CN105574741A - 一种流量价值的评估方法、装置及其应用方法和*** - Google Patents
一种流量价值的评估方法、装置及其应用方法和*** Download PDFInfo
- Publication number
- CN105574741A CN105574741A CN201510971406.9A CN201510971406A CN105574741A CN 105574741 A CN105574741 A CN 105574741A CN 201510971406 A CN201510971406 A CN 201510971406A CN 105574741 A CN105574741 A CN 105574741A
- Authority
- CN
- China
- Prior art keywords
- network access
- access object
- flow value
- objective network
- advertisement
- 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.)
- Pending
Links
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
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及互联网领域,公开了一种流量价值的评估方法、装置及其应用方法和***,以解决现有技术中无法准确对流量价值进行评估的技术问题。该方法包括:提供一种流量价值的评估方法,包括:获取历史时间段内,针对预定网络访问对象的多条访问信息;确定每条访问信息所对应的多种特征类型的特征相关信息;基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;将多个特征向量输入神经网络模型,获得神经网络模型的输出值作为预定网络访问对象的流量价值,其中,神经网络模型基于多个采样样本进行神经网络语言训练获得。达到了能够准确评估预定网络访问对象的流量价值的技术效果。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种流量价值的评估方法、装置及其应用方法和***。
背景技术
随着科学技术的不断发展,电子技术也得到了飞速的发展,电子产品的种随着互联网的兴起,网络广告成为各大门户网站、搜索引擎、社交网络以及各终端通讯设备应用程序的主要赢利方式。目前互联网广告的市场正在以惊人的速度增长,互联网广告发挥的效用越来越显得重要。
但是,由于广告位的个数是有限的,所以通常DSP(Demand-SidePlatform:互联网广告)平台需要通过竞价的方式来确定在某个广告位投放由哪个DSP平台提供的广告,在这种情况下,需要准确的估计该网站的流量价值,从而广告投放方竞价提供有力可靠的参考依据和决策信息,现有技术的预估方案结果与真实值之间的误差较大,不能对网站的流量价值进行准确预估,从而无法进一步为提高广告投放效果提供良好的数据参考依据。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的流量价值的评估方法、装置及其应用方法和***。
第一方面,本发明实施例提供一种流量价值的评估方法,包括:
获取历史时间段内,针对预定网络访问对象的多条访问信息;
确定每条访问信息所对应的多种特征类型的特征相关信息;
基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
可选的,所述特征类型包括以下至少任一项:
访问用户;
访问上下文;
访问地点;
访问时间。
可选的,所述访问用户的特征相关信息包括以下任一项:
用户属性信息;
用户的历史兴趣信息;
用户的实时兴趣信息。
可选的,所述访问上下文的特征相关信息包括以下任一项:
终端相关信息;
网络相关信息;
广告展现相关信息。
可选的,所述终端相关信息包括:所述终端的型号、所述终端的操作***类型、所述终端的操作***版本、所述终端所安装的应用程序信息中的至少一种信息。
可选的,所述预定网络访问对象为预定网站或者预定应用程序。
第二方面,本发明实施例提供一种广告投放方法,包括:
确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值的评估方法,确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
可选的,所述从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,包括:
将所述多个目标网络访问对象按照所述流量价值从高到低进行排序;
获取排序位于前M位的目标网络访问对象。
可选的,所述从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,包括:
判断每个目标网络访问对象的所述流量价值是否大于预设阈值;
在对应目标网络访问对象的所述流量价值大于所述预设阈值时,将对应网络访问对象确定为所述排序位于前M位的目标网络访问对象之一。
第三方面,本发明实施例提供一种广告投放方法,包括:
获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值评估方法,确定每个所述目标网络访问对象的流量价值;
基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
可选的,在所述确定在所述目标网络访问对象投放广告时的支出费用之后,所述方法还包括:
确定所述目标网络访问对象的广告点击到达率CTR;
确定所述目标网络访问对象的广告每次点击付费CPC,所述CPC即为所述支出费用;
通过所述目标网络访问对象的所述流量价值减去所述CTR与所述CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
第四方面,本发明实施例提供一种流量价值的评估装置,包括:
获取模块,用于获取历史时间段内,针对预定网络访问对象的多条访问信息;
第一确定模块,用于确定每条访问信息所对应的多种特征类型的特征相关信息;
构建模型,用于基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
第一获得模块,用于将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
可选的,所述特征类型包括以下至少任一项:
访问用户;
访问上下文;
访问地点;
访问时间。
可选的,所述访问用户的特征相关信息包括以下任一项:
用户属性信息;
用户的历史兴趣信息;
用户的实时兴趣信息。
可选的,所述访问上下文的特征相关信息包括以下任一项:
终端相关信息;
网络相关信息;
广告展现相关信息。
可选的,所述终端相关信息包括:所述终端的型号、所述终端的操作***类型、所述终端的操作***版本、所述终端所安装的应用程序信息中的至少一种信息。
可选的,所述预定网络访问对象为预定网站或者预定应用程序。
第五方面,本发明实施例提供一种广告投放***,包括:
第二确定模块,用于确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值的评估装置,用于确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
筛选模块,用于从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
提供模块,用于向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
可选的,所述筛选模块,包括:
排序单元,用于将所述多个目标网络访问对象按照所述流量价值从高到低进行排序;
获取单元,用于获取排序位于前M位的目标网络访问对象。
可选的,所述筛选模块,包括:
判断单元,用于判断每个目标网络访问对象的所述流量价值是否大于预设阈值;
确定单元,用于在对应目标网络访问对象的所述流量价值大于所述预设阈值时,将对应网络访问对象确定为所述排序位于前M位的目标网络访问对象之一。
第六方面,本发明实施例提供一种广告投放***,包括:
第二获得模块,用于获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值的评估装置,用于确定每个所述目标网络访问对象的流量价值;
第三确定模块,用于基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
可选的,所述***还包括:
第四确定模块,用于确定所述目标网络访问对象的广告点击到达率CTR;
第五确定模块,用于确定所述目标网络访问对象的广告每次点击付费CPC,所述CPC即为所述支出费用;
第三获得模块,用于通过所述目标网络访问对象的所述流量价值减去所述CTR与所述CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
由于在本发明实施例中,可以首先基于多个采样样本进行神经网络语言训练获得神经网络模型,多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值;进而针对预定网络访问对象可以历史时间段内针对该预定网络访问对象的多条访问信息,并且确定出每条访问信息所对应的多种特征类型的特征相关信息,进而基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量,最后在这多个特征向量输入预先训练好的神经网络模型就可以获得预定网络访问对象的流量价值,达到了能够准确评估预定网络访问对象的流量价值的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的一种流量价值的评估方法的流程图;
图2示出了根据本发明一个实施例的一种广告投放方法的流程图;
图3示出了根据本发明另一个实施例的一种广告投放方法的流程图;
图4示出了根据本发明一个实施例的一种流量价值的评估装置的结构图;
图5示出了根据本发明一个实施例的一种广告投放***的结构图;
图6示出了根据本发明另一个实施例的一种广告投放***的结构图。
具体实施方式
本发明实施例中的方案总体思路如下:
提供一种流量价值的评估方法,包括:获取历史时间段内,针对预定网络访问对象的多条访问信息;确定每条访问信息所对应的多种特征类型的特征相关信息;基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;将多个特征向量输入神经网络模型,获得神经网络模型的输出值作为预定网络访问对象的流量价值,其中,神经网络模型基于多个采样样本进行神经网络语言训练获得,多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。达到了能够准确评估预定网络访问对象的流量价值的技术效果。
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种流量价值的评估方法,请参考图1,包括:
步骤S101:获取历史时间段内,针对预定网络访问对象的多条访问信息;
步骤S102:确定每条访问信息所对应的多种特征类型的特征相关信息;
步骤S103:基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
步骤S104:将多个特征向量输入神经网络模型,获得神经网络模型的输出值作为预定网络访问对象的流量价值,其中,神经网络模型基于多个采样样本进行神经网络训练获得,多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
步骤S101中,可以根据实际需求设置不同的历史时间段,例如:1个月、3个月等等,本发明实施例不作限制。
预定网络访问对象例如为:预定网站、预定APP等等。
针对预定网络访问对象的访问信息例如为:浏览信息、点击信息、下载其提供的APP的信息等等,本发明实施例不作限制。
步骤S102中,特征类型包括但不限于:访问用户、访问上下文、访问地点、访问时间等等。访问地点例如为在访问特定网络访问对象时,终端所在地点;访问时间例如为访问特定网络访问对象的时间等等。
其中,访问用户的特征相关信息包括但不限于:
用户属性信息,例如,性别、年龄、教育程度、收入、职业信息等;
用户的历史兴趣信息,例如,用户历史点击或浏览的广告信息、用户历史浏览的网页信息、用户历史的购买信息;
用户的实时兴趣信息,例如,用户当前浏览的网页信息。
其中,访问上下文的特征相关信息包括但不限于:
终端相关信息,例如,终端的型号、操作***类型、操作***版本、终端所安装的应用程序信息。
网络相关信息,例如,终端连接网络的网络运营商信息、网络类型;
广告展现相关信息,例如,广告尺寸信息、广告投放位置等等。
步骤S103中,针对每条访问信息,可以将其每个特征相关信息都赋予一定的取值,进而可以构建该访问信息的特征向量。其中,每个特征相关信息构成特征向量中的一维数据,进而采集了访问信息的多少特征相关信息,则可以获得对应该访问信息的多少维的特征向量。
步骤S104中,直接将获得的多条访问信息所对应的多个特征向量输入神经网络模型,所获得神经网络模型的输出结果就为预定网络访问对象的流量价值。
该神经网络模型例如为:BP(BackPropagation:反向传播)神经网络模型。BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学***方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidelayer)和输出层(outputlayer)。
本发明还揭示了一种广告投放方法,是对前述流量价值的评估方法的进一步利用,请参考图2,其包括如下步骤:
步骤S201:确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
步骤S202:基于本发明任一实施例所介绍的流量价值的评估方法,确定多个目标网络访问对象中每个目标网络访问对象的流量价值;
步骤S203:从多个目标网络访问对象中筛选出流量价值排序位于前M位的目标网络访问对象,M为正整数;
步骤S204:向排序位于前M位的目标网络访问对象投放广告;或者,将排序位于前M位的目标网络访问对象提供给广告投放方。
步骤S203中,可以通过多种方式对多个目标网络访问对象进行筛选,下面列举其中的两种进行介绍,当然,在具体实施过程中,不限于以下两种情况。
第一种,从多个目标网络访问对象中筛选出流量价值排序位于前M位的目标网络访问对象,包括:将多个目标网络访问对象按照流量价值从高到低进行排序;获取排序位于前M位的目标网络访问对象。
举例来说,也就是先固定设置好M的值,其中,可以直接设置M的值,例如:3、5等等,又或者先确定出多个目标网络访问对象的数量,然后取该数量的预定比例(例如:20%、30%等等)作为M的值,对于采用何种方式确定M的值本发明实施例不作限制。然后,将多个目标网络访问对象按照流量价值从高到低进行排序,就可以获得排序位于前M位的流量价值。
第二种,从多个目标网络访问对象中筛选出流量价值排序位于前M位的目标网络访问对象,包括:判断每个目标网络访问对象的流量价值是否大于预设阈值;在对应目标网络访问对象的流量价值大于预设阈值时,将对应目标网络访问对象确定为排序位于前M位的目标网络访问对象之一。
举例来说,也即是预先并不设定M的值,而是直接将每个目标网站访问对象的流量价值与预设流量价值进行比较,如果对应目标网络访问对象的流量价值大于预设流量价值,则将其作为排序位于前M位的目标网络访问对象之一,从而最终确定出M不定的M个目标网络访问对象。
步骤S203中,由于排序位于前M位的目标网络访问对象的流量价值较高,故而向其投放广告之后,广告的点击率也会较高,从而能够提高广告的投放效率。其中,可以直接向该预定网络访问对象投放广告,也可以将排序位于前M位的目标网络访问对象提供给其他广告投放方,进而使其他广告投放方在这些目标网络访问对象投放广告。
该广告投放方例如为DSP(Demand-SidePlatform:广告需求方)平台,DSP平台是一种在线广告平台,它服务于广告主,帮助广告主在互联网或者移动互联网上进行广告投放,DSP可以使广告主更简单便捷地遵循统一的竞价和反馈方式,对位于多家广告交易平台的在线广告,以合理的价格实时购买高质量的广告库存。
其中,DSP平台在确定出排序位于前M位的目标网络访问对象之后,认为在这些目标网络访问对象投放广告的回报较高,故而可以通过竞价的方式在这些目标网络访问对象进行广告投放。
本发明还揭示了另一种广告投放方法,是对前述流量价值的评估方法的进一步利用,请参考图3,其包括如下步骤:
步骤S301:获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
步骤S302:基于本发明任一实施例所介绍的流量价值评估方法,确定每个目标网络访问对象的流量价值;
步骤S303:基于目标网络访问对象的流量价值,确定在目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供目标网络访问对象的流量价值,以供广告投放方基于目标网络访问对象的流量价值,确定在目标网络访问对象投放广告时的支出费用。
步骤S303中,通常情况下,在目标网络访问对象的广告每被点击一次,就需要向目标网络访问对象的提供方支付一次CPC(CostPerClick:广告点击付费),同时可以大概估计目标网络访问对象的CTR(Click-Through-Rate:广告点击到达率),如果CPC*CTR小于流量价值,则广告投放方可以获得收益,因此,广告投放方可以通过流量价值除以/预估CTR,确定出确定在目标网络访问对象投放广告时的支出费用。例如:该支出费用略小于流量价值除以/预估CTR。
基于该方案,能够保证广告投放方准确的确定出在目标网络访问对象投放广告时的支出费用上限,从而为提高广告投放效率提供良好的数据参考依据。
作为一种可选的实施例,在所述确定在所述目标网络访问对象投放广告时的支出费用之后,所述方法还包括:确定所述目标网络访问对象的广告点击到达率CTR;确定所述目标网络访问对象的广告每次点击付费CPC,所述CPC即为所述支出费用;通过所述目标网络访问对象的所述流量价值减去所述CTR与所述CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
其中,可以通过对目标网络访问对象的历史投放广告进行分析,基于历史投放广告的流量次数和点击次数,来确定出目标网络访问对象的CTR。然后,获取广告投放方在投放广告时的支出费用作为CPC,基于CPC*CTR就可以确定出广告投放方的广告投放成本,通过流量价值减去广告投放成本,就可以确定出在对应目标网络访问对象进行广告投放的实际获得价值。
另外,将该实际获得价值除以广告投放成本就可以获得广告投放方在目标网络访问对象投放广告的ROL(ReturnOnInvestment:投资回报率)。
基于本发明实施例提供的流量价值的评估方法,本发明实施例还提供一种流量价值的评估装置,请参考图4,包括:
获取模块40,用于获取历史时间段内,针对预定网络访问对象的多条访问信息;
第一确定模块41,用于确定每条访问信息所对应的多种特征类型的特征相关信息;
构建模型42,用于基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
第一获得模块43,用于将多个特征向量输入神经网络模型,获得神经网络模型的输出值作为预定网络访问对象的流量价值,其中,神经网络模型基于多个采样样本进行神经网络语言训练获得,多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
可选的,特征类型包括以下至少任一项:访问用户;访问上下文;访问地点;访问时间。
可选的,访问用户的特征相关信息包括以下任一项:用户属性信息;用户的历史兴趣信息;用户的实时兴趣信息。
可选的,访问上下文的特征相关信息包括以下任一项:终端相关信息;网络相关信息;广告展现相关信息。
可选的,终端相关信息包括:终端的型号、终端的操作***类型、终端的操作***版本、终端所安装的应用程序信息中的至少一种信息。
可选的,预定网络访问对象为预定网站或者预定应用程序。
由于上述流量价值的评估装置,为实施前面所介绍的流量价值的评估方法所采用的装置,基于本发明实施例所介绍的流量价值的评估方法,本领域所属技术人员能够了解上述流量价值的评估装置的具体结构及变形,故而在此不再赘述,凡是实施前述流量价值的评估方法所采用的装置都属于本发明实施例所欲保护的范围。
基于本发明实施例提供的广告投放方法,本发明实施例还提供一种广告投放***,请参考图5,包括:
第二确定模块50,用于确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值的评估装置51,用于确定多个目标网络访问对象中每个目标网络访问对象的流量价值;
筛选模块52,用于从多个目标网络访问对象中筛选出流量价值排序位于前M位的目标网络访问对象,M为正整数;
提供模块53,用于向排序位于前M位的目标网络访问对象投放广告;或者,将排序位于前M位的目标网络访问对象提供给广告投放方。
可选的,筛选模块52,包括:排序单元,用于将多个目标网络访问对象按照流量价值从高到低进行排序;获取单元,用于获取排序位于前M位的目标网络访问对象。
可选的,筛选模块52,包括:判断单元,用于判断每个目标网络访问对象的流量价值是否大于预设阈值;确定单元,用于在对应目标网络访问对象的流量价值大于预设阈值时,将对应网络访问对象确定为排序位于前M位的目标网络访问对象之一。
由于上述广告投放***,为实施前面所介绍的第一种广告投放方法所采用的***,基于本发明实施例所介绍的第一种广告投放方法,本领域所属技术人员能够了解上述广告投放***的具体结构及变形,故而在此不再赘述,凡是实施前述第一种广告投放方法所采用的***都属于本发明实施例所欲保护的范围。
基于本发明实施例所提供的广告投放方法,本发明实施例还提供一种广告投放***,请参考图6,包括:
第二获得模块60,用于获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
本发明任一实施例所介绍的流量价值的评估装置61,用于确定每个目标网络访问对象的流量价值;
第三确定模块62,用于基于目标网络访问对象的流量价值,确定在目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供目标网络访问对象的流量价值,以供广告投放方基于目标网络访问对象的流量价值,确定在目标网络访问对象投放广告时的支出费用。
可选的,***还包括:第四确定模块,用于确定目标网络访问对象的广告点击到达率CTR;第五确定模块,用于确定目标网络访问对象的广告每次点击付费CPC,CPC即为支出费用;第三获得模块,用于通过目标网络访问对象的流量价值减去CTR与CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
由于上述广告投放***,为实施前面所介绍的第二种广告投放方法所采用的***,基于本发明实施例所介绍的第二种广告投放方法,本领域所属技术人员能够了解上述广告投放***的具体结构及变形,故而在此不再赘述,凡是实施前述第二种广告投放方法所采用的***都属于本发明实施例所欲保护的范围。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
由于在本发明实施例中,可以首先基于多个采样样本进行神经网络语言训练获得神经网络模型,多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值;进而针对预定网络访问对象可以历史时间段内针对该预定网络访问对象的多条访问信息,并且确定出每条访问信息所对应的多种特征类型的特征相关信息,进而基于每条访问信息的特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量,最后在这多个特征向量输入预先训练好的神经网络模型就可以获得预定网络访问对象的流量价值,达到了能够准确评估预定网络访问对象的流量价值的技术效果。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明公开了,A1、一种流量价值的评估方法,包括:
获取历史时间段内,针对预定网络访问对象的多条访问信息;
确定每条访问信息所对应的多种特征类型的特征相关信息;
基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
A2、如A1所述的方法,其特征在于,所述特征类型包括以下至少任一项:
访问用户;
访问上下文;
访问地点;
访问时间。
A3、如A2所述的方法,其特征在于,所述访问用户的特征相关信息包括以下任一项:
用户属性信息;
用户的历史兴趣信息;
用户的实时兴趣信息。
A4、如A2所述的方法,其特征在于,所述访问上下文的特征相关信息包括以下任一项:
终端相关信息;
网络相关信息;
广告展现相关信息。
A5、如A4所述的方法,其特征在于,所述终端相关信息包括:所述终端的型号、所述终端的操作***类型、所述终端的操作***版本、所述终端所安装的应用程序信息中的至少一种信息。
A6、如A1-A5任一所述的方法,其特征在于,所述预定网络访问对象为预定网站或者预定应用程序。
B7、一种广告投放方法,包括:
确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
基于A1-A6任一权项所述的流量价值的评估方法,确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
B8、如B7所述的方法,其特征在于,所述从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,包括:
将所述多个目标网络访问对象按照所述流量价值从高到低进行排序;
获取排序位于前M位的目标网络访问对象。
B9.如B7所述的方法,其特征在于,所述从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,包括:
判断每个目标网络访问对象的所述流量价值是否大于预设阈值;
在对应目标网络访问对象的所述流量价值大于所述预设阈值时,将对应网络访问对象确定为所述排序位于前M位的目标网络访问对象之一。
C10、一种广告投放方法,包括:
获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
基于A1-A6任一所述的流量价值评估方法,确定每个所述目标网络访问对象的流量价值;
基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
C11、如C10所述的方法,其特征在于,在所述确定在所述目标网络访问对象投放广告时的支出费用之后,所述方法还包括:
确定所述目标网络访问对象的广告点击到达率CTR;
确定所述目标网络访问对象的广告每次点击付费CPC,所述CPC即为所述支出费用;
通过所述目标网络访问对象的所述流量价值减去所述CTR与所述CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
D12、一种流量价值的评估装置,包括:
获取模块,用于获取历史时间段内,针对预定网络访问对象的多条访问信息;
第一确定模块,用于确定每条访问信息所对应的多种特征类型的特征相关信息;
构建模型,用于基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
第一获得模块,用于将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
D13、如D12所述的装置,其特征在于,所述特征类型包括以下至少任一项:
访问用户;
访问上下文;
访问地点;
访问时间。
D14、如D13所述的装置,其特征在于,所述访问用户的特征相关信息包括以下任一项:
用户属性信息;
用户的历史兴趣信息;
用户的实时兴趣信息。
D15、如D13所述的装置,其特征在于,所述访问上下文的特征相关信息包括以下任一项:
终端相关信息;
网络相关信息;
广告展现相关信息。
D16、如D15所述的装置,其特征在于,所述终端相关信息包括:所述终端的型号、所述终端的操作***类型、所述终端的操作***版本、所述终端所安装的应用程序信息中的至少一种信息。
D17、如D12-D16任一所述的装置,其特征在于,所述预定网络访问对象为预定网站或者预定应用程序。
E18、一种广告投放***,其特征在于,包括:
第二确定模块,用于确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
D12-D17任一权项所述的流量价值的评估装置,用于确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
筛选模块,用于从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
提供模块,用于向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
E19、如E18所述的***,其特征在于,所述筛选模块,包括:
排序单元,用于将所述多个目标网络访问对象按照所述流量价值从高到低进行排序;
获取单元,用于获取排序位于前M位的目标网络访问对象。
E20、如E18所述的***,其特征在于,所述筛选模块,包括:
判断单元,用于判断每个目标网络访问对象的所述流量价值是否大于预设阈值;
确定单元,用于在对应目标网络访问对象的所述流量价值大于所述预设阈值时,将对应网络访问对象确定为所述排序位于前M位的目标网络访问对象之一。
F21、一种广告投放***,包括:
第二获得模块,用于获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
F12-F17任一权项所述的流量价值的评估装置,用于确定每个所述目标网络访问对象的流量价值;
第三确定模块,用于基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
F22、如F21所述的***,其特征在于,所述***还包括:
第四确定模块,用于确定所述目标网络访问对象的广告点击到达率CTR;
第五确定模块,用于确定所述目标网络访问对象的广告每次点击付费CPC,所述CPC即为所述支出费用;
第三获得模块,用于通过所述目标网络访问对象的所述流量价值减去所述CTR与所述CPC的乘积,获得在对应目标网络访问对象进行广告投放的实际获得价值。
Claims (10)
1.一种流量价值的评估方法,其特征在于,包括:
获取历史时间段内,针对预定网络访问对象的多条访问信息;
确定每条访问信息所对应的多种特征类型的特征相关信息;
基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
2.如权利要求1所述的方法,其特征在于,所述特征类型包括以下至少任一项:
访问用户;
访问上下文;
访问地点;
访问时间。
3.如权利要求2所述的方法,其特征在于,所述访问用户的特征相关信息包括以下任一项:
用户属性信息;
用户的历史兴趣信息;
用户的实时兴趣信息。
4.如权利要求2所述的方法,其特征在于,所述访问上下文的特征相关信息包括以下任一项:
终端相关信息;
网络相关信息;
广告展现相关信息。
5.如权利要求4所述的方法,其特征在于,所述终端相关信息包括:所述终端的型号、所述终端的操作***类型、所述终端的操作***版本、所述终端所安装的应用程序信息中的至少一种信息。
6.一种广告投放方法,其特征在于,包括:
确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
基于权利要求1-5任一权项所述的流量价值的评估方法,确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
7.一种广告投放方法,其特征在于,包括:
获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
基于权利要求1-5任一所述的流量价值评估方法,确定每个所述目标网络访问对象的流量价值;
基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
8.一种流量价值的评估装置,其特征在于,包括:
获取模块,用于获取历史时间段内,针对预定网络访问对象的多条访问信息;
第一确定模块,用于确定每条访问信息所对应的多种特征类型的特征相关信息;
构建模型,用于基于每条访问信息的所述特征相关信息构建对应访问信息的特征向量,进而获得多个特征向量;
第一获得模块,用于将所述多个特征向量输入神经网络模型,获得所述神经网络模型的输出值作为所述预定网络访问对象的流量价值,其中,所述神经网络模型基于多个采样样本进行神经网络语言训练获得,所述多个采样样本中的每个采样样本包括一个网络访问对象的多条访问信息以及对应网络访问对象的流量价值。
9.一种广告投放***,其特征在于,包括:
第二确定模块,用于确定多个目标网络访问对象以及每个目标网络访问对象的多条访问信息;
权利要求8所述的流量价值的评估装置,用于确定所述多个目标网络访问对象中每个目标网络访问对象的所述流量价值;
筛选模块,用于从所述多个目标网络访问对象中筛选出所述流量价值排序位于前M位的目标网络访问对象,M为正整数;
提供模块,用于向所述排序位于前M位的目标网络访问对象投放广告;或者,将所述排序位于前M位的目标网络访问对象提供给广告投放方。
10.一种广告投放***,其特征在于,包括:
第二获得模块,用于获得至少一个目标网络访问对象以及每个目标访问对象的多条访问信息;
权利要求8所述的流量价值的评估装置,用于确定每个所述目标网络访问对象的流量价值;
第三确定模块,用于基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用;或者,向广告投放方提供所述目标网络访问对象的流量价值,以供所述广告投放方基于所述目标网络访问对象的流量价值,确定在所述目标网络访问对象投放广告时的支出费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510971406.9A CN105574741A (zh) | 2015-12-22 | 2015-12-22 | 一种流量价值的评估方法、装置及其应用方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510971406.9A CN105574741A (zh) | 2015-12-22 | 2015-12-22 | 一种流量价值的评估方法、装置及其应用方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105574741A true CN105574741A (zh) | 2016-05-11 |
Family
ID=55884841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510971406.9A Pending CN105574741A (zh) | 2015-12-22 | 2015-12-22 | 一种流量价值的评估方法、装置及其应用方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574741A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529992A (zh) * | 2016-10-19 | 2017-03-22 | 北京百度网讯科技有限公司 | 在线内容的排序方法和装置 |
CN106651423A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种移动应用广告投放的质量评分方法 |
CN108256881A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量过滤方法和装置 |
CN108459997A (zh) * | 2018-02-07 | 2018-08-28 | 深圳市微埃智能科技有限公司 | 基于深度学习和神经网络的高偏态数据价值概率预测方法 |
CN108764999A (zh) * | 2018-05-25 | 2018-11-06 | 玩咖欢聚文化传媒(北京)有限公司 | 基于流量商业价值的智能管理方法、装置及*** |
CN108933743A (zh) * | 2017-05-26 | 2018-12-04 | 腾讯科技(北京)有限公司 | 一种基于dsp的网络流量分配方法和装置 |
CN108985804A (zh) * | 2017-05-31 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 流量分级方法及装置 |
CN110378754A (zh) * | 2019-07-31 | 2019-10-25 | 北京亿玛在线传媒科技有限公司 | 一种数据处理的方法和装置 |
CN111754251A (zh) * | 2019-03-29 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 广告投放方法、装置、服务器及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288503A1 (en) * | 2005-08-08 | 2007-12-13 | Taylor David C | Online advertising valuation apparatus and method |
CN101500017A (zh) * | 2008-01-28 | 2009-08-05 | 饶翔 | 一种基于流量提供业务的方法及其*** |
CN102567477A (zh) * | 2011-06-16 | 2012-07-11 | 北京亿赞普网络技术有限公司 | 网站价值评估方法及装置 |
CN103136695A (zh) * | 2013-03-26 | 2013-06-05 | 明日互动(北京)广告传媒有限公司 | 媒体投放价值分析方法及其*** |
CN105046532A (zh) * | 2015-08-07 | 2015-11-11 | 北京品友互动信息技术有限公司 | 一种竞价方法和装置 |
-
2015
- 2015-12-22 CN CN201510971406.9A patent/CN105574741A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288503A1 (en) * | 2005-08-08 | 2007-12-13 | Taylor David C | Online advertising valuation apparatus and method |
CN101500017A (zh) * | 2008-01-28 | 2009-08-05 | 饶翔 | 一种基于流量提供业务的方法及其*** |
CN102567477A (zh) * | 2011-06-16 | 2012-07-11 | 北京亿赞普网络技术有限公司 | 网站价值评估方法及装置 |
CN103136695A (zh) * | 2013-03-26 | 2013-06-05 | 明日互动(北京)广告传媒有限公司 | 媒体投放价值分析方法及其*** |
CN105046532A (zh) * | 2015-08-07 | 2015-11-11 | 北京品友互动信息技术有限公司 | 一种竞价方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651423A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种移动应用广告投放的质量评分方法 |
CN106529992A (zh) * | 2016-10-19 | 2017-03-22 | 北京百度网讯科技有限公司 | 在线内容的排序方法和装置 |
CN108256881A (zh) * | 2016-12-28 | 2018-07-06 | 北京奇虎科技有限公司 | 一种流量过滤方法和装置 |
CN108933743A (zh) * | 2017-05-26 | 2018-12-04 | 腾讯科技(北京)有限公司 | 一种基于dsp的网络流量分配方法和装置 |
CN108933743B (zh) * | 2017-05-26 | 2022-12-23 | 腾讯科技(北京)有限公司 | 一种基于dsp的网络流量分配方法和装置 |
CN108985804A (zh) * | 2017-05-31 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 流量分级方法及装置 |
CN108459997A (zh) * | 2018-02-07 | 2018-08-28 | 深圳市微埃智能科技有限公司 | 基于深度学习和神经网络的高偏态数据价值概率预测方法 |
CN108764999A (zh) * | 2018-05-25 | 2018-11-06 | 玩咖欢聚文化传媒(北京)有限公司 | 基于流量商业价值的智能管理方法、装置及*** |
CN111754251A (zh) * | 2019-03-29 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 广告投放方法、装置、服务器及存储介质 |
CN111754251B (zh) * | 2019-03-29 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 广告投放方法、装置、服务器及存储介质 |
CN110378754A (zh) * | 2019-07-31 | 2019-10-25 | 北京亿玛在线传媒科技有限公司 | 一种数据处理的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574741A (zh) | 一种流量价值的评估方法、装置及其应用方法和*** | |
US11790396B2 (en) | Preservation of scores of the quality of traffic to network sites across clients and over time | |
US11627064B2 (en) | Method and system for scoring quality of traffic to network sites | |
US10453118B2 (en) | Custom user definable keyword bidding system and method | |
Yang et al. | Evaluating schedule delay causes for private participating public construction works under the Build-Operate-Transfer model | |
US9208507B2 (en) | AD network optimization system and method thereof | |
CN104992347A (zh) | 一种视频匹配广告的方法及装置 | |
US20130159096A1 (en) | Ranked user graph for social advertisement targeting | |
WO2011103429A2 (en) | System and method for improving internet search results using telecommunications data | |
WO2009156988A1 (en) | Automated monitoring and verification of internet based advertising | |
CN107862053A (zh) | 基于用户关系的用户画像构造方法、装置及计算设备 | |
US9911130B1 (en) | Attribution modeling using regression analysis | |
CN111179030B (zh) | 广告出价方法、装置及电子设备 | |
US9306958B2 (en) | Methods, systems and media for detecting non-intended traffic using co-visitation information | |
US20150302467A1 (en) | System and method for real time selection of an optimal offer out of several competitive offers based on context | |
WO2013075026A1 (en) | Software and method for rating a business | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN111259242B (zh) | 数据处理方法、装置、存储介质及设备 | |
US11257108B2 (en) | Systems and methods for dynamic product offerings | |
CN105469259A (zh) | 发布信息展示方法及*** | |
US20120022939A1 (en) | Assessing a Response Model Using Performance Metrics | |
Ahmed et al. | Outsourcing and the US labour market | |
CN111178943B (zh) | 广告实时出价方法、装置及电子设备 | |
US8788326B1 (en) | System for handling multiple simultaneous campaigns that improves advertisement performance through shape based targeting and real-time impression acquisition | |
CN106709747A (zh) | 广告召回的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160511 |
|
RJ01 | Rejection of invention patent application after publication |