本文是一篇电子商务论文，通过本文的研究可以从方法论的构建上提供一种思路，对解决地铁广告资源利用不均衡和部分广告位闲置的问题提供一种方案，并满足地铁运营部门和广告商的业务需求，提升两者效益。
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
地铁广告是地铁运营收入的重要来源，其投放的好坏直接影响到地铁收益大小。地铁广告的场景优势非常明显，是典型的可以通过大量且稳定的客流量来评定广告效果的户外广告媒体。在乘客进入地铁空间后就开始无差别的浏览广告信息，据调查有超过71.2%的乘客可以注意到地铁空间内广告资源的投放与更换。与此同时，地铁大客流具有收入稳定、高消费频率的特征，且高频次、长时间的乘车方式给地铁广告提供了稳定且较高的曝光次数和曝光频率。因此，合理均衡地投放地铁空间内的广告资源可以提升地铁运营部门的收益。目前，地铁广告存在不同车站广告位利用率差异大、更新频率低且受众匹配不够精准的问题。究其原因很重要的一点是，行业内对地铁广告的投放策略研究还处于初步探索阶段。目前研究主要集中在地铁广告多样化和地铁广告数字化转变的思路探索上，对如何解决精准化的广告投放策略研究成果较少。
另一方面，地铁作为一种户外广告媒体，存在广告受众属性特征难以刻画和广告效果难以量化的问题。地铁广告种类多样且行业内目前没有公认的统一分类标准，且针对广告推荐算法的研究主要集中在互联网行业，但互联网广告推荐算法在地铁这一特定场景下并不完全适用。有别于互联网广告的推荐，地铁广告的投放平台局限在特定的地铁网络中，且不同时段存在明显的周期性客流差异；地铁广告的受众特征难以用互联网用户特征提取方法获取，且广告投放效果也难以类似互联网广告直接通过用户的浏览记录或购买记录来量化。与此同时，对于互联网广告参与主体：个人、广告商、互联网平台，推荐算法的核心目标是不断优化个性化推荐的精准度；而对于地铁广告的参与主体：乘客、广告商、地铁运营部门，在不断提高地铁广告匹配的精准度的同时，也要将业务核心聚焦在地铁运营部门效益的好坏上。这就造成具有时空约束，难以以个体为推荐对象进行刻画的地铁广告投放策略研究较之相对成熟的互联网广告投放策略研究更为复杂。
1.2 国内外研究现状
1.2.1 互联网广告投放策略研究现状
在线广告投放实则就是推荐系统，本质上解决的是同样一个问题：即给定一个用户和一个待推荐的物品（广告），该用户对该广告（该物品）感兴趣，即匹配问题；该广告（该物品）在被该用户点击的概率是多少，即点击率预估问题。因此，解决的根本问题是改进广告投放策略使得推荐给各用户的广告最符合用户个人喜好和购买习惯，从而实现平台收入最大化和用户点击率最大化。广告投放是一种复杂的交互场景，从用户进入发出请求到接收到广告需要经过以下过程：请求—召回—排序—调价—重排。其中召回过程就是互联网广告“猜你喜欢”的主要算法过程。在召回的过程中需要从商品库里选出几百到几千个与用户相关的商品，投放策略的研究也是基于召回策略研究。
召回策略有很多经典的算法是主要是代表性的协同过滤算法和向量召回算法[1]。还有其他代表互联网公司如：阿里提出的TDM[3]、JTM[4]、SDM[5]模型。召回阶段筛选出的商品需要通过算法进行排序，其中代表性的是矩阵分解FM模型[2]，以此为基础不断改进的还有FFM[6]、AFM[7]、NFM[8]、DeepFM[9]、XDeepFM[10]、SeFM[11]模型以提高广告点击率(CTR)预测精度。还有其他代表互联网公司如：Facebook提出的LR+GBDT模型[12]，YouTube提出的深度神经网络DNN[13]模型，阿里提出的MLR[15]、MIND[17]、DHAN[18]模型、Google提出的Wide & Deep[14]、DCN[16]模型用以筛选推荐的物品及顺序以提高广告的转化率。
2 地铁车站类型识别方法研究
2.1 地铁客流特征和POI特征数据基础
对于地铁广告投放关键在于客流量的多少。因此，首先从客流特征和POI特征的数据来源出发，其中包括地铁AFC刷卡数据、地铁线网数据以及站点周边POI数据，对这些数据进行清洗和处理，为后文基于车站功能的识别聚类提供数据支持。
2.1.1 地铁客流数据
（1） 地铁AFC刷卡数据
地铁已成为公共通勤出行的主要交通方式，其自动售检票系统(Auto Fare Collection，AFC)也得到了广泛应用，如表2-1所示。
AFC收集了大量的乘客出行数据，包含了所有刷卡乘客的出行链信息，其主要信息包括乘车日期(TXN_DATE_TIME)、刷卡乘客卡号(CARD_SERIAL_NUMBER)、进站时间(ENTRY_TIME)、进站站点(O_ACCCODE)、出站站点(D_ACCCODE)。
2.2 聚类指标因素选取及量化方法
本文基于上述分析的地铁客流特征数据和地铁站点周边地理用地POI数据，选取以下五大类数据作为地铁车站聚类分析的变量因素来表征车站宏观和微观的特征，为进一步车站聚类方法提供基础[40]。
（1） 客流密度数据。
本文基于北京市分时段线网客流量包括早晚高峰和平峰时刻分时段各站点客流数据计算客流密度。
（2） 基于兴趣点(POI)的开发强度数据。
由于缺乏详细的土地利用及相关数据，本文通过爬取地铁站点周边800m内POI数据，分别选取餐饮购物、科教文化、住宅用地3类数据来代表地铁车站站点周边的土地用地类型和开发强度分布水平。
（3） 乘客出行模式数据。
本文以AFC客流数据为依据，地铁AFC刷卡数据包含每一名刷卡乘客的出行信息，这些信息既包括出行时间、出行时长、出行次数等时间信息，同时也包含有进站站点、出站站点等空间信息，通过分析这些数据，既可以得到个体层面的出行规律，也可以分析得到全网范围内客流的出行特征。
3 地铁广告分类方法研究 .................................... 37
3.1 地铁广告文本特征分析............................ 37
3.2 地铁广告分类算法建立................................. 38
3.3 地铁广告分类算法算例分析 .................... 39
4 地铁车站的广告投放策略匹配方法研究 ......................... 47
4.1 地铁广告投放策略模型设计研究 ..................... 47
4.2 融合知识图谱的图卷积网络广告投放策略模型建立 ................ 48
5 面向多目标的地铁广告投放策略优化研究 ......................... 67
5.1 地铁广告投放策略优化模型构建 ........................... 67
5.2 地铁广告投放策略优化模型求解 ............................. 70
5 面向多目标的地铁广告投放策略优化研究
5.1 地铁广告投放策略优化模型构建
地铁广告投放效益的优化是一个复杂的动态博弈问题，体现在不同利益方之间的优化诉求可能存在冲突且不同利益方均具有理性心智，在一个博弈环境下进行动态交互。对于地铁运营部门，其作为地铁广告投放策略的决策者会优先考虑地铁部门的收益，而广告商是否选择在地铁投放广告且投放位置的选择取决于地铁广告的投放成本和投放收益的差值是否符合广告商的期望。这就导致地铁广告在广告位的资源利用率上存在空间分布不均衡，体现在客流量大且地理位置有优势的车站被重复选择，而其他位置广告位闲置造成地铁运营部门收益降低且因为同一广告位被重复选择广告商的收益也降低。传统的广告推荐优化方法往往只考虑优化所有广告商的预期收益，即优化广告转化率，在地铁广告中也就体现为将所有广告均集中投放在某几个车站，这种优化方法无法改善地铁广告位资源利用不均衡的问题，且无法提升地铁运营部门的收益。而地铁运营部门作为地铁广告参与主体间动态博弈的决策者，是本文研究问题的主要优化主体，同时也要考虑地铁广告转化率评定数据难获取且时空差异对于广告效果的影响。因此，需要改进传统的推荐算法优化模型来匹配地铁广告投放策略优化问题。
6 结论与展望
6.1 论文工作总结
目前行业内对于地铁广告投放策略还没有一套较为完备的数学解决方法，本文通过总结地铁行业目前研究现状和借鉴互联网行业的工作成果，首先通过分析地铁广告的特性，以易获取的地铁客流数据和地理用地POI数据为基础对地铁车站和广告类型进行分类，通过将个人推荐转化为群体推荐；利用先匹配再优化的方式以确保广告出现的位置和时间与品牌或产品的目标受众相匹配。通过本文的研究可以从方法论的构建上提供一种思路，对解决地铁广告资源利用不均衡和部分广告位闲置的问题提供一种方案，并满足地铁运营部门和广告商的业务需求，提升两者效益。具体工作如下。
（1）基于DPMM的地铁车站类型识别方法研究
从地铁自身的角度出发，通过对车站类型的分类研究，可以识别出乘客群体的特征，将乘客的个人偏好转化为车站的群体偏好，将个人精准推荐替代为群体推荐。因此，本文通过将客流数据和地铁车站周边POI数据相结合提出了以客流密度、开发强度、乘客出行模式、车站宏观客流规律、站点位置属性五大类共19个聚类指标因素，系统性、针对性地概括了不同地铁站的客流量、乘客属性以及消费属性。最终，通过量化指标建立了狄利克雷混合模型识别出了商业娱乐类车站、交通枢纽类车站、商业办公类车站、高消费居住类车站、高消费工作类车站、低消费居住类车站、低消费工作类车站共七种类型车站。本文提出的模型可以避免其他聚类模型因需要事先指定聚类数量而产生的人为干预，自动地将具有明显相同特征的车站进行归类，为地铁广告投放策略匹配模型提供了可表征乘客偏好的车站类型数据。
（2）基于TF-IDF和FastText相结合的地铁广告分类算法研究
目前地铁广告种类过多，且行业内对于这种非结构化数据还没有统一公认的分类方法。因此，本文针对分类问题借鉴电商商品分类的方式将地铁广告总结为十大类商业广告和一类公益广告；针对非结构化数据难以量化的问题本文提出TI-FastText模型来对地铁广告文本进行拆分和关键词识别，以此来快速自动、较为便捷的识别地铁广告所属类型。结果表明，本文提出的TI-FastText模型较经典的贝叶斯分类模型和经典的FastText分类模型在准确率𝐴上分别提高了9.8%和5.5%，在精确率𝑃上分别提高了7.8%和4.97%，在召回率𝑅上分别提高了8.7%和2.4%，在𝐹1值上分别提高了7.3%和3.4%。
参考文献（略）