33、广告推荐与频繁项集挖掘及能源分解技术研究

广告推荐与频繁项集挖掘及能源分解技术研究

在当今数字化时代，广告推荐、数据挖掘以及能源管理等领域都有着重要的研究价值。本文将围绕位置感知广告推荐、单遍频繁项集挖掘以及基于半二元非负矩阵分解的能源分解这三个方面展开探讨。

位置感知广告推荐实验研究

在广告推荐系统中，位置信息是一个重要的因素。通过对实时投标请求数据的基础数据分析，我们发现了一些关键信息。我们的系统即将上线，届时将能够收集用于推荐的数据，包括投标请求、投标响应以及点击或未点击情况。

我们从合作伙伴处获取了投标请求数据，并进行了实验，以了解可用于构建推荐器的数据类型。这些数据以 JSON 格式呈现，包含移动应用、设备、展示、网站和用户等信息，其中位置信息嵌入在设备父类别中。

我们绘制了设备地理纬度和经度的直方图分布，以及按国家和城市划分的投标请求数量分布。在处理这些数据时，我们发现缺失数据是一个重要挑战。我们将投标请求数据信息映射到一个包含 113 列的数据集，发现约 24.8%的数据包含经纬度信息，约 99.95%的请求包含城市和国家信息，所有数据点都有相关的 IP 地址。

基于这些发现，我们得出结论：如果存在经纬度数据，我们将调用细粒度推荐器；否则，推荐基于城市或国家的推荐器；如果没有可用信息，则调用基线推荐器。我们计算出投标请求的缺失数据比例约为 71%，这表明需要构建多个推荐器，以在不同的输入数据场景下触发。

下一步的目标是从实时系统中收集投标请求、投标响应和点击信息数据，让推荐器学习并进行推荐，从而调整、评估和改进未来版本的推荐算法。

单遍频繁项集挖掘的 SPFP - 树算法

频繁模式挖掘在数据挖掘领域是一个