Trajectory-driven Influential Billboard Placement

Trajectory-driven Influential Billboard Placement

本文提出并研究了轨迹驱动的有影响力的广告牌放置问题:给定一组广告牌U(每个广告牌都有位置和成本)、一个轨迹数据库Tand一个预算L，在预算范围内找到一组广告牌来影响最多数量的轨迹。其中一个核心挑战是识别和减少不同广告牌对同一轨迹的影响重叠，同时考虑预算限制。本文证明该问题是np难的，并提出了近似比为(1−1/e)的枚举算法。然而，当|u |较大时，基于枚举的方法开销较大。利用广告牌影响力的局部性，提出了一种基于划分的框架PartSel。PartSel将U划分为一组小的簇，计算每个簇的局部影响广告牌，并将其合并生成全局解。由于局部解的求解效率远高于全局解，因此PartSel算法大大减少了计算量;同时，该算法具有非平凡的近似比保证。然后提出LazyProbe方法进一步修剪具有低边际影响的广告牌，同时实现与PartSel相同的近似比。在真实数据集上的实验验证了所提方法的高效性和有效性。 

一研究问题

轨迹驱动的影响力广告牌放置问题：给定一组广告牌(每个广告牌都有位置且成本不一致)、一个轨迹数据库和一个预算约束L，在预算L内找到一组广告牌，使放置在选定广告牌上的广告影响最多的轨迹数量。

 主要目标是在预算范围内最大化影响力，这对广告商来说至关重要，因为每个广告牌的平均成本并不便宜。

第二个目标是在实现相同的竞争影响值的同时避免昂贵的计算，以便在不同的预算分配情况下对部署方案进行及时的分析

挑战：1）首先，一个用户的轨迹会受到多个广告牌的影响，这就导致了广告牌之间的影响重叠。

图1显示了6个广告牌(b1，…， b6)和6条轨迹(t1，…t6)。每个广告牌都与一个半径为λ的圆相关联作为其影响范围。如果所选的广告牌在其受影响的轨迹中有很大的重叠，广告商可能会浪费钱反复影响已经看过广告的受众。

2）由于预算约束L和不同广告牌成本的不均匀性，使得优化问题错综复杂。

 二研究方法：

本文首先利用枚举技术[8]提出了一种贪心算法EnumSel，该算法可以为TIP(第3节)提供(1−1/e)-近似。然而，该算法的运行复杂度为O(|T|·|U|5)，其中|T|和|U|分别是轨迹和广告牌的数量。

为了避免这种高计算代价，利用广告牌影响力的局部性，提出了一种基于划分的广告牌聚类框架PartSel(第4节)。其核心思想是:首先，将广告牌划分为一组影响力重叠度小的聚类;其次，执行枚举算法寻找局部解;然后，根据不同簇维护的局部解，利用动态规划方法构建全局解;

 为了进一步提高我们的PartSel框架的效率，我们设计了一种惰性探测方法，通过主动估计每个集群的上界，并仅在一个集群的上界很重要时结合来自该集群的结果

 

 

 

 

 

 OUR FRAMEWORK

我们首先提出了从一般预算最大覆盖(BMC)问题的算法扩展而来的两个方法。

1）basic greedy algorithm

2)Enumeration Greedy Algorithm

在保持可接受的效率的同时，将影响力最大化是至关重要的。因此，我们利用[8]中提出的基于枚举的解来获得(1−1/e)-逼近。

 A Partition-based Framework

我们的问题有一个距离要求，如果一个广告牌影响轨迹，轨迹必须有一个靠近广告牌的点(λ范围内的距离)。所有现有的技术都忽略了这一重要特性。经过仔细的研究，我们观察到，在现实世界中，大多数轨迹都跨越一个小的区域.

因此，我们利用这些局部特征提出了一种基于划分的PartSel方法。直观地说，我们将U划分为一组小的簇，为每个簇计算局部有影响力的广告牌，并将它们合并以生成U的全局有影响力的广告牌。由于局部聚类的广告牌数量较少，该方法在保持竞争影响力质量的同时大大减少了计算量。

1)Partition

 Lazy Probe 

PARTITION BASED METHOD 

1)Partition based Selection Method

 

 1)θ-partition

为了减少簇间的重叠影响，引入重叠率的概念，控制一个簇的任意子集与其他所有簇的最大重叠率 

 

给定重叠率，我们提出θ-partition的概念来权衡簇的大小和簇的重叠，其中θ是一个用户定义的参数，用于控制划分的粒度。 

2)Finding a θ-partition

值得注意的是，在u中可能存在多个θ-分区.寻找一个好的θ-划分并不是微不足道的，因为它可以建模为平衡k-切割问题，其中图中的每个顶点是一个广告牌，每条边表示两个影响重叠的广告牌，这被发现是np难的.

我们采用一种层次聚类算法[17]来近似地利用θ-划分。它首先将每个billboard初始化为自己的簇，然后迭代地将这两个簇合并为一个，如果它们的重叠率(公式5)大于θ。即对于每一对聚类Ci,Cj⊆U, if ϑij 大于θ，则Ci和Cj将合并。通过重复这个过程，当U中没有聚类可以合并时，得到近似的θ-划分。

 LAZY PROBE

与PartSel类似，我们采用动态规划的方法来计算选定的广告牌集合及其对每个聚类i和每个成本l的影响值。

 

阅读者总结：这篇论文很有趣，这个问题本身很有意思。应该说是典型的组合优化问题，解决方法水到渠成，但是没有觉得很眼前一亮，基本上遵循了贪心-分组-剪枝-优化，这几个套路方法。2）文中对问题的分析和理论上的证明很详细，值得学习。