CN102708131B - 将消费者自动分类到微细分中 - Google Patents
将消费者自动分类到微细分中 Download PDFInfo
- Publication number
- CN102708131B CN102708131B CN201210056145.4A CN201210056145A CN102708131B CN 102708131 B CN102708131 B CN 102708131B CN 201210056145 A CN201210056145 A CN 201210056145A CN 102708131 B CN102708131 B CN 102708131B
- Authority
- CN
- China
- Prior art keywords
- fine
- user
- offer
- attribute
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 94
- 230000000694 effects Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 54
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000013011 mating Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 description 17
- 230000006399 behavior Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005469 granulation Methods 0.000 description 3
- 230000003179 granulation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000545442 Radix Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
提供了将消费者自动分类到微细分中的方法、***和计算机程序产品。在微细分***处接收来自要约提供者的活动。该微细分***是第三方***。该活动指示目标属性集合以及与该目标属性集合相对应的一个或多个要约。在该微细分***处接收属于多个用户中的每个的用户属性集合。属性集合通过属性知识结构来定义。在该微细分***处接收来自多个用户中的每个用户的从所述微细分***接收要约的批准。从该微细分***向要约提供者提供不带有用户信息的与微细分分类相关联的数据。
Description
技术领域
本公开总体上涉及消费者的分类。更具体地,本公开涉及将消费者自动分类到微细分(micro-segment)中。
背景技术
内容提供商、商户和营销者必须精确地定义和定向高度具体的市场细分(segment)以有效地递送最相关的在线内容。最相关的在线内容的例子是广告、要约、娱乐、新闻等。
微细分是典型地由营销者通过先进的技术和技巧来识别的市场或群体的精确划分。例如可以利用数据挖掘、人工智能和多种算法。这些技术和技巧被用于通过识别和预测微小的消费者花费和行为模式来将消费者分组为精细粒度的细分,即,微细分。换言之,微细分是共享类似的属性、购买行为和/或对特定的特征集合的兴趣水平的一组(购买)决定者。然而,在当前环境中,由于若干原因,将新的用户社区细分为微细分可能是困难的。具体地,消费者越来越多地过滤内容和营销消息,这降低了营销者效率。此外,即使在收集更多消费者数据和行为时,其中大部分欠利用,这是因为行业专业知识的缺乏和可用技术的限制。另外,新创建的用户社区和群体内的有意义的细分是困难的。
此外,细分困难还影响大量站点用户的所记录的行为以确定对于多种用户细分的推荐的内容、产品和服务的许多网站。推荐***利用的算法可以从k-最邻近(k-nearest neighborhood)方法、到偏好/兴趣/口味相似度方法(例如通过使用Pearson Correlation来找到)、到协同过滤(collaborative filtering)算法(例如购买X的人也购买Y)进行变化。全部这些方法所具有的挑战是在***可以进行推荐之前具有基于所记录的偏好和行为对非常大的用户群体进行精确细分。
发明内容
在本公开的一方面中,提供了一种计算机程序产品。该计算机程序产品包括具有计算机可读程序的计算机可用介质。该计算机可读程序当在计算机上执行时引起计算机在微细分***处接收来自要约提供者的活动。微细分***是第三方***。该活动指示目标属性集合。此外,计算机可读程序当在计算机上执行时引起计算机在微细分***处接收属于多个用户中的每个用户的用户属性集合以及与目标属性集合相对应的一个或多个要约。该属性集合由属性知识结构定义。另外,计算机可读程序当在计算机上执行时引起计算机在微细分***处接收来自多个用户中的每个用户的从所述微细分***接收要约的批准。计算机可读程序当在计算机上执行时引起计算机在微细分***处处理微细分定义、活动、以及目标属性集合,以根据多个用户确定微细分分类,其中该多个用户中的每个用户具有用户属性集合和目标属性集合之间的匹配。此外,计算机可读程序当在计算机上执行时还引起计算机从微细分***向要约提供者提供不带有用户信息的与微细分分类相关联的数据。属性集合由属性知识结构定义。另外,计算机可读程序当在计算机上执行时还引起计算机在微细分***处接收基于与来自要约提供者的微细分相关联的数据的要约。计算机可读程序当在计算机上执行时还引起计算机从微细分***向微细分分类中的用户提供基于与微细分分类相关联的数据的要约。
在本公开的另一方面中,提供了一种过程,该过程在微细分***处接收来自要约提供者的活动。微细分***是第三方***。该活动指示目标属性的集合。此外,该过程在微细分***处接收属于多个用户中的每个的用户属性的集合以及与目标属性集合相对应的一个或多个要约。该属性集合由属性知识结构定义。另外,该过程在微细分***处接收来自多个用户中的每个用户的从微细分***接收要约的批准。该过程还利用微细分***中的处理器处理微细分定义、活动、以及目标属性集合,以根据多个用户确定微细分分类,其中该多个用户中的每个用户具有用户属性集合和目标属性集合之间的匹配。此外,该过程从微细分***向要约提供者提供不带有用户信息的与微细分分类相关联的数据。另外,该过程在微细分***处接收基于与来自要约提供者的微细分相关联的数据的要约。该过程还从微细分***向微细分分类中的用户提供基于与微细分分类相关联的数据的要约。
在本公开的又一方面中,提供了一种***。该***包括微细分接收模块,其接收(i)来自要约提供者的活动,(ii)属于多个用户中的每个用户的用户属性集合,(iii)来自多个用户中的每个用户的接收要约的批准,以及(iv)基于与来自要约提供者的微细分分类相关联的数据的要约,该活动指示目标属性集合以及与目标属性集合相对应的一个或多个要约。此外,该***包括微细分处理器,其处理微细分定义、活动、以及目标属性集合以根据多个用户确定微细分分类,其中该多个用户中的每个用户具有用户属性集合和目标属性集合之间的匹配。另外,该***包括微细分传输模块,其向要约提供者发送不带有用户信息的与微细分分类相关联的数据,以及向所述微细分分类中的用户发送基于与微细分分类相关联的数据的要约。
附图说明
与附图结合参考以下描述,本公开的上述特征将变得更明显,在所述附图中类似的参考标号表示类似的元素,在所述附图中:
图1图示了微细分***配置。
图2图示了用于微细分分类的过程。
图3图示了用于执行将消费者自动分类到微细分中的另一过程。
图4图示了执行图3中所图示的过程块处的语义处理的语义配置。
图5图示了可以用于微细分自动分类的***配置。
具体实施方式
提供了微细分方法、***和计算机程序产品以将用户自动分类到微细分中。可以识别和创建新创建的用户社区内的许多高价值的微细分。广告商和营销者可以自动化定制微细分的创建,他们可以跨一系列的多媒体设备向所述定制微细分递送高度定向和相关的内容。在识别了微细分之后,它们可以被用于自动化内容的递送、个性化的直接微营销、以及微促销活动,其定向和吸引成员个体的具体的口味、需要、愿望和期望。微营销是以下过程:***将每个消费者建模为具有关于公司的产品、服务、价格和促销的不同的想法和感受,并且以恰当地方式吸引他们。消费者指作为消费者并且利用这里提供的配置的用户。微细分提供比细分更精细的粒度水平。据此,微细分可以辅助营销者识别和预测微小的消费者花费和行为模式。例如,微细分可以用于运用诸如核心群体统计、随时间的类别花费、精细粒度的购买历史、以及购买动机之类的数据源。这些数据源中的一部分,诸如购买历史和类别花费,可以随着它们来自第三方(例如***公司)而被验证。作为结果,营销者能够提供更准确、精确和定向的要约。
此外,微细分内的成员身份可以递增地和连续地在微细分内更新。另外,可以利用行为和自然语言处理(“NLP”)信息来自动检测和提取动机语义。
此外,可以对每个微细分内的用户快速和准确地生成关于内容、产品和服务的推荐。推荐***可以用于执行该推荐。推荐***是采用试图基于特定用户(消费者)所在的簇或细分来推荐他或她很可能感兴趣的信息内容或产品项目的信息聚类和过滤技术的***。在一个实施例中,推荐***将用户的行为和/或显式简档与一些参考特征比较,然后试图预测用户将对其可能未考虑的项目给出的兴趣“评价”。这些特征可能来自信息或产品项目(使用基于内容和/或属性方法)或用户的社会环境(使用协同过滤方法)。
在一个实施例中,每个微细分包括定义被决定者利用的属性集合的关键区分特征(KDF)的特定集合和指示微细分大小的容量或数值。图1图示了微细分***配置100。微细分***配置100具有作为商户104与多个用户106中的每个用户之间的第三方信任***的微细分***102。要约提供者104可以是向微细分***提供活动的售卖产品的公司、售卖服务的公司、营销公司、广告公司等。活动指示要约提供者在对特定用户营销产品或服务时寻找的目标属性集合。据此,目标属性集合指活动所定向的属性的集合。作为例子,活动可以是对在美国销售男式运动鞋的要约。微细分***102接收该活动并且还从多个用户106接收用户属性。属性是特性或特征。属性的一个例子是性别。据此,性别属性的值可以是男或女。微细分***102然后执行对于以下的确定:多个用户106中的哪些用户具有匹配活动的目标属性的属性值。换言之,微细分***102评估所创建的微细分定义、属性值和值分布以确定特定微细分的选择性。微细分***102确定包括匹配活动的目标属性的用户的微细分108。在一个实施例中,全部目标属性必须等于用户属性以使得用户被放置到微细分108中。在另一实施例中,必须满足最小匹配评分以使得用户被放置到微细分108中。作为例子,用户可能不一定要匹配全部属性,而是可以匹配足够多的属性以生成超过提供商的最小阈值的评分并且将消费者放置到微细分108中。在另一实施例中,在评分方法中利用加权机制来将特定属性相对于其他属性加权。例如,在评分计算中年龄属性可以具有比地理属性更高的加权。在一个实施例中,***补偿属性偏置以避免属性过度加权。类似地,可以允许营销者在确定微细分相对于候选用户的选择性时定制微细分属性的加权。
在一个实施例中,在微细分***102自动将用户分类到微细分108之后,微细分***102向要约提供者104发送微细分数据定义。在一个实施例中,微细分***102捕捉用于分类现存和/或新用户的默认定义和/或训练数据。基于用户属性被组合和利用的方式的数目,细分定义的量的范围可能从几个到数十亿。在另一实施例中,该微细分数据定义不包括微细分中的用户的个人身份信息。换言之,多个用户在信任的基础上向微细分***102提供属性信息,从而微细分***不向要约提供者104发送个人地标识用户的信息。***可以不向要约提供者发送除了关于他们定义的微细分的代表性统计或一般统计之外的任何数据。作为例子,微细分可以包含两万七千三百三十二个消费者。在递送了要约之后,一万七千三百四十四个消费者查看了该要约,三千四百四十四个消费者点击了该要约以了解更多,而六百三十四个消费者购买了该要约。此外,在一个实施例中,多个用户106向微细分***102提供向他们发送要约的批准。由要约提供者104接收的微细分数据定义对诸如微细分中的用户数目、他们的属性值等信息进行提供。要约提供者104可以快速地确定目标受众中对活动的潜在兴趣,而不在对接收该特定活动的广告不感兴趣的人上浪费广告和资源。作为结果,要约提供者104可以现实地确定活动是否经济上可行以及应当贡献给活动的资源量等。然后要约提供者可以基于微细分数据向微细分***102发送要约。换言之,要约提供者104不直接向微细分108发送要约。在接收该要约之后,微细分***然后可以向微细分发送该要约。如果微细分中的用户愿意了解关于该要约的更多信息或接受该要约,则用户然后可以通过跟随要约中所提供的链接而单独地联系要约提供者。在另一实施例中,也可以向要约提供者104发送除了微细分数据定义之外的微细分数据。作为例子,除了微细分数据定义之外,可以在活动的递送之后向要约提供者发送活动表现统计。
在一个实施例中,微细分***102还执行推荐。微细分***102可以向用户递送推荐。在一个实施例中,给定任何用户,微细分***102快速地定位全部所指派的微细分,然后利用所指派的微细分来基于匹配的微细分定位产品、服务和/或内容要约以生成特定的推荐。此外,微细分***102可以存储关于用户在其上执行动作的推荐的数据。
在一个实施例中,在每个用户被分类之前,该用户被针对全部相关微细分而评分,以确定最可能的分类。此外微细分分类可以被高效地指派给用户并且是可实时搜索的。
图2图示了被用于微细分分类的过程200。在过程块202,过程200在微细分***处接收来自要约提供者的活动。微细分***是第三方***。在一个实施例中,第三方***被要约提供者和多个用户两者信任。活动指示目标属性的集合。此外,在过程块204,过程200在微细分***处接收属于多个用户中的每个的用户属性的集合。该用户属性的集合通过属性知识结构定义。属性知识结构指记录每个用户数据属性的数据类型、约束、规则和语义的分类法或本体。另外,属性知识结构捕捉以层级方式组织从而通过父-子关系彼此相关的数据属性。例如,本体提供对于用户属性集合的形式定义。在一个实施例中,用户的属性数据的元描述仅需向***发送一次,但每次进行将用户分类到一个或多个微细分中然后后继针对要约清单进行匹配的请求时,用户的属性数据被发送到***或由***获取。用户属性数据与用户属性数据的元描述不同。作为一个例子,用户属性数据可以是“John的年龄=41”,而用户属性数据的元描述可以是“年龄是在0岁到120岁之间的范围内的整数”。利用用户属性数据的元描述和用户属性数据两者使得***更高效,这是因为减少了额外的数据开销并且优化了表达执行以提供更快的性能和运行时检查。在另一实施例中,元描述被发送到***一次,并且在基于用户属性数据的微细分分类之前。另外,在过程块206,过程200在微细分***处接收来自多个用户中的每个的从微细分***接收要约的批准。在过程块208,过程200还利用微细分***中的处理器处理微细分定义、活动和目标属性集合以从每个具有用户属性集合和目标属性集合之间的匹配的多个用户确定微细分分类。此外,在过程块210,过程200从微细分***向要约提供者提供不带有用户信息的与微细分分类相关联的数据。该数据指关于该匹配的任何附加匿名保持信息。作为例子,与微细分分类相关联的数据可以包括评分、微细分中的近似消费者数目、微细分中的在用于避免小微细分群体的阈值以上的近似消费者数目、和/或关于微细分分类的其他统计。用户信息可以是用户标识信息、用户联系信息、或特定于用户的任何其他信息。另外,在过程块212,过程200在微细分***处从要约提供者接收基于与微细分相关联的数据的要约。在过程块214,过程200还从微细分***向微细分分类中的用户提供基于与微细分分类相关联的数据的要约。
图3图示了可以用于执行将消费者自动分类到微细分中的另一过程300。在过程块302,过程300获得细分数据和微细分数据。具体地,从开源或公开的源获得细分和微细分的定义的集合。细分和微细分定义的集合然后被收集、处理和规格化。在被收集和验证之后,数据被规格化为关系(表)格式以供进一步的统计处理。此外,在过程块304,过程300计算熵测量。熵是在接收之前缺失的信息量的测量。利用初始(未评估)细分定义,使用属性值基数(cardinality)(唯一计数)和属性值分布(由对于每个属性的全部值的累积分布函数表示)来对于全部属性计算熵测量。累积分布函数或分布函数描述以下概率,即,具有给定概率分布的实值随机变量X将被发现为少于或等于x的值的概率。直观上,它是概率分布的“目前为止区域(area so far)”函数。累积分布函数还用于指定多元随机变量的分布。每个测量继而被用于指示对于特定微细分的特定属性的初始选择性。另外,在过程块306,过程300缩放每个属性的熵测量。为了避免属性过度加权,通过利用恰当的加权值缩放每个属性的熵测量来补偿属性偏置。营销者还可以利用该方法来显式地定义他们希望在其中对特定属性或属性集合放置更多重要性的每个细分。在一个实施例中,通过机器学习而经验地确定加权。在过程块308,过程300执行语义处理。该语义处理捕捉、规格化全部语义属性(例如兴趣和/或购买类别),并且将全部语义属性分类为更一般的兴趣类别。此外,语义处理对语义属性加权以贡献于总微细分选择性评分。另外,在过程块310,过程300对微细分的选择性进行排名。群体统计、语义和其他属性熵评分的组合被用于对微细分的选择性进行排名。该排名允许***针对全部可能的相关微细分高效地对用户评分。在过程块312,过程300在索引结构中存储对用户的微细分分类。索引结构的例子包括但不限于B树或持久性哈希表。在一个实施例中,利用非正常关系表。多个微细分码被存储和维护在非正常关系表的单个词法索引内以提供更快的搜索查询。此外,在过程块314,过程300自动地指派微细分分类。在一个实施例中,微细分分类被自动地指派给任何所识别的内容、产品和要约以允许针对在过程块314被指派给用户的微细分分类的快速的匹配。向用户、内容和产品/要约的全部微细分指派可以发生在源数据(用户、内容、要约数据)被***首次捕捉的时间、或在较晚的时间(例如作为离线批量过程)。另外,在过程块316,过程300启动实际内容或要约推荐匹配处理。在一个实施例中,诸如外部请求或用户登入之类的特定事件将启动实际内容或要约推荐处理。对于任何用户,***使用词法索引来定位全部微细分码并且形成微细分“特征矢量”,该特征矢量通过与***清单中的全部要约的微细分特征矢量进行匹配而被用于要约。在一个实施例中,基于特征矢量相似度的至少三个匹配模式是可能的:(1)严格布尔集合交集:A*B,(2)使用Jaccard相似度系数:J(A,B),或(3)余弦相似度:T(A,B)。此外,在过程块318,过程300执行要约分发。例如,可以通过网页、直接电子邮件或到多种设备的其他内容分发方法来向用户递送推荐。组件跟踪用户对每个要约怎样反应,并且可选地在用户对所推荐的要约执行动作时提供奖励/激励***。
图4图示了执行图3中所图示的过程块308处的语义处理的语义配置400。在一个实施例中,语义配置400具有提取器402和自然语言引擎404。作为例子,提取器402接收微细分主题标签或要约描述。提取器402具有微细分标签和要约文本提取器406,其识别和提取兴趣和购买标签。此外,微细分标签和要约文本提取器406捕捉自由形式内容或要约描述。提取器可以利用分词器(tokenizer)408、停止词过滤器410、语项剔除器(stemmer)412和语句分割器414来执行语义处理。然后提取器将文本提交到自然语言引擎404。初始地,文本被提交到NLP话语部分标签器416,以通过咨询自然语言(“NL”)词典和上下文语法规则420来识别常规和恰当的名词短语。全部名词短语被NLP命名实体提取器418进一步处理,该NLP命名实体提取器418利用兴趣主题本体422来产生对于每个微细分有意义的分类。兴趣主题本体422可以基于关于用户的喜欢或不喜欢的存储信息来构建。在一个实施例中,对于提供关于特定潜在兴趣的反馈而向用户提供奖励。奖励可以向喜欢和不喜欢两者来给出。然后自然语言引擎404输出产品或兴趣分类。
可以执行计算以确定这里所提供的自动分类。在一个实施例中,确定给定n个属性一次取k个的微细分的数目的上限,即属性组合的数目。微细分的数目由|S|给出,|S|是通过一次考虑n个数据属性中的k个而形成的全部可能微细分的集合。例如,S={s1,s2,...,si,...,sn}。此外,|S|=N=∑(n,k)从k=0到n=2n,其中(n,k)是n的k组合。如果不计入n=0,则跨全部k的有意义的微细分的总数目由|S|=2n-1给出。此外,计算微细分成员身份确定性=(1-不确定性或熵)。可以利用累积分布函数(“CDF”)。对于每个微细分属性XAj属性CDF=Prob(Xi)的熵初始地根据H(XAj)=-∑Prob(Xi)logbProb(Xi)从i=1到n来计算。然后计算m归一化属性加权系数ωj,其中0≤ωj≤1。利用在所提供的一个或多个微细分样本数据集合上的机器学习和/或表示任何营销者指定属性偏置的先验值(例如过度加权HHI>AGE)。另外,包括总微细分熵计算中的任何/全部主题行为/兴趣属性。然后可以利用图4中所图示的自然语言引擎404来提取主题兴趣类别属性,然后通过以下的组合来对该主题兴趣类别属性排名和加权:(1)CDF:主题标签适用于用户的可能性,(2)属性的所指派的不确定性,(3)基于对样本群体的密切关系的度量,和/或(4)通过语项频率-逆文档频率(“TF-IDF”)等价度量来测量的兴趣强度。此外,形成微细分行序熵矩阵,并且使用对于每个微细分的总加权熵来对该矩阵排序。排序的排名顺序被用于对每个微细分指派微细分分类(不)确定性值。然后通过微细分对用户和项目(内容、产品和/或服务要约)进行索引,使用基于索引的匹配、通过微细分ID交集或特征矢量(“FV”)相似度来执行用户到要约/内容项目的实时匹配。如果两个微细分FV(集合)由(A,B)表示,则使用以下的组合来执行FV相似度:(1)布尔集合交集:(A*B),(2)Jaccard相似度,和/或(3)余弦相似度。
这里所提供的自动分类配置允许自动将用户放置到从其他公开可用的或专有的源所定义的细分中,而无需现有用户群体。此外,用户可以被快速(实时)地细分为精细粒度的微细分,这改善了可缩放性。另外,自动分类配置提供将用户与内容、产品和服务匹配的实时性能。自动分类配置提供将用户/内容匹配缩放到大量的微细分(例如264个组合)。作为结果,自动分类配置支持大量的小基数微细分。自动分类配置还引入对于具有共同属性的用户的非模糊用户簇标签,所述标签被命名、持久化并且在营销者之间容易地共享和搜索。在一个配置中,每个用户在细分中的成员身份与评分相关联。据此,营销者可以指向和定向高度具体的消费者细分而不公开细分内的消费者的身份。此外,自动分类增加匹配相关性。
另外,这里所提供的自动分类配置允许生成作为第一类对象的微细分。这些第一类对象对于特定微细分中的消费者可移植和可重用。这里所提供的自动分类配置还允许运用现存细分以用于消费者的网络中的微细分。据此,这里所提供的自动分类配置提供了通过运用预定义的现存细分而获得新用户和/或要约清单的快速方法。
在一个实施例中,用户提供批准或不提供批准以从图1中所图示的微细分***102接收要约。在一个实施例中,基于用户的策略配置可以与这里所提供的任何自动分类配置结合使用。用户可以定义关于消费者希望何时或怎样接收广告的策略。此外,用户可以定义营销者被允许怎样利用由用户提供给营销者的任何信息的策略。用户的数据根据用户定义的策略而受到保护。在一个实施例中,数字权限管理(“DRM”)***可以用于实施基于用户的策略配置。
在另一实施例中,微细分***102可以接收来自要约提供者的费用以提供微细分数据和/或来自用户的费用,以向第三方信任服务提供用于要约的数据。在又一实施例中,微细分***可以接收来自消费者的关于产品或服务的价格或价格范围。然后微细分***102可以向要约提供者104提供该价格或价格范围以确定要约提供者104是否可以在该价格提供产品或服务的要约。微细分***102还可以询问其他要约实体。在另一实施例中,微细分***102可以提供用户的价格或价格范围与对该价格或价格范围竞价的潜在要约实体之间的竞价***。
图5图示了可以用于微细分自动分类的***配置500。在一个实施例中,微细分自动分类模块502与存储器504交互。在一个实施例中,***配置500适合于存储和/或执行程序代码并且使用通用计算机或其他任何硬件等效物来实施。处理器506通过***总线直接或间接耦合到存储器504。存储器504可以包括在程序代码的实际执行期间采用的本地存储器、大容量存储器、和/或高速缓存存储器,其提供至少一些程序代码的暂时存储以减少在执行期间必须从大容量存储器获取代码的次数。
输入/输出(“I/O”)设备508可以直接或通过中介的输入/输出控制器而耦合到***500。此外,I/O设备508可以包括键盘、键区、鼠标、用于捕捉语音命令的麦克风、指点设备和将被本领域普通技术人员识别的其他用户输入设备。此外,I/O设备508可以包括诸如打印机、显示屏幕等之类的输出设备。此外,I/O设备508可以包括接收器、发送器、扬声器、显示器、图像捕捉传感器、生物计量传感器等。另外,I/O设备508可以包括诸如磁带驱动器、软盘驱动器、硬盘驱动器、光盘(“CD”)驱动器等之类的存储设备。这里所描述的任何模块可以是单个单体模块或具有分布在利用并行和/或流水线处理的云计算基础设施中的功能性的模块。
网络适配器也可以耦合到***配置500以使得***配置500能够变得通过中介的专用或公共网络而耦合到其他***、远程打印机或存储设备。调制解调器、线缆调制解调器和以太网卡只是当前可用的网络适配器的类型中的一些。
这里所描述的过程可以在通用、多用途或专用处理器中实施。这样的处理器将执行汇编、编译或机器层的指令以执行该过程。这些指令可以由本领域普通技术人员遵循对应于该过程的附图的描述而编写,并且在计算机可读介质上存储或发送。指令还可以使用源代码或任何其他已知的计算机辅助设计工具来创建。计算机可读介质可以是能够携带这些指令的任何介质,并且包括CD-ROM、DVD、磁或其他光盘、磁带、硅存储器(例如可移除、不可移除、易失性或非易失性)、通过本地或远程地通过网络的有线或无线传输的分组或非分组数据。这里计算机旨在包括具有如上所述的通用、多用途或专用处理器的任何设备。
应当理解,这里所描述的过程和***可以采取整体硬件实施例的形式、整体软件实施例的形式、或包含硬件和软件元素两者的实施例的形式。如果利用软件来实施方法或***,则软件可以包括但不限于固件、驻留软件、微代码等。
应当理解,这里所描述的过程和***也可以应用于其他类型的过程和***。本领域技术人员将理解,可以配置这里所描述的过程和***的实施例的多种改造和修改而不从本过程、***和计算机程序产品的范围和精神偏离。因此,应当理解,在所附权利要求的范围内,可以不像这里所具体描述的那样而实施本过程、***和计算机程序产品。
Claims (20)
1.一种用于将消费者自动分类到微细分中的设备,包括:
用于在微细分***处接收来自要约提供者的活动的装置,所述微细分***是第三方***,所述活动指示目标属性集合以及与所述目标属性集合相对应的一个或多个要约;
用于在所述微细分***处接收属于多个用户中的每个用户的用户属性集合的装置,所述属性集合由属性知识结构定义;
用于在所述微细分***处接收来自所述多个用户中的每个用户的从所述微细分***接收要约的批准的装置;
用于利用所述微细分***中的处理器来处理微细分定义、所述活动以及所述目标属性集合,以根据多个用户确定微细分分类的装置,所述多个用户中的每个用户具有所述用户属性集合与所述目标属性集合之间的匹配,其中根据多个用户确定微细分分类是通过:对于所述多个用户中的每个用户,针对由所述微细分***定义的多个不同微细分计算选择性评分,所述选择性评分反映指示用户特性的群体统计属性与反映感兴趣分类的语义属性的加权组合,所述语义属性通过对要约描述的自然语言处理而提取,并且至少部分地基于计算出的所述选择性评分为用户指派所述微细分分类;
用于从所述微细分***向所述要约提供者提供不带有用户信息的与所述微细分分类相关联的数据的装置;
用于在所述微细分***处从所述要约提供者接收基于与微细分相关联的数据的要约的装置;以及
用于从所述微细分***向所述微细分分类中的用户提供基于与所述微细分分类相关联的数据的要约的装置。
2.根据权利要求1所述的设备,还包括:用于基于数量与所述目标属性的数量相等的所述用户属性来计算评分的装置。
3.根据权利要求2所述的设备,还包括:用于通过将所述评分与预定评分阈值比较来确定所述匹配的装置。
4.根据权利要求1所述的设备,还包括:用于基于所述微细分分类生成针对用户的要约的推荐的装置。
5.根据权利要求1所述的设备,其中所述要约提供者是商户。
6.根据权利要求1所述的设备,其中所述要约提供者是广告商。
7.根据权利要求1所述的设备,其中所述要约提供者是营销者。
8.一种用于将消费者自动分类到微细分中的方法,包括:
在微细分***处接收来自要约提供者的活动,所述微细分***是第三方***,所述活动指示目标属性的集合以及与所述目标属性集合相对应的一个或多个要约;
在所述微细分***处接收属于多个用户中的每个用户的用户属性集合,所述属性集合由属性知识结构定义;
在所述微细分***处接收来自所述多个用户中的每个用户的从所述微细分***接收要约的批准;
利用所述微细分***中的处理器处理微细分定义、所述活动以及所述目标属性集合,以根据多个用户确定微细分分类,所述多个用户中的每个用户具有所述用户属性集合与所述目标属性集合之间的匹配,其中根据多个用户确定微细分分类是通过:对于所述多个用户中的每个用户,针对由所述微细分***定义的多个不同微细分计算选择性评分,所述选择性评分反映指示用户特性的群体统计属性与反映感兴趣分类的语义属性的加权组合,所述语义属性通过对要约描述的自然语言处理而提取,并且至少部分地基于计算出的所述选择性评分为用户指派所述微细分分类;
从所述微细分***向所述要约提供者提供不带有用户信息的与所述微细分分类相关联的数据;
在所述微细分***处从所述要约提供者接收基于与微细分相关联的数据的要约;以及
从所述微细分***向所述微细分分类中的用户提供基于与所述微细分分类相关联的数据的要约。
9.根据权利要求8所述的方法,其进一步包括:基于数量与所述目标属性的数量相等的所述用户属性来计算评分。
10.根据权利要求9所述的方法,其进一步包括:通过将所述评分与预定评分阈值比较来确定所述匹配。
11.根据权利要求8所述的方法,其进一步包括:基于所述微细分分类生成针对用户的要约的推荐。
12.根据权利要求8所述的方法,其中所述要约提供者是商户。
13.根据权利要求8所述的方法,其中所述要约提供者是广告商。
14.根据权利要求8所述的方法,其中所述要约提供者是营销者。
15.一种用于将消费者自动分类到微细分中的***,包括:
微细分接收模块,其接收(i)来自要约提供者的活动,(ii)属于多个用户中的每个用户的用户属性集合,(iii)来自所述多个用户中的每个用户的接收要约的批准,以及(iv)基于与来自所述要约提供者的微细分分类相关联的数据的要约,所述活动指示目标属性集合以及与所述目标属性集合相对应的一个或多个要约;
微细分处理器,其处理微细分定义、所述活动以及所述目标属性集合,以根据多个用户确定微细分分类,其中所述多个用户中的每个用户具有所述用户属性集合和所述目标属性集合之间的匹配,所述属性集合由属性知识结构定义,所述微细分处理器被配置为执行语义处理,包括对要约描述的自然语言处理,以产生指示兴趣的语义属性,所述语义属性被用于针对由所述微细分***定义的多个不同微细分给所述多个用户评分;以及
微细分传输模块,其向所述要约提供者发送不带有用户信息的与所述微细分分类相关联的数据,并且向所述微细分分类中的用户发送基于与所述微细分分类相关联的数据的要约。
16.根据权利要求15所述的***,其中所述微细分处理器基于数量与所述目标属性的数量相等的所述用户属性来计算评分。
17.根据权利要求16所述的***,其中所述微细分处理器通过将所述评分与预定评分阈值比较来确定所述匹配。
18.根据权利要求15所述的***,其中所述微细分处理器基于所述微细分分类生成针对用户的要约的推荐。
19.根据权利要求15所述的***,其中所述要约提供者是商户。
20.根据权利要求15所述的***,其中所述要约提供者是广告商。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/039,177 | 2011-03-02 | ||
US13/039,177 US8630902B2 (en) | 2011-03-02 | 2011-03-02 | Automatic classification of consumers into micro-segments |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102708131A CN102708131A (zh) | 2012-10-03 |
CN102708131B true CN102708131B (zh) | 2015-09-09 |
Family
ID=46753862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210056145.4A Active CN102708131B (zh) | 2011-03-02 | 2012-03-01 | 将消费者自动分类到微细分中 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8630902B2 (zh) |
CN (1) | CN102708131B (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9454763B2 (en) | 2010-08-24 | 2016-09-27 | Adobe Systems Incorporated | Distribution of offer to a social group by sharing based on qualifications |
US8635226B2 (en) | 2011-03-02 | 2014-01-21 | Adobe Systems Incorporated | Computing user micro-segments for offer matching |
US9177327B2 (en) | 2011-03-02 | 2015-11-03 | Adobe Systems Incorporated | Sequential engine that computes user and offer matching into micro-segments |
US8700468B2 (en) | 2011-03-02 | 2014-04-15 | Adobe Systems Incorporated | Micro-segment definition system |
US8635107B2 (en) | 2011-06-03 | 2014-01-21 | Adobe Systems Incorporated | Automatic expansion of an advertisement offer inventory |
US20130275229A1 (en) * | 2012-04-16 | 2013-10-17 | Madhav Moganti | Apparatus and method for universal personal data portability |
US10083246B2 (en) | 2012-04-16 | 2018-09-25 | Alcatel Lucent | Apparatus and method for universal personal data portability |
US20130282493A1 (en) * | 2012-04-24 | 2013-10-24 | Blue Kai, Inc. | Non-unique identifier for a group of mobile users |
US10204351B2 (en) * | 2012-04-24 | 2019-02-12 | Blue Kai, Inc. | Profile noise anonymity for mobile users |
US20140143680A1 (en) | 2012-11-21 | 2014-05-22 | Guidance Software, Inc. | Segmented graphical review system and method |
US9020945B1 (en) | 2013-01-25 | 2015-04-28 | Humana Inc. | User categorization system and method |
CN103426103A (zh) * | 2013-08-02 | 2013-12-04 | 苏州两江科技有限公司 | 超市市场价值地图构建方法 |
US10430806B2 (en) | 2013-10-15 | 2019-10-01 | Adobe Inc. | Input/output interface for contextual analysis engine |
US9990422B2 (en) | 2013-10-15 | 2018-06-05 | Adobe Systems Incorporated | Contextual analysis engine |
US10235681B2 (en) | 2013-10-15 | 2019-03-19 | Adobe Inc. | Text extraction module for contextual analysis engine |
WO2015069803A1 (en) * | 2013-11-06 | 2015-05-14 | Globys, Inc. | Automated entity classification using usage histograms & ensembles |
US20150269616A1 (en) * | 2014-03-18 | 2015-09-24 | Linkedln Corporation | Business audience marketing system |
US10692064B2 (en) * | 2014-03-19 | 2020-06-23 | Square, Inc. | Merchant platform |
US20160110726A1 (en) * | 2014-10-20 | 2016-04-21 | Mastercard International Incorporated | Method and system for linking handwriting to transaction data |
US20160125451A1 (en) * | 2014-11-04 | 2016-05-05 | Adobe Systems Incorporated | Asset suggestions for electronic posts |
US20160275533A1 (en) * | 2015-03-17 | 2016-09-22 | Adobe Systems Incorporated | Segment Membership Determination for Content Provisioning |
US10147108B2 (en) * | 2015-04-02 | 2018-12-04 | The Nielsen Company (Us), Llc | Methods and apparatus to identify affinity between segment attributes and product characteristics |
WO2017019645A1 (en) | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Cross-screen optimization of advertising placement |
US10555050B2 (en) | 2015-07-24 | 2020-02-04 | Videoamp, Inc. | Cross-screen measurement accuracy in advertising performance |
WO2017019646A1 (en) | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Sequential delivery of advertising content across media devices |
US10136174B2 (en) | 2015-07-24 | 2018-11-20 | Videoamp, Inc. | Programmatic TV advertising placement using cross-screen consumer data |
US10812870B2 (en) | 2016-01-14 | 2020-10-20 | Videoamp, Inc. | Yield optimization of cross-screen advertising placement |
WO2017019643A1 (en) | 2015-07-24 | 2017-02-02 | Videoamp, Inc. | Targeting tv advertising slots based on consumer online behavior |
CN106529189B (zh) * | 2016-11-24 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种用户分类方法、应用服务器及应用客户端 |
CN106897893A (zh) * | 2016-12-30 | 2017-06-27 | 厦门南讯软件科技有限公司 | 一种依据顾客属性分组为顾客提供个性化互动活动的*** |
US10402836B2 (en) * | 2017-01-31 | 2019-09-03 | Facebook, Inc. | System and method for selecting geographic regions for presentation of content based on characteristics of online system users in different geographic regions |
US11023345B1 (en) | 2017-07-28 | 2021-06-01 | Groupon, Inc. | System and apparatus for automated evaluation of compatibility of data structures and user devices based on explicit user feedback |
AU2018313274B2 (en) * | 2017-08-11 | 2022-06-30 | Ancestry.Com Operations Inc. | Diversity evaluation in genealogy search |
CN109559214A (zh) | 2017-09-27 | 2019-04-02 | 阿里巴巴集团控股有限公司 | 虚拟资源分配、模型建立、数据预测方法及装置 |
CN107808306B (zh) * | 2017-09-28 | 2021-03-26 | 平安科技(深圳)有限公司 | 基于标签库的业务对象的切分方法、电子装置及存储介质 |
US11543927B1 (en) * | 2017-12-29 | 2023-01-03 | Intuit Inc. | Method and system for rule-based composition of user interfaces |
US11023495B2 (en) * | 2018-03-19 | 2021-06-01 | Adobe Inc. | Automatically generating meaningful user segments |
TWI676143B (zh) * | 2018-12-13 | 2019-11-01 | 中華電信股份有限公司 | 基於資料與文字探勘技術產生優惠組合推薦之方法 |
EP3918486A4 (en) | 2019-02-01 | 2022-10-19 | Ancestry.com Operations Inc. | SEARCH AND RANK RECORDS ACROSS DIFFERENT DATABASES |
US11755601B2 (en) | 2019-04-25 | 2023-09-12 | Braze, Inc. | Systems and methods for determining if a user is a member of a defined segment |
US10922317B2 (en) * | 2019-04-25 | 2021-02-16 | Braze, Inc. | Systems and methods for determining if a user is a member of a defined segment |
US11430006B2 (en) * | 2019-10-28 | 2022-08-30 | Oracle International Corporation | Determining a target group based on product-specific affinity attributes and corresponding weights |
CN111353103B (zh) * | 2020-03-03 | 2023-11-03 | 京东科技控股股份有限公司 | 用于确定用户社群信息的方法和装置 |
US20220207582A1 (en) * | 2020-12-28 | 2022-06-30 | POM and Go Private Limited | Group buying campaign |
CN112819570B (zh) * | 2021-01-21 | 2023-09-26 | 东北大学 | 一种基于机器学习的商品智能搭配推荐方法 |
US20240184859A1 (en) * | 2022-12-01 | 2024-06-06 | Bank Of America Corporation | Auto-segmentation of non-fungible tokens using machine learning |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1535535A (zh) * | 2000-10-30 | 2004-10-06 | �ʼҷ����ֵ�������˾ | 根据在前查询产生电视节目推荐的方法和装置 |
CN101520878A (zh) * | 2009-04-03 | 2009-09-02 | 华为技术有限公司 | 向用户进行广告推送的方法、装置和*** |
CN101694659A (zh) * | 2009-10-20 | 2010-04-14 | 浙江大学 | 基于多主题追踪的个性化网络新闻推送方法 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5636346A (en) | 1994-05-09 | 1997-06-03 | The Electronic Address, Inc. | Method and system for selectively targeting advertisements and programming |
US5892900A (en) | 1996-08-30 | 1999-04-06 | Intertrust Technologies Corp. | Systems and methods for secure transaction management and electronic rights protection |
US20010013009A1 (en) * | 1997-05-20 | 2001-08-09 | Daniel R. Greening | System and method for computer-based marketing |
US6317872B1 (en) | 1997-07-11 | 2001-11-13 | Rockwell Collins, Inc. | Real time processor optimized for executing JAVA programs |
US6061658A (en) | 1998-05-14 | 2000-05-09 | International Business Machines Corporation | Prospective customer selection using customer and market reference data |
US6847969B1 (en) * | 1999-05-03 | 2005-01-25 | Streetspace, Inc. | Method and system for providing personalized online services and advertisements in public spaces |
US6519571B1 (en) | 1999-05-27 | 2003-02-11 | Accenture Llp | Dynamic customer profile management |
WO2001046892A1 (en) | 1999-12-23 | 2001-06-28 | Concept Shopping, Inc. | Techniques for optimizing promotion delivery |
US7072858B1 (en) | 2000-02-04 | 2006-07-04 | Xpensewise.Com, Inc. | System and method for dynamic price setting and facilitation of commercial transactions |
US7599851B2 (en) | 2000-09-05 | 2009-10-06 | Renee Frengut | Method for providing customized user interface and targeted marketing forum |
US20030023482A1 (en) * | 2001-07-25 | 2003-01-30 | Messner Amy E. | Method and apparatus for redeeming of coupons via a wireless communication device |
AU2002365812A1 (en) | 2001-12-04 | 2003-06-17 | Powerllel Corporation | Parallel computing system, method and architecture |
WO2004014065A2 (en) | 2002-08-05 | 2004-02-12 | John Campbell | System of finite state machines |
US20060095327A1 (en) | 2004-11-01 | 2006-05-04 | Vaughn Charles A | System and method for identifying customer offers |
US20060212355A1 (en) | 2005-01-27 | 2006-09-21 | Brian Teague | Social information and promotional offer management and distribution systems and methods |
US8364540B2 (en) | 2005-09-14 | 2013-01-29 | Jumptap, Inc. | Contextual targeting of content using a monetization platform |
US7706740B2 (en) | 2006-01-06 | 2010-04-27 | Qualcomm Incorporated | Apparatus and methods of selective collection and selective presentation of content |
US8064604B2 (en) | 2006-04-04 | 2011-11-22 | Oracle International Corporation | Method and apparatus for facilitating role-based cryptographic key management for a database |
US7992171B2 (en) | 2006-09-06 | 2011-08-02 | Qurio Holdings, Inc. | System and method for controlled viral distribution of digital content in a social network |
US8402114B2 (en) * | 2006-12-28 | 2013-03-19 | Advertising.Com Llc | Systems and methods for selecting advertisements for display over a communications network |
CN101431524A (zh) | 2007-11-07 | 2009-05-13 | 阿里巴巴集团控股有限公司 | 一种定向网络广告投放的实现方法及装置 |
US10002189B2 (en) | 2007-12-20 | 2018-06-19 | Apple Inc. | Method and apparatus for searching using an active ontology |
US20090271263A1 (en) | 2008-04-24 | 2009-10-29 | Igcsystems, Inc. | Promotional programs with electronic receipts |
US20100042471A1 (en) | 2008-08-18 | 2010-02-18 | Microsoft Corporation | Determination of advertisement referrer incentives and disincentives |
US8515810B2 (en) | 2008-10-24 | 2013-08-20 | Cardlytics, Inc. | System and methods for delivering targeted marketing offers to consumers via an online portal |
US8566855B2 (en) | 2008-12-02 | 2013-10-22 | Sony Corporation | Audiovisual user interface based on learned user preferences |
US20100268600A1 (en) | 2009-04-16 | 2010-10-21 | Evri Inc. | Enhanced advertisement targeting |
US9454763B2 (en) | 2010-08-24 | 2016-09-27 | Adobe Systems Incorporated | Distribution of offer to a social group by sharing based on qualifications |
US9177327B2 (en) | 2011-03-02 | 2015-11-03 | Adobe Systems Incorporated | Sequential engine that computes user and offer matching into micro-segments |
US20120226562A1 (en) | 2011-03-02 | 2012-09-06 | Adobe Systems Incorporated | Persistent metadata for a user-controlled policy of personal data disclosure and usage for online advertising |
US8635226B2 (en) | 2011-03-02 | 2014-01-21 | Adobe Systems Incorporated | Computing user micro-segments for offer matching |
US8635107B2 (en) | 2011-06-03 | 2014-01-21 | Adobe Systems Incorporated | Automatic expansion of an advertisement offer inventory |
-
2011
- 2011-03-02 US US13/039,177 patent/US8630902B2/en active Active
-
2012
- 2012-03-01 CN CN201210056145.4A patent/CN102708131B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1535535A (zh) * | 2000-10-30 | 2004-10-06 | �ʼҷ����ֵ�������˾ | 根据在前查询产生电视节目推荐的方法和装置 |
CN101520878A (zh) * | 2009-04-03 | 2009-09-02 | 华为技术有限公司 | 向用户进行广告推送的方法、装置和*** |
CN101694659A (zh) * | 2009-10-20 | 2010-04-14 | 浙江大学 | 基于多主题追踪的个性化网络新闻推送方法 |
Also Published As
Publication number | Publication date |
---|---|
US8630902B2 (en) | 2014-01-14 |
CN102708131A (zh) | 2012-10-03 |
US20120226559A1 (en) | 2012-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708131B (zh) | 将消费者自动分类到微细分中 | |
CN102737334B (zh) | 微细分定义*** | |
CN102737333B (zh) | 用于计算用户和要约到微小细分的匹配的顺序引擎 | |
US11308276B2 (en) | Generating message effectiveness predictions and insights | |
Thorleuchter et al. | Predicting e-commerce company success by mining the text of its publicly-accessible website | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
CN104254851A (zh) | 用于向用户推荐内容的方法和*** | |
WO2009005905A2 (en) | Granular data for behavioral targeting | |
CN102222299A (zh) | 清单管理 | |
Alahmadi et al. | Twitter-based recommender system to address cold-start: A genetic algorithm based trust modelling and probabilistic sentiment analysis | |
Liu et al. | Riding the tide of sentiment change: sentiment analysis with evolving online reviews | |
Volkova et al. | Mining user interests to predict perceived psycho-demographic traits on twitter | |
CN103177129A (zh) | 互联网实时信息推荐预测*** | |
Wang et al. | Probabilistic models for ad viewability prediction on the web | |
Xie et al. | A probabilistic recommendation method inspired by latent Dirichlet allocation model | |
KR102585895B1 (ko) | 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템 | |
Qabbaah et al. | Decision tree analysis to improve e-mail marketing campaigns | |
WO2023082864A1 (zh) | 内容推荐模型的训练方法、装置、设备及存储介质 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
Thorleuchter et al. | Using Webcrawling of Publicly Available Websites to Assess E-commerce Relationships | |
CN111178934A (zh) | 获取目标对象的方法及装置 | |
CN117951393B (zh) | 一种社交媒体监测***及方法 | |
Das | Business intelligence through opinion mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |