CN108022125A - 一种基于Hadoop的HA机制集群精准广告推送方法 - Google Patents
一种基于Hadoop的HA机制集群精准广告推送方法 Download PDFInfo
- Publication number
- CN108022125A CN108022125A CN201711162367.3A CN201711162367A CN108022125A CN 108022125 A CN108022125 A CN 108022125A CN 201711162367 A CN201711162367 A CN 201711162367A CN 108022125 A CN108022125 A CN 108022125A
- Authority
- CN
- China
- Prior art keywords
- hadoop
- entry
- user
- word
- document
- 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Hadoop的HA机制集群精准广告推送方法,首先组建一个工作群,在工作群中安装相应的软件搭建的平台其次采集社交网络信息;第三,对采集到的社交网络数据进行分词处理、词汇权值计算、出现频率较大的关键词抽取;第四根据提取关键词权值进行排序;第五对排序的结果分析用户的关注喜好,当用户登陆社交网络时选取合适的时机合适的地方对用户推送相应的广告。本发明利用框架中运算模型的特点,能够准确地判断出社交网络用户的关注热点,使广告能更精准地推送到目标客户,使挖掘结果更能反映互联网舆论的客观事实,有较强的可扩展性和容错性。
Description
技术领域
本发明涉及社交网络中数据挖掘领域,特别涉及一种基于Hadoop的HA机制集群精准广告推送方法。
背景技术
近年来,随着宽带互联网的迅速发展以及网民数量不断攀升,越来越多的人乐于刷微博、逛知乎和玩人人。人们也习惯于写博客、记日志和看网页,网络信息的急剧上升影响着社会生活的方方面面。互联网上的广告推送服务迎来了新的商机,己经得到了众多的门户网站、购物网站以及社交网站等的关注。在互联网广告推送服务中,网站将其广告位以有偿使用的方式提供给广告主投放广告。广告主在使用广告推送服务时,一方面希望提高产品广告的推送效果,即将广告及时准确地推送给对此类产品感兴趣的目标客户;另一方面,还希望扩大广告推送的范围,即将广告推送给更多的目标客户。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于Hadoop的HA机制集群精准广告推送方法,能够有效克服单机在处理大数据时空间以及速度方面的不足。
本发明的目的通过以下的技术方案实现:
一种基于Hadoop的HA机制集群精准广告推送方法,包含以下步骤:
步骤一、基本工作群创建
(1)为工作组中每一台虚拟机安装基于Red Hat Linux的CentOS操作***;
(2)为工作组中每一台虚拟机配置主机名,通过命令vi/etc/sysconfig/network修改文档;
(3)为工作组中每一台虚拟机配置IP,通过命令vi/etc/sysconfig/network-scripts/ifcfg-eth0将IP地址设置为静态且开机启动并配置IP地址和子网掩码。
(4)为了集群运行方便,通过命令service iptables stop将所有的虚拟机的防火
墙关闭;
(5)为工作组中每一台虚拟机制作本地YUM源,利用配置好的YUM源安装相关软件。
步骤二、组建hadoop的HA机制集群平台
(1)为工作组中每一台虚拟机安装hadoop软件;
(2)为工作组中每一台虚拟机安装JDK软件并配置JAVA环境;
(3)为工作组中每一台虚拟机修改hadoop相关配置文档,分配指定NameNode,SecondaryNameNode和DataNode,配置NodeManager和ResourceManager;选取其中的三台作为Zookeeper,再选取其中的三台作为JournalNode;使集群比普通的hadoop集群拥有高可用性。
步骤三、社交网络数据采集
利用社交网络比如微博,知乎平台的开放API接口采集社交网络用户数据;其中,所述的社交网络数据包括用户发布的内容,用户信息、文章信息、留言信息等等。将采集当天的社交网络数据使用分布式文件命令一将数据集上传至平台的各个节点上。
步骤四、词条统计
在PC机的Eclipse软件中编写Java程序,在程序里编写Hadoop集群连接文件处理和MapReduce的逻辑方法和算法处理。将取得的社交网络用户数据放入MapReduce中进行分词处理,在MapReduce中将数据拆分打散,选取产品相关的关键词作为词条,统计词条在用户在社交网络发布每条内容的词条数和词条出现总数,然后对采集信息在hadoop的HA机制分布式***上建立索引。
步骤五、词条排序
步骤A:对词频进行归一化计算;将关键词对应的相关文档作为一个语料库,词条的归一化词频为词频(TF)=在文件dj某关键词出现次数ni,j/文章中出现最多次数关键词的出现次数,即
tfi,j=ni,j/∑knk,j。
步骤B:逆向文档频率计算;预先准备人工挑选出的典型文档作为语料库,典型话题语料库中的每一篇文档对应一个人工挑选出的典型文档,同一文档都是由人工挑选的同一典型文档的网络社交内容组成的,每条内容占一行。逆向文件频率可以由总文件数目除以包含该词语之文件的数目,再将得到的商取对数得到:
idi=log|D|/|{j:ti∈dj}|,
其中|D|表示语料库中的文件总数。如果一个单词在所有文档中被使用的越频繁,那它对向量中的值的作用就会被抵消的越多。
步骤C:计算词汇权值;词条TF-IDF值=词频×逆向文档频率,即
tfidfi,j=tfi,j×idfi。
TF-IDF与一个词在文档中的出现次数成正比,与该词在整个语言中的出现次数成反比,词汇对文章的重要性越高,它的TF-IDF值就越大。
步骤六、广告推送
对统计计算得到的词汇权值进行排序,对排序的结果分析用户的关注喜好,当用户登陆社交网络时选取合适的时机合适的地方对用户推送相应的广告。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明将Hadoop运用于社交网络中的数据挖掘中,可以解决在互联网社交网络中针对用户精准广告推送的问题。Hadoop是一个开发和运行处理大规模数据的软件平台,是Apache的一个用语言实现开源软件框架,实现在大量计算机组成的集群中对海量数据进行分布式计算。Hadoop框架中最核心设计就是HDFS和MapReduce。HDFS提供了海量数据的存储,MapReduce提供了对数据的计算。
2、传统的Hadoop集群每一个集群只有一个NameNode,如果这个机器或进程不可用,整个集群就无法使用,直到重启NameNode或者新启动一个NameNode节点。HDFS的HA(高可用性)就可以解决上述问题,通过提供选择运行在同一集群中的一个热备的“主/备”两个冗余NameNode,允许在机器宕机或***维护的时候,快速转移到另一个NameNode。
3、本发明利用框架中运算模型的特点,能够准确地判断出社交网络用户的关注热点,使广告能更精准地推送到目标客户,使挖掘结果更能反映互联网舆论的客观事实,有较强的可扩展性和容错性。
附图说明
图1为HDFS NameNode高可用整体架构图;其中ZK表示Zookeeper,JN表示JournalNode,NN表示NameNode,DN表示DataNode;图中每个DN块块向活跃&待机的DN栅栏报告:只服从来自活跃状态机子的命令;通过Cmds命令监测NN的健康状况;通过JournaNodes的Quorum算法分享NN状态。
图2为NameNode的主备切换流程图;其中zkfc表示ZKFailoverController(故障切换控制器)。
图3为MapReduce编程框架图;
图4为本发明所述一种基于Hadoop的HA机制集群精准广告推送方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1、2、3、4,一种基于Hadoop的HA机制集群精准广告推送方法,包含以下步骤:
步骤一、基本工作群创建
(1)为工作组中每一台虚拟机安装基于Red Hat Linux的CentOS操作***;
(2)为工作组中每一台虚拟机配置主机名,通过命令vi/etc/sysconfig/network修改文档;
(3)为工作组中每一台虚拟机配置IP,通过命令vi/etc/sysconfig/network-scripts/ifcfg-eth0将IP地址设置为静态且开机启动并配置IP地址和子网掩码。
(4)为了集群运行方便,通过命令service iptables stop将所有的虚拟机的防火
墙关闭;
(5)为工作组中每一台虚拟机制作本地YUM源,利用配置好的YUM源安装相关软件。
步骤二、组建hadoop的HA机制集群平台
(1)为工作组中每一台虚拟机安装hadoop软件;
(2)为工作组中每一台虚拟机安装JDK软件并配置JAVA环境;
(3)为工作组中每一台虚拟机修改hadoop相关配置文档,分配指定NameNode,SecondaryNameNode和DataNode,配置NodeManager和ResourceManager;选取其中的三台作为Zookeeper,再选取其中的三台作为Journalnode;使集群比普通的hadoop集群拥有高可用性。
Hadoop的HA机制集群框架如图1所示,Active NameNode和Standby NameNode:两台NameNode形成互备,一台处于Active状态,为主NameNode,另外一台处于Standby状态,为备NameNode,只有主NameNode才能对外提供读写服务。
主备切换控制器ZKFailoverController(故障切换控制器)作为独立的进程运行,对NameNode的主备切换进行总体控制。ZKFailoverController能及时检测到NameNode的健康状况,在主NameNode故障时借助Zookeeper实现自动的主备选举和切换,当然NameNode目前也支持不依赖于Zookeeper的手动主备切换。
Zookeeper集群:为主备切换控制器提供主备选举支持。
共享存储***:共享存储***是实现NameNode的高可用最为关键的部分,共享存储***保存了NameNode在运行过程中所产生的HDFS的元数据。主NameNode和
NameNode通过共享存储***实现元数据同步。在进行主备切换的时候,新的主NameNode在确认元数据完全同步之后才能继续对外提供服务。
DataNode节点除了通过共享存储***共享HDFS的元数据信息之外,主NameNode和备NameNode还需要共享HDFS的数据块和DataNode之间的映射关系。DataNode会同时向主NameNode和备NameNode上报数据块的位置信息。
NameNode实现主备切换的流程如图2所示,有以下几步:
1、HealthMonitor(健康监控器)初始化完成之后会启动内部的线程来定时调用对应NameNode的HAServiceProtocol RPC接口的方法,对NameNode的健康状态进行检测。
2、HealthMonitor如果检测到NameNode的健康状态发生变化,会回调ZKFailoverController注册的相应方法进行处理。
3、如果ZKFailoverController判断需要进行主备切换,会首先使用ActiveStandbyElector来进行自动的主备选举。
4、ActiveStandbyElector(主备选举器)与Zookeeper进行交互完成自动的主备选举。
5、ActiveStandbyElector在主备选举完成后,会回调ZKFailoverController的相应方法来通知当前的NameNode成为主NameNode或备NameNode。
6、ZKFailoverController调用对应NameNode的HAServiceProtocol RPC接口的方法将NameNode转换为Active状态或Standby状态。
步骤三、社交网络数据采集
利用社交网络比如微博,知乎平台的开放API接口采集社交网络用户数据;其中,所述的社交网络数据包括用户发布的内容,用户信息、文章信息、留言信息等等。将采集当天的社交网络数据使用分布式文件命令一将数据集上传至平台的各个节点上。
步骤四、词条统计
在PC机的Eclipse软件中编写Java程序,在程序里编写Hadoop集群连接文件处理和MapReduce的逻辑方法和算法处理。将取得的社交网络用户数据放入MapReduce中进行分词处理,在MapReduce中将数据拆分打散,选取产品相关的关键词作为词条,统计词条在用户在社交网络发布每条内容的词条数和词条出现总数,然后对采集信息在hadoop的HA机制分布式***上建立索引。
编程过程如图3所示,利用一个输入的key-value对集合来产生一个输出的key-value对集合。MapReduce库通过Map(映射)和Reduce(化简)两个函数来实现,说到底其核心思想也就是我们大学学的数据结构中的分而治之算法吧。用户自定义的Map函数接受一个输入key-value对,然后产生一个中间的key-value对的集合,MapReduce把所有具有相同key值的value结合在一起,然后传递给Reduce函数,Reduce接受合并这些value值,形成一个较小的value集合,Reduce函数具备了在集群上大规模分布式数据处理的能力。与传统的分布式计算设计相比,MapReduce封装了并行处理,容错处理,本地化计算,负载均衡等细节。
步骤五、词条排序
步骤A:对词频进行归一化计算;将关键词对应的相关文档作为一个语料库,词条的归一化词频为词频(TF)=在文件dj某关键词出现次数ni,j/文章中出现最多次数关键词的出现次数,即
tfi,j=ni,j/∑knk,j。
步骤B:逆向文档频率计算;预先准备人工挑选出的典型文档作为语料库,典型话题语料库中的每一篇文档对应一个人工挑选出的典型文档,同一文档都是由人工挑选的同一典型文档的网络社交内容组成的,每条内容占一行。逆向文档频率可以由总文件数目除以包含该词语之文件的数目,再将得到的商取对数得到:
idi=log|D|/|{j:ti∈dj}|,
其中|D|表示语料库中的文件总数。如果一个单词在所有文档中被使用的越频繁,那它对向量中的值的作用就会被抵消的越多。
步骤C:计算词汇权值;词条TF-IDF值=词频×逆向文档频率,即
tfidfi,j=tfi,j×idfi。
TF-IDF与一个词在文档中的出现次数成正比,与该词在整个语言中的出现次数成反比,词汇对文章的重要性越高,它的TF-IDF值就越大。
步骤六、广告推送
对统计计算得到的词汇权值进行排序,对排序的结果分析用户的关注喜好,当用户登陆社交网络时选取合适的时机合适的地方对用户推送相应的广告。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于Hadoop的HA机制集群精准广告推送方法,其特征在于,包括如下步骤:
步骤S1、基本工作群创建:
在计算机中安装VMware Workstation Pro虚拟***软件,在VMware Workstation Pro中安装一个以上的基于Red Hat Linux的CentOS***虚拟机;配置每个机子的IP网络和Hostname使之与PC机在同一个网段内;
步骤S2、组建Hadoop的HA机制集群平台:
将Hadoop安装包上传到服务器,在每台虚拟机上安装Hadoop软件并对Hadoop的5个配置文件hadoop-env.sh、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml进行配置;安装相关的依赖软件并配置环境变量,选取指定虚拟机配置NameNode、DataNode、JournalNode、Zookeeper;
步骤S3、社交网络数据采集:
利用社交网络开放的API接口采集社交网络用户数据;其中,所述的社交网络用户数据包括用户发布的内容、用户信息、文章信息、留言信息;
将采集当天的社交网络数据使用分布式文件命令一将数据集上传至Hadoop的HA机制集群平台的各个节点上;
步骤S4、词条统计:
词条统计就是对采集的社交网络内容进行分词处理,选取产品相关的关键词条,统计词条在用户在社交网络发布每条内容的词条数和词条出现总数,然后对采集信息在Hadoop的HA机制集群平台建立索引;
步骤S5、词条排序:
根据统计到词条的数量,通过TF-IDF算法算出每个词条的权值;
步骤S6、广告推送:
对每个词条的权值进行排序,选取对应的广告对用户进行推送。
2.根据权利要求1所述基于Hadoop的HA机制集群精准广告推送方法,其特征在于,所述步骤S1具体为:
(1)为工作组中每一台虚拟机安装基于Red Hat Linux的CentOS操作***;
(2)为工作组中每一台虚拟机配置主机名,通过命令修改文档;所述命令包括vi/etc/sysconfig/network;
(3)为工作组中每一台虚拟机配置IP,通过命令将IP地址设置为静态且开机启动并配置IP地址和子网掩码;所述命令包括vi/etc/sysconfig/network-scripts/ifcfg-eth0;
(4)通过命令service iptables stop将所有的虚拟机的防火墙关闭;
(5)为工作组中每一台虚拟机制作本地YUM源,利用配置好的YUM源安装相关软件。
3.根据权利要求1所述基于Hadoop的HA机制集群精准广告推送方法,其特征在于,所述步骤S2具体为:
(1)为工作组中每一台虚拟机安装Hadoop软件;
(2)为工作组中每一台虚拟机安装JDK软件并配置JAVA环境;
(3)为工作组中每一台虚拟机修改hadoop相关配置文档;
分配指定Namenode,SecondaryNameNode和Datanode,配置NodeManager和ResourceManager;
选取其中的三台作为Zookeeper,再选取其中的三台作为Journalnode。
4.根据权利要求1所述基于Hadoop的HA机制集群精准广告推送方法,其特征在于,所述步骤S4具体为:
在PC机的Eclipse软件中编写Java程序,在程序里编写Hadoop集群连接文件处理和MapReduce的逻辑方法和算法处理:将取得的社交网络用户数据放入MapReduce中进行分词处理,在MapReduce中将数据拆分打散,选取产品相关的关键词作为词条,统计词条在用户在社交网络发布每条内容的词条数和词条出现总数,然后对采集信息在Hadoop的HA机制分布式***上建立索引。
5.根据权利要求1所述基于Hadoop的HA机制集群精准广告推送方法,其特征在于,所述步骤S5具体为:
步骤A:对词频进行归一化计算:将关键词对应的相关文档作为一个语料库,词条的归一化词频为词频,词频tfi,j=在文件dj某关键词出现次数ni,j/文章中出现最多次数关键词的出现次数,即
tfi,j=ni,j/∑knk,j;
步骤B:逆向文档频率计算:预先准备人工挑选出的典型文档作为语料库,典型话题语料库中的每一篇文档对应一个人工挑选出的典型文档,同一文档都是由人工挑选的同一典型文档的网络社交内容组成的,每条内容占一行;
逆向文档频率通过总文件数目除以包含该词语之文件的数目,再将得到的商取对数得到:
idi=log|D|/|{j:ti∈dj}|,
其中|D|表示语料库中的总文件数目,j为包含该词语之文件的数目;如果一个单词在所有文档中被使用的越频繁,那它对向量中的值的作用就会被抵消的越多;
步骤C:计算词汇权值;词条TF-IDF值=词频×逆向文档频率,即
tfidfi,j=tfi,j×idfi,
TF-IDF与一个词在文档中的出现次数成正比,与该词在整个语言中的出现次数成反比,词汇对文章的重要性越高,它的TF-IDF值就越大。
6.根据权利要求1所述基于Hadoop的HA机制集群精准广告推送方法,其特征在于,所述步骤S6具体为:
对统计计算得到的词汇权值进行排序,对排序的结果分析用户的关注喜好,当用户登陆社交网络时,按照预设时间和地方对用户推送相应的广告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711162367.3A CN108022125A (zh) | 2017-11-21 | 2017-11-21 | 一种基于Hadoop的HA机制集群精准广告推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711162367.3A CN108022125A (zh) | 2017-11-21 | 2017-11-21 | 一种基于Hadoop的HA机制集群精准广告推送方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108022125A true CN108022125A (zh) | 2018-05-11 |
Family
ID=62080669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711162367.3A Pending CN108022125A (zh) | 2017-11-21 | 2017-11-21 | 一种基于Hadoop的HA机制集群精准广告推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022125A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297457A (zh) * | 2021-05-24 | 2021-08-24 | 陕西合友网络科技有限公司 | 一种高精准性的信息资源智能推送***及推送方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
US20140149424A1 (en) * | 2012-11-23 | 2014-05-29 | Mobitv, Inc | Time weighted content recommendation |
CN105677844A (zh) * | 2016-01-06 | 2016-06-15 | 北京摩比万思科技有限公司 | 一种移动广告大数据的定向推送及用户跨屏识别方法 |
US9576313B2 (en) * | 2007-05-25 | 2017-02-21 | Piksel, Inc. | Recommendation systems and methods using interest correlation |
-
2017
- 2017-11-21 CN CN201711162367.3A patent/CN108022125A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576313B2 (en) * | 2007-05-25 | 2017-02-21 | Piksel, Inc. | Recommendation systems and methods using interest correlation |
US20140149424A1 (en) * | 2012-11-23 | 2014-05-29 | Mobitv, Inc | Time weighted content recommendation |
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*** |
CN105677844A (zh) * | 2016-01-06 | 2016-06-15 | 北京摩比万思科技有限公司 | 一种移动广告大数据的定向推送及用户跨屏识别方法 |
Non-Patent Citations (3)
Title |
---|
叶晓江等: "《实战Hadoop2.0:从云计算到大数据》", 30 June 2016, 电子工业出版社 * |
宋杰著: "《大数据处理平台能耗优化方法的研究》", 30 November 2016, 东北大学出版社 * |
陈顺风: ""基于大数据的网络广告推送服务研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297457A (zh) * | 2021-05-24 | 2021-08-24 | 陕西合友网络科技有限公司 | 一种高精准性的信息资源智能推送***及推送方法 |
CN113297457B (zh) * | 2021-05-24 | 2023-02-28 | 陕西合友网络科技有限公司 | 一种高精准性的信息资源智能推送***及推送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10514896B2 (en) | Web application builder framework | |
US10846068B2 (en) | Interactions layer in a web application builder framework | |
US9854039B2 (en) | Method and system for synchronizing a server and an on-demand database service | |
US20190272267A1 (en) | Generating or updating sets of events using a database system | |
US10579691B2 (en) | Application programming interface representation of multi-tenant non-relational platform objects | |
US20190065521A1 (en) | Synchronize collaboration entity files | |
US10509633B2 (en) | Base editor component in a web application builder framework | |
US10768818B2 (en) | Data migration system | |
US10915519B2 (en) | Processing offline updates to records of a database system | |
US20180096024A1 (en) | Release management in a content management system | |
US10540149B2 (en) | Property editor component in a web application builder framework | |
US20150032688A1 (en) | Displaying content of an enterprise social network feed on a mobile device | |
US10664244B2 (en) | Dynamic page previewer for a web application builder | |
US10579692B2 (en) | Composite keys for multi-tenant non-relational platform objects | |
US11714811B2 (en) | Run-time querying of multi-tenant non-relational platform objects | |
CN101441557A (zh) | 基于动态数据拆分的分布式并行计算的***及其方法 | |
US20190272282A1 (en) | Using data object relationships in a database system to group database records and files associated with a designated database record | |
US10642862B2 (en) | System and method for referencing master data in a multi-tenant application-platform-as-a-service architecture | |
US20190065487A1 (en) | Filter logic in a dynamic page previewer | |
US20180276559A1 (en) | Displaying feed content | |
US11263178B2 (en) | Intelligent prediction of future generation of types of data objects based on past growth | |
US20200097464A1 (en) | Content management system implemented using a database structure | |
US20240104630A1 (en) | Generation of recommendations from dynamically-mapped data | |
US9921724B2 (en) | Presenting data on a mobile device in communication with an on-demand database system | |
CN108022125A (zh) | 一种基于Hadoop的HA机制集群精准广告推送方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |
|
RJ01 | Rejection of invention patent application after publication |