CN106447383A - 跨时间、多维度异常数据监测的方法和*** - Google Patents
跨时间、多维度异常数据监测的方法和*** Download PDFInfo
- Publication number
- CN106447383A CN106447383A CN201610770514.4A CN201610770514A CN106447383A CN 106447383 A CN106447383 A CN 106447383A CN 201610770514 A CN201610770514 A CN 201610770514A CN 106447383 A CN106447383 A CN 106447383A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- click
- web
- cheating
- 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
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0245—Surveys
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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种跨时间、多维度异常数据监测的方法和***,其中,方法包括:收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息;在Spark环境下利用Python将获得的异构数据进行清洗,生成各维度对应的电子表格,准备建模分析;使用GBDT算法建立正常广告点击行为模型;采用支持向量机对异常数据样本进行建模分析,建立异常广告点击行为模型;生成作弊点击监测模型,部署在线反作弊模型。本发明通过监测作弊互联网广告流量,利用机器学习和云计算技术,解决多种异构数据融合分析及小样本分类准确度问题,本发明还能在整个机器学习链条中记录下后续互联网广告点击数据,并对此进行分析,完善反作弊模型,以便更好的实现广告投放的精准度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种跨时间、多维度异常数据监测的方法和***。
背景技术
在线广告投放后容易产生的各种作弊行为,包括通过程序或脚本恶意模拟用户的点击等带来的非正当途径流量产生的广告点击,损害了广告主及广告平台的利益,现有技术中,对异常广告点击行为的建模方法主要是基于监督学习方法,从原始日志中提取各个记录的特征,经历人工打标签,再生成模型,这种方法不仅效率低,而且无法适应业务的拓展,当接入数据量达到TB甚至PB级别以上的时候,无论从时效性和处理性能都无法满足业务需求。
因此,目前需要本领域技术人员迫切解决的一个技术问题就是:如何能够创新地提出一种有效措施,通过对线上广告***的海量展示日志、点击日志进行多维分析查询,制定异常广告点击行为的反作弊模型,过滤作弊点击的功能,以对作弊广告点击得以监测。
发明内容
为解决上述问题,本发明公开了一种跨时间、多维度异常数据监测的方法和***,以制定异常广告点击行为的反作弊模型,过滤作弊点击的功能,以对作弊广告点击得以监测。
根据本发明实施例的一个方面,提供的一种跨时间、多维度异常数据监测的方法,包括:
收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息,通过收集Web日志和OLAP日志查询,获取网站点击记录、网站网址、网站访问时间戳、网站IP地址、访问网站主题,广告类目、广告位置、广告形式、广告大小和用户名、访问浏览器、用户兴趣标签;
在Spark环境下利用Python将获得的异构数据进行清洗,生成各维度对应的电子表格,准备建模分析;
使用GBDT算法建立正常广告点击行为模型,所述正常广告点击行为模型为使用未发现作弊点击的用户、广告、流量数据建立的模型,GBDT算法将在Spark环境下利用Python将获得的异构数据进行清洗后,生成各维度的数据集作为输入,GBDT是一种集成学习方法,基学习器是CART决策树,用于回归和分类预测,GBDT训练T轮,每一轮根据之前模型的误差训练的CART树,最终采用线性加权的方法将多个基学习器组合到一起形成一个强学习器;
采用支持向量机对异常数据样本进行建模分析,建立异常广告点击行为模型,所述支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,通过计算类别边界支撑向量对样本数据下的进行分类,在SVM建模中使得不同类别的样本宽划分,扩大边界距离;
得到正常广告点击行为模型和建立异常广告点击行为模型后,将两个模型融合,生成作弊点击监测模型,部署在线反作弊模型,并实时对点击信息进行分析。
基于上述方法的另一个实施例中,所述收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息包括:
收集Web日志和OLAP日志查询,获取网站信息、投放广告信息和用户信息;
将收集的信息区分为正常的网站信息、投放广告信息和用户信息,和异常的网站信息、投放广告信息和用户信息。
基于上述方法的另一个实施例中,所述Web日志为网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间。
基于上述方法的另一个实施例中,所述生成各维度对应的电子表格内容包括:是否点击、网站地址、广告位大小、网站标签、投放广告类别、用户名、浏览器名称、时间戳。
根据本发明实施例的另一个方面,提供的一种跨时间、多维度异常数据监测的***,包括:Web日志模块、OLAP日志查询模块、本地分析数据并建模模块、线上反作弊模型部署模块;
通过收集web日志模块和OLAP日志查询模块,获取正常数据和异常数据;通过本地分析数据并建模模块对获得数据进行清洗并建立模型;通过线上反作弊模型部署模块在线上对多维数据进行分析评估,部署在线反作弊模型,实时对点击信息进行分析。
基于上述***的另一个实施例中,所述web日志模块存储网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间信息。
基于上述***的另一个实施例中,所述本地分析数据并建模模块通过在Spark环境下利用Python将获得的异构数据进行清洗,生成正常数据,使用GBDT算法来建立正常广告点击行为模型,支持向量机来对异常数据进行建模分析,建立异常广告点击行为模型。
基于上述***的另一个实施例中,所述线上反作弊模型部署模块将正常广告点击行为模型和异常广告点击行为模型融合,生成作弊点击监测模型,部署在线反作弊模型,实时对点击信息进行分析。
与现有技术相比,本发明包括以下优点:
本发明通过监测作弊互联网广告流量,利用机器学习和云计算技术,解决多种异构数据融合分析及小样本分类准确度问题,本发明还能在整个机器学习链条中记录下后续互联网广告点击数据,并对此进行分析,完善反作弊模型,以便更好的实现广告投放的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所使用的附图做一简单地介绍。
图1是本发明的一种跨时间、多维度异常数据监测的方法一个实施例的流程图。
图2是本发明的一种跨时间、多维度异常数据监测的方法另一个实施例的流程图。
图3是本发明的一种跨时间、多维度异常数据监测的***一个实施例的结构示意图。
图中:1 Web日志模块、2 OLAP日志查询模块、3本地分析数据并建模模块、4线上反作弊模型部署模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明的一种跨时间、多维度异常数据监测的方法一个实施例的流程图,如图1所示,所述一种跨时间、多维度异常数据监测的方法,包括:
10,收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息,通过收集Web日志和OLAP日志查询,获取网站点击记录、网站网址、网站访问时间戳、网站IP地址、访问网站主题,广告类目、广告位置、广告形式、广告大小和用户名、访问浏览器、用户兴趣标签;
20,在Spark环境下利用Python将获得的异构数据进行清洗,生成各维度对应的电子表格,准备建模分析;
30,使用GBDT算法建立正常广告点击行为模型,所述正常广告点击行为模型为使用未发现作弊点击的用户、广告、流量数据建立的模型,GBDT算法将在Spark环境下利用Python将获得的异构数据进行清洗后,生成各维度的数据集作为输入,GBDT是一种集成学习方法,基学习器是CART决策树,用于回归和分类预测,GBDT训练T轮,每一轮根据之前模型的误差训练的CART树,最终采用线性加权的方法将多个基学习器组合到一起形成一个强学习器;
40,采用支持向量机对异常数据样本进行建模分析,建立异常广告点击行为模型,所述支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,通过计算类别边界支撑向量对样本数据下的进行分类,在SVM建模中使得不同类别的样本宽划分,扩大边界距离;
50,得到正常广告点击行为模型和建立异常广告点击行为模型后,将两个模型融合,生成作弊点击监测模型,部署在线反作弊模型,并实时对点击信息进行分析。
图2是本发明的一种跨时间、多维度异常数据监测的方法另一个实施例的流程图,如图2所示,所述收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息包括:
11,收集Web日志和OLAP日志查询,获取网站信息、投放广告信息和用户信息;
12,将收集的信息区分为正常的网站信息、投放广告信息和用户信息,和异常的网站信息、投放广告信息和用户信息。
基于本发明上述实施例提供的跨时间、多维度异常数据监测的方法,所述Web日志为网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间。
基于本发明上述实施例提供的跨时间、多维度异常数据监测的方法,所述生成各维度对应的电子表格内容包括:是否点击、网站地址、广告位大小、网站标签、投放广告类别、用户名、浏览器名称、时间戳。
图3是本发明的一种跨时间、多维度异常数据监测的***一个实施例的结构示意图,如图3所示,一种跨时间、多维度异常数据监测的***,包括:Web日志模块1、OLAP日志查询模块2、本地分析数据并建模模块3、线上反作弊模型部署模块4;
通过收集web日志模块1和OLAP日志查询模块2,获取正常数据和异常数据;通过本地分析数据并建模模块3对获得数据进行清洗并建立模型;通过线上反作弊模型部署模块4在线上对多维数据进行分析评估,部署在线反作弊模型,实时对点击信息进行分析。
基于本发明上述实施例提供的跨时间、多维度异常数据监测的***,所述web日志模块1存储网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间信息。
基于本发明上述实施例提供的跨时间、多维度异常数据监测的***,所述本地分析数据并建模模块3通过在Spark环境下利用Python将获得的异构数据进行清洗,生成正常数据,使用GBDT算法来建立正常广告点击行为模型,支持向量机来对异常数据进行建模分析,建立异常广告点击行为模型。
基于本发明上述实施例提供的跨时间、多维度异常数据监测的***,所述线上反作弊模型部署模块4将正常广告点击行为模型和异常广告点击行为模型融合,生成作弊点击监测模型,部署在线反作弊模型,实时对点击信息进行分析。
以上对本发明所提供的一种跨时间、多维度异常数据监测的方法和***进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种跨时间、多维度异常数据监测的方法,其特征在于,包括:
收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息,通过收集Web日志和OLAP日志查询,获取网站点击记录、网站网址、网站访问时间戳、网站IP地址、访问网站主题,广告类目、广告位置、广告形式、广告大小和用户名、访问浏览器、用户兴趣标签;
在Spark环境下利用Python将获得的异构数据进行清洗,生成各维度对应的电子表格,准备建模分析;
使用GBDT算法建立正常广告点击行为模型,所述正常广告点击行为模型为使用未发现作弊点击的用户、广告、流量数据建立的模型,GBDT算法将在Spark环境下利用Python将获得的异构数据进行清洗后,生成各维度的数据集作为输入,GBDT是一种集成学习方法,基学习器是CART决策树,用于回归和分类预测,GBDT训练T轮,每一轮根据之前模型的误差训练的CART树,最终采用线性加权的方法将多个基学习器组合到一起形成一个强学习器;
采用支持向量机对异常数据样本进行建模分析,建立异常广告点击行为模型,所述支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,通过计算类别边界支撑向量对样本数据下的进行分类,在SVM建模中使得不同类别的样本宽划分,扩大边界距离;
得到正常广告点击行为模型和建立异常广告点击行为模型后,将两个模型融合,生成作弊点击监测模型,部署在线反作弊模型,并实时对点击信息进行分析。
2.根据权利要求1所述的方法,其特征在于,所述收集Web日志和OLAP日志查询,获得网站信息、投放广告信息和用户信息包括:
收集Web日志和OLAP日志查询,获取网站信息、投放广告信息和用户信息;
将收集的信息区分为正常的网站信息、投放广告信息和用户信息,和异常的网站信息、投放广告信息和用户信息。
3.根据权利要求1所述的方法,其特征在于,所述Web日志为网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间。
4.根据权利要求1所述的方法,其特征在于,所述生成各维度对应的电子表格内容包括:是否点击、网站地址、广告位大小、网站标签、投放广告类别、用户名、浏览器名称、时间戳。
5.一种跨时间、多维度异常数据监测的***,其特征在于,包括:Web日志模块、OLAP日志查询模块、本地分析数据并建模模块、线上反作弊模型部署模块;
通过收集web日志模块和OLAP日志查询模块,获取正常数据和异常数据;通过本地分析数据并建模模块对获得数据进行清洗并建立模型;通过线上反作弊模型部署模块在线上对多维数据进行分析评估,部署在线反作弊模型,实时对点击信息进行分析。
6.根据权利要求5所述的***,其特征在于,所述web日志模块存储网络用户访问Web服务器时,Web服务器自动建立的访问日志信息,包括用户ID、受访Web的URL、用户的IP地址、访问日期和时间信息。
7.根据权利要求6所述的***,其特征在于,所述本地分析数据并建模模块通过在Spark环境下利用Python将获得的异构数据进行清洗,生成正常数据,使用GBDT算法来建立正常广告点击行为模型,支持向量机来对异常数据进行建模分析,建立异常广告点击行为模型。
8.根据权利要求6或7所述的***,其特征在于,所述线上反作弊模型部署模块将正常广告点击行为模型和异常广告点击行为模型融合,生成作弊点击监测模型,部署在线反作弊模型,实时对点击信息进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770514.4A CN106447383A (zh) | 2016-08-30 | 2016-08-30 | 跨时间、多维度异常数据监测的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610770514.4A CN106447383A (zh) | 2016-08-30 | 2016-08-30 | 跨时间、多维度异常数据监测的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447383A true CN106447383A (zh) | 2017-02-22 |
Family
ID=58091765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610770514.4A Pending CN106447383A (zh) | 2016-08-30 | 2016-08-30 | 跨时间、多维度异常数据监测的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447383A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103047A (zh) * | 2017-03-31 | 2017-08-29 | 北京奇艺世纪科技有限公司 | 一种查询广告投放异常原因的方法及装置 |
CN107330718A (zh) * | 2017-06-09 | 2017-11-07 | 晶赞广告(上海)有限公司 | 一种媒体反作弊方法及装置、存储介质、终端 |
CN107483443A (zh) * | 2017-08-22 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 广告信息处理方法、客户端、存储介质和电子设备 |
CN107609172A (zh) * | 2017-09-28 | 2018-01-19 | 链家网(北京)科技有限公司 | 一种跨***多维度数据检索处理方法及装置 |
WO2018161824A1 (zh) * | 2017-03-10 | 2018-09-13 | 博彦科技股份有限公司 | 异常数据检测方法和装置 |
CN108959415A (zh) * | 2018-06-07 | 2018-12-07 | 北京奇艺世纪科技有限公司 | 一种异常维度定位方法、装置及电子设备 |
CN109145030A (zh) * | 2018-06-26 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种异常数据访问的检测方法和装置 |
CN109409529A (zh) * | 2018-09-13 | 2019-03-01 | 北京中科闻歌科技股份有限公司 | 一种事件认知分析方法、***及存储介质 |
CN109408268A (zh) * | 2018-10-09 | 2019-03-01 | 浪潮软件股份有限公司 | 一种基于云pos机的新零售扫码数据异常检测方法 |
CN109412900A (zh) * | 2018-12-04 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种网络状态识别的方法、模型训练的方法及装置 |
CN109743300A (zh) * | 2018-12-20 | 2019-05-10 | 浙江鹏信信息科技股份有限公司 | 一种基于异构模型策略库的安全事件自动化处置方法 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
CN110210507A (zh) * | 2018-10-29 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 机器点击的检测方法、装置及可读存储介质 |
CN110266510A (zh) * | 2018-03-21 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 网络控制策略生成方法及装置、网络控制方法、存储介质 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN110502492A (zh) * | 2019-08-14 | 2019-11-26 | 深圳市优课在线教育有限公司 | 一种面向在线教育的实时反作弊检测和预警方法 |
CN110781605A (zh) * | 2019-11-05 | 2020-02-11 | 恩亿科(北京)数据科技有限公司 | 广告投放模型测试方法、装置、计算机设备及存储介质 |
CN110881022A (zh) * | 2018-09-06 | 2020-03-13 | 福建雷盾信息安全有限公司 | 一种大型网络安全态势检测分析方法 |
CN110992104A (zh) * | 2019-12-11 | 2020-04-10 | 杭州古点网络科技有限公司 | 一种基于用户画像的异常广告流量检测方法 |
CN110992096A (zh) * | 2019-12-03 | 2020-04-10 | 秒针信息技术有限公司 | 预测模型训练方法、装置以及媒体标识预测方法及装置 |
CN111105259A (zh) * | 2018-10-29 | 2020-05-05 | 北京奇虎科技有限公司 | 一种用户识别方法、装置、电子设备和存储介质 |
CN111291720A (zh) * | 2020-03-10 | 2020-06-16 | 孔华 | 基于云计算网络的建筑物广告辨识*** |
CN111708678A (zh) * | 2020-08-18 | 2020-09-25 | 北京志翔科技股份有限公司 | 一种异常监测方法及装置 |
CN111738770A (zh) * | 2020-06-28 | 2020-10-02 | 北京达佳互联信息技术有限公司 | 广告异常流量检测方法及装置 |
CN111861568A (zh) * | 2020-07-23 | 2020-10-30 | 上海志窗信息科技有限公司 | 互联网广告监控***及其方法 |
CN111882367A (zh) * | 2020-08-11 | 2020-11-03 | 北京云和互动信息技术有限公司 | 一种通过用户上网行为分析进行在线广告监测跟踪的方法 |
CN112101678A (zh) * | 2020-09-23 | 2020-12-18 | 东莞理工学院 | 一种基于gbdt的学生人格倾向预测方法 |
CN112118259A (zh) * | 2020-09-17 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于提升树的分类模型的越权漏洞检测方法 |
CN112651790A (zh) * | 2021-01-19 | 2021-04-13 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
CN114663121A (zh) * | 2020-12-23 | 2022-06-24 | 华扬联众数字技术股份有限公司 | 用于广告异常流量检测的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
CN103200262A (zh) * | 2013-04-02 | 2013-07-10 | 亿赞普(北京)科技有限公司 | 一种基于移动网络的广告调度方法、装置及*** |
CN103390027A (zh) * | 2013-06-25 | 2013-11-13 | 亿赞普(北京)科技有限公司 | 一种互联网广告反作弊方法和*** |
US20140068411A1 (en) * | 2012-08-31 | 2014-03-06 | Scott Ross | Methods and apparatus to monitor usage of internet advertising networks |
-
2016
- 2016-08-30 CN CN201610770514.4A patent/CN106447383A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | ***通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和*** |
US20140068411A1 (en) * | 2012-08-31 | 2014-03-06 | Scott Ross | Methods and apparatus to monitor usage of internet advertising networks |
CN103200262A (zh) * | 2013-04-02 | 2013-07-10 | 亿赞普(北京)科技有限公司 | 一种基于移动网络的广告调度方法、装置及*** |
CN103390027A (zh) * | 2013-06-25 | 2013-11-13 | 亿赞普(北京)科技有限公司 | 一种互联网广告反作弊方法和*** |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018161824A1 (zh) * | 2017-03-10 | 2018-09-13 | 博彦科技股份有限公司 | 异常数据检测方法和装置 |
CN107103047A (zh) * | 2017-03-31 | 2017-08-29 | 北京奇艺世纪科技有限公司 | 一种查询广告投放异常原因的方法及装置 |
CN107330718A (zh) * | 2017-06-09 | 2017-11-07 | 晶赞广告(上海)有限公司 | 一种媒体反作弊方法及装置、存储介质、终端 |
CN107483443A (zh) * | 2017-08-22 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 广告信息处理方法、客户端、存储介质和电子设备 |
CN107483443B (zh) * | 2017-08-22 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 广告信息处理方法、客户端、存储介质和电子设备 |
CN107609172A (zh) * | 2017-09-28 | 2018-01-19 | 链家网(北京)科技有限公司 | 一种跨***多维度数据检索处理方法及装置 |
CN107609172B (zh) * | 2017-09-28 | 2020-11-24 | 贝壳找房(北京)科技有限公司 | 一种跨***多维度数据检索处理方法及装置 |
CN110266510A (zh) * | 2018-03-21 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 网络控制策略生成方法及装置、网络控制方法、存储介质 |
WO2019218751A1 (zh) * | 2018-05-16 | 2019-11-21 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN108959415A (zh) * | 2018-06-07 | 2018-12-07 | 北京奇艺世纪科技有限公司 | 一种异常维度定位方法、装置及电子设备 |
CN108959415B (zh) * | 2018-06-07 | 2022-03-04 | 北京奇艺世纪科技有限公司 | 一种异常维度定位方法、装置及电子设备 |
CN109145030A (zh) * | 2018-06-26 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种异常数据访问的检测方法和装置 |
CN110881022A (zh) * | 2018-09-06 | 2020-03-13 | 福建雷盾信息安全有限公司 | 一种大型网络安全态势检测分析方法 |
CN109409529A (zh) * | 2018-09-13 | 2019-03-01 | 北京中科闻歌科技股份有限公司 | 一种事件认知分析方法、***及存储介质 |
CN109408268A (zh) * | 2018-10-09 | 2019-03-01 | 浪潮软件股份有限公司 | 一种基于云pos机的新零售扫码数据异常检测方法 |
CN109408268B (zh) * | 2018-10-09 | 2021-11-19 | 浪潮软件股份有限公司 | 一种基于云pos机的新零售扫码数据异常检测方法 |
CN111105259B (zh) * | 2018-10-29 | 2024-04-02 | 北京奇虎科技有限公司 | 一种用户识别方法、装置、电子设备和存储介质 |
CN110210507A (zh) * | 2018-10-29 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 机器点击的检测方法、装置及可读存储介质 |
CN111105259A (zh) * | 2018-10-29 | 2020-05-05 | 北京奇虎科技有限公司 | 一种用户识别方法、装置、电子设备和存储介质 |
CN109412900A (zh) * | 2018-12-04 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种网络状态识别的方法、模型训练的方法及装置 |
CN109743300A (zh) * | 2018-12-20 | 2019-05-10 | 浙江鹏信信息科技股份有限公司 | 一种基于异构模型策略库的安全事件自动化处置方法 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
CN109858886B (zh) * | 2019-02-18 | 2021-03-19 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
CN110502492A (zh) * | 2019-08-14 | 2019-11-26 | 深圳市优课在线教育有限公司 | 一种面向在线教育的实时反作弊检测和预警方法 |
CN110781605A (zh) * | 2019-11-05 | 2020-02-11 | 恩亿科(北京)数据科技有限公司 | 广告投放模型测试方法、装置、计算机设备及存储介质 |
CN110781605B (zh) * | 2019-11-05 | 2023-08-25 | 恩亿科(北京)数据科技有限公司 | 广告投放模型测试方法、装置、计算机设备及存储介质 |
CN110992096B (zh) * | 2019-12-03 | 2023-08-29 | 秒针信息技术有限公司 | 预测模型训练方法、装置以及媒体标识预测方法及装置 |
CN110992096A (zh) * | 2019-12-03 | 2020-04-10 | 秒针信息技术有限公司 | 预测模型训练方法、装置以及媒体标识预测方法及装置 |
CN110992104A (zh) * | 2019-12-11 | 2020-04-10 | 杭州古点网络科技有限公司 | 一种基于用户画像的异常广告流量检测方法 |
CN111291720B (zh) * | 2020-03-10 | 2020-12-08 | 嘉兴瑞知环保科技有限公司 | 基于云计算网络的建筑物广告辨识*** |
CN111291720A (zh) * | 2020-03-10 | 2020-06-16 | 孔华 | 基于云计算网络的建筑物广告辨识*** |
CN111738770B (zh) * | 2020-06-28 | 2023-09-26 | 北京达佳互联信息技术有限公司 | 广告异常流量检测方法及装置 |
CN111738770A (zh) * | 2020-06-28 | 2020-10-02 | 北京达佳互联信息技术有限公司 | 广告异常流量检测方法及装置 |
CN111861568A (zh) * | 2020-07-23 | 2020-10-30 | 上海志窗信息科技有限公司 | 互联网广告监控***及其方法 |
CN111882367A (zh) * | 2020-08-11 | 2020-11-03 | 北京云和互动信息技术有限公司 | 一种通过用户上网行为分析进行在线广告监测跟踪的方法 |
CN111882367B (zh) * | 2020-08-11 | 2023-11-21 | 北京云和互动信息技术有限公司 | 一种通过用户上网行为分析进行在线广告监测跟踪的方法 |
CN111708678A (zh) * | 2020-08-18 | 2020-09-25 | 北京志翔科技股份有限公司 | 一种异常监测方法及装置 |
CN112118259B (zh) * | 2020-09-17 | 2022-04-15 | 四川长虹电器股份有限公司 | 一种基于提升树的分类模型的越权漏洞检测方法 |
CN112118259A (zh) * | 2020-09-17 | 2020-12-22 | 四川长虹电器股份有限公司 | 一种基于提升树的分类模型的越权漏洞检测方法 |
CN112101678A (zh) * | 2020-09-23 | 2020-12-18 | 东莞理工学院 | 一种基于gbdt的学生人格倾向预测方法 |
CN114663121A (zh) * | 2020-12-23 | 2022-06-24 | 华扬联众数字技术股份有限公司 | 用于广告异常流量检测的方法和装置 |
CN112651790A (zh) * | 2021-01-19 | 2021-04-13 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
CN112651790B (zh) * | 2021-01-19 | 2024-04-12 | 恩亿科(北京)数据科技有限公司 | 基于快消行业用户触达的ocpx自适应学习方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447383A (zh) | 跨时间、多维度异常数据监测的方法和*** | |
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 | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
JP5072160B2 (ja) | ワールドワイドウェブのディジタルコンテントの普及を見積もるシステム及び方法 | |
CN104462156B (zh) | 一种基于用户行为的特征提取、个性化推荐方法和*** | |
CN107273454A (zh) | 用户数据分类方法、装置、服务器和计算机可读存储介质 | |
CN102521767A (zh) | 网络广告信息发布方法及*** | |
CN106355442A (zh) | 基于大数据驱动的在线广告精准投放方法和*** | |
CN107908606A (zh) | 基于不同信息源自动生成报表的方法和*** | |
CN106651392A (zh) | 一种智能商业选址方法、装置及*** | |
CN106227832A (zh) | 互联网大数据技术架构在企业内业务分析中的应用方法 | |
KR101180439B1 (ko) | 랜딩 페이지 최적화 시스템 및 그 방법 | |
CN105678591A (zh) | 一种基于视频分析的商业智能化经营决策支撑***和方法 | |
CN106408329A (zh) | 广告访客找回方法及广告投放*** | |
CN102243661B (zh) | 网站内容质量评估方法和装置 | |
CN103605738A (zh) | 网页访问数据统计方法及装置 | |
CN104035927A (zh) | 一种基于用户行为的搜索方法及*** | |
CN105447186A (zh) | 一种基于大数据平台的用户行为分析*** | |
CN106326413A (zh) | 一种个性化视频推荐***及方法 | |
CN102567494B (zh) | 网站分类方法及装置 | |
CN104965863B (zh) | 一种对象聚类方法和装置 | |
CN102710770A (zh) | 一种上网设备识别方法及其实现*** | |
CN107798102A (zh) | 一种页面展示方法及装置 | |
CN103646070A (zh) | 搜索引擎的数据处理方法及装置 | |
CN107705259A (zh) | 一种在移动终端预览、拍摄模式下的数据增强方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |