網路個人化廣告配置之研究

摘要

Contextual Advertisement 是一種透過Web 來吸引顧客的廣告形式，目前已逐漸成為重要的行銷管道之一。本研究提出一套基於廣告內容 (文字型廣告) 的機制，將相關的廣告分配至一般個人網頁 (如部落格網頁)。部落格是Web2.0 的代表應用之一，其特點在給予使用者便利的內容創造工具。透過部落格，內容創造者可輕易地表達個人的意見，而一般瀏覽者也可據此意見做為商品選購的參考。因此如果一個部落格網頁呈現的是產品的負面意見，那麼瀏覽者的點選機率可能是較低的。再者，部落格的擁有者恐怕會更樂意地獲得和自身網站內容呈現高度正相關的廣告。因此，我們提出一個透過意見分析中的情緒偵測來改善目前現有的文字型廣告，稱之為SOCA (Sentiment oriented contextual advertising) 架構。從另一個角度來說，雖然大部份文字型廣告考慮的是“放置瀏覽者可能關心的廣告”，但事實上大多數不是熱門的部落格網頁最主要的瀏覽者就是部落客本身。因此就長尾理論來說，我們更應該為大多數內容創造者配置合適的廣告。因此本研究即據此想法提出以部落客為中心的廣告配置架構 (Blogger-centric contextual advertising)。本研究應用意見分析、意圖辨識、資料檢索、機器學習等技術做為SOCA 及 BCCA 廣告架構。此外社群網路 (Social Network, 例如: Facebook, Morgenstern) 已漸漸成為使用者產生社群活動的平台。文獻指出超過五分之一的線上廣告被配置於社群網路中，因此線上廣告配置基於使用者興趣及社群關係更顯得格外重要。本研究最後以社群網路為背景提出以機器學習為基礎的廣告配置架構。首先我們提出三種基礎過濾機制 (1) 基於內容過濾 (Content-based filtering)；(2) 協同式過濾 (Collaborative filtering)；(3) 社群式過濾 (Social filtering):。此外為了加強協同式過濾法，我們採用boosted 方法來解決 first-rater 和 sparse 問題，稱為boosted models；最後為了有效將 fundamental 及 boosted 過濾機制整合，我們提出以機器學習為主的過濾機制來配置社群網路中的廣告。本論文透過真實資料集進行實驗，資料集包含有文字廣告、部落格網頁及社群網路相關資料，實驗結果顯示，本論文所提出的方法模型確實有效地配置和使用者興趣相關的廣告。