ］ 相对于文献［ １ １ ８ ］ 能够在数据稀疏的场景中有更好的表现， 具有更少的损失． 文献［ １ ０ ７ ］ 在Ａ ｖ ａｚ ｕ 数据集上实验， 通过将文献［ ５ １ ］ 中的ＦＦＭ 用于增强特征嵌人得到Ｆ ＦＭＭ ＬＰ ， 其Ａ ＵＣ 达到０ ． ７ ４ ９ ８ ， 并在在线实验中提升了对新广告的点击率． 文献［ １ ０ ２ ， １ １ ８ ， １ ２ ６ ］ 均在ｉＰｉ ｎＹ ｏ ｕ数据集上实验， 且采用的实验方式不同， 但是从整体上看三者的Ａ ＵＣ 由高到低为： 文献［ １ １ ８ ］ ＞ 文献［ １ ０ ２ ］ ＞ 文献［ １ ２ ６ ］ ． 文献［ １ ０ ２，１ ２ ６ ］ 分别采用交互张量分解和稀疏分解机的方法， 相对于文献［ １ １ ８ ］ 中的模糊深层神经网络方法， 不能充分获取数据中的高阶非线性代表特征和复杂的内在映射关系．在借助抓取数据集进行的研究中， 文献［ １ ３ ］ 借助在Ｈ ｙＸ ｅ ｎ 公司获取的数据， 构建１ ６ 种回归模型用于广告推荐， 其中效果最好的模型的Ｒ Ｒ 达到０ ．９ ５ ６ ９ ． 文献［ ２ ２ ］ 在Ｌａ ｓ ｔ ．ｆ ｍ 中获取相关数据并进行实验， 其借助数据中的语义逻辑信息， 通过融合多种推荐技术得到广告推荐结果， 并应用与ＳＡ Ｒ Ｓ ＩＳ系统中． 随着用户数量的增多， Ｓ ＡＲ Ｓ ＩＳ 的Ｍ Ａ Ｅ 逐渐变小， 当用户数目大于５ ０ 人时， Ｍ Ａ Ｅ 降到０ ．  １ 及以下． 文献［ ６ １ ］ 从Ｅ ｂａ ｙ 、Ｗｉ ｋｉ ｐ ｅｄｉ ａ 获取训练数据并进行实验， 根据博客内容获取用户兴趣， 文中方法在所有触发页中得到的广告Ｃ ＴＲ 达到５ ７ ％ ． 上述研究的方法多种多样， 对应的效果也有提升， 进一步验证了广告推荐技术的全面性．４ 个性化广告推荐的应用现状由于个性化广告推荐通过获取用户偏好， 利用多种推荐技术为用户推荐广告， 更好地满足用户需求， 使其拥有可期的应用前景， 也使得广告推荐系统应用场景拥有多样性的特点． 本节整理了个性化广告推荐的一些典型应用场景， 主要包括面向传统互联网、移动服务、数字标牌、Ｉ ＰＴ Ｖ 这四种场景． 并在表９ 中列举了上述四种应用场景中的一些个性化广告推荐系统典型应用， 且对各个应用中的主要利用信息以及使用的个性化广告推荐技术进行总结．表９ 个性化广告推荐应用应用场景 主要利用信息 典型应用 个性化广告推荐技术网页内容 Ａｄ ＲＯ ＳＡ［４ ３］ 协同过滤文本内容 Ｂ ＣＣＡ［ ６ １ ］ 基于内容的广告上下文推荐传统互联网Ｃｏ ｏ ｋ ｉ ｅ Ｙ ａ ｈ ｏ ｏ？ｓ ｄ ｉ ｓ ｐ ｌａｙａ ｄ ｖ ｅｒ ｔ ｉ ｓ ｉ ｎｇｐ ｌａ ｔｆ ｏｒ ｍ ＾２ ４ ＾ 基于关键词的广告上下文推荐用户活动记录， 用户信息 Ｓ ＡＲＳ ＩＳ［２ ２］ 加权式混合推荐点击数据 Ｒ ｅｃ ｏＧ ｙ ｍ［５ ６］ 强化学习面部信息 Ｆ Ｂ ＡＲＳ ［９ ３］ 深度学习时间 Ａ ｄ Ｌｏ ｃ ｕ ｓ。３］ 基于时间的上下文推荐位置 ＭＡＬＣＲ ［４ １］ 基于用户位置的上下文推荐应用使用和点击历史 Ｒ ＡＭ［ ６ ５ ］ 层叠式混合推荐移动服务 反馈信息， 天气日期等环境信息，年龄等上下文信息Ｗ ａ ｌ ｌ ｅｔ ［７ ０］ 其它上下文位置 Ａｄ ｍｅ 。４］ 基于用户位置的上下文推荐位置、评分 ＡＤＡ［２ ７］ 协同过滤数字标牌 收视率、销售数据 ＩＡＦ ［ ９７］ 切换式混合推荐Ｉ Ｐ Ｔ Ｖ用户信息、电影信息、访问日志 Ｏｎ Ｄ ｅｍ ａｎ ｄ Ｉ ＰＴ Ｖ［３ ０］ 协同过滤时间 Ｍｕ ｒ ａｌｉ？ｓｐｒ ｏ ｔｏ ｔ ｙ ｐｅ ［３ １］ 基于时间的上下文推荐张玉洁等： 个性３ 期 化广告推荐 系统及其应用研究 ５ ５ １４ ． １ 面向传统互联网的广告推荐利用网络平台对用户偏好进行追踪、研究， 使得在网络平台在投放广告方面相对于报纸、杂志、电视等传播媒体有着得天独厚的优势． 传统互联网代表的是ＰＣ 端的时代， 在ＰＣ 上投放广告已经成为越来越多广告商的选择． 根据个性化广告推荐是否涉及社交平台， 将面向传统的互联网的广告推荐类型分为一般网页广告和社交平台广告．一般网页广告上的广告推荐通常根据网页内容、网址链接信息、用户记录等， 通过内容获取或者分类器等技术， 实现在网页上的广告推荐． 目前已经存在大量针对网页的广告推荐的研究［５ ７］， 例如，Ａ ｄＲ Ｏ ＳＡ ［ ４ ３ ］ 集成网页和内容获取技术， 通过考虑多种因素实现为用户推荐个性化广告， 并具有很好的扩展性． Ｗａｎ ｇ 等人［２ ４］ 利用辅助标识来找到用户在不同ｃｏ ｏ ｋ ｉ ｅ 中的联系， 生成二部图架构， 使用先进的随机游走模型对与每个浏览器ｃｏ ｏ ｋｉ ｅ 相关特性衍生． 另外， 其提出一种监督式的链接预测模型， 该模型能提供足够的候选关键词并提供推荐的关键词的评分排名． 将上述研究内容应用于Ｙ ａ ｈ ｏ ｏ’ｓ ｄｉ ｓ ｐ ｌ ａ ｙａ ｄｖ ｅ ｒ ｔ ｉ ｓ ｉ ｎ ｇ ｐ ｌ ａ ｔ ｆｏ ｒｍ ， 虽然很大程度上缓解冷启动问题， 但是只将Ｉ Ｐ 地址作为辅助标识， 还有提升的空间． 文献［ ２ ５ ］ 中研究不同的浏览历史的获取周期如何影响分类器的预测精度， 发现利用网址的分类信息提高了分类器的准确率， 并使用分类的浏览历史数据构建用户模型． 其更多地关注确定潜在感兴趣的广告受众， 分析网站的链接模式与之前访问过本网址的用户比较后的相似度． 该研究有效地缓解冷启动问题， 但是仍可以将数据获取的时间间隔进行细化． Ｒｅ ｃ〇Ｇ ｙｍ［５ ６］ 根据用户在页面上对广告的点击数据， 利用强化学习技术， 判断用户在特定时间对广告的点击率， 生成对用户的推荐， 协调在线和离线的性能． 若推荐系统无法与互联网连接， 则可以考虑推荐离线广告． ？ ８八＆ ３ ［ ９ ３ ］ 是在离线场景下使用的基于面部的广告推荐系统， 对面部信息进行识别、跟踪和存储， 随后利用深度学习的技术， 借助用户多种信息， 为用户生成推荐． 但是该离线应用场景存在局限性， 其利用摄像设备记录人脸， 在应用过程中可能会在硬件设备、隐私保护上产生问题．此外， 广告推荐还应用到如博客、微博等社会化交流的大型平台之中， 产生社交平台广告． 由于这种社交平台的访问用户数量大， 个性化的定向投放就显得尤为重要． ＢＣ Ｃ Ａ ［ ６ １ ］ 利用文本挖掘技术来发掘博客中的特征， 采用一种提高在线广告效益的上下文推荐算法． 结合上下文广告文本挖掘技术形成以博客为中心的上下文广告框架， 选择出与个人兴趣匹配的广告， 并根据广告与用户兴趣的相关性进行排名． ＳＡ ＲＳ Ｉ Ｓ 框架［ ２ ２ ］ 通过搜集社交网络用户活动记录， 不断更新用户偏好， 同时考虑用户信息的安全性， 使用语义技术提高社交平台广告推荐的精度和健壮性． 但是随着用户和项目数量的增加， 需要在更复杂的场景下对该框架进行测试． 上述在社交平台的广告推荐， 虽然针对社交网络用户的行为为其推荐满足其需求的广告， 但是没有充分利用社交平台中丰富的社交关系的优势， 多侧重于用户在社交平台的行为反馈．综上， 面向传统互联网的广告推荐拥有丰富的可利用信息且利用方式非常灵活． 但是没有充分利用网络环境给其带来的数据优势， 例如同时结合多种上下文辅助信息、社交关系等， 这方面有待扩展．另外， 还需要注意保护用户的隐私．４ ． ２ 面向移动服务的广告推荐随着移动服务的高速发展和移动用户数量的不断增加， 在移动设备上投放广告不仅可以弥补电视等传统平台上的广告投放的劣势， 更可以达到比传统平台更加迅速高效的传播效果［４ １］． 交互式宽带移动服务和个性化广告的融合为移动产业创造新的商业模式提供了可能［ ２ ６ ］， 使得移动设备上的广告投放更容易实现个性化的定向投放． 因此， 越来越多的广告商逐渐将广告投放的重心移向移动平台， 如何将新业务带给合适的客户成为移动运营商提供移动服务面临的主要问题［１ ３ ３］． 根据面向移动服务广告推荐的使用场景， 将其分为一般移动广告、移动Ａｐ ｐ广告．一般的移动广告主要通过短信、移动网页等比较传统的方式将推荐结果传递给目标用户． Ｙ ｕａ ｎ 等人［ ４ １ ］ 提出一种基于位置的定制化移动广告推荐的基础设施， 称为Ｍ Ａ Ｌ ＣＲ ． 其通过分析用户的隐式浏览行为构建用户画像， 根据用户所在位置处的广告与用户画像的相关性为用户推荐广告， 移动终端通过短信获取推荐结果． Ｗｕ 等人［１ ３ ３］ 提出一种新的广告用户选择方法， 利用通话费用、短信费用、短信数量等数据， 用最大频繁项发现理论进行推荐， 并根据用户的反馈情况将用户分成正负样本， 研究特征的区间映射． 其实验结果表明， 该方法能够显著提高广告的成功率， 减少垃圾广告的数量． Ｌｍ 等人［ １ ３４ ］ 设５ ５ ２ 计算机学报 ２ ０ ２ １年计并实现移动互联网下基于用户行为的广告推荐系统， 该推荐系统包括用户行为分析、广告生成、ＷＡ Ｐ（ Ｗｉ ｒ ｅ ｌ ｅ ｓ ｓ Ａｐ ｐ ｌ ｉ ｃ ａｔ ｉ ｏ ｎＰ ｒ ｏ ｔ ｏ ｃ ｏ ｌ ） 网页分析三个子系统． 通过用户的行为特征分析算法， 可以得到包括长期兴趣和短期兴趣的用户画像． 最后计算用户特征与广告的相似度， 用于排序和选择出最合适的广告呈现在移动网页上．移动ＡＰ Ｐ 广告主要在ＡＰ Ｐ 应用程序内为用户呈现广告， 用户在使用Ａ Ｐ Ｐ 提供的服务时， 广告会以多种形式出现在Ａｐ ｐ 内部． Ａ ｄ ｍ ｅ［１ ４］ 采用非侵人式方法， 利用移动用户位置上下文信息和用户情感对目标用户提供个性化的移动广告． 得知用户在什么地点需要广告， 并在本地应用内采取合适的方式展示广告＿Ｗａ ｌ ｌ ｅ ｔ［ ？ ］ 是一款智能钱包ＡＰ Ｐ ， 其收集用户使用信息、位置信息等， 生成用户画像传送到服务器． 服务器根据广告内容、用户画像以及环境上下文信息选择目标广告， 并将广告传回智能手机客户端． 另外， 用户对广告的反馈会被服务器用于完善用户及上下文信息， 提高用户对广告的满意率． Ｗｕ 等人［ １ ３ ］ 提出一种动态广告推荐系统， 采用回归模型和点击概率模型对动态广告推荐系统进行设计．同时针对用户对广告点击率较高的时间段进行重点分析， 优化点击概率模型， 并尝试应用于名为Ａ ｄ Ｌｏ ｃｕ ｓ 的Ａｐ ｐ 当中． 动态广告推荐系统的应用帮助Ａ ｄ Ｌｏ ｃｕ ｓ 在避免冗余广告， 减少系统开销方面有一定的改进． 尺八皿［ ６ ５ ］ 考虑用户画像、ＡＰ Ｐ 使用情况、点击历史这三种因素． ＲＡＭ 利用ＤＢ Ｓ ＣＡ Ｎ 算法对用户进行分类， 然后对已经分类的用户群组进行广告分派． 在推荐阶段， 利用定义的线性加权相似度算法计算出目标用户属于哪一组用户分类， 并将适合该用户分组的广告推荐给目标用户．广告传播方式不局限于上述形式． 随着自动驾驶汽车的无线通信与物联网的发展， 对车辆自组织网络Ｖ Ａ Ｎ Ｅ Ｔ［ ２ ７ ４４ 应用引起人们的注意． 并且由于车辆的移动性， 当通过车辆进行通信时， 广告可以扩散到更多地方． 鉴于这种优势， Ａ Ｄ Ａ ［２ ７］ 通过遗传算法和社交网络中的点中心度， 选择一组种子车辆， 用于向附近车辆投放广告． 并且引人用于广告分类和转发的缓冲方案， 采用基于协同过滤和基于位置服务的广告推荐算法， 发现用户偏好， 将广告的推荐到目标车辆的应用当中． 但是考虑到行车安全， 应将更多场景信息考虑进去， 例如推荐时间、用户的时速、用户周围的车辆数目等．面向移动服务的广告推荐与面向传统互联网的广告推荐相比， 最主要的区别在于前者打破了空间上的束缚， 与用户的交互也更加方便． 综上所述， 对于手机设备、移动应用等移动终端的广告推荐研究逐渐成为一种趋势， 移动终端凭借其独有的移动性以及对反映用户偏好相关信息的强大收集能力， 能够为移动广告推荐提供更多的数据， 方便研究人员进一步扩展移动广告推荐系统．４ ． ３ 面向数字标牌的广告推荐数字标牌指在大型商场、饭店、影院等人流汇集的公共场所， 通过大屏幕终端显示设备， 在特定场所、特定时间段对特定人群进行广告播放， 这种特性使其具有广告效应． 虽然数字标牌主要用于向观众提供广告内容的单向媒体， 但是依旧可以通过其它设备与观众进行交互． 例如， Ｒａ ｖｍ ｋ 等人［ ２ ９ ］ 开发出一种带有摄像头增强的数字标牌显示器， 通过计算机视觉算法获得观众的测量指标． 包括提取人的停留时间、注意时间等时间度量， 以及确定性别和年龄的人口统计指标． Ｒ ａｖ ｎｉ ｋ 等人［２ ８］ 还指出收集观众测量数据可用作观看模式的统计分析、交互式显示应用以及对观察者建模的基础．由于智能视频分析（ Ｉ ｎｔｅ ｌ ｌｉ ｇ ｅｎｔ Ｖｉ ｄｅｏ Ａ ｎａ ｌｙｔ ｉｃ ｓ ，ＩＶ Ａ ） 的新技术的最新加人， 这些显示器能够实时调整其内容以适应观众的人口和时间特征， 以实现有效的实时信息或广告更新． Ａ ｄｃＨ ｃ ａ ｍ 等人［ １ ２ ８ ］ 使用ＩＶ Ａ 系统收集的数据来构建预测模型， 以便在正确的时间为正确的客户识别正确的消息传递． 并创建“观众感知显示”， 可以根据观众行为和时间属性动态更改显示的广告． １ 八庐９ ７ ］ 率先将匿名浏览者分析和数据挖掘技术相结合， 得到有针对性和交互性的广告． 另外，Ｉ Ａ Ｆ 将相关收视率信息与销售点数据关联起来， 将特定人群对广告的响应时间与广告产品的销售效果建立联系．综上所述， 针对数字标牌的研究主要集中在广告自适应的方向上， 根据多种环境或用户的信息提高推荐的准度． 未来可以将确定销售与观看时间或观众数量之间的关系纳人研究范围． 并研究如何将天气或公众假期等外部因素纳人模型当中， 考虑外部信息的影响， 提高性能．４ ． ４ 面向Ｉ Ｐ ＴＶ 的广告推荐Ｉ Ｐ ＴＶ 即交互式网络电视， 由于数字技术、移动互联网技术、网络通讯等的快速发展，ＩＰ ＴＶ 逐渐被各大运营商采用和部署． ＩＰ ＴＶ 以家用电视为主张玉洁等： 个性３ 期 化广告推荐 系统及其应用研究 ５ ５ ３要终端， 相比于传统的广播电视媒体有着更强的交互性． 鉴于此特性， 广告商们纷纷将目标瞄准到Ｉ ＰＴ Ｖ ， 在Ｉ ＰＴ Ｖ 场景下的个性化广告推荐快速发展起来．ＩＰ Ｔ Ｖ 的个性化广告的选择同样用到一些场景信息． Ｋ ｏ ｎ ｏｗ 等人［３° ］ 提出一种视频点播场景下的上下文感知目标广告推荐系统， 利用协同过滤推荐技术研究具有相似偏好的用户的行为和历史记录，对目标用户提供最合适的广告， 并尝试将该系统应用于一■ 项Ｏｎ Ｄ ｅｍ ａ ｎｄＩ ＰＴ Ｖ 服务中？通过Ｉ Ｐ ＴＶ 向用户群组推荐广告也是常见的应用场景之一． 文献［ ３ １ ］ 中在Ｉ ＰＴ Ｖ 系统中插人个性化广告的技术选项， 描述一种由Ｇ ｏ ｏ ｇ ｌ ｅ 的Ａ ｄＷｏ ｒ ｄｓ扩展的出价模式， 提出一种在线广告调度算法， 在特定时间间隙中向一组用户展示多个广告， 并构建Ｍ ｕｒ ａ ｌ ｉ’ｓｐ ｒ ｏ ｔ ｏ ｔ ｙｐ ｅ 应用． 文献［ １ ３ ５ ］ 提供用于Ｉ ＰＴ Ｖ 系统中的个性化广告推送的系统和方法， 他们选择的广告取决于地理位置， 人口统计， 时间和电视节目． 文献［ １ ３ ５ ］ 与文献［ ３ １ ］ 共同意识到由于带宽有限， 在Ｉ Ｐ ＴＶ 上实现完全个性化是不可行的， 因此他们对用户进行分组并评估， 并对同一用户分组展示相同广告． 但是文献［ １ ３ ５ ］ 中的用户分组主要根据地理分布区域完成， 容易造成年龄、性别等参数平均化， 将导致系统变为传统广告的模式．综上所述， 在用于Ｉ Ｐ ＴＶ 系统的上下文广告推荐中存在提升的空间， 应进一步研究利用更多上下文信息的推荐引擎． 此外， 在注意冷启动、数据稀疏等问题的同时， 还需要保证推荐体系结构的可扩展性， 以完成复杂场景下的推荐任务．从上述总结及表９ 中可以看出， 个性化广告推荐的应用场景多集中于传统互联网和移动服务当中， 其它场景中应用较少． 并且， 表９ 中的主要利用信息和个性化广告推荐技术也多种多样， 体现了偏好获取来源的灵活性和推荐技术的全面性． 此外， 随着５ Ｇ 技术的发展， 无论是在提高数据传输效率方面还是在减缓时延方面有很大改进． 尤其对移动场景下的广告推荐来讲， 拥有相当广阔的应用前景， 有助于进一步发展移动广告推荐系统．５ 个性化广告推荐存在的问题及研究方向个性化广告推荐使得广告更加符合用户的兴趣， 在研究和应用方面都取得不错的进展． 然而， 广告推荐中同时存在传统推荐的问题和广告推荐特有的问题． 这部分主要讨论个性化广告推荐中存在的重点问题， 并分析未来个性化广告推荐研究的方向，主要包括以下几个方面：（ １ ） 广告推荐的时效性问题广告推荐的时效性需要考虑到用户需求的变化和时间上下文之间的联系， 即广告的时效性由用户需求的时效性决定， 用户的需求和偏好在一定时间内是允许存在变化的． 例如， 用户上周经常搜索计算机的商品信息， 并在这周购买了一台计算机． 但是购买后的一段时间后， 购物平台或者网站依旧为其推荐计算机的相关广告， 这种情况就是忽视用户需求的时效性， 导致用户对该商品甚至该商品所属企业产生反感或抵触的情绪．广告推荐的时效性不同于其它领域的时效性，例如， 新闻推荐中的时效性是以时间为节点， 新闻推荐区别于其它推荐的最大特点就是和时间上下文关联性很强， 超过一定时间发布的新闻对用户来讲是没有意义的［ ７ ］． 而广告推荐的目的是引起用户产生购买行为， 可以在用户角度和广告产品角度对广告推荐的时效性进行把握． 从用户角度来讲， 可以将用户行为的变化作为参考． 获取用户偏好的变化， 并做出实时响应． 从广告产品的角度来讲， 根据产品推出的时间、广告发布的时间等， 考虑广告效用随时间的衰减情况即产品是否还能满足当前用户需求．因此， 为给用户提供新颖的、及时的推荐结果，个性化广告推荐系统同时考虑用户偏好变化和广告效用的衰减， 这是未来的研究重点之一． 除了对用户动态偏好获取外， 还应在系统设计上进行改进． 对此， 可借助Ｈ ａｄ ｏ ｏ ｐ 等建立分布式推荐系统， 利用Ｍａ ｐＲ ｅ ｄｕ ｃ ｅ 等编程模型及Ｍ ｏ ｎ ｇ ｏＤＢ 等Ｎ ｏ Ｓ Ｑ Ｌ 数据库技术， 提高数据处理的能力和效率， 进一步增强个性化广告推荐系统的可扩展性、灵活性、多样性，在保证性能的同时减少延迟．（ ２ ） 用户的隐私保护问题个性化广告在消费者隐私和数据安全方面引起广泛的关注［ ２ ６ ］， 存在发展也引起争议． 近几年， 用户在门户网站和金融公司的个人信息被大量暴露并被滥用［７ °］， 许多国家已经制定有关该问题的法律［２６］．最近，Ｉ Ａ Ｓ 发布的“２ ０ １ ９ 广告行业脉动” 的报告中指出，５ ５ ． ８ ％ 的受访者首要关注数据隐私问题， 并且９ ３ ． ３ ％ 的受访者认为数据隐私条例需要在全球范围５ ５ ４ 计算机学报 ２ ０ ２ １年内得到完善？．在推荐技术的角度来讲， 当前大多数广告推荐技术需要调用并分析用户的历史信息（ 如协同过滤技术、上下文信息等）， 即使例如基于社会化网络的推荐系统［ ５ ８ ］ 或基于位置时间的推荐系统［ １ ７ ］ 这些不依赖历史信息的推荐方式， 也需要访问并分析某些用户的其它资料， 如用户的社会关系、地理位置等等． 而这些信息在一定程度上属于用户的个人隐私．另外， 数据隐私处理会使得可以利用的数据量减少［ ４ ３ ］， 导致对推荐效果产生影响．所以在具有隐私保护的广告推荐系统中存在两个个方面的挑战，一方面是需要推荐系统有效保护用户的这些隐私信息， 保证这些隐私不被他人过度访问． 例如当用户共享智能设备时， 先前用户的行为或偏好会通过广告透露给后续用户， 进而造成隐私泄露． 为解决类似挑战， 除了减少对用户隐私信息的获取外， 还可以进行用户切换检测． 具体来讲， 可以通过ｃｏ ｏ ｋ ｉ ｅ 等信息跟踪用户行为， 根据用户经常使用的应用程序和网站等， 进行用户的行为特征匹配．除此之外， 可以在更细的粒度上进行研究， 通过对用户浏览的图片或者关键词进行精确分析， 发现用户之间的差异， 防止个人偏好隐私泄露给他人．另一方面的挑战是需要缓解因数据隐私处理对推荐产生的影响． 为应对挑战， 可以考虑在用户给项目进行评分时， 用假名保护隐私［ １ ３ ６ ］， 而不是直接将相关内容直接删除． 同时， 将隐私信息对推荐的影响程度进行评级， 对不具备代表性和说明性的用户属性或信息进行筛选． 尽量减少对用户直接信息的过度访问， 或者根据影响程度将信息进行脱敏．因此， 权衡上述两个方面的挑战， 提出有效的隐私保护机制（ 如用户切换检测等） 是今后研究的重点．（ ３ ） 广告推荐中的冷启动问题广告推荐中的冷启动问题产生的原因多由于产生了新用户或者新广告， 并且新用户没有访问过广告， 新广告也没有被用户访问． 冷启动问题是推荐系统中的重要挑战［ ８ ° ］， 解决冷启动问题也成为推荐系统中的关键任务． 在广告推荐领域， 已经存在很多研究用于应对冷启动问题． 文献［ １ ２，２ ７ ］ 根据用户行为种类产生用户对广告的评分信息． 文献［ １ ７， ４ １ ］ 不依赖用户信息， 利用位置或时间上下文信息缓解冷启动问题． 文献［ １ ２ ， ６ ２ ］ 将不同推荐技术按照一定组合规则混合使用， 使得推荐技术之间能够优势互补， 提升推荐效果． 目前存在的冷启动解决方法中， 主要是创造数据、利用其它辅助数据以及改进传统推荐技术等， 属于比较常见的冷启动解决方法．冷启动问题产生的根源在于相关数据不存在或者相当稀少， 根据广告推荐系统中数据缺失的情况，将冷启动问题分为用户冷启动、广告冷启动以及系统冷启动问题， 系统冷启动指既存在用户冷启动， 又存在广告冷启动的情况． 针对上述三种冷启动问题，可以考虑如下几种方法．针对用户冷启动问题，一方面可利用迁移学习的方式， 使用其它相关领域的数据， 弥补本研究领域数据不足的劣势， 例如将新闻数据集和广告数据集混合［８ °］． 通过该方式， 交叉学习用户行为特征， 改善各自领域数据集不丰富的情况， 还能提高模型或算法的泛化能力． 目前， 迁移学习在个性化广告推荐领域的研究较少， 但是为解决广告推荐中的冷启动问题提供了新的思路． 另一方面可引导用户通过社交账号登录， 在降低注册成本的同时， 获取用户的社交网络信息， 提高新用户变老用户的转化率． 尽可能扩展用户画像， 增加更多维度的信息．针对广告冷启动问题， 主要通过新增广告的内容属性进行挖掘， 包括广告的主题、主题类别、关键字等． 例如可将广告转化为关键字向量， 通过计算向量的相似度， 实现广告聚类， 并将其推荐给对类似广告感兴趣的用户． 此外， 利用深度学习等技术， 舍去对一些广告的交互或评级信息， 减少神经网络对类似信息的依赖， 使其对新项目具有鲁棒性．针对系统冷启动问题， 主要通过专家标注的方式， 引人专家知识． 由于用户的兴趣可能性较多， 需要对用户提供具有代表性、区分性、多样性的广告，保证广告具有很高的覆盖率， 可以较快地收集用户的反馈信息， 并构建用户画像． 类似于老虎机问题，即推荐系统并不明确哪些广告受用户喜欢， 也不清楚用户喜欢特定广告的概率． 此时可对用户随机推荐不同主题或内容的广告， 根据用户的反馈再做判断．（ ４ ） 广告推荐的内容敏感性问题广告推荐的内容要符合在满足用户偏好的同时， 也需要注意于当前上下文的匹配程度． 广告推荐的内容敏感性问题主要体现在广告推荐当前的内容是否合理， 会对用户的体验和感受以及商家的信誉产生很大的影响［１ ３ ７］． 例如， 用户在手机应用中浏览① Ｉ ＡＳ ：２ ０ １ ９ 年广告行业发展趋势报告． ｈ ｔ ｔｐ ： ／／ ｗｗ ｗ ． １ ９ ９ ｉ ｔ ．ｃ ｏ ｍ ／ ａｒ ｃ ｈ ｉ ｖ ｅ ｓ ／ ８ ４ ７ ０ ８４ ． ｈ ｔ ｍｌ张玉洁等： 个性３ 期 化广告推荐 系统及其应用研究 ５ ５ ５一条事故新闻时， 新闻中提到某景区设备发生事故，这时推荐系统可能根据该景区信息推荐该景区的广告， 此时该广告的内容就涉及到推荐内容敏感性问题． 而且，一些涉及违法犯罪内容的广告也会经常出现， 对用户产生极大的误导与消极影响．目前， 针对广告推荐的敏感性问题的研究比较少， 主要是通过构建分类器发现敏感内容． 例如， Ｊ ｍ等人［１ ３ ８］ 设计一种独特的网页敏感内容分类标准．然后， 构建一种分级分类器， 在不需要太多人工标记的情况下， 形成具有良好精度的敏感内容分类器．Ｐ ｅｎ ｇ 等人［ １ ３ ９ ］ 在移动广告环境下提出一种基于两阶段的敏感性校核方法， 包括广告分类和敏感性检测两个阶段， 分别用于判断广告分类和审核文本内容中是否有敏感信息． 上述方法均构建层次分类器， 获取敏感内容， 但是敏感性的确定过程存在主观因素，对敏感标准的确定和衡量是一个有趣的研究内容．另外， 深度学习技术的应用有助于确定广告中是否存在敏感性内容． Ｓ ａ ｎｚ ｇ ｌ ｎ 等人［１ ３ ７］ 利用预先训练的卷积神经网络处理广告图像素材， 将图像内容与目标网页中的信息结合， 以确定广告素材中是否存在敏感内容． 但是其实验环境为离线实验， 能否应对在线环境中实时改变的场景还需要进一步验证．因此， 广告推荐内容敏感性分析中确定一个统一的敏感性标准， 在减少主观因素干扰的同时， 实现敏感内容的在线自动检测是未来值得研究的方向．同时， 不能仅仅对广告的文本内容进行分析， 还应该借助深度学习的方法对图像、视频、音频等格式的广告进行筛选， 全方面防止敏感信息对用户产生不良影响．（ ５ ） 用户动态偏好获取在实际场景中， 用户的兴趣偏好会随着时间的推移发生改变， 静态的用户偏好无法满足用户的实时需求． 许多研究中通过考虑用户的长期兴趣［ ？ ’ ６ １ ’ ＿］、短期兴趣［ ２ ５ ］， 或者共同考虑用户的长期和短期兴趣［ １ ° ４ ａ ３ ４ ］， 获取用户偏好． 但是用户长期和短期偏好的划分没有固定标准， 并且随着时间的推移， 用户的长短期偏好依旧需要重新获取．一些研究中尝试获取用户的动态偏好， 通过多种推荐技术来保证对用户偏好的动态掌握［ ２ ２ ］， 根据用户反馈或者广告推荐系统效果评价及时更新用户信息［４ ］． 但是用户动态偏好获取没有统一的理论框架或者方法，评价标准多种多样， 无法在各种偏好获取技术之间进行效果对比． 此外， 用户偏好更新可能需要消耗大量的时间或计算资源， 不能在短时间内对用户的即时需求做出响应．因此， 考虑到用户偏好更新的评价和效率问题，可以将以下几个方面作为未来研究方向： ① 构建统一的用户动态偏好获取和评价框架， 为动态偏好获取提供理论和方法上的支撑； ② 划分时间窗口， 提出有效的评价指标， 衡量用户偏好在时间窗口之间变化的强度， 并根据指标结果做出响应调整； ③ 尽量减少用户的输人， 降低计算规模， 若用户具有结构简单的用户画像， 可以提高用户偏好的更新速度［ １ ４ ］．另外， 随着交互方式的进步， 许多系统或设备还可以获取更多的用户交互记录和实时反馈． 例如通过扫描二维码或其它接触方式等［ １ ４ ° ］． 因此， 可以通过ｃｏ ｏ ｋｉ ｅ ｓ 或者其它软件信息等， 对用户进行行为定向， 跟踪并计算用户的实时偏好或趋势．一方面可以通过用户在网上留下的近期内容提取特征， 并分析时间对用户兴趣的影响． 另一方面， 在广告展示时段内对用户行为重定向， 在根据用户兴趣变化及时推荐广告的同时， 可定向特定广告或服务的潜在用户， 进而使广告推荐更加精准．（ ６ ） 基于内容的广告上下文推荐的扩展目前基于内容的上下文推荐多依赖于页面上的文本内容， 例如用户评论［ ２ １ ］、用户浏览的博文［ ６ １ ］ 等．然而， 随着媒体传播方式的丰富， 页面上不仅仅具有文本信息， 还充斥着大量的图片、音频、视频等信息．若有效利用这些媒体资源， 根据图片或者视频中的内容， 结合用户偏好， 为用户推荐与图片、视频内容相关的广告， 能够有效提高个性化广告推荐的效果．例如， 文献［ １ ４ １ １ ４ ２ ］ 中根据图像或视频内容分析，自动将视频广告与相关互联网信息链接．对图片、视频内容的抽取能力不足是该研究方向的主要阻碍， 导致无法准确推荐产品或服务． 为此， 对图片来讲， 展示图片多是静态的， 可借助模式识别方面的算法模型， 对图片进行特征抽取和内容识别． 而对于视频来讲， 可通过获取视频关键帧中的特征得到内容． 因此， 发展视觉搜索能力， 利用深度学习等技术发现图片或视频等媒体中包含的内容，深人挖掘用户偏好， 对扩展基于内容的广告上下文推荐具有重要的意义．（ ７ ） 移动广告推荐系统本地化智能移动设备的普及和移动互联网技术的进步为移动广告推荐系统的发展创造了条件， 移动情景信息（ 用户位置、时间、轨迹等） 和本地资源信息（