需要帮助的朋友下方 本研究建立了一个广告媒介的推荐系统。该系统通过专业数据公司提供的数据，利用时间序列预测技术，较为精准地预测手机端app的数据，再结合多维度的权威数据进行广告媒介的推荐。并经过实验证明，该系统有着较好的准确性和可信性。
本研究为广告行业的去人工化、方便化、提供了一定的贡献，同时可以作为决策支持工具，对于媒介从业人员的工作(广告媒介选择)提供了相应的辅助。
关键词：广告;时间序列预测算法;协同过滤算法;数据挖掘
文献综述
广告，是从商品的起源就开始存在。最早的广告是在古希腊被发现的，当时的广告大都还是通过口头传播，“酒香也怕巷子深”就证明了这一点，即便商品优质但也需要广告的宣传才能被更多的消费者和潜在消费者所了解，进而产生消费行为。随着工业革命的到来，丰富了媒介的种类，15到16世纪的欧洲开始广泛运用印刷术，出版业日益发展，真正的现代广告终于出现，报纸成为广告的重要媒介之一。20世纪电视诞生，电视节目越来越成熟，广告也将眼光放到电视上投放，年7月1日晚2点29分就是历史的时刻，在那一刻，世界第一支电视广告诞生，它是由宝路华钟表公司投放在纽约市全国广播公司旗下的电视台，虽然广告内容简单，只有一句话“美国以宝路华时间运行!”而且时间也只有十秒钟，但却具有划时代的意义。从那时就可以看出，广告是随着媒介的变化而不断追赶时代进行变化的。
互联网的出现更加速了时代的变化，广告不再只是存在于报纸、广播、电视以及户外广告牌(一般存在于公交站、机场、商场等人群聚集的地方)等传统媒介上面，而是逐渐将重心转移到PC端以及移动端。而根据行业数据报告显示，移动端势头更加迅猛，早在年时，数字广告市场份额超过电视占比35%[1]。年中国移动广告市场规模就已经突破千亿元。个中原因比较容易理解，一是由于现代人越发沉迷于手机，通过手机进行工作联络的人日益增加，各种各样令人眼花缭乱的app更是占据着现代人的生活时间。根据年德国数据统计显示，中国人每天在智能手机上花费的时间超过3小时，一跃成为全球第二，仅次于巴西。二是，移动端上的广告形式更加多种多样，容易与用户进行互动，让其易于接受，促进消费行为。除了app开屏广告、视频信息流等较常规的之外，出现了更多的广告媒介来传播软性广告。近年来，软性广告也是广告主更加喜爱的广告形式，较多广告主都会将大部分资金用于此。例如， 广告的效果一直以来都是这个行业比较难以用经验来概括总结出必胜法的，一般依靠资深广告人多年的经验以及沉淀出来的“直觉”判定一个广告是否可以“火”，是否会成为爆款。现在由于互联网的崛起，广告人更喜欢用数据来证明他们的观点，支持他们智慧凝结成的推广方案，但依旧不一定会奏效。用一句形象的话来概括就是“以往的广告是大家闭着眼睛憋几个月靠直觉赌命，现在的广告则更适宜于睁着眼睛看着数字持续赌。”那么，是否这些广告的投放是没有意义的呢?答案必然是否定的。
广告的作用机制是，告知、说服、提醒、强化。广告投放给非消费者或者非受众，旨在培养品牌或者产品的知名度。对于真正的受众，目的才在于培养美誉度和忠诚度。因此，即便仅仅只是增加曝光度让更多人看到，依旧可以起到很大的作用，对于成熟的品牌和产品来说，这是必不可少的资金投放项目。
一支广告从产生到映入消费者的眼帘，一般分为三个环节：策略、创意和制作、媒介投放。由于我在广告媒介公司实习并于毕业后任职，对此有相对丰富的经验和更大的兴趣，因而此篇论文仅讨论广告的媒介投放方面。年是媒介公司遇到危机最大的一年，正在被咨询公司和广告主的市场部两头夹击。在苏铭天爵士的年度报告中就有提及此事。全球第一大的广告集团WPP集团，在去年一年中与战略咨询公司面对面抢夺业务多达80次，而广告公司获胜的概率却只有62.5%，可以明显感受到咨询公司的势头迅猛。广告主方面的市场部也想从中分一杯羹，很多市场部开始直接联系媒体进行广告投放。由此可见，广告媒介公司不得不不断提高其专业度才可能不在这场没有硝烟的战争中惜败。
但广告媒介公司的劲敌远远不止这些，网易、爱奇艺等知名互联网公司坐在其所在行业的第一把交椅，但并没有满足于此，他们有着自己的广告团队，所做出的爆款刷屏广告不胜枚举。例如，“网易云音乐红色乐评列车”、“入职半个月，网易爸爸让我怀疑人生”、“寻找梦想的旅程”等等。除了已有很大规模的媒体之外，自媒体更是层出不穷，并且散布在各个社交平台上， 根据我近半年来在一家国际知名的广告媒介公司实习的经历来看，app的硬广告投放占据其移动端广告投放经费的绝大部分，比如，新浪微博的开屏广告、腾讯新闻的视频信息流和 互联网飞速发展，app数量也以指数式增长，如果仅凭借媒介策划人员日常的信息获取及之前媒介投放的经验做出判断，开始变得越来越不奏效了。互联网发展的另一个产物是，利用编程解决的问题也越来越多，不妨借鉴知名电商网站亚马逊成熟的推荐系统的思路，通过数据分析来推荐媒介给代理公司的媒介策划人员，解决存在的问题。
从应用上来看，在广告行业目前的绝大多数与大数据相关的应用都是面对广告主的，针对代理公司的解决方案几乎是空白。许多学者 程序化购买目前所遇到的障碍是，对媒介代理公司专业价值、整合价值，总体的收费模式，组织架构，人员构成的挑战，并且百度、阿里巴巴、淘宝这样拥有大数据的公司还没有开始进行数据共享也给程序化购买的数据方面造成了一定的阻碍。就目前市场现状来看，大部分在BAT等大体量互联网公司进行程序化购买投放的广告主是中小型企业。大客户一般还没有将大量资金投入于此，而是选择继续在以往的媒介代理公司进行广告投放。因此即便目前程序化购买这个概念被炒得火热，但传统媒介投放方式还是具有很大的应用空间，具有不能小觑的市场份额。再看现在关于广告投放的研究，知网上几乎百分之九十九的内容都是与程序化购买有关，但关于传统媒介投放方式的优化方面还存在很大的空白，这样的研究可以在未来几年，传统媒介投放方式与程序化购买的过度时期来使用，依然具有很高价值。
再说一下本文将会用到的时间序列分析预测方法和推荐系统目前的应用领域。在自然科学和社会科学各研究领域中，大量决策问题都离不开预测，预测是决策的基础。人们对事物的了解仅限于观测数据,即时间序列,因此只能利用现有的历史数据构造模型,进而预测未来。[3]除这两个领域以外，基于时间序列的分析预测方法还应用于经济金融领域，如基于灰色-ARIMA的金融时间序列智能混合预测研究[4]，和医疗领域，如ARIMA模型在我国梅毒发病率预测中的应用[5]。而很少会应用于APP活跃度的预测方向，可以查到最近最相似的文献为发表于年的基于季节性ARIMA模型的移动APP用户活跃度分析[6]——以利市软件为例，这是以季节为主要的评估维度使用ARIMA模型进行的预测，而我将应用于日常的APP活跃度预测，再将预测结果作为媒介广告投放选择的其中一个参考依据，以获取更好的广告效果。
急速发展的互联网使得人们享受到信息获取的便利，同时也带来了问题，信息过载即人们对信息的接受、处理和有效利用能力远远赶不上时代发展的速度和信息膨胀的速度。推荐系统应运而生，它是一种重要的信息过滤技术。通过对用户的兴趣与偏好的研究，利用一定的算法规则，发现用户的个性化需求并主动地为用户推荐信息和内容，从而有效地缓解信息过载的问题。[7]推荐系统的任务是将用户和信息巧妙地联系在一起，帮助用户寻找到对自己有用的信息的同时也能让信息展现在对它感兴趣的用户面前，这样实现信息消费者和信息产生者的双赢。它不仅可以在信息消费者有明确需求时更得心应手地应对信息过载，更可以在没有明确需求的时候让信息消费者避免手足无措的尴尬局面。一般推荐系统有三种，社会化推荐(socialre 说到个性化推荐的应用，浮现在脑海中有很多常用app和网站的不同种推荐方式。比如应用最为广泛的领域——电子商务，最开始进行个性化推荐也是经常被学者作为案例来进行分析学习的美国最大的网络电子商务公司亚马逊的推荐系统，被RWW(读写网)称为“推荐系统之王”。在各个类别产品中均有应用，但最主要的是个性化商品和相关商品的推荐列表。推荐方法一般有三种，第一种是基于用户的历史行为做出推荐，如若它给你推荐了一本安妮宝贝的小说，大都是因为你曾经在网站上留下过对文艺故事类的书正面的反馈。第二种是基于好友做出的推荐，按照脸书(Facebook)上好友在亚马逊上喜欢过的物品给你进行推荐。第三种是相关商品推荐，在所要购买的商品下方显示购买或者浏览过这件商品的其他用户经常购买的其他商品。这已经是电子商务平台很重要的组成部分，国内知名的电商平台淘宝网、京东商城等也纯熟地应用了这一技术。例如淘宝在首页最下方设置“猜你喜欢”板块，就是根据最近用户浏览或购买的物品种类或款式进行推荐，在付款结束购买之后，下方也会出现一些类似商品的推荐，在一定程度上方便了用户的消费行为，让找东西更加方便，也将商品推广给更多的人。
推荐系统在音乐、视频平台上应用也十分广泛，此类平台需要使用推荐系统的原因是，音乐和视频的种类实在是数不胜数而且一直以疯狂的速度进行增加，信息过载是用户无疑会面临的问题，并且有很大一部分用户只是把音乐当作背景音，只有很少一部分人有听某种特定歌曲的需求，对普通用户来说只要是符合自己心情的音乐便都可以。视频网站也是同理，观看视频作为一种消遣时间的娱乐活动，很多用户只是想放松心情随便看一些内容来消磨时光，并没有指定想要看的电视剧目或者综艺节目。在这中场景下，推荐系统就十分必要了。音乐推荐系统的出现能够为用户推荐可能喜欢的音乐,帮助用户快速的发现或者找到自己想要的歌曲。这种推荐服务能够为用户提供良好的使用体验,带来商业利益,因此音乐推荐领域也成为工业界和学者们重视的研究方向。[8]国内的主流音乐播放器，QQ音乐、网易云音乐、酷我音乐盒等均有应用这一技术，其中网易云音乐在每日推荐上经常被用户公开表扬其跳过率低以及被收藏率高，由此可见网易云音乐的推荐算法比其他会较复杂且了解用户心理。再说视频系统，最典型的例子就是美国视频网站Youtube，还有国内的几大视频网站巨头，例如腾讯视频、爱奇艺、优酷网、哔哩哔哩等。其推荐系统首先对采集到的用户数据进行一系列的预处理使其符合数据挖掘对于数据源的要求;然后使用改进后分类回归树将经过预处理后的数据源建立起用户的兴趣模型,从而挖掘出用户的个人偏好;最后将Item-based和User-based两种模型进行组合,两种模型的合理组合使两种模型在扬长避短的前提下实现了系统高效精准的推荐功能。[9]
专业服务学年论文，专科及本科毕业论文，硕博论文，教师职称论文，开题报告，文献综述，降重，PPT制作，质量保障，拒绝复制，觉得原创诚信合作！还可以接急搞如需帮助直接识别下方