移动广告精准分析平台的设计与实现

论文摘要

随着移动通信网络的高速发展和手机终端功能的不断强大,移动业务越来越丰富。伴随着技术的进步,移动广告正在成为广告业的新生力量。基于强大的用户群和海量用户数据,移动广告可以最大限度的实现广告的精准投放,一改广告作为一种单向的营销手段的形象,成为一种信息的传达,为广告主和目标客户搭建一座信息的桥梁。在移动广告的精准投放过程当中,面临着两个问题：有效的存储分析海量的用户数据和以一种高效简单的方式利用从数据中得到的知识指导广告的精准投放。为了解决这样的问题,移动广告精准分析平台需要一套完整的海量数据处理机制和服务提供机制,为移动广告的精准投放提供必要的精准信息,从而满足用户、广告主和运营商共同的利益和需求。基于以上背景,本文给出了一套完整的移动广告精准分析平台解决方案,利用分布式计算平台Hadoop作为海量数据的存储和计算工具,利用分布式数据仓库Hive和分布式数据库Hbase平衡由于海量数据处理和实时服务需求不同造成的性能问题。该平台设计了以标签为核心的服务提供模式,由精准分析平台提供以标签形式体现的广告精准信息,由广告主选择符合自身广告的精准信息并通过后向管理平台进行广告与精准信息的联结,而广告平台在业务触发的时候参考广告主的匹配信息和精准分析平台提供的精准信息进行广告的选择,将最合适的广告投放给用户。通过这样的方式,可以联结广告主、用户和各个业务平台,从而实现了广告的精准投放,帮助运营商在整合广告资源、向用户提供更好的信息服务的同时,实现利润增长。

论文目录

• 摘要
• ABSTRACT
• 第一章 概述
• 1.1 背景简介
• 1.2 论文结构
• 第二章 移动广告和精准分析平台
• 2.1 移动广告的特点和优势
• 2.2 精准营销和移动广告精准分析平台
• 第三章 Hadoop分布式计算平台简介
• 3.1 Hadoop概述
• 3.2 HDFS简介
• 3.3 Mapreduce分布式计算模型简介
• 3.4 Hbase和Hive简介
• 3.4.1 Hbase介绍
• 3.4.2 Hive介绍
• 第四章 移动广告精准分析平台架构设计
• 4.1 位置和功能
• 4.2 商业模型
• 4.3 数据模型
• 4.3.1 数据仓库数据存储和更新模型
• 4.3.2 业务数据存储模型
• 4.3.3 社会网络数据
• 4.4 服务接口设计
• 4.5 系统整体设计
• 4.5.1 模块划分
• 4.5.2 核心业务流程介绍
• 第五章 分布式贝叶斯分类的设计与实现
• 5.1 分类算法简介
• 5.2 贝叶斯分类
• 5.3 算法设计
• 5.3.1 特征归约
• 5.3.2 特征相关性统计
• 5.3.3 模型训练
• 5.3.4 分类过程
• 5.4 实验数据
• 第六章 基于自中心网络的用户分群设计与实现
• 6.1 社会网络分析简介
• 6.2 社会网络数据结构设计
• 6.3 自中心网络分析模型设计
• 6.4 分布式自中心网络算法设计
• 6.5 实验数据
• 第七章 基于MST的分布式聚类设计与实现
• 7.1 聚类算法简介
• 7.2 分布式最小生成树算法设计
• 7.2.1 相似度度量选择
• 7.2.2 最小生成树算法
• 7.2.3 基于最小生成树的聚类划分
• 7.2.4 算法步骤和瓶颈
• 7.3 算法实现
• 7.3.1 步骤1:生成图
• 7.3.2 步骤2:生成最小生成树
• 7.3.3 步骤3:聚类划分
• 7.4 数据验证
• 7.4.1 实验数据
• 7.4.2 实验环境
• 7.4.3 试验结果描述
• 第八章 总结和展望
• 结束语
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文