CN114187036A - 一种基于行为特征识别的互联网广告智能推荐管理*** - Google Patents
一种基于行为特征识别的互联网广告智能推荐管理*** Download PDFInfo
- Publication number
- CN114187036A CN114187036A CN202111441490.5A CN202111441490A CN114187036A CN 114187036 A CN114187036 A CN 114187036A CN 202111441490 A CN202111441490 A CN 202111441490A CN 114187036 A CN114187036 A CN 114187036A
- Authority
- CN
- China
- Prior art keywords
- interest
- user
- behavior
- data
- subunit
- 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.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 261
- 238000004458 analytical method Methods 0.000 claims description 36
- 230000006855 networking Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000002085 persistent effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于行为特征识别的互联网广告智能推荐管理***,包括:特征识别模块:用于获取用户行为数据,对用户行为数据进行特征识别和兴趣特征抽取,确定用户兴趣行为特征;行为‑兴趣预测机制模块:用于基于预设的训练***,训练所述用户兴趣行为特征,构建对应的行为‑兴趣预测机制;推送模块:用于基于所述行为预测机制,推送符合用户兴趣的广告到用户终端;管理模块:用于管理特征识别模块、预测模块和推送模块。
Description
技术领域
本发明涉及人工智能、特征识别、自动推送技术领域,特别涉及一种基于行为特征识别的互联网广告智能推荐管理***。
背景技术
目前,随着大数据和人工智能的发展,用户的兴趣挖掘成为实现个性化推荐和智能化服务的关键问题,但目前的互联网的用户数据庞大而层次不齐,个性化推荐如何基于用户的社会属性,从而实现精准推送,如何在差异巨大的社会化的标签进行精准导航,精确的挖掘用户兴趣数据,基于互联网,挖掘用户兴趣规律,精准进行导航是丞待解决的人工智能的问题之一。
发明内容
本发明提供一种基于行为特征识别的互联网广告智能推荐管理***,以解决上述问题。
本发明提供一种基于行为特征识别的互联网广告智能推荐管理***,其特征在于,包括:
兴趣行为特征模块:用于获取用户行为数据,对用户行为数据进行特征识别和兴趣特征抽取,确定用户的兴趣行为特征;
行为-兴趣预测机制模块:用于基于预设的训练***,训练所述兴趣行为特征,构建对应的行为兴趣预测机制;
推送模块:用于基于所述行为兴趣预测机制,生成行为预测数据,并通过所述行为预测数据,智能推荐对应的互联网广告至控制终端;
控制终端:用于管理特征识别模块、预测模块和推送模块。
作为本技术方案的一种实施例,所述兴趣行为特征模块,包括:
行为样本单元:用于获取用户行为数据,并采集用户行为数据的行为时间,通过所述行为时间,建立时间索引,基于所述时间索引和用户行为数据,生成用户行为样本;
行为特征信息单元:用于读取所述用户行为样本,确定用户的行为信息,对用户的行为信息进行特征识别,生成用户的行为特征信息;
行为-兴趣度模型单元:用于基于所述用户的行为信息和行为特征信息,构建用户兴趣模型;
兴趣等级分级机制单元:用于获取用户的兴趣数据,将所述兴趣数据传输至用户兴趣模型,构建兴趣等级分级机制;
等级兴趣度范围单元:用于基于所述兴趣等级分级机制,获取并划分所述用户的兴趣数据,确定等级兴趣度范围;其中,
所述等级兴趣度范围包括低兴趣度范围、中兴趣度范围和高兴趣度范围;
目标兴趣度范围单元:用于通过预设的兴趣阈值,截取等级兴趣度范围,确定目标兴趣度范围;
历史兴趣行为数据单元:用于通过所述目标兴趣度范围,抽取用户的兴趣特征,根据所述兴趣特征,统计用户的历史兴趣行为数据;
兴趣行为特征单元:用于根据所述历史兴趣行为数据,确定用户的兴趣行为特征。
作为本技术方案的一种实施例,所述行为-兴趣模型单元,包括:
时间-行为曲线图子单元:用于通过用户的行为信息和时间索引,统计用户的行为信息的行为频次,并通过所述时间索引和行为频次,绘制时间-行为曲线图;
时间-行为特征曲线图子单元:用于通过用户的行为特征信息和时间索引,统计用户的行为特征信息的行为特征频次,绘制时间-行为特征曲线图;
交集频率子单元:用于通过时间-行为曲线图和时间-行为特征曲线图,采集行为频次和行为特征频次的交集点,并计算交集点的交集频率;
用户感兴趣区域子单元:用于对所述交集频率按顺序排列并划分,并筛选高频次范围的交集频率,确定高频次交集频率,并通过所述高频次交集频率,定位用户感兴趣区域;
评估结果子单元:用于采集所述用户感兴趣区域的感兴趣对象信息,并通过所述感兴趣对象信息,对用户的感兴趣度进行评估,确定评估结果;
用户兴趣模型子单元:用于基于所述评估结果和用户感兴趣区域,构建对应的用户兴趣模型。
作为本技术方案的一种实施例,所述行为-兴趣预测机制模块,包括:
兴趣标签单元:用于获取用户的兴趣行为特征,将用户的兴趣行为特征进行分类,并生成对应的兴趣标签;
兴趣行为特征单元:用于获取用户和对应的兴趣标签之间的对应关系,并基于所述对应关系,生成兴趣组网;
兴趣节点单元:用于通过所述兴趣标签和兴趣行为特征,在所述兴趣组网上创建兴趣节点;
训练单元:用于训练兴趣组网和兴趣组网上的兴趣节点至收敛,构建行为-兴趣预测机制。
作为本技术方案的一种实施例,所述兴趣标签单元,包括:
兴趣标引数据子单元:用于通过用户的兴趣行为特征,对用户行为进行人工标引和记录,确定兴趣标引数据;
解析子单元:用于对所述兴趣标引数据进行数据解析,确定解析数据;其中,所述数据解析包括数据路径解析和解析兴趣行为解析;其中,所述数据路径解析至少包括抽取路径信息、获取路径深度和采集路径参数等解析步骤;所述解析兴趣行为解析用于从特定参数中自动检索并提取用户的兴趣行为;
行为信息子单元:用于基于所述解析数据,确定用户的行为信息;
固定属性标签子单元:用于采集用户的基本信息,基于用户的基本信息,生成固定属性标签;其中,所述用户的基本信息包括生理属性信和社会属性信息的一种或多种;
划分子单元:用于基于所述固定属性标签,确定并划分用户的兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签;
兴趣标签子单元:用于通过所述兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签,并生成对应的兴趣标签。
作为本技术方案的一种实施例,所述兴趣行为特征单元,包括:
固定属性标签子单元:用于获取用户对应的固定属性标签;
生长树子单元:用于通过固定属性标签和用户的兴趣标签,筛选对应的固定属性标签中的用户群体,构建生长树;其中,
所述生长树包括第一生长树、第二生长树、第三生长树和第四生长树;
连接关系子单元:用于分析并处理不同的生长树之间的树根、叶子之间的对应关系,并通过所述对应关系,确定不同生长树之间的每个节点的连接关系;
兴趣组网子单元:用于基于所述连接关系,生成兴趣组网。
作为本技术方案的一种实施例,所述生长树子单元,包括:
兴趣偏好定位子单元:用于检索兴趣标签中的兴趣偏好标签,通过所述固定属性标签和兴趣偏好标签,定位用户的兴趣时间偏好、兴趣终端偏好和兴趣访问方式偏好,确定定位结果;
第一生长树子单元:用于通过所述定位结果,筛选对应的固定属性标签中的用户群体,生成第一生长树;
兴趣频率辨别子单元:用于获取用户的兴趣频率标签,通过所述固定属性标签和兴趣频率标签,辨别持久性活跃用户、无规律活跃性用户和低活跃性用户,确定辨识结果;
第二生长树子单元:用于通过所述辨识结果,筛选对应的固定属性标签中的用户群体,生成第二生长树;
兴趣习惯子单元:用于获取用户的兴趣习惯标签,通过所述固定属性标签和兴趣习惯标签,区分定向检索商品习惯用户、无习惯检索用户和推荐广告依赖型用户,确定区分结果;
第三生长树子单元:用于通过所述区分结果,筛选对应的固定属性标签中的用户群体,生成第三生长树;
兴趣主题划分子单元:用于获取用户的兴趣主题标签,通过所述固定属性标签和兴趣习惯标签,划分单主题兴趣用户和多主题兴趣用户,确定划分结果;
第四生长树子单元:用于通过所述划分结果,筛选对应的固定属性标签中的用户群体,生成第四生长树。
作为本技术方案的一种实施例,所述推送模块,包括:
预测数据单元:用于基于所述行为兴趣预测机制,生成行为预测数据;
其中,Ay代表关于第y个用户的行为预测数据,y=1,2,…,N,N代表用户的总数,x和y′代表关于第y个用户对应的遗忘影响参数,ρy,p代表第y个用户对第p个兴趣标签节点的兴趣度,Δt代表行为兴趣预测机制采集到的预测时长,t代表行为兴趣预测机制采集到的预测时刻,α代表平均行为交流强度,mp,t代表预测时刻t中第p个兴趣标签节点出现的次数,p=1,2,…,q,q代表和用户的行为预测数据对应的互联网广告的兴趣标签节点的总个数,Eyp(Δt)代表在预测时长Δt下第y个用户对第p个兴趣标签节点兴趣预测函数,αym代表第y个用户对出现的次数为m的第q个兴趣标签节点的行为交流强度,Ep(Δt)代表在预测时长Δt下第k个用户对第p个兴趣标签节点兴趣预测函数,k∈N;
相关系数单元:用于对比并计算行为预测数据和历史行为数据的相关系数;
其中,Sim代表相关系数的计算函数,Sim(Ay,ay)代表行为预测数据和历史行为数据的相关系数,ay代表关于第y个用户的历史行为数据,Wmj代表第j批行为预测数据路过第q个兴趣标签节点产生的权值,j=1,2,…J,J代表关于行为预测数据采集的总批数,wjq(t′)代表第j批历史行为预测数据在历史时刻t′时路过第q个兴趣标签节点产生的历史权值,t′∈(t0,T),t0代表采集历史行为预测数据的初始历史时刻,T代表采集历史行为预测数据的终止历史时刻;
判断单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;其中,
所述判断结果包括广告推送结果和异常结果。
作为本技术方案的一种实施例,所述判断单元,包括:
判断子单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;
其中,Sim代表相关系数的计算函数,Sim(Ay,ay)代表行为预测数据和历史行为数据的相关系数,Ay代表关于第y个用户的行为预测数据,ay代表关于第y个用户的历史行为数据,y=1,2,…,N,N代表用户的总数,,H代表判断结果,push代表广告推送结果,error代表异常结果,Cmax代表最大相关系数影响值,Sim(Ay)代表相关系数阈值;
广告推送结果子单元:用于当所述判断结果为所述相关系数大于等于预设的相关系数阈值,即H=push,智能推送和行为预测数据对应的互联网广告至控制终端;
异常子单元:用于当所述判断结果为所述相关系数小于预设的相关系数阈值,即H=error,基于预设的协同过滤算法,对用户进行重新行为预测。
作为本技术方案的一种实施例,所述控制终端,包括:
验证单元:用于对用户的注册和登录信息进行信息验证,并确定验证结果;
加密交互单元:用于当所述验证结果为验证通过时,对特征识别模块、预测模块和推送模块之间产生的数据信息进行加密交互;
预警单元:用于当所述验证结果未验证通过时,通过预设的预警机制,将控制终端进行锁定并预警。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于行为特征识别的互联网广告智能推荐管理***模块图;
图2为本发明实施例中一种基于行为特征识别的互联网广告智能推荐管理***模块图;
图3为本发明实施例中一种基于行为特征识别的互联网广告智能推荐管理***模块图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
需说明的是,当部件被称为“固定于”或“设置于”另一个部件,它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件,它可以是直接或者间接连接至该另一个部件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,“多个”的含义是两个或两个以上,除非另有明确具体的限定。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
实施例1:
根据图1所示,本发明实施例提供了一种基于行为特征识别的互联网广告智能推荐管理***,其特征在于,包括:
兴趣行为特征模块:用于获取用户行为数据,对用户行为数据进行特征识别和兴趣特征抽取,确定用户的兴趣行为特征;
行为-兴趣预测机制模块:用于基于预设的训练***,训练所述兴趣行为特征,构建对应的行为兴趣预测机制;
推送模块:用于基于所述行为兴趣预测机制,生成行为预测数据,并通过所述行为预测数据,智能推荐对应的互联网广告至控制终端;
控制终端:用于管理特征识别模块、预测模块和推送模块。
上述技术方案的工作原理和有益效果在于:
本发明实施例提供了一种基于行为特征识别的互联网广告智能推荐管理***,包括兴趣行为特征模块、行为-兴趣预测机制模块、推送模块和控制终端,兴趣行为特征模块用于对用户行为数据进行特征识别和兴趣特征抽取,确定用户的兴趣行为特征;行为-兴趣预测机制模块用于训练兴趣行为特征,构建对应的行为兴趣预测机制;推送模块用于基于行为兴趣预测机制,智能推荐对应的互联网广告至控制终端,控制终端用于管理特征识别模块、预测模块和推送模块,本技术方案提供了一种综合的、全面的进行用户兴趣采集、并针对性的对用户进行兴趣评估和兴趣预测,智能的推送广告到用户终端。
实施例2:
本技术方案提供了一种实施例,所述兴趣行为特征模块,包括:
行为样本单元:用于获取用户行为数据,并采集用户行为数据的行为时间,通过所述行为时间,建立时间索引,基于所述时间索引和用户行为数据,生成用户行为样本;
行为特征信息单元:用于读取所述用户行为样本,确定用户的行为信息,对用户的行为信息进行特征识别,生成用户的行为特征信息;
行为-兴趣度模型单元:用于基于所述用户的行为信息和行为特征信息,构建用户兴趣模型;
兴趣等级分级机制单元:用于获取用户的兴趣数据,将所述兴趣数据传输至用户兴趣模型,构建兴趣等级分级机制;
等级兴趣度范围单元:用于基于所述兴趣等级分级机制,获取并划分所述用户的兴趣数据,确定等级兴趣度范围;其中,
所述等级兴趣度范围包括低兴趣度范围、中兴趣度范围和高兴趣度范围;
目标兴趣度范围单元:用于通过预设的兴趣阈值,截取等级兴趣度范围,确定目标兴趣度范围;
历史兴趣行为数据单元:用于通过所述目标兴趣度范围,抽取用户的兴趣特征,根据所述兴趣特征,统计用户的历史兴趣行为数据;
兴趣行为特征单元:用于根据所述历史兴趣行为数据,确定用户的兴趣行为特征。
上述技术方案的工作原理和有益效果在于:
本技术方案的兴趣行为特征模块,包括行为样本单元、行为特征信息单元、行为-兴趣度模型单元、兴趣等级分级机制单元、等级兴趣度范围单元、目标兴趣度范围单元、历史兴趣行为数据单元和兴趣行为特征单元;行为样本单元用于获取用户行为数据,采集用户行为数据的行为时间,建立时间索引,生成对应的用户行为样本;行为特征信息单元用于读取用户行为样本,确定用户的行为信息,对用户的行为信息进行特征识别,生成用户的行为特征信息;行为-兴趣度模型单元用于基于用户的行为信息和行为特征信息,构建用户兴趣模型;兴趣等级分级机制单元用于获取用户的兴趣数据,将兴趣数据传输至用户兴趣模型,构建兴趣等级分级机制;等级兴趣度范围单元用于基于兴趣等级分级机制,获取并划分所述用户的兴趣数据,确定等级兴趣度范围;等级兴趣度范围包括低兴趣度范围、中兴趣度范围和高兴趣度范围;目标兴趣度范围单元用于通过预设的兴趣阈值,截取等级兴趣度范围,确定目标兴趣度范围;历史兴趣行为数据单元用于通过目标兴趣度范围,抽取用户的兴趣特征,根据兴趣特征,统计用户的历史兴趣行为数据;兴趣行为特征单元用于根据历史兴趣行为数据,确定用户的兴趣行为特征。
实施例3:
本技术方案提供了一种实施例,所述行为-兴趣模型单元,包括:
时间-行为曲线图子单元:用于通过用户的行为信息和时间索引,统计用户的行为信息的行为频次,并通过所述时间索引和行为频次,绘制时间-行为曲线图;
时间-行为特征曲线图子单元:用于通过用户的行为特征信息和时间索引,统计用户的行为特征信息的行为特征频次,绘制时间-行为特征曲线图;
交集频率子单元:用于通过时间-行为曲线图和时间-行为特征曲线图,采集行为频次和行为特征频次的交集点,并计算交集点的交集频率;
用户感兴趣区域子单元:用于对所述交集频率按顺序排列并划分,并筛选高频次范围的交集频率,确定高频次交集频率,并通过所述高频次交集频率,定位用户感兴趣区域;
评估结果子单元:用于采集所述用户感兴趣区域的感兴趣对象信息,并通过所述感兴趣对象信息,对用户的感兴趣度进行评估,确定评估结果;
用户兴趣模型子单元:用于基于所述评估结果和用户感兴趣区域,构建对应的用户兴趣模型。
上述技术方案的工作原理和有益效果在于:
本技术方案的行为-兴趣度模型单元,包括时间-行为曲线图子单元、时间-行为特征曲线图子单元、交集频率子单元、用户感兴趣区域子单元、评估结果子单元和用户兴趣模型子单元,时间-行为曲线图子单元用于通过用户的行为信息和时间索引,统计用户的行为信息的行为频次,并通过时间索引和行为频次,绘制时间-行为曲线图;时间-行为特征曲线图子单元用于通过用户的行为特征信息和时间索引,统计用户的行为特征信息的行为特征频次,绘制时间-行为特征曲线图;交集频率子单元用于通过时间-行为曲线图和时间-行为特征曲线图,采集行为频次和行为特征频次的交集点,并计算交集点的交集频率;用户感兴趣区域子单元用于对所述交集频率按顺序排列并划分,并筛选高频次范围的交集频率,确定高频次交集频率,并通过所述高频次交集频率,定位用户感兴趣区域;评估结果子单元用于采集用户感兴趣区域的感兴趣对象信息,并通过感兴趣对象信息,对用户的感兴趣度进行评估,确定评估结果;用户兴趣模型子单元用于基于所述评估结果和用户感兴趣区域,构建对应的用户兴趣模型。
实施例4:
根据图2所示,本技术方案提供了一种实施例,所述行为-兴趣预测机制模块,包括:
兴趣标签单元:用于获取用户的兴趣行为特征,将用户的兴趣行为特征进行分类,并生成对应的兴趣标签;
兴趣行为特征单元:用于获取用户和对应的兴趣标签之间的对应关系,并基于所述对应关系,生成兴趣组网;
兴趣节点单元:用于通过所述兴趣标签和兴趣行为特征,在所述兴趣组网上创建兴趣节点;
训练单元:用于训练兴趣组网和兴趣组网上的兴趣节点至收敛,构建行为-兴趣预测机制。
上述技术方案的工作原理和有益效果在于:
本技术方案的行为-兴趣预测机制模块,包括兴趣标签单元、兴趣行为特征单元、兴趣节点单元和训练单元,兴趣标签单元用于获取用户的兴趣行为特征,将用户的兴趣行为特征进行分类,并生成对应的兴趣标签;兴趣行为特征单元用于获取用户和对应的兴趣标签之间的对应关系,并基于对应关系,生成兴趣组网;兴趣节点单元用于通过兴趣标签和兴趣行为特征,在兴趣组网上创建兴趣节点;训练单元用于训练兴趣组网和兴趣组网上的兴趣节点至收敛,构建行为-兴趣预测机制。
实施例5:
本技术方案提供了一种实施例,所述兴趣标签单元,包括:
兴趣标引数据子单元:用于通过用户的兴趣行为特征,对用户行为进行人工标引和记录,确定兴趣标引数据;
解析子单元:用于对所述兴趣标引数据进行数据解析,确定解析数据;其中,所述数据解析包括数据路径解析和解析兴趣行为解析;其中,所述数据路径解析至少包括抽取路径信息、获取路径深度和采集路径参数等解析步骤;所述解析兴趣行为解析用于从特定参数中自动检索并提取用户的兴趣行为;
行为信息子单元:用于基于所述解析数据,确定用户的行为信息;
固定属性标签子单元:用于采集用户的基本信息,基于用户的基本信息,生成固定属性标签;其中,所述用户的基本信息包括生理属性信和社会属性信息的一种或多种;
划分子单元:用于基于所述固定属性标签,确定并划分用户的兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签;
兴趣标签子单元:用于通过所述兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签,并生成对应的兴趣标签。
上述技术方案的工作原理和有益效果在于:
本技术方案的兴趣标签单元,包括兴趣标引数据子单元、解析子单元、行为信息子单元、固定属性标签子单元、划分子单元和兴趣标签子单元,兴趣标引数据子单元用于通过用户的兴趣行为特征,对用户行为进行人工标引和记录,确定兴趣标引数据;解析子单元用于对所述兴趣标引数据进行数据解析,确定解析数据;数据解析包括数据路径解析和解析兴趣行为解析;数据路径解析至少包括抽取路径信息、获取路径深度和采集路径参数等解析步骤;解析兴趣行为解析用于从特定参数中自动检索并提取用户的兴趣行为;行为信息子单元用于确定用户的行为信息;固定属性标签子单元用于采集用户的基本信息,基于用户的基本信息,生成固定属性标签;用户的基本信息包括生理属性信和社会属性信息的一种或多种;划分子单元用于基于固定属性标签,确定并划分用户的兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签;兴趣标签子单元用于通过兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签,并生成对应的兴趣标签。
实施例6:
本技术方案提供了一种实施例,所述兴趣行为特征单元,包括:
固定属性标签子单元:用于获取用户对应的固定属性标签;
生长树子单元:用于通过固定属性标签和用户的兴趣标签,筛选对应的固定属性标签中的用户群体,构建生长树;其中,
所述生长树包括第一生长树、第二生长树、第三生长树和第四生长树;
连接关系子单元:用于分析并处理不同的生长树之间的树根、叶子之间的对应关系,并通过所述对应关系,确定不同生长树之间的每个节点的连接关系;
兴趣组网子单元:用于基于所述连接关系,生成兴趣组网。
上述技术方案的工作原理和有益效果在于:
本技术方案的兴趣行为特征单元,包括固定属性标签子单元、生长树子单元、连接关系子单元和兴趣组网子单元,固定属性标签子单元:用于获取用户对应的固定属性标签;生长树子单元用于通过固定属性标签和用户的兴趣标签,筛选对应的固定属性标签中的用户群体,构建生长树;生长树包括第一生长树、第二生长树、第三生长树和第四生长树;连接关系子单元用于分析并处理不同的生长树之间的树根、叶子之间的对应关系,并通过对应关系,确定不同生长树之间的每个节点的连接关系;兴趣组网子单元用于基于连接关系,生成兴趣组网,生成巨大的兴趣组网,不仅可以获取用户的兴趣关键点,为用户的兴趣预测也提供大量的数据信息,提高数据挖掘的精准性。
实施例7:
本技术方案提供了一种实施例,所述生长树子单元,包括:
兴趣偏好定位子单元:用于检索兴趣标签中的兴趣偏好标签,通过所述固定属性标签和兴趣偏好标签,定位用户的兴趣时间偏好、兴趣终端偏好和兴趣访问方式偏好,确定定位结果;
第一生长树子单元:用于通过所述定位结果,筛选对应的固定属性标签中的用户群体,生成第一生长树;
兴趣频率辨别子单元:用于获取用户的兴趣频率标签,通过所述固定属性标签和兴趣频率标签,辨别持久性活跃用户、无规律活跃性用户和低活跃性用户,确定辨识结果;
第二生长树子单元:用于通过所述辨识结果,筛选对应的固定属性标签中的用户群体,生成第二生长树;
兴趣习惯子单元:用于获取用户的兴趣习惯标签,通过所述固定属性标签和兴趣习惯标签,区分定向检索商品习惯用户、无习惯检索用户和推荐广告依赖型用户,确定区分结果;
第三生长树子单元:用于通过所述区分结果,筛选对应的固定属性标签中的用户群体,生成第三生长树;
兴趣主题划分子单元:用于获取用户的兴趣主题标签,通过所述固定属性标签和兴趣习惯标签,划分单主题兴趣用户和多主题兴趣用户,确定划分结果;
第四生长树子单元:用于通过所述划分结果,筛选对应的固定属性标签中的用户群体,生成第四生长树。
上述技术方案的工作原理和有益效果在于:
本技术方案提供的生长树子单元,通过对用户的不同兴趣标签的采集,从而获取到精准的兴趣定位,对用户的广告推送也可以更加精准。通过固定属性标签和兴趣偏好标签,定位用户的兴趣时间偏好、兴趣终端偏好和兴趣访问方式偏好,筛选对应的固定属性标签中的用户群体,辨别持久性活跃用户、无规律活跃性用户和低活跃性用户,确定辨识结果;筛选对应的固定属性标签中的用户群体,区分定向检索商品习惯用户、无习惯检索用户和推荐广告依赖型用户,确定区分结果;筛选对应的固定属性标签中的用户群体,生成第三生长树;通过固定属性标签和兴趣习惯标签,划分单主题兴趣用户和多主题兴趣用户,确定划分结果;第筛选对应的固定属性标签中的用户群体,生成第四生长树。从而通过四颗但可以包括更多棵成长树对用户兴趣进行组网。
实施例8:
本技术方案提供了一种实施例,所述推送模块,包括:
预测数据单元:用于基于所述行为兴趣预测机制,生成行为预测数据;
其中,Ay代表关于第y个用户的行为预测数据,y=1,2,…,N,N代表用户的总数,x和y′代表关于第y个用户对应的遗忘影响参数,ρy,p代表第y个用户对第p个兴趣标签节点的兴趣度,Δt代表行为兴趣预测机制采集到的预测时长,t代表行为兴趣预测机制采集到的预测时刻,α代表平均行为交流强度,mp,t代表预测时刻t中第p个兴趣标签节点出现的次数,p=1,2,…,q,q代表和用户的行为预测数据对应的互联网广告的兴趣标签节点的总个数,Eyp(Δt)代表在预测时长Δt下第y个用户对第p个兴趣标签节点兴趣预测函数,αym代表第y个用户对出现的次数为m的第q个兴趣标签节点的行为交流强度,Ep(Δt)代表在预测时长Δt下第k个用户对第p个兴趣标签节点兴趣预测函数,k∈N;
相关系数单元:用于对比并计算行为预测数据和历史行为数据的相关系数;
其中,Sim代表相关系数的计算函数,Sim(Ay,ay)代表行为预测数据和历史行为数据的相关系数,ay代表关于第y个用户的历史行为数据,Wmj代表第j批行为预测数据路过第q个兴趣标签节点产生的权值,j=1,2,…J,J代表关于行为预测数据采集的总批数,wjq(t′)代表第j批历史行为预测数据在历史时刻t′时路过第q个兴趣标签节点产生的历史权值,t′∈(t0,T),t0代表采集历史行为预测数据的初始历史时刻,T代表采集历史行为预测数据的终止历史时刻;
判断单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;其中,
所述判断结果包括广告推送结果和异常结果。
上述技术方案的工作原理和有益效果在于:
本技术方案的推送模块,预测数据单元用于基于行为兴趣预测机制,生成行为预测数据Ay,相关系数单元用于对比并计算行为预测数据和历史行为数据的相关系数Sim(Ay,ay);判断单元用于判断相关系数是否大于预设的相关系数阈值,确定判断结果;判断结果包括广告推送结果和异常结果,从而实现对用户的精准推送,个性化的广告安排。
实施例9:
本技术方案提供了一种实施例,所述判断单元,包括:
判断子单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;
其中,Sim代表相关系数的计算函数,Sim(Ay,ay)代表行为预测数据和历史行为数据的相关系数,Ay代表关于第y个用户的行为预测数据,ay代表关于第y个用户的历史行为数据,y=1,2,…,N,N代表用户的总数,,H代表判断结果,push代表广告推送结果,error代表异常结果,Cmax代表最大相关系数影响值,Sim(Ay)代表相关系数阈值;
广告推送结果子单元:用于当所述判断结果为所述相关系数大于等于预设的相关系数阈值,即H=push,智能推送和行为预测数据对应的互联网广告至控制终端;
异常子单元:用于当所述判断结果为所述相关系数小于预设的相关系数阈值,即H=error,基于预设的协同过滤算法,对用户进行重新行为预测。
上述技术方案的工作原理和有益效果在于:
本技术方案判断单元,判断子单元用于判断相关系数是否大于预设的相关系数阈值,确定判断结果H,广告推送结果子单元用于当判断结果为所述相关系数大于等于预设的相关系数阈值,即H=push,智能推送和行为预测数据对应的互联网广告至控制终端;异常子单元用于当判断结果为所述相关系数小于预设的相关系数阈值,即H=error,基于预设的协同过滤算法,对用户进行重新行为预测,通过对协同过滤算法,在用户的行为无规律或者规律不明显的时候,采集和用户同样社会标签属性的人,进行兴趣推送,并重新采集用户的数据,从而实现对用户行为数据的精准挖掘,实现精准推送。
实施例10:
本技术方案提供了一种实施例,所述控制终端,包括:
验证单元:用于对用户的注册和登录信息进行信息验证,并确定验证结果;
加密交互单元:用于当所述验证结果为验证通过时,对特征识别模块、预测模块和推送模块之间产生的数据信息进行加密交互;
预警单元:用于当所述验证结果未验证通过时,通过预设的预警机制,将控制终端进行锁定并预警。
上述技术方案的工作原理和有益效果在于:
本技术方案的控制终端,包括验证单元、加密交互单元和预警单元,验证单元用于对用户的注册和登录信息进行信息验证,并确定验证结果;加密交互单元用于当验证结果为验证通过时,对特征识别模块、预测模块和推送模块之间产生的数据信息进行加密交互;预警单元用于当验证结果未验证通过时,通过预设的预警机制,将控制终端进行锁定并预警。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于行为特征识别的互联网广告智能推荐管理***,其特征在于,包括:
兴趣行为特征模块:用于获取用户行为数据,对用户行为数据进行特征识别和兴趣特征抽取,确定用户的兴趣行为特征;
行为-兴趣预测机制模块:用于基于预设的训练***,训练用户的兴趣行为特征,构建对应的行为兴趣预测机制;
推送模块:用于基于所述行为兴趣预测机制,生成用户的行为预测数据,并通过所述行为预测数据,智能推荐对应的互联网广告至控制终端;
控制终端:用于管理特征识别模块、预测模块和推送模块。
2.如权利要求1所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述兴趣行为特征模块,包括:
行为样本单元:用于获取并采集用户行为数据,记录用户行为数据的行为时间,通过用户行为数据的行为时间,建立时间索引,基于所述时间索引和用户行为数据,生成用户行为样本;
行为特征信息单元:用于读取所述用户行为样本,确定用户的行为信息,对用户的行为信息进行特征识别,生成用户的行为特征信息;
行为-兴趣度模型单元:用于基于所述用户的行为信息和行为特征信息,构建用户兴趣模型;
兴趣等级分级机制单元:用于获取并采集用户的兴趣数据,将所述兴趣数据传输至所述用户兴趣模型,构建兴趣等级分级机制;
等级兴趣度范围单元:用于基于所述兴趣等级分级机制,获取并划分所述用户的兴趣数据,确定等级兴趣度范围;其中,
所述等级兴趣度范围包括低兴趣度范围、中兴趣度范围和高兴趣度范围;
目标兴趣度范围单元:用于通过预设的兴趣阈值,截取等级兴趣度范围,确定目标兴趣度范围;
历史兴趣行为数据单元:用于通过所述目标兴趣度范围,抽取用户的兴趣特征,根据所述兴趣特征,统计用户的历史兴趣行为数据;
兴趣行为特征单元:用于根据所述历史兴趣行为数据,确定用户的兴趣行为特征。
3.如权利要求2所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述行为-兴趣模型单元,包括:
时间-行为曲线图子单元:用于通过用户的行为信息和时间索引,统计用户的行为信息的行为频次,并通过所述时间索引和行为频次,绘制时间-行为曲线图;
时间-行为特征曲线图子单元:用于通过用户的行为特征信息和时间索引,统计用户的行为特征信息的行为特征频次,绘制时间-行为特征曲线图;
交集频率子单元:用于通过时间-行为曲线图和时间-行为特征曲线图,采集行为频次和行为特征频次的交集点,并计算交集点的交集频率;
用户感兴趣区域子单元:用于对所述交集频率按顺序排列并划分,并筛选高频次范围的交集频率,确定高频次交集频率,并通过所述高频次交集频率,定位用户感兴趣区域;
评估结果子单元:用于采集所述用户感兴趣区域的感兴趣对象信息,并通过所述感兴趣对象信息,对用户的感兴趣度进行评估,确定评估结果;
用户兴趣模型子单元:用于基于所述评估结果和用户感兴趣区域,构建对应的用户兴趣模型。
4.如权利要求1所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述行为-兴趣预测机制模块,包括:
兴趣标签单元:用于获取用户的兴趣行为特征,将用户的兴趣行为特征进行分类,并生成对应的兴趣标签;
兴趣行为特征单元:用于获取用户和对应的兴趣标签之间的对应关系,并基于所述对应关系,生成兴趣组网;
兴趣节点单元:用于通过所述兴趣标签和兴趣行为特征,在所述兴趣组网上创建兴趣节点;
训练单元:用于训练兴趣组网和兴趣组网上的兴趣节点至收敛,构建行为-兴趣预测机制。
5.如权利要求4所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述兴趣标签单元,包括:
兴趣标引数据子单元:用于通过用户的兴趣行为特征,对用户行为进行人工标引和记录,确定兴趣标引数据;
解析子单元:用于对所述兴趣标引数据进行数据解析,确定解析数据;其中,所述数据解析包括数据路径解析和解析兴趣行为解析;其中,所述数据路径解析至少包括抽取路径信息、获取路径深度和采集路径参数等解析步骤;所述解析兴趣行为解析用于从特定参数中自动检索并提取用户的兴趣行为;
行为信息子单元:用于基于所述解析数据,确定用户的行为信息;
固定属性标签子单元:用于采集用户的基本信息,基于用户的基本信息,生成固定属性标签;其中,所述用户的基本信息包括生理属性信和社会属性信息的一种或多种;
划分子单元:用于基于所述固定属性标签,确定并划分用户的兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签;
兴趣标签子单元:用于通过所述兴趣偏好标签、兴趣频率标签、兴趣习惯标签和兴趣主题标签,并生成对应的兴趣标签。
6.如权利要求4所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述兴趣行为特征单元,包括:
固定属性标签子单元:用于获取用户对应的固定属性标签;
生长树子单元:用于通过固定属性标签和用户的兴趣标签,筛选对应的固定属性标签中的用户群体,构建生长树;其中,
所述生长树包括第一生长树、第二生长树、第三生长树和第四生长树;
连接关系子单元:用于分析并处理不同的生长树之间的树根、叶子之间的对应关系,并通过所述对应关系,确定不同生长树之间的每个节点的连接关系;
兴趣组网子单元:用于基于所述连接关系,生成兴趣组网。
7.如权利要求6所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述生长树子单元,包括:
兴趣偏好定位子单元:用于检索兴趣标签中的兴趣偏好标签,通过所述固定属性标签和兴趣偏好标签,定位用户的兴趣时间偏好、兴趣终端偏好和兴趣访问方式偏好,确定定位结果;
第一生长树子单元:用于通过所述定位结果,筛选对应的固定属性标签中的用户群体,生成第一生长树;
兴趣频率辨别子单元:用于获取用户的兴趣频率标签,通过所述固定属性标签和兴趣频率标签,辨别持久性活跃用户、无规律活跃性用户和低活跃性用户,确定辨识结果;
第二生长树子单元:用于通过所述辨识结果,筛选对应的固定属性标签中的用户群体,生成第二生长树;
兴趣习惯子单元:用于获取用户的兴趣习惯标签,通过所述固定属性标签和兴趣习惯标签,区分定向检索商品习惯用户、无习惯检索用户和推荐广告依赖型用户,确定区分结果;
第三生长树子单元:用于通过所述区分结果,筛选对应的固定属性标签中的用户群体,生成第三生长树;
兴趣主题划分子单元:用于获取用户的兴趣主题标签,通过所述固定属性标签和兴趣习惯标签,划分单主题兴趣用户和多主题兴趣用户,确定划分结果;
第四生长树子单元:用于通过所述划分结果,筛选对应的固定属性标签中的用户群体,生成第四生长树。
8.如权利要求1所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述推送模块,包括:
预测数据单元:用于基于所述行为兴趣预测机制,生成行为预测数据;
相关系数单元:用于对比并计算行为预测数据和历史行为数据的相关系数;
判断单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;其中,
所述判断结果包括广告推送结果和异常结果。
9.如权利要求8所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述判断单元,包括:
判断子单元:用于判断所述相关系数是否大于预设的相关系数阈值,确定判断结果;
广告推送结果子单元:用于当所述判断结果为所述相关系数大于等于预设的相关系数阈值,智能推送和行为预测数据对应的互联网广告至控制终端;
异常子单元:用于当所述判断结果为所述相关系数小于预设的相关系数阈值,基于预设的协同过滤算法,对用户进行重新行为预测。
10.如权利要求1所述的一种基于物联网的加油站车牌无人机识别***,其特征在于,所述控制终端,包括:
验证单元:用于对用户的注册和登录信息进行信息验证,并确定验证结果;
加密交互单元:用于当所述验证结果为验证通过时,对特征识别模块、预测模块和推送模块之间产生的数据信息进行加密交互;
预警单元:用于当所述验证结果未验证通过时,通过预设的预警机制,将控制终端进行锁定并预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441490.5A CN114187036B (zh) | 2021-11-30 | 2021-11-30 | 一种基于行为特征识别的互联网广告智能推荐管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441490.5A CN114187036B (zh) | 2021-11-30 | 2021-11-30 | 一种基于行为特征识别的互联网广告智能推荐管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187036A true CN114187036A (zh) | 2022-03-15 |
CN114187036B CN114187036B (zh) | 2022-10-11 |
Family
ID=80603044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111441490.5A Active CN114187036B (zh) | 2021-11-30 | 2021-11-30 | 一种基于行为特征识别的互联网广告智能推荐管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187036B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780855A (zh) * | 2022-05-05 | 2022-07-22 | 穗保(广州)科技有限公司 | 一种基于互联网安全性的信息共享*** |
CN114880572A (zh) * | 2022-05-23 | 2022-08-09 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐*** |
CN117575662A (zh) * | 2024-01-17 | 2024-02-20 | 深圳市微购科技有限公司 | 基于视频分析的商业智能化经营决策支撑***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090006363A1 (en) * | 2007-06-28 | 2009-01-01 | John Canny | Granular Data for Behavioral Targeting |
US20110231256A1 (en) * | 2009-07-25 | 2011-09-22 | Kindsight, Inc. | Automated building of a model for behavioral targeting |
CN102622445A (zh) * | 2012-03-15 | 2012-08-01 | 华南理工大学 | 一种基于用户兴趣感知的网页推送***及方法 |
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN110210881A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 一种用户兴趣预测方法、装置及*** |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN112381578A (zh) * | 2020-11-16 | 2021-02-19 | 南京邦峰智能科技有限公司 | 一种基于行为特征识别的互联网广告智能推荐管理*** |
CN112800097A (zh) * | 2021-01-15 | 2021-05-14 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
CN113034167A (zh) * | 2019-12-24 | 2021-06-25 | 上海佳投互联网技术集团有限公司 | 一种基于用户行为的用户兴趣分析方法及广告投放方法 |
-
2021
- 2021-11-30 CN CN202111441490.5A patent/CN114187036B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090006363A1 (en) * | 2007-06-28 | 2009-01-01 | John Canny | Granular Data for Behavioral Targeting |
US20110231256A1 (en) * | 2009-07-25 | 2011-09-22 | Kindsight, Inc. | Automated building of a model for behavioral targeting |
CN102622445A (zh) * | 2012-03-15 | 2012-08-01 | 华南理工大学 | 一种基于用户兴趣感知的网页推送***及方法 |
CN110210881A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 一种用户兴趣预测方法、装置及*** |
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN113034167A (zh) * | 2019-12-24 | 2021-06-25 | 上海佳投互联网技术集团有限公司 | 一种基于用户行为的用户兴趣分析方法及广告投放方法 |
CN112381578A (zh) * | 2020-11-16 | 2021-02-19 | 南京邦峰智能科技有限公司 | 一种基于行为特征识别的互联网广告智能推荐管理*** |
CN112800097A (zh) * | 2021-01-15 | 2021-05-14 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的专题推荐方法及装置 |
CN113688167A (zh) * | 2021-01-15 | 2021-11-23 | 稿定(厦门)科技有限公司 | 基于深度兴趣网络的深度兴趣捕获模型构建方法及装置 |
Non-Patent Citations (3)
Title |
---|
XIAOMENG LIU: "A Kind of Personalized Advertising Recommendation Method Based on User-Interest-Behavior Model", 《2019 8TH INTERNATIONAL SYMPOSIUM ON NEXT GENERATION ELECTRONICS (ISNE)》 * |
石宇等: "个性化推荐中基于认知的用户兴趣建模研究", 《情报科学》 * |
陈丽丽: "个性化推荐技术在B2C教育网站上的应用分析", 《时代教育(教育教学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780855A (zh) * | 2022-05-05 | 2022-07-22 | 穗保(广州)科技有限公司 | 一种基于互联网安全性的信息共享*** |
CN114880572A (zh) * | 2022-05-23 | 2022-08-09 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐*** |
CN114880572B (zh) * | 2022-05-23 | 2023-03-03 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐*** |
CN117575662A (zh) * | 2024-01-17 | 2024-02-20 | 深圳市微购科技有限公司 | 基于视频分析的商业智能化经营决策支撑***及方法 |
CN117575662B (zh) * | 2024-01-17 | 2024-06-07 | 深圳市微购科技有限公司 | 基于视频分析的商业智能化经营决策支撑***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114187036B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114187036B (zh) | 一种基于行为特征识别的互联网广告智能推荐管理*** | |
CN107577688B (zh) | 基于媒体信息采集的原创文章影响力分析*** | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN111428231A (zh) | 基于用户行为的安全处理方法、装置及设备 | |
CN106843941A (zh) | 信息处理方法、装置和计算机设备 | |
CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
CN111145006A (zh) | 基于用户画像的汽车金融反欺诈模型训练方法和装置 | |
CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测*** | |
CN113205134A (zh) | 一种网络安全态势预测方法及*** | |
US10346856B1 (en) | Personality aggregation and web browsing | |
CN106294406A (zh) | 一种用于处理应用访问数据的方法与设备 | |
CN111078512A (zh) | 告警记录生成方法、装置、告警设备及存储介质 | |
CN111784360B (zh) | 一种基于网络链接回溯的反欺诈预测方法及*** | |
CN117134978A (zh) | 基于局部和全局行为模式分析的车辆身份验证方法及*** | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察*** | |
CN110751168A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN111027296A (zh) | 基于知识库的报表生成方法及*** | |
CN109710876B (zh) | 一种信息推荐方法及装置、计算机可读存储介质 | |
CN113379211B (zh) | 基于区块链的物流信息平台违约风险管控***及方法 | |
CN117912645B (zh) | 一种基于物联网的血液保存全流程监管方法及*** | |
CN113129075B (zh) | 一种房产线上线下销售同步跟踪数据追溯*** | |
Jena et al. | A study of predictive analysis through machine learning for data security | |
KR102365429B1 (ko) | 불성실응답자를 판별하는 인공지능을 이용한 온라인 모바일 설문조사 플랫폼 | |
CN113688323B (zh) | 构建意图触发策略以及意图识别的方法和装置 | |
CN113298448B (zh) | 基于互联网的租赁指数分析方法、***及云平台 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |