CN104834641B - 网络媒介信息的处理方法和相关*** - Google Patents
网络媒介信息的处理方法和相关*** Download PDFInfo
- Publication number
- CN104834641B CN104834641B CN201410047134.9A CN201410047134A CN104834641B CN 104834641 B CN104834641 B CN 104834641B CN 201410047134 A CN201410047134 A CN 201410047134A CN 104834641 B CN104834641 B CN 104834641B
- Authority
- CN
- China
- Prior art keywords
- attribute
- audient
- network media
- crowd
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/435—Filtering based on additional data, e.g. user or group profiles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0866—Checking the configuration
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种网络媒介信息的处理方法和***,包括:收集网络媒介信息的历史发布效果数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据;构建所述特征属性数据各属性所对应的效果参数预估模型,对该效果参数预估模型进行训练;按照所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值;选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。利用本发明,可以提高提取效率,降低人力成本,提高网络媒介信息在受众人群包内的发布精确性。
Description
技术领域
本发明涉及互联网的数据处理技术,尤其涉及一种网络媒介信息的处理方法和相关***。
背景技术
网络媒介信息是一种在互联网***的各种展示形式(如网页、客户端界面等)上发布的以数字代码为载体的各种信息。通常的网络媒介信息都对应有目标网页,用户点击了网络媒介信息即可跳转到对应的目标网页,目标网页的内容就会展现在用户面前。如何有效地向特定的受众发布展示网络媒介信息,并对所展示的信息进行有效的管理,是目前互联网技术业界所关注的一个领域。
网络媒介信息处理展示技术最近几年发展非常迅猛,已经应用到许多产业领域例如互联网的广告处理展示领域中,所述互联网广告就是一种网络媒介信息。网络媒介信息处理展示技术中的一种主要技术是网络媒介信息发布展示技术。
目前网络媒介信息发布方发布网络媒介信息时对网络媒介信息的精准性的要求越来越高,不再采用之前的无目的性的广撒网的方式,而是希望每一次网络媒介信息的曝光都能高效地传递给与该网络媒介信息相关度最高的受众。网络媒介信息发布的方式也逐渐从在指定网络媒介信息位发布网络媒介信息,转为向指定人群发布网络媒介信息,网络媒介信息发布方希望能够直接将网络媒介信息发布给目标人群。
在现有的网络媒介信息发布***中,出现了一种定向发布网络媒介信息的技术,即一种根据受众统计、信息内容、受众行为等定向维度实现对指定受众定向发布网络媒介信息的技术方案。发布方向发布***提交发布请求,也称为订单,发布请求中包括欲发布的网络媒介信息和定向维度,所述的定向维度例如可以是受众性别、受众年龄、受众地域、展示时间、展示场景、展示内容、展示频次、展示创意信息、重定向等信息。网络媒介信息发布展示***在受众发出展示请求(如展示网页、视频、客户端等请求)时,会获取发出该展示请求的维度信息,如时段、地域、展示位置、受众年龄、性别等信息,然后将这些维度信息与已经发布方所提交的网络媒介信息的定向维度进行匹配,根据匹配的结果在对应的展示位置上展示该展示请求对应匹配的网络媒介信息,从而实现精准定向发布网络媒介信息。
进一步的,在目前的网络媒介信息发布***中,出现了一种按照受众人群包定向发布网络媒介信息的技术,可以实现较精准地发布网络媒介信息。受众人群包是网络媒介信息发布***根据受众行为分析提取出的一个网络媒介信息受众人群集合,一般是按行业分类和人生阶段来进行划分和提取,比如游戏人群、电子商务人群、汽车人群和新婚人群等等。网络媒介信息发布方可以根据自己的需要选择对应的受众人群包,向该受众人群包内的受众定向发布网络媒介信息,从而提高网络媒介信息的点击量和转化率,而且发布方在网络媒介信息发布***的管理***中,只需要选择对应的受众人群包即可,操作步骤简单,对于网络媒介信息发布方来说非常方便和实用。
但是,现有技术的受众人群包的提取技术方案存在如下缺点:
(1)现有方案的受众人群包的提取方案一般是采用标签分类方法,首先分析整理出目标人群包应该具有的特征标签,然后根据特征标签从总曝光受众人群中提取出具有相应特征的人群集合作为一个受众人群包。这种提取方式中标签选择很容易受提取人的主观影响,另外受数据源的影响,受众人群的标签分类的准确度和齐全率也不高。因此,提取出来的受众人群包对网络媒介信息的发布精准性提升不高,有些选择受众人群包进行定向发布的网络媒介信息的精确性甚至比没有选择受众人群包定向发布的网络媒介信息的精确度还要差。
(2)目前受众人群包的提取方案需要太多的人工介入,耗时耗力,提取效率低,扩展性也较低。从决定产出一个受众人群包,到受众人群包的特征标签的确定,到开发程序从受众人群中提取具有相应特征的人群,每一步都需要专人人工跟进,而且需要进行反复试验和调整,这一系列过程都是非常消耗人力和时间的。
总之,现有技术的网络媒介信息受众人群包的提取方式,提取效率低,人力成本高,网络媒介信息在此受众人群包内的发布精确性较差。
发明内容
有鉴于此,本发明的主要目的在于提供一种网络媒介信息受众人群包的提取方法和对应***,以提高受众人群包的提取效率,降低人力成本,提高网络媒介信息在受众人群包内的发布精确性。
本发明的技术方案是这样实现的:
一种网络媒介信息的处理方法,包括:
收集网络媒介信息的历史发布效果数据;
获取人群属性数据、网络媒介信息管理数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据;
构建所述特征属性数据各属性所对应的效果参数预估模型,根据历史数据对该效果参数预估模型进行训练;
按照所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值;
从所述受众中,选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。
一种网络媒介信息的处理***,包括:
收集装置,用于收集网络媒介信息的历史发布效果数据;
属性完善装置,用于获取人群属性数据、网络媒介信息管理数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据;
预估模型装置,用于构建所述特征属性数据各属性所对应的效果参数预估模型,根据历史数据对该效果参数预估模型进行训练;
效果参数预估装置,用于按照所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值;
提取装置,用于从所述受众中,依次选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。
与现有技术相比,本发明基于历史发布效果数据得到特征属性数据,构建各属性的效果参数预估模型,根据历史数据对预估模型进行训练后得到预估模型中的各个属性的权重系数,再按照所述预估模型预估各受众对管理员输入的目标网络媒介信息的效果参数进行预估,按照预估的效果参数提取排序在前的受众人群包。因此,本发明是利用基于效果参数(例如点击率预估和转化率预估)的方法来实现目标人群包的提取,管理员只需要输入行业分类标签,其它数据可以从现有***中获取,利用这些数据,本发明可以自动对每一个网络媒介信息受众计算出对目标网络媒介信息的预估效果(点击率或转化率),分数的高低代表用户对此类网络媒介信息的感兴趣程度,然后按照得分的高低来进行降序排名,提取排名靠前的人群作为目标受众人群包输出。整个过程需要极少的人工介入,可以实现自动化人群包提取,提高了提取效率,降低了人力成本。同时,本发明的方案是将效果参数预估模型用于计算各受众对某一类网络媒介信息(该类网络媒介信息用管理员输入的行业分类标签区分)的效果参数值如点击概率,作为挑选出目标人群包的依据,大大增强了网络媒介信息发布后受众的点击率和转化率,提高了网络媒介信息在受众人群包内的发布精确性。
附图说明
图1为本发明所述网络媒介信息的处理方法的一种流程图;
图2为所述网络媒介信息的处理***的一种组成示意图;
图3为本发明所述网络媒介信息处理***的又一种组成示意图;
图4为该网络媒介信息发布***的一种组成示意图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细的说明
图1为本发明所述网络媒介信息的处理方法的一种流程图。本发明的网络媒介信息的处理方法又可以称为网络媒介信息受众人群包的提取方法,参见图1,该方法主要包括:
步骤101、收集网络媒介信息的历史发布效果数据。
所述历史发布效果数据是根据受众人群对网络媒介信息发布的历史反应数据得到,是现有的数据,可以从现有的网络媒介信息发布***中直接获取。所述发布效果数据例如是曝光、点击、和转化数据等,具体可以包括:曝光站点、网络媒介信息标识、网络媒介信息位标识、时间、跳转信息(即网络媒介信息所在的网页是从哪一个网页跳转来的,在业界也被称为refer信息),网络媒介信息发布方信息、以及各个受众标识等各种字段信息。
本步骤还可以进一步对所收集的发布效果数据进行加工处理,如清洗去噪处理。所述清洗去噪处理例如包括对无效曝光等错误数据进行删除,对重复数据进行排重处理等。
步骤102、获取人群属性数据、网络媒介信息管理数据,利用人群属性数据、网络媒介信息管理数据对所述发布效果数据进行属性完善处理,得到特征属性数据。
具体的,所述人群属性数据可以从现有的人群属性***中获取,所述人群属性数据具体包括:例如用户ID、IP地址、性别、所属区域、年龄段、兴趣标签等等。
所述网络媒介信息管理数据可以从现有的网络媒介信息展示位、发布请求管理***中获取,具体包括:例如网络媒介信息展示位ID、展示位描述、网络媒介信息的标签、发布请求信息(例如网络媒介信息的发布订单就是一种发布请求)等等。
由于所述发布效果数据中,单条日志中的各种属性字段往往不完善,其中只包括了关键属性字段,但是相关属性字段对于本发明后续的模型训练和效果数据的计算的精确性有直接的影像,因此需要对所述发布效果数据进行属性完善处理,具体包括:根据所述发布效果数据中的关键属性字段查找所述人群属性数据和网络媒介信息管理数据,从中得到对应的相关属性字段,将该相关属性字段加入到所述关键属性字段对应的发布效果数据中,以所述关键属性字段和相关属性字段组成所述的特征属性数据。
例如,在一条网络媒介信息的曝光日志中,只包括了曝光受众的ID和本网络媒介信息的展示位ID等关键属性字段,那么从人群属性数据就可以查找到该受众的性别、所属区域、年龄段、兴趣标签等等相关属性字段,从网络媒介信息管理数据中就可以查找到该网络媒介信息的展示位描述、标签、发布请求信息等相关属性字段,将这些相关属性字段加入到该曝光日志中,那么这些关键属性字段和相关属性字段就组成了所述的特征属性数据。当针对大量的发布效果数据进行属性完善处理后,就可以得到相对全面的特征属性数据,可以大大提高后续的模型训练和效果数据的计算的精确性。
当然除了上述人群属性数据和网络媒介信息管理数据,本发明还可以利用其它所能获得的相关数据对所述发布效果数据进行相应的属性完善处理,所获得的相关数据越丰富,所述完善处理越好,后续的模型训练和效果数据的计算的精确性越高。
步骤103、构建所述特征属性数据各属性所对应的效果参数预估模型,根据历史数据对该效果参数预估模型进行训练,得到该效果参数预估模型中各个属性的权重系数。
具体的,本步骤具体包括:利用逻辑回归方式,构建特征属性数据各属性的逻辑回归模型,该逻辑回归模型在本发明中被称为效果参数预估模型,然后根据网络媒介信息曝光日志中的历史发布效果数据,对所述逻辑回归模型进行模型训练,从而计算出各属性的权重系数。
所述逻辑回归(Logistic Regression)是工业界常用的算法,很多互联网公司就是用它来解决上百亿特征大规模机器学习的。回归就是对已知公式中的未知参数进行评估求解,回归分为线性回归和非线性回归。首先,公式若是已知的,比如说f(x,y,z)=a*x+b*y+c*z+d,其中的a,b,c,d就是待评估的参数,这种是线性回归问题,例如N元一次方程就是线性回归问题。对于多次方程的参数评估,就是非线性回归问题。逻辑回归就是一个被logistic方程归一化后的线性回归,logistic方程的形式为:其中z是上述提到的线性回归方程f(x,y,z),通过这个logistic方程可以获得一个事件是否发生的概率值,这在本发明中就是所述效果参数。
本发明利用逻辑回归方式,构建所述特征属性数据各属性的逻辑回归模型,以该逻辑回归模型作为所述效果参数预估模型;该逻辑回归模型具体包括:
回归部分遵循公式(1):
f(x1,x2,x3,…,xi)=a1*x1+a2*x2+a3*x3+…+ai*xi+d (1)
逻辑部分遵循公式(2):
其中:z=f(x1,x2,x3,…,xi);x1,x2,x3,…,xi为所述特征数据中的各个属性,其中xi为第i个属性;a1,a2,a3,…,ai分别为所述各个属性对应的权重系数,ai为xi对应的权重系数;g(z)为对应的效果参数。
在本发明的具体实施例中,所述效果参数例如可以是点击率,或转化率。
所述点击率是指网站页面上某一内容被点击的次数与被显示次数之比,是一个百分比。点击率反映了网页上某一内容的受关注程度,常常用来衡量网络媒介信息的吸引程度。
所述转化率是指在一个统计周期内,完成转化行为的次数占所展示的网络媒介信息总点击次数的比率。所述转化行为是指:访问网站的受众在网站上完成了的信息发布者所指定的任务,例如以下几种行为都属于转化行为:
1.在网站上停留了一定的时间;
2.浏览了网站上的特定页面,如注册页面,“联系我们”页面等等;
3.在网站上注册或提交订单;
4.通过网站留言或网站在线即时通讯工具进行咨询;
5.实际付款、成交(特别是对于电子商务类网站而言)。
在本说明书中的优选实施例中,所述效果参数以点击率为例进行说明。
本步骤103中,所述根据历史数据对该效果参数预估模型进行训练,得到该效果参数预估模型中各个属性的权重系数,具体包括:
统计网络媒介信息曝光数据所涉及的各属性组合以及各种属性的组合所对应的效果参数;
针对其中的每一个属性组合,将其中的属性代入上述公式(1)的等号右侧,其中,如果某属性xi在该属性组合中出现,则该xi取值为1,如果没有在该属性组合中出现则取值为0,该属性组合对应的效果参数(如点击率)代入所述公式(2)中得到所述z,该z=f(x1,x2,x3,…,xi),将f(x1,x2,x3,…,xi)代入所述公式(1)中,得到该属性组合与对应效果参数的逻辑回归训练;
利用所述每一个属性组合得到的逻辑回归训练,求解所述公式(1)中的a1,a2,a3,…,ai,得到该效果参数预估模型中各个属性的权重系数。
一种具体的优选实施例中,所述特征属性数据的属性例如包括:性别男、年龄20等一系列属性,这些属性相当于上述公式1中的x1,x2,x3,…,xi,每一种属性的取值为0或1。在一条网络媒介信息的曝光日志里,如果某属性出现了则该属性为1,没有出现则该属性为0。这里的属性也可以是组合属性,比如:性别男+年龄20,就是一个新的属性,所以,属性对应的权重系数参数a1,a2,a3,…,ai在本发明中会达到千万甚至上亿的级别。所述模型训练的过程就是利用目前已知的效果数据来求解a1,a2,a3,…,ai的过程。
例如如果所述效果数据为点击率,则此处为统计每一条网络媒介信息曝光所涉及的属性以及这条曝光是否产生了点击(如果所述效果参数为转化率,则此处统计是否产生了转化),如果产生了点击则判为正例,否则判为负例,并以此统计各种属性的组合所对应的点击率。对于某一种属性的组合来讲,将其代入上述公式(1)的等号右侧,如果某属性xi在该属性组合中出现,则该xi取值为1,如果没有在该属性组合中出现则取值为0,该属性组合对应的点击率代入所述公式(2)中得到所述z,该z=f(x1,x2,x3,…,xi),将f(x1,x2,x3,…,xi)也代入所述公式(1)中,就得到了一个所述属性组合与对应点击率的逻辑回归训练。
那么本发明可以将所得到的大量的网络媒介信息曝光数据代入到上述公式(1)和公式(2)中,从而得到大量的逻辑回归训练,这些大量的逻辑回归训练足以覆盖所述每一个属性,并可以最终求解出每一个属性对应的权重系数a1,a2,a3,…,ai,具体的求解方法例如可以采用梯度下降法。
上述求解过程是一个较耗费计算资源的过程,在目前的数据量实例来讲,大约需要对1.5T的属性数据进行50至80轮迭代去求出这些权重系数。因此本发明可采用计算机集群来进行模型训练的计算。
模型训练结束之后,可以获得各个属性对应的权重系数如a1,a2,a3,…,ai的值。
步骤104、按照所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值(例如此处以点击率为例进行说明,当然所述效果参数也可以为转化率等),按照预估的效果参数值(如预估的点击率)对所述受众进行排序,例如此处可以为降序排序,得分越高的排序越靠前,也是对目标行业网络媒介信息感兴趣程度越大和点击概率越大的人群。
所述目标网络媒介信息,是指所提取的受众人群包所对应的特定种类的网络媒介信息,这种网络媒介信息通常以行业分类标签来区分。本发明为了指定目标网络媒介信息,需要接收行业分类标签,所述目标网络媒介信息为根据接收的行业分类标签所对应分类的网络媒介信息,所要提取的的受众人群包是该行业分类标签对应网络媒介信息所对应的受众人群包。
所述接收行业分类标签具体是:接收管理员通过输入接口输入的行业分类标签。所述行业分类标签是由现有的网络媒介信息标签分类***所生成的标签,这种现有的网络媒介信息标签分类***会对网络媒介信息所属的行业进行分类分析,按照细粒度的顺序可以对各行业进行由粗到细的划分,对每一类行业都标上对应的分类标签。例如可以分为交通类标签、娱乐类标签、游戏类标签、房产类标签等等,针对每一个大类的标签,又可以进一步细分为小类标签,例如针对所述交通类标签,有可以细分为汽车类标签和飞机类标签,针对汽车类标签又可以分为抵挡汽车标签、中档汽车标签、高档汽车标签等等。
本发明可以直接利用现有的网络媒介信息标签分类***所生成的行业分类标签,将这些行业分类标签展现给管理员,供管理员选择,管理员选择好后可以利用输入接口(如利用鼠标从分类标签展示界面选择,并点击确定按钮输入)输入所选的行业分类标签,本发明就可以从该输入接口接收到管理员所选的行业分类标签。
本步骤104中,所述预估各受众对目标网络媒介信息的效果参数值,具体是对指定范围(如全国范围)的受众人群中的各个受众的效果参数值如点击率进行预估,具体包括:
接收行业分类标签、以及上述的所述特征属性数据的各个属性的权重系数、以及人群属性数据;
从所述人群属性数据中选择指定范围的受众人群,例如在一种实施例中可以选择全部受众,然后依次遍历所选的每一个受众,针对每一个受众,预估该受众对目标网络媒介信息的点击率。
此处具体的预估方法是:将所述已经计算出的所述效果参数预估模型中各个属性的权重系数代入上述公式(1),然后判断所述属性x1,x2,x3,…,xi中的每一个属性是否在本受众的属性、以及目标网络媒介信息的属性中出现,如果出现,则该属性取值为1,否则该属性取值为0;然后将各个属性的取值代入公式(1)中,得到对应的f(x1,x2,x3,…,xi)=z,再将z代入公式(2)中,得到的g(z)是一个介于0至1之间的概率值,也即本发明所预测的该受众对该目标网络媒介信息的效果参数值,如此实施例为点击率。
步骤105、从按照所述预估效果参数值(效果参数值例如为点击率)进行降序排列的受众中,依次选择预估效果参数值大于等于指定门限值(如指定点击率)的受众,组成所要提取的受众人群包,输出该受众人群包。
所述指定门限值如指定点击率可以是管理人员设定的点击率,也可以是通过与指定时间范围内(如近一个月)的指定用户量(如全国的受众)对目标网络媒介信息的平均点击率进行提升后得到的点击率,例如可以设置提升率为15%,那么指定点击率就是所述平均点击率乘以(1+15%)。
在一种优选实施例中,本发明可以同时设置受众人群包的人数下限;所述选择预估点击率大于等于指定门限值的受众,具体包括:可以从按照所述预估点击率进行降序排列的受众中,从预估点击率最高的受众开始选择,当该受众的预估点击率大于等于指定点击率时则将该受众加入所述受众人群包,当该受众的预估点击率小于所述指定点击率、或者所述受众人群包的人数达到受众人群包的人数下限时,则输出所述受众人群包。
由于受众量巨大,依次判断每个受众的点击率是否大于等于指定点击率的计算量十分巨大,因此在本发明的进一步的一种优选实施例中,可以从按照所述预估点击率进行降序排列的受众中,从预估点击率最高的受众开始,每隔指定人数(比如在总人数1000万人的情况下为1000人)就计算排序在选定用户之前的所有用户的平均点击率,用该指定人数的平均点击率与所述指定点击率对比,如果指定人数的平均点击率大于等于所述指定点击率,则将该指定人数的受众加入受众人群包,直到所述指定人数的平均点击率低于所述指定点击率、或受众人群包的人数达到受众人群包的人数下限,则输出受众人群包。
由上述实施例可以看出,本发明输出人群包大小的问题上有两条重要的原则:一是输出人群包的平均点击率一定要大于指定的点击率;二是输出的人群包越大越好,这样才会产生足够多的曝光。在优选的实施例中的做法是在点击率有一定提升的基础上尽量选择较大的人群包输出。
在进一步的优选实施例中,所述指定点击率也可以是:指定时间范围内(如近一个月)的指定用户量(如全国的受众)对目标网络媒介信息的平均点击率,加上指定的提升量。例如可以设置提升率为15%,那么指定点击率就是所述平均点击率乘以(1+15%)。
那么在这种实施例中,还需要进行离线效果测试,即根据离线的发布效果数据(如曝光日志)来计算之前的平均点击率,在该平均点击率的基础上提升所指定的提升率,该提升率可以由管理员或发布方设定,再判断上述按照所述预估点击率进行降序排列的受众中相对该提升后的平均点击率的人群量的大小。
具体的,本发明还包括:获取指定时间范围内的指定用户量(例如此处为全国受众)对目标网络媒介信息的历史效果数据(如曝光日志),计算该指定时间范围内指定用户量对目标网络媒介信息的平均效果参数(如此处为平均点击率)。
从所述按照点击率排序的指定范围的受众中,选择点击率大于等于指定点击率的受众,所述指定点击率=平均点击率乘以(1+指定提升率)。该指定提升率可以由管理员设置,例如15%。
例如,此处可以使用若干天的与目标网络媒介信息的曝光点击日志作为测试数据,对排序后的人群进行效果检查,计算排序靠前的人群的实际点击率相对于全体曝光用户的平均点击率的提升。
人群包的提升幅度是作为可配置选项供人群包管理员选择的,人群包管理员可以指定人群效果提升的最低幅度(例如点击率提升15%)或者人群包最小的大小(例如3000万),***会根据管理员的定制需求生成相应的人群包。如果管理员想产出效果非常好而对人群包的大小不是很在意,可以将此项值调大,反之,如果希望人群包的尽量大,则可以将此项配置调小。
在进一步的实施例中,本发明还可以依照所述点击率的排序结果,对每隔指定人数的平均点击率绘制趋势图,则会得到一条按照排序顺序增大的人群的点击率趋势图。在点击率预估模型有效的情况下,平均点击率会随着人群排序的增大而降低。在初始场景中,管理人员可以根据该趋势图设定合理的点击率提升幅度和受众人群包人数下限,从而决定输出受众人群包的截断点和大小。
根据上一步的效果提升趋势,选择大小合适的排序靠前的人群作为受众人群包输出。因此可以在选择输出人群包大小的问题上遵循了所述两条重要的原则:(1)输出人群包的平均点击率要大于全体用户的平均点击率,提升幅度一般在10%以上;(2)输出的受众人群包越大越好,这样才会产生足够多的曝光。
利用本发明,可以通过使用效果参数预估模型来进行受众人群包的挖掘和提取,相比现有技术有如下优点:
(1)简化受众人群包的提取流程并基本实现了人群包挖掘的自动化,大大减少了人工的介入,节省了大量人力,提升力人群包挖掘的效率。利用本发明的方案,只要人群包管理员输入行业分类标签和指定门限值(如点击率提升幅度)等数据就可以自动进行人群包提取并输出,相比于以前繁琐的人群包提取流程,效率提升数倍。
(2)提升的受众人群包的发布效果,增强了网络媒介信息***对网络媒介信息发布方的吸引力。由于新的受众人群包提取方法是基于效果参数如点击率预估模型的,提取出来的人群的点击率和转化率比非人群包内的点击率是要高的,试验证明平均点击率的提升随行业不同而变化,提升比例在20%-200%之间,这进一步验证了本发明所述受众人群包提取方案的良好效果。
(3)本发明将点击率(转化率)等参数的预估模型引入到人群提取方案中,实现了基于效果的人群提取方法,而现有技术中的点击率预估都是用于对不同网络媒介信息进行点击率预测,根据预测出来的点击率挑选出最合适播放的网络媒介信息,本发明的方案是将点击率预估模型用于计算全体用户对某一类网络媒介信息(该类网络媒介信息用管理员输入的行业分类标签区分)的点击概率,作为挑选出目标人群包的依据,大大增强了网络媒介信息发布后受众的点击率和转化率,提高了网络媒介信息在受众人群包内的发布精确性。
对于提取出的受众人群包,可以提交到网络媒介信息的发布控制***,该发布控制***可以从所述受众人群包提取***提取出的受众人群包中,选择与发布请求中的行业标签匹配的受众人群包,向该受众人群包内的受众发布所述发布请求中请求发布的网络媒介信息。
本发明的方案适用于各种互联网网络媒介信息中通过人群包方式来进行网络媒介信息定向发布的***,以及人群包的提取方式和使用方法。
与上述方法对应,本发明还公开了一种网络媒介信息的处理***。图2为所述网络媒介信息的处理***的一种组成示意图。参见图2,该***包括:
收集装置201,用于收集网络媒介信息的历史发布效果数据;该历史发布效果数据是根据对网络媒介信息的受众人群对网络媒介信息发布的历史反应数据得到。
属性完善装置202,用于从人群属性***中获取人群属性数据,从网络媒介信息展示位、发布请求管理***中获取网络媒介信息管理数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据。
预估模型装置203,用于构建所述特征属性数据各属性所对应的效果参数预估模型,根据历史数据对该效果参数预估模型进行训练。
效果参数预估装置204,用于按照所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值,按照预估的效果参数值对所述受众进行排序,例如此处为降序排序。所述效果参数例如可以是点击率,或转化率。
提取装置205,用于从所述降序排列的受众中从所述受众中,依次选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。
在一种优选实施例中,所述效果参数预估装置204进一步用于接收行业分类标签;所述目标网络媒介信息为根据所接收的行业分类标签所对应分类的网络媒介信息。
在一种优选实施例中,所述收集装置201进一步用于:在收集网络媒介信息的历史发布效果数据之后,对所收集的发布效果数据进行清洗去噪处理;之后再发送给所述属性完善装置进行所述属性完善处理。
在一种优选实施例中,所述属性完善装置202具体用于:根据所述发布效果数据中的关键属性字段查找所述人群属性数据和网络媒介信息管理数据,从中得到对应的相关属性字段,将该相关属性字段加入到所述关键属性字段对应的发布效果数据中,以所述关键属性字段和相关属性字段组成所述的特征属性数据
在一种优选实施例中,述预估模型装置203具体用于:
利用逻辑回归方式,构建所述特征属性数据各属性的逻辑回归模型,以该逻辑回归模型作为所述效果参数预估模型;该逻辑回归模型具体包括:
回归部分遵循公式(1):
f(x1,x2,x3,…,xi)=a1*x1+a2*x2+a3*x3+…+ai*xi+d (1)
逻辑部分遵循公式(2):
其中:z=f(x1,x2,x3,…,xi);x1,x2,x3,…,xi为所述特征数据中的各个属性,其中xi为第i个属性;a1,a2,a3,…,ai分别为所述各个属性对应的权重系数,ai为xi对应的权重系数;g(z)为对应的效果参数;
统计网络媒介信息曝光数据所涉及的各属性组合以及各种属性的组合所对应的效果参数;
针对其中的每一个属性组合,将其中的属性代入上述公式(1)的等号右侧,其中,如果某属性xi在该属性组合中出现,则该xi取值为1,如果没有在该属性组合中出现则取值为0,该属性组合对应的效果参数(如点击率)代入所述公式(2)中得到所述z,该z=f(x1,x2,x3,…,xi),将f(x1,x2,x3,…,xi)代入所述公式(1)中,得到该属性组合与对应效果参数的逻辑回归训练;
利用所述每一个属性组合得到的逻辑回归训练,求解所述公式(1)中的a1,a2,a3,…,ai,得到该效果参数预估模型中各个属性的权重系数。
在一种优选实施例中,所述效果参数预估装置204具体用于:
针对指定范围中的每一个受众,执行如下操作:
将所述效果参数预估模型中各个属性的权重系数代入上述公式(1),然后判断所述属性x1,x2,x3,…,xi中的每一个属性是否在本受众的属性、以及目标网络媒介信息的属性中出现,如果出现,则该属性取值为1,否则该属性取值为0;将各个属性的取值代入公式(1)中,得到对应的f(x1,x2,x3,…,xi)=z,再将z代入公式(2)中,得到的g(z)为该受众对该目标网络媒介信息的效果参数值。
在一种优选实施例中,所述提取装置205具体用于:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始选择,当该受众的预估效果参数值大于等于指定门限值时则将该受众加入所述受众人群包,当该受众的预估效果参数值小于所述指定门限值、或者所述受众人群包的人数达到预设的受众人群包的人数下限时,则输出所述受众人群包。
在另一种优选实施例中,所述提取装置205具体用于:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始,每隔指定人数,计算排序在选定用户之前的所有用户的平均效果参数值,用该指定人数的平均效果参数值与所述指定门限值对比,如果指定人数的平均效果参数值大于等于所述指定门限值,则将该指定人数的受众加入受众人群包,直到所述指定人数的平均效果参数值低于所述指定门限值、或受众人群包的人数达到受众人群包的人数下限,则输出受众人群包。
在一种优选实施例中,所述指定门限值为:指定时间范围内的指定受众量对目标网络媒介信息的平均效果参数值,加上指定的提升量。图3为本发明所述网络媒介信息处理***的又一种组成示意图。参见图3,该实施例中,为了获取指定时间范围内的指定受众量对目标网络媒介信息的平均效果参数值,需要接入离线的发布效果数据300(如曝光日志)作为测试数据,以此来计算之前的平均点击率,在该平均点击率的基础上提升所指定的提升率,该提升率可以由管理员或发布方设定,再判断上述按照所述预估点击率进行降序排列的受众中相对该提升后的平均点击率的人群量的大小。这个过程相当于一个离线效果测试的作用。
具体的,所述提取装置205进一步用于:获取指定时间范围内的指定用户量(例如此处为全国受众)对目标网络媒介信息的历史效果数据(如曝光日志),计算该指定时间范围内指定用户量对目标网络媒介信息的平均效果参数(如此处为平均点击率);从所述按照点击率排序的指定范围的受众中,选择点击率大于等于指定点击率的受众,所述指定点击率=平均点击率乘以(1+指定提升率)。
例如,此处可以使用若干天的与目标网络媒介信息的曝光点击日志作为测试数据,对排序后的人群进行效果检查,计算排序靠前的人群的实际点击率相对于全体曝光用户的平均点击率的提升。
对应的本发明还公布了一种网络媒介信息发布***,图4为该网络媒介信息发布***的一种组成示意图。参见图4,该网络媒介信息发布***包括上述网络媒介信息的受众人群包的提取***,具体可以包括该提取***的任一种实施例,以及发布控制***401。
所述发布控制***401用于从所述处理***提取出的受众人群包中,选择与发布请求中的行业标签匹配的受众人群包,向该受众人群包内的受众发布所述发布请求中请求发布的网络媒介信息。
本发明的所述网络媒介信息受众人群包提取技术可以应用到许多产业领域。例如可以应用到互联网的广告处理展示领域中,所述互联网广告可以看作是一种网络媒介信息。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。所述各实施例的功能模块可以位于一个终端或网络节点,或者也可以分布到多个终端或网络节点上。
另外,本发明的每一个实施例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然,数据处理程序构成了本发明。此外,通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此,这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式,例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO等)等。
因此本发明还公开了一种存储介质,其中存储有数据处理程序,该数据处理程序用于执行本发明上述方法的任何一种实施例。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (19)
1.一种网络媒介信息的处理方法,其特征在于,包括:
收集网络媒介信息的历史发布效果数据,所述历史发布效果数据包括一条或多条网络媒介信息的曝光日志;
获取人群属性数据、网络媒介信息管理数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据;其中,所述属性完善处理指将在所述人群属性数据、网络媒介信息管理数据中查找到的属性字段添加到所述历史发布效果数据中;其中,所述特征属性数据包括多个属性字段;
构建所述特征属性数据各属性所对应的效果参数预估模型,根据所述特征属性数据对该效果参数预估模型进行训练;
将各受众的与目标网络媒介信息相关的特征属性数据输入所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值;
从所述受众中,选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。
2.根据权利要求1所述的方法,其特征在于,所述目标网络媒介信息为根据接收的行业分类标签所对应分类的网络媒介信息。
3.根据权利要求1所述的方法,其特征在于,所述利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据,具体包括:
根据所述历史发布效果数据中的关键属性字段查找所述人群属性数据和网络媒介信息管理数据,从中得到对应的相关属性字段,将该相关属性字段加入到所述关键属性字段对应的历史发布效果数据中,以所述关键属性字段和相关属性字段组成所述的特征属性数据,其中,所述关键属性字段为所述特征属性数据包括的属性字段中的预设的关键的属性字段,所述相关属性字段为所述特征属性数据包括的属性字段中除所述关键属性字段之外的属性字段。
4.根据权利要求1所述的方法,其特征在于,所述构建所述特征属性数据各属性所对应的效果参数预估模型,具体包括:
利用逻辑回归方式,构建所述特征属性数据各属性的逻辑回归模型,以该逻辑回归模型作为所述效果参数预估模型;该逻辑回归模型具体包括:
回归部分遵循公式(1):
f(x1,x2,x3,…,xi)=a1*x1+a2*x2+a3*x3+…+ai*xi+d (1)
逻辑部分遵循公式(2):
其中:z=f(x1,x2,x3,…,xi);x1,x2,x3,…,xi为所述特征属性数据中的各个属性,其中xi为第i个属性;a1,a2,a3,…,ai分别为所述各个属性对应的权重系数,ai为xi对应的权重系数;g(z)为对应的效果参数,f(x1,x2,x3,…,xi)为线性回归方程,d为常数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述特征属性数据对该效果参数预估模型进行训练,具体包括:
统计网络媒介信息曝光数据所涉及的各属性组合以及各种属性的组合所对应的效果参数;
针对其中的每一个属性组合,将其中的属性代入上述公式(1)的等号右侧,其中,如果某属性xi在该属性组合中出现,则该xi取值为1,如果没有在该属性组合中出现则取值为0,该属性组合对应的效果参数代入所述公式(2)中得到所述z,该z=f(x1,x2,x3,…,xi),将f(x1,x2,x3,…,xi)代入所述公式(1)中,得到该属性组合与对应效果参数的逻辑回归训练;
利用所述每一个属性组合得到的逻辑回归训练,求解所述公式(1)中的a1,a2,a3,…,ai,得到该效果参数预估模型中各个属性的权重系数。
6.根据权利要求4所述的方法,其特征在于,所述预估各受众对目标网络媒介信息的效果参数值,具体包括:
针对指定范围中的每一个受众,执行如下操作:
将所述效果参数预估模型中各个属性的权重系数代入上述公式(1),然后判断所述属性x1,x2,x3,…,xi中的每一个属性是否在本受众的属性、以及目标网络媒介信息的属性中出现,如果出现,则该属性取值为1,否则该属性取值为0;将各个属性的取值代入公式(1)中,得到对应的f(x1,x2,x3,…,xi)=z,再将z代入公式(2)中,得到的g(z)为该受众对该目标网络媒介信息的效果参数值。
7.根据权利要求1所述的方法,其特征在于,
进一步设置受众人群包的人数下限;
所述选择预估效果参数值大于等于指定门限值的受众,具体包括:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始选择,当该受众的预估效果参数值大于等于指定门限值时则将该受众加入所述受众人群包,当该受众的预估效果参数值小于所述指定门限值、或者所述受众人群包的人数达到受众人群包的人数下限时,则输出所述受众人群包。
8.根据权利要求1所述的方法,其特征在于,
进一步设置受众人群包的人数下限;
所述选择预估效果参数值大于等于指定门限值的受众,具体包括:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始,每隔指定人数,计算排序在选定用户之前的所有用户的平均效果参数值,用该指定人数的平均效果参数值与所述指定门限值对比,如果指定人数的平均效果参数值大于等于所述指定门限值,则将该指定人数的受众加入受众人群包,直到所述指定人数的平均效果参数值低于所述指定门限值、或受众人群包的人数达到受众人群包的人数下限,则输出受众人群包。
9.根据权利要求1所述的方法,其特征在于,所述指定门限值为:指定时间范围内的指定受众量对目标网络媒介信息的平均效果参数值,加上指定的提升量。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述的效果参数包括:点击率或转化率。
11.一种网络媒介信息的处理***,其特征在于,包括:
收集装置,用于收集网络媒介信息的历史发布效果数据,所述历史发布效果数据包括一条或多条网络媒介信息的曝光日志;
属性完善装置,用于获取人群属性数据、网络媒介信息管理数据;利用人群属性数据、网络媒介信息管理数据对所述历史发布效果数据进行属性完善处理,得到特征属性数据,其中,所述属性完善处理指将在所述人群属性数据、网络媒介信息管理数据中查找到的属性字段添加到所述历史发布效果数据中;其中,所述特征属性数据包括多个属性字段;
预估模型装置,用于构建所述特征属性数据各属性所对应的效果参数预估模型,根据所述特征属性数据对该效果参数预估模型进行训练;
效果参数预估装置,用于将各受众的与目标网络媒介信息相关的特征属性数据输入所述效果参数预估模型,预估各受众对目标网络媒介信息的效果参数值;
提取装置,用于从所述受众中,依次选择预估效果参数值大于等于指定门限值的受众,组成所要提取的受众人群包。
12.根据权利要求11所述的***,其特征在于,所述效果参数预估装置进一步用于接收行业分类标签;所述目标网络媒介信息为根据所接收的行业分类标签所对应分类的网络媒介信息。
13.根据权利要求11所述的***,其特征在于,所述属性完善装置具体用于:根据所述历史发布效果数据中的关键属性字段查找所述人群属性数据和网络媒介信息管理数据,从中得到对应的相关属性字段,将该相关属性字段加入到所述关键属性字段对应的历史发布效果数据中,以所述关键属性字段和相关属性字段组成所述的特征属性数据,其中,所述关键属性字段为所述特征属性数据包括的属性字段中的预设的关键的属性字段,所述相关属性字段为所述特征属性数据包括的属性字段中除所述关键属性字段之外的属性字段。
14.根据权利要求11所述的***,其特征在于,所述预估模型装置具体用于:
利用逻辑回归方式,构建所述特征属性数据各属性的逻辑回归模型,以该逻辑回归模型作为所述效果参数预估模型;该逻辑回归模型具体包括:
回归部分遵循公式(1):
f(x1,x2,x3,…,xi)=a1*x1+a2*x2+a3*x3+…+ai*xi+d (1)
逻辑部分遵循公式(2):
其中:z=f(x1,x2,x3,…,xi);x1,x2,x3,…,xi为所述特征属性数据中的各个属性,其中xi为第i个属性;a1,a2,a3,…,ai分别为所述各个属性对应的权重系数,ai为xi对应的权重系数;g(z)为对应的效果参数,f(x1,x2,x3,…,xi)为线性回归方程,d为常数;
统计网络媒介信息曝光数据所涉及的各属性组合以及各种属性的组合所对应的效果参数;
针对其中的每一个属性组合,将其中的属性代入上述公式(1)的等号右侧,其中,如果某属性xi在该属性组合中出现,则该xi取值为1,如果没有在该属性组合中出现则取值为0,该属性组合对应的效果参数代入所述公式(2)中得到所述z,该z=f(x1,x2,x3,…,xi),将f(x1,x2,x3,…,xi)代入所述公式(1)中,得到该属性组合与对应效果参数的逻辑回归训练;
利用所述每一个属性组合得到的逻辑回归训练,求解所述公式(1)中的a1,a2,a3,…,ai,得到该效果参数预估模型中各个属性的权重系数。
15.根据权利要求14所述的***,其特征在于,所述效果参数预估装置具体用于:
针对指定范围中的每一个受众,执行如下操作:
将所述效果参数预估模型中各个属性的权重系数代入上述公式(1),然后判断所述属性x1,x2,x3,…,xi中的每一个属性是否在本受众的属性、以及目标网络媒介信息的属性中出现,如果出现,则该属性取值为1,否则该属性取值为0;将各个属性的取值代入公式(1)中,得到对应的f(x1,x2,x3,…,xi)=z,再将z代入公式(2)中,得到的g(z)为该受众对该目标网络媒介信息的效果参数值。
16.根据权利要求11所述的***,其特征在于,所述提取装置具体用于:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始选择,当该受众的预估效果参数值大于等于指定门限值时则将该受众加入所述受众人群包,当该受众的预估效果参数值小于所述指定门限值、或者所述受众人群包的人数达到预设的受众人群包的人数下限时,则输出所述受众人群包。
17.根据权利要求11所述的***,其特征在于,所述提取装置具体用于:从按照所述预估效果参数值进行降序排列的受众中,从预估效果参数值最高的受众开始,每隔指定人数,计算排序在选定用户之前的所有用户的平均效果参数值,用该指定人数的平均效果参数值与所述指定门限值对比,如果指定人数的平均效果参数值大于等于所述指定门限值,则将该指定人数的受众加入受众人群包,直到所述指定人数的平均效果参数值低于所述指定门限值、或受众人群包的人数达到受众人群包的人数下限,则输出受众人群包。
18.根据权利要求11所述的***,其特征在于,所述指定门限值为:指定时间范围内的指定受众量对目标网络媒介信息的平均效果参数值,加上指定的提升量。
19.一种网络媒介信息发布***,其特征在于,包括:如权利要求11至18任一项所述的网络媒介信息的处理***,以及发布控制***;
所述发布控制***用于从所述处理***提取出的受众人群包中,选择与发布请求中的行业标签匹配的受众人群包,向该受众人群包内的受众发布所述发布请求中请求发布的网络媒介信息。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410047134.9A CN104834641B (zh) | 2014-02-11 | 2014-02-11 | 网络媒介信息的处理方法和相关*** |
PCT/CN2015/072796 WO2015120798A1 (en) | 2014-02-11 | 2015-02-11 | Method for processing network media information and related system |
US15/173,184 US10348550B2 (en) | 2014-02-11 | 2016-06-03 | Method and system for processing network media information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410047134.9A CN104834641B (zh) | 2014-02-11 | 2014-02-11 | 网络媒介信息的处理方法和相关*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834641A CN104834641A (zh) | 2015-08-12 |
CN104834641B true CN104834641B (zh) | 2019-03-15 |
Family
ID=53799601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410047134.9A Active CN104834641B (zh) | 2014-02-11 | 2014-02-11 | 网络媒介信息的处理方法和相关*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US10348550B2 (zh) |
CN (1) | CN104834641B (zh) |
WO (1) | WO2015120798A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062368B1 (en) * | 2014-03-19 | 2021-07-13 | Google Llc | Selecting online content using offline data |
CN105354722A (zh) * | 2015-10-22 | 2016-02-24 | 北京金山安全软件有限公司 | 信息投放方法及装置 |
KR102363510B1 (ko) * | 2015-10-23 | 2022-02-17 | 한국전자기술연구원 | 프로파일링 기반의 자동화된 네트워크 성능 최적화 시스템 및 그 방법 |
CN105427129B (zh) * | 2015-11-12 | 2020-09-04 | 腾讯科技(深圳)有限公司 | 一种信息的投放方法及*** |
CN105630996B (zh) * | 2015-12-25 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种信息处理方法和服务器 |
CN105678587B (zh) * | 2016-01-12 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种推荐特征确定方法、信息推荐方法及装置 |
CN108076387B (zh) * | 2016-12-29 | 2021-05-28 | 北京市商汤科技开发有限公司 | 业务对象推送方法及装置、电子设备 |
CN107507098B (zh) * | 2017-07-07 | 2020-06-09 | 积成电子股份有限公司 | 基于轨迹阵的配电网负荷转供培训评价方法 |
CN107301247B (zh) * | 2017-07-14 | 2020-12-18 | 阿里巴巴(中国)有限公司 | 建立点击率预估模型的方法及装置、终端、存储介质 |
CN110020113B (zh) * | 2017-09-28 | 2021-04-20 | 南京无界家居科技有限公司 | 一种基于特征匹配的家居产品预测方法及装置 |
BR102018000436A2 (pt) * | 2018-01-08 | 2019-07-16 | Rodrigo Parana Sanches | Método para avaliação de eficiência de comunicação, propaganda e promoções em meios de comunicação, método para desenvolvimento de plano de mídia otimizado e método para compra de mídia otimizada |
CN109408384B (zh) * | 2018-10-16 | 2022-07-29 | 网易(杭州)网络有限公司 | 软件应用的测试方法、装置、处理器及电子装置 |
US11127032B2 (en) * | 2018-11-19 | 2021-09-21 | Eventbrite, Inc. | Optimizing and predicting campaign attributes |
CN113496304B (zh) * | 2020-04-03 | 2024-03-08 | 北京达佳互联信息技术有限公司 | 网络媒介信息的投放控制方法、装置、设备及存储介质 |
CN111625771B (zh) * | 2020-04-27 | 2024-02-02 | 天星数科科技有限公司 | 受众人群验证方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082972A (zh) * | 2007-05-30 | 2007-12-05 | 华为技术有限公司 | 预测用户对商品的兴趣的方法、装置和广告发布方法 |
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN102904918A (zh) * | 2011-07-28 | 2013-01-30 | 腾讯科技(北京)有限公司 | 网络媒介信息的展示处理方法和*** |
CN202748836U (zh) * | 2012-09-07 | 2013-02-20 | 北京联合大学 | 精确反馈的广告投放*** |
CN103220305A (zh) * | 2012-01-18 | 2013-07-24 | 腾讯科技(深圳)有限公司 | 网络媒介信息的分享处理***和处理方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6873979B2 (en) * | 2000-02-29 | 2005-03-29 | Marketswitch Corporation | Method of building predictive models on transactional data |
US20070027772A1 (en) * | 2005-07-28 | 2007-02-01 | Bridge Well Incorporated | Method and system for web page advertising, and method of running a web page advertising agency |
US8065184B2 (en) * | 2005-12-30 | 2011-11-22 | Google Inc. | Estimating ad quality from observed user behavior |
US20080004953A1 (en) * | 2006-06-30 | 2008-01-03 | Microsoft Corporation | Public Display Network For Online Advertising |
US20090158309A1 (en) * | 2007-12-12 | 2009-06-18 | Hankyu Moon | Method and system for media audience measurement and spatial extrapolation based on site, display, crowd, and viewership characterization |
US20090287672A1 (en) * | 2008-05-13 | 2009-11-19 | Deepayan Chakrabarti | Method and Apparatus for Better Web Ad Matching by Combining Relevance with Consumer Click Feedback |
US8392343B2 (en) * | 2010-07-21 | 2013-03-05 | Yahoo! Inc. | Estimating probabilities of events in sponsored search using adaptive models |
US9183557B2 (en) * | 2010-08-26 | 2015-11-10 | Microsoft Technology Licensing, Llc | Advertising targeting based on image-derived metrics |
US10776816B2 (en) * | 2015-01-30 | 2020-09-15 | Walmart Apollo, Llc | System and method for building a targeted audience for an online advertising campaign |
-
2014
- 2014-02-11 CN CN201410047134.9A patent/CN104834641B/zh active Active
-
2015
- 2015-02-11 WO PCT/CN2015/072796 patent/WO2015120798A1/en active Application Filing
-
2016
- 2016-06-03 US US15/173,184 patent/US10348550B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082972A (zh) * | 2007-05-30 | 2007-12-05 | 华为技术有限公司 | 预测用户对商品的兴趣的方法、装置和广告发布方法 |
CN102904918A (zh) * | 2011-07-28 | 2013-01-30 | 腾讯科技(北京)有限公司 | 网络媒介信息的展示处理方法和*** |
CN102346899A (zh) * | 2011-10-08 | 2012-02-08 | 亿赞普(北京)科技有限公司 | 一种基于用户行为的广告点击率预测方法和装置 |
CN103220305A (zh) * | 2012-01-18 | 2013-07-24 | 腾讯科技(深圳)有限公司 | 网络媒介信息的分享处理***和处理方法 |
CN202748836U (zh) * | 2012-09-07 | 2013-02-20 | 北京联合大学 | 精确反馈的广告投放*** |
Also Published As
Publication number | Publication date |
---|---|
US10348550B2 (en) | 2019-07-09 |
WO2015120798A1 (en) | 2015-08-20 |
CN104834641A (zh) | 2015-08-12 |
US20160285672A1 (en) | 2016-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834641B (zh) | 网络媒介信息的处理方法和相关*** | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN111444395B (zh) | 获取实体间关系表达的方法、***和设备、广告召回*** | |
JP5596152B2 (ja) | 電子商取引ウェブサイトでの情報マッチングの方法及びシステム | |
AU2006332534B2 (en) | Predicting ad quality | |
US9576251B2 (en) | Method and system for processing web activity data | |
JP4994394B2 (ja) | 推定した広告品質を用いた広告の選別、ランク付けおよび奨励 | |
CN105447186B (zh) | 一种基于大数据平台的用户行为分析*** | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
CN110263235A (zh) | 信息推送对象更新方法、装置和计算机设备 | |
US20120123993A1 (en) | Action Prediction and Identification Temporal User Behavior | |
CN109684635A (zh) | 一种基于智能营销的用户评价观点挖掘*** | |
EP2827294A1 (en) | Systems and method for determining influence of entities with respect to contexts | |
CN103345512A (zh) | 一种基于用户属性的网络广告点击率预测方法和装置 | |
CN103310003A (zh) | 一种基于点击日志的新广告点击率预测方法及*** | |
CN109191191B (zh) | 基于代价敏感卷积神经网络的广告点击欺诈检测方法 | |
CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN107153656A (zh) | 一种信息搜索方法和装置 | |
CN103177129A (zh) | 互联网实时信息推荐预测*** | |
CN109241455B (zh) | 一种推荐对象的展示方法及装置 | |
CN109902213A (zh) | 实时公交服务线路推荐方法、装置与电子设备 | |
CN108062366A (zh) | 公共文化信息推荐*** | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CN106383857A (zh) | 一种信息处理方法及电子设备 | |
US20150142782A1 (en) | Method for associating metadata with images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |