CN114519606A - 信息传播效果的预测方法及装置 - Google Patents
信息传播效果的预测方法及装置 Download PDFInfo
- Publication number
- CN114519606A CN114519606A CN202210115066.XA CN202210115066A CN114519606A CN 114519606 A CN114519606 A CN 114519606A CN 202210115066 A CN202210115066 A CN 202210115066A CN 114519606 A CN114519606 A CN 114519606A
- Authority
- CN
- China
- Prior art keywords
- propagation
- target data
- characteristic information
- information
- effect
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000008569 process Effects 0.000 claims abstract description 48
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008685 targeting Effects 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0244—Optimization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (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)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种信息传播效果的预测方法及装置。方法的一具体实施方式包括：确定目标数据在传播过程中的传播图；提取传播图的第一特征信息，其中，在得到第一特征信息的过程中使用了时间衰减参数；根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。本申请提供了一种根据目标数据的传播图，预测目标数据的传播效果的方法，提高了所预测的目标数据的传播效果的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及一种信息传播效果的预测方法及装置。
背景技术
随着移动互联网技术的飞速发展，各种社交网络媒体平台如雨后春笋一般飞速出现。由于各大社交网络媒体平台上用户群体大，并且传播方式简便，越来越多的电商平台开始在这些网络媒体平台上进行广告投放，这往往可以得到更多的关注，以更好地实现商品品牌宣传的目的。然而，现有技术中，一般利用广告的内容特征进行在线广告的传播效果的预测，预测结果并不准确。
发明内容
本申请实施例提出了一种信息传播效果的预测方法及装置。
第一方面，本申请实施例提供了一种信息传播效果的预测方法，包括：确定目标数据在传播过程中的传播图；提取传播图的第一特征信息，其中，在得到第一特征信息的过程中使用了时间衰减参数；根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。
在一些实施例中，上述提取传播图的第一特征信息，包括：通过变换器模型，提取传播图的第一特征信息，其中，变换器模型用于表征传播图与第一特征信息之间的对应关系。
在一些实施例中，上述通过变换器模型，提取传播图的第一特征信息，包括：根据表征传播图的传播图，确定自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户的传播序列；将各传播序列输入变换器模型，得到传播图的第一特征信息。
在一些实施例中，上述将各传播序列输入变换器模型，得到传播图的第一特征信息，包括：按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数；根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息。
在一些实施例中，上述根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息，包括：对各传播序列对应的高阶节点表示信息和时间衰减参数进行加权和池化操作，得到第一特征信息。
在一些实施例中，上述方法还包括：提取目标数据的第二特征信息；以及上述根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果，包括：结合第一特征信息和第二特征信息，通过预预测模型预测目标数据的传播效果。
在一些实施例中，上述结合第一特征信息和第二特征信息，通过预测模型预测目标数据的传播效果，包括：结合第一特征信息和第二特征信息，得到结合后特征信息；基于结合后特征信息，通过预测模型确定目标数据的传播效果，其中，预测模型用于表征目标数据对应的结合后特征信息与传播效果之间的对应关系。
在一些实施例中，上述方法还包括：响应于确定传播效果表征目标数据在预设时间段内被高度关注，参照目标数据的投放方式投放其他传播数据。
在一些实施例中，上述方法还包括：根据目标数据的传播效果，优化目标数据的运营成本控制策略。
第二方面，本申请实施例提供了一种信息传播效果的预测装置，包括：确定单元，被配置成确定目标数据在传播过程中的传播图；第一提取单元，被配置成提取传播图的第一特征信息，其中，在得到第一特征信息的过程中使用了时间衰减参数；预测单元，被配置成根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。
在一些实施例中，第一提取单元，进一步被配置成：通过变换器模型，提取传播图的第一特征信息，其中，变换器模型用于表征传播图与第一特征信息之间的对应关系。
在一些实施例中，第一提取单元，进一步被配置成：根据传播图，确定自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户的传播序列；将各传播序列输入变换器模型，得到传播图的第一特征信息。
在一些实施例中，第一提取单元，进一步被配置成：按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数；根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息。
在一些实施例中，第一提取单元，进一步被配置成：对各传播序列对应的高阶节点表示信息和时间衰减参数进行加权和池化操作，得到第一特征信息。
在一些实施例中，上述装置还包括：第二提取单元，被配置成：提取目标数据的第二特征信息；以及预测单元，进一步被配置成：结合第一特征信息和第二特征信息，通过预测模型预测目标数据的传播效果。
在一些实施例中，预测单元，进一步被配置成：结合第一特征信息和第二特征信息，得到结合后特征信息；基于结合后特征信息，通过预测模型确定目标数据的传播效果，其中，预测模型用于表征目标数据对应的结合后特征信息与传播效果之间的对应关系。
在一些实施例中，上述装置还包括：第一优化单元，被配置成：响应于确定传播效果表征目标数据在预设时间段内被高度关注，参照目标数据的投放方式投放其他传播数据。
在一些实施例中，上述装置还包括：第二优化单元，被配置成：根据目标数据的传播效果，优化目标数据的运营成本控制策略。
第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。
第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
本申请实施例提供的信息传播效果的预测方法及装置，通过确定目标数据在传播过程中的传播图；提取传播图的第一特征信息；根据第一特征信息，预测目标数据的传播效果，从而提供了一种根据目标数据的传播图，预测目标数据的传播效果的方法，提高了所预测的目标数据的传播效果的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性***架构图；
图2是根据本申请信息传播效果的预测方法的一个实施例的流程图；
图3是根据本实施例的传播图的示意图；
图4是根据本实施例的信息传播效果的预测方法的应用场景的示意图；
图5是根据本申请的信息传播效果的预测方法的又一个实施例的流程图；
图6是适用于本申请的一个实施例的网络结构图；
图7是根据本申请的信息传播效果的预测装置的一个实施例的结构图；
图8是适于用来实现本申请实施例的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息传播效果的预测方法及装置的示例性架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如根据终端设备101、102、103发出的传播效果预测请求，根据目标数据的传播图，预测目标数据的传播效果的后台处理服务器。可选的，服务器还可以根据目标数据的传播效果优化目标数据投放策略和运营成本控制策略。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本申请的实施例所提供的信息传播效果的预测方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，信息传播效果的预测装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当信息传播效果的预测方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该***架构可以仅包括信息传播效果的预测方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2，示出了信息传播效果的预测方法的一个实施例的流程200，包括以下步骤：
步骤201，确定目标数据在传播过程中的传播图。
本实施例中，信息传播效果的预测方法的执行主体(例如图1中的终端设备或服务器)可以基于有线连接方式或无线连接方式从远程，或从本地获取目标数据，并确定目标数据在传播过程中的传播图。
目标数据可以是通过在不同用户之间传播以实现其数据价值的数据。作为示例，目标数据可以是采用任意表现形式、表征任意内容的在线广告。对于目标广告的表现形式，包括但不限于是文本、静态图像、动态图像、视频等形式；对于目标广告的内容，例如，目标广告为电商平台基于物品特性所拍摄的广告。
通过确定目标数据在不同用户之间的传播过程，上述执行主体可以确定目标数据的传播图。作为示例，电商平台在社交网络媒体平台上进行广告投放，具体通过进行广告投放的源用户发布目标数据。源用户通过其在社交网络媒体平台的账号发布目标数据后，社交网络媒体平台的其他用户可以通过评论、点赞、转发等方式参与到目标数据的传播过程。
在目标数据的传播过程中，上述执行主体可以确定参与目标数据的传播过程的每个用户的账号以及参与方式，得到传播图。
在目标数据的传播过程中，根据自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户之间的传播路径，可以得到目标数据的传播图。作为示例，首先，上述执行主体在某个特定的社交网络媒体平台(比如，微博)中，收集用户对目标数据的点赞、评论、转发记录；然后，将记录转换成一个网络结构：G＝<V,E>，其中，V代表节点集合，节点代表参与目标广告的传播过程的用户；E代表边集合，每条边用于连接两个用户节点，表征所连接的两个用户节点之间的关系。判断两个用户节点之间有没有联系的依据则是他们对这条目标广告的评论、转发等关系。最后，根据网络结构：G＝<V,E>，可以建立一个传播图(也即，传播级联图，Cascade Graph)。
如图3所示，示出了目标数据在社交网络媒体平台中的传播图300。其中，广告方向源用户A投放了目标广告。源用户A发布目标广告后，用户B、C分别转发了源用户A发布的目标广告，用户D评论了用户B转发的目标广告，用户E、F分别转发了用户C转发的目标广告，用户G评论了用户E转发的目标广告。
步骤202，提取传播图的第一特征信息。
本实施例中，上述执行主体可以提取传播图的第一特征信息。，其中，在得到第一特征信息的过程中使用了时间衰减参数。时间衰减参数用于表征传播图对应的目标用户在传播过程中的传播价值的衰减信息。
本实施例中，上述执行主体可以通过第一特征提取网络，提取传播图的第一特征信息。
其中，第一特征提取网络可以是具有特征提取功能的任意的网络模型。例如，第一特征提取网络可以是CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、Faster RCNN(快速循环卷积神经网络)。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：通过变换器模型，提取传播图的第一特征信息。
其中，变换器模型用于表征传播图与第一特征信息之间的对应关系
变换器(Transformer)模型是一个经典的encoder-decoder(编码器-解码器)模型，编码器、解码器采用注意力机制，例如多头注意力机制进行信息的处理。具体的，变换器模型通过编码器对传播图进行编码得到编码信息，并通过解码器对编码信息进行解码，得到传播图的高阶表示信息，也即第一特征信息。
本实现方式中，通过变换器模型提取传播图的第一特征信息，提高了所得到的第二特征信息的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过执行如下方式以通过变换器模型，提取传播图的第一特征信息：
第一，根据表征传播图的传播图，确定自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户的传播序列。
继续参考图3，目标数据对应的源用户为用户A，参与目标广告的传播过程的目标用户包括用户B、C、D、E、F、G。源用户至每个目标用户的传播序列包括A—B、A—B—D、A—C、A—C—E、A—C—E—G、A—C—F。
第二，将各传播序列输入变换器模型，得到传播图的第一特征信息。
可以注意到，每一个用户节点对应的传播序列的长度是极大概率不同的，而为了保证输入Transformer模型的传播序列的长度的一致性，可以对长度不足的序列进行padding(填充)操作，填充的padding值为0。
作为示例，对于每个传播序列，上述执行主体可以确定该传播序列中的每个用户节点的嵌入(embedding)信息，将该传播序列对应的嵌入信息以及位置编码信息输入变换器模型，从而得到传播图的第二特征信息。其中，位置编码信息表征用户节点的嵌入信息在传播序列中的位置。
本实现方式中，将传播图中每个目标用户对应的传播序列输入至变换器模型，以使得变换器模型可以学习到更多的传播特征，进一步提高了所得到的第一特征信息的准确度和表现力。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第二步骤：
首先，按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数；然后，根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息。
继续参考图3，传播序列A—B、A—B—D、A—C、A—C—E、A—C—E—G、A—C—F中尾部的目标用户B、D、C、E、G、F参与目标广告传播过程的顺序为B、C、D、E、F、G，则可以按照A—B、A—C、A—B—D、A—C—E、A—C—F、A—C—E—G的顺序将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数。其中，时间衰减参数用于表征传播序列对应的目标用户在传播过程中的传播价值的衰减信息。
得到传播图中的每个传播序列对应的高阶节点表示信息和时间衰减参数后，上述执行主体可以将每个传播序列对应的高阶节点表示信息和时间衰减参数进行WeightedSum Pooling(加权和池化)操作，得到传播图的第一特征信息。
本实现方式中，按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，使得变换器模型可以学习到目标数据的传播过程中的衰减信息，进一步提高了所得到的第一特征信息的准确度。
步骤203，根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。
本实施例中，上述执行主体可以根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。
作为示例，上述执行主体可以通过具有预测功能的预测模型根据第一特征信息预测目标数据的传播效果。需要说明的是，步骤201中的传播过程只是目标数据自开始传播的一部分传播过程，本实施例根据部分的传播图可以预测自开始传播至未来时间的整个传播过程的传播效果。
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：提取目标数据的第二特征信息。
本实施例中，上述执行主体可以通过第二特征提取网络，提取目标数据的第二特征信息。
其中，第二特征提取网络可以是具有特征提取功能的任意的网络模型。例如，第二特征提取网络可以是CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、Faster RCNN(快速循环卷积神经网络)。
本实现方式中，上述执行主体可以通过如下方式执行上述步骤203：结合第一特征信息和第二特征信息，预测目标数据的传播效果。
上述执行主体可以根据第一特征信息，预测目标数据的第一传播效果；根据第二特征信息，预测目标数据的第二传播效果；从而，根据第一传播效果和第二传播效果得到目标数据的传播效果。例如，对第一传播效果和第二传播效果进行加权求和，得到目标数据的传播效果。其中，上述执行主体可以通过神经网络模型，依次根据第一特征信息、第二特征信息，得到第一传播效果和第二传播效果。
其中，传播效果可以通过数值的形式表征。其中，传播效果数值可以表征目标数据传播过程的总人数。
本实现方式中，提供了一种结合目标数据的传播图的第一特征信息和目标数据的第二特征信息，预测目标数据的传播效果的方法，提高了所预测的目标数据的传播效果的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：
首先，结合第一特征信息和第二特征信息，得到结合后特征信息。然后，基于结合后特征信息，通过预测模型确定目标数据的传播效果。其中，预测模型用于表征目标数据对应的结合后特征信息与传播效果之间的对应关系。预测模型可以采用具有预测功能的任意网络模型，例如，BP网络(Back-ProPagation Network)又称反向传播神经网络。
作为示例，上述执行主体可以首先拼接第一特征信息和第二特征信息，得到结合后特征信息，然后将结合后特征信息输入预测模型得到传播效果。
本实现方式中，通过预测模型基于结合后特征信息预测目标数据的传播效果，进一步提高了预测结果的准确度。
继续参见图4，图4是根据本实施例的信息传播效果的预测方法的应用场景的一个示意图400。在图4的应用场景中，广告方401与源用户402合作，源用户402通过终端设备403在社交网络媒体平台404发布了目标广告。在目标广告发布一段时间后，广告方401意欲预测源用户401所发布的目标广告的传播效果。于是，广告方401通过终端设备405向服务器406发出了传播效果预测请求。首先，服务器406提取目标广告的在社交网络媒体平台中的传播图的第一特征信息。然后，提取目标广告的第二特征信息。其中，传播图表征目标广告在社交网络媒体平台中的目标用户之间的传播图。最后，结合第一特征信息和第二特征信息，预测目标广告的传播效果。
本申请的上述实施例提供的方法，通过确定目标数据在传播过程中的传播图；提取传播图的第一特征信息；根据第一特征信息，预测目标数据的传播效果，从而提供了一种根据目标数据的传播图，预测目标数据的传播效果的方法，提高了所预测的目标数据的传播效果的准确度。
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：根据目标数据的传播效果，优化目标数据的投放策略。
作为示例，当传播效果表征目标数据在预设时间段内被社交网络媒体平台中的用户高度关注，上述执行主体可以继续向源用户投放目标数据；当传播效果表征目标数据在预设时间段内被社交网络媒体平台中的用户低度关注，上述执行主体可以终止在源用户投放目标数据。
作为又一示例，当广告方有意加大目标广告的宣传力度时，上述执行书体可以从社交网络媒体平台中确定与源用户相似的其他待合作用户，从而将其他待合作用户作为源用户投放目标数据。其中，上述执行主体可以从不同维度(例如，用户的粉丝数量、粉丝结构、粉丝活跃度、粉丝购买量)确定用户之间的维度相似度，进而根据各维度相似度，确定用户之间的相似度。
本实现方式中，通过目标数据的传播效果，可以帮助广告方进行广告投放策略的优化，指导广告方如何进行更好地广告宣传。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式优化广告的投放策略：响应于确定传播效果表征目标数据在预设时间段内高度关注，参照目标数据的投放方式投放其他传播数据。
本实现方式中，可以参考目标数据的传播效果，指导其他的传播数据的投放方式，扩展了传播效果预测的实用性。
进一步的，上述执行主体可以确定不同数据之间的相似度，进而将与目标数据相似的广告，按照目标数据的投放方式进行投放。其中，上述执行主体可以通过特征提取模型分别提取目标数据与其他传播数据的特征信息，从而基于余弦相似度等相似度确定方式确定数据之间的相似度。
在本实施例的一些可选的实现方式中，上述执行书体还可以执行如下操作：根据目标数据的影响力，优化目标数据的运营成本控制策略。
作为示例，对于某一个商品，如果预测到宣传此商品的目标广告在未来一段时间内被高度关注，那么可以在一定程度上确定此商品在电商平台上会迎来一波购买潮，基于此，可以提醒商家或者平台进行补货，以防止过早或过晚的囤货造成的库存成本的增加，降低运营库存等成本。
继续参考图5，示出了根据本申请的信息传播效果的预测方法的一个实施例的示意性流程500，包括如下步骤：
步骤501，确定目标数据在社交网络媒体平台中的传播图。
步骤502，根据传播图，确定自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户的传播序列。
步骤503，按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数。
步骤504，根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息。
步骤505，提取目标数据的第二特征信息。
步骤506，结合第一特征信息和第二特征信息，得到结合后特征信息。
步骤507，基于结合后特征信息，通过预测模型确定目标数据的传播效果。
其中，预测模型用于表征目标数据对应的结合后特征信息与传播效果之间的对应关系。
步骤508，根据目标数据的传播效果，优化目标数据的投放策略和/或运营成本控制策略。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的信息传播效果的预测方法的流程500具体说明了第一特征信息的确定过程，传播效果的确定过程以及目标数据的传播效果的应用过程，进一步提高了传播效果的准确度和实用性。
为了进一步说明本申请的信息处理过程，如图6所示，具体说明适用于本申请的网络结构600如下：
1、根据目标数据在社交网络媒体平台中的传播图，按照目标用户参与目标广告的传播的时间t，确定传播序列A—B、A—C、A—B—D、A—C—E、A—C—F、A—C—E—G等传播序列，并得到每个传播序列中的用户节点的节点嵌入信息。
2、将各传播序列对应节点嵌入信息和位置编码信息输入变换器模型，得到每个传播序列对应的高阶节点表示信息和时间衰减参数λ。
3、对每个传播序列对应的高阶节点表示信息和时间衰减参数进行加权和池化，得到第一特征信息。
4、对目标广告进行信息提取，得到第二特征信息。
5、结合第一特征信息和第二特征信息，通过预测模型得到目标数据的传播效果。
继续参考图7，作为对上述各图所示方法的实现，本申请提供了一种信息传播效果的预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，信息传播效果的预测装置包括：确定单元701，被配置成确定目标数据在传播过程中的传播图；第一提取单元702，被配置成提取传播图的第二特征信息，其中，在得到第一特征信息的过程中使用了时间衰减参数；预测单元703，被配置成根据第一特征信息，通过预训练的预测模型预测目标数据的传播效果。
在本实施例的一些可选的实现方式中，第一提取单元702，进一步被配置成：通过变换器模型，提取传播图的第一特征信息，其中，变换器模型用于表征传播图与第一特征信息之间的对应关系。
在本实施例的一些可选的实现方式中，第一提取单元702，进一步被配置成：根据传播图，确定自发布目标数据的源用户至参与目标数据的传播过程的每个目标用户的传播序列；将各传播序列输入变换器模型，得到传播图的第一特征信息。
在本实施例的一些可选的实现方式中，第一提取单元702，进一步被配置成：按照各传播序列中尾部的目标用户参与目标数据的传播过程的时间顺序，将各传播序列输入变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数；根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到第一特征信息。
在本实施例的一些可选的实现方式中，第一提取单元702，进一步被配置成：对各传播序列对应的高阶节点表示信息和时间衰减参数进行加权和池化操作，得到第一特征信息。
在本实施例的一些可选的实现方式中，上述装置还包括：第二提取单元(图中未示出)，被配置成：提取目标数据的第二特征信息；以及预测单元703，进一步被配置成：结合第一特征信息和第二特征信息，预测目标数据的传播效果。
在本实施例的一些可选的实现方式中，预测单元703，进一步被配置成：结合第一特征信息和第二特征信息，得到结合后特征信息；基于结合后特征信息，通过预测模型确定目标数据的传播效果，其中，预测模型用于表征目标数据对应的结合后特征信息与传播效果之间的对应关系。
在本实施例的一些可选的实现方式中，上述装置还包括：第一优化单元(图中未示出)，被配置成：响应于确定传播效果表征目标数据在预设时间段内被高度关注，参照目标数据的投放方式投放其他传播数据。
在本实施例的一些可选的实现方式中，上述装置还包括：第二优化单元(图中未示出)，被配置成：根据目标数据的传播效果，优化目标数据的运营成本控制策略。
本实施例中，信息传播效果的预测装置中的确定单元确定目标数据在传播过程中的传播图；第一提取单元提取传播图的第二特征信息；预测单元根据第一特征信息，预测目标数据的传播效果，从而提供了根据目标数据的传播图，预测目标数据的传播效果的方法，提高了所预测的目标数据的传播效果的准确度。
下面参考图8，其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机***800的结构示意图。图8示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机***800包括处理器(例如CPU，中央处理器)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有***800操作所需的各种程序和数据。处理器801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括确定单元、第一提取单元和预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一提取单元还可以被描述为“提取传播图的第一特征信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：确定目标数据在传播过程中的传播图；提取传播图的第一特征信息；根据第一特征信息，预测目标数据的传播效果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种信息传播效果的预测方法，包括：
确定目标数据在传播过程中的传播图；
提取所述传播图的第一特征信息，其中，在得到所述第一特征信息的过程中使用了时间衰减参数；
根据所述第一特征信息，通过预训练的预测模型预测所述目标数据的传播效果。
2.根据权利要求1所述的方法，其中，所述提取所述传播图的第一特征信息，包括：
通过变换器模型，提取所述传播图的第一特征信息，其中，所述变换器模型用于表征传播图与第一特征信息之间的对应关系。
3.根据权利要求2所述的方法，其中，所述通过变换器模型，提取所述传播图的第一特征信息，包括：
根据所述传播图，确定自发布所述目标数据的源用户至参与所述目标数据的传播过程的每个目标用户的传播序列；
将各传播序列输入所述变换器模型，得到所述传播图的第一特征信息。
4.根据权利要求3所述的方法，其中，所述将各传播序列输入所述变换器模型，得到所述传播图的第一特征信息，包括：
按照各传播序列中尾部的目标用户参与所述目标数据的传播过程的时间顺序，将各传播序列输入所述变换器模型，确定各传播序列对应的用户节点的高阶节点表示信息和时间衰减参数；
根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到所述第一特征信息。
5.根据权利要求4所述的方法，其中，所述根据各传播序列对应的高阶节点表示信息和时间衰减参数，得到所述第一特征信息，包括：
对各传播序列对应的高阶节点表示信息和时间衰减参数进行加权和池化操作，得到所述第一特征信息。
6.根据权利要求1-5中任一项所述的方法，其中，还包括：
提取所述目标数据的第二特征信息；以及
所述根据所述第一特征信息，通过预训练的预测模型预测所述目标数据的传播效果，包括：
结合所述第一特征信息和所述第二特征信息，通过所述预测模型预测所述目标数据的传播效果。
7.根据权利要求6所述的方法，其中，所述结合所述第一特征信息和所述第二特征信息，通过所述预测模型预测所述目标数据的传播效果，包括：
结合所述第一特征信息和所述第二特征信息，得到结合后特征信息；
基于所述结合后特征信息，通过所述预测模型确定所述目标数据的传播效果，其中，所述预测模型用于表征所述目标数据对应的结合后特征信息与传播效果之间的对应关系。
8.根据权利要求1-7中任一项所述的方法，其中，还包括：
响应于确定所述传播效果表征所述目标数据在预设时间段内被高度关注，参照所述目标数据的投放方式投放其他传播数据。
9.根据权利要求1-7中任一项所述的方法，其中，还包括：
根据所述目标数据的传播效果，优化所述目标数据的运营成本控制策略。
10.一种信息传播效果的预测装置，包括：
确定单元，被配置成确定目标数据在传播过程中的传播图；
第一提取单元，被配置成提取所述传播图的第二特征信息，其中，在得到所述第一特征信息的过程中使用了时间衰减参数；
预测单元，被配置成根据所述第一特征信息，通过预训练的预测模型预测所述目标数据的传播效果。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
12.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210115066.XA CN114519606A (zh) | 2022-01-29 | 2022-01-29 | 信息传播效果的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210115066.XA CN114519606A (zh) | 2022-01-29 | 2022-01-29 | 信息传播效果的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114519606A true CN114519606A (zh) | 2022-05-20 |
Family
ID=81596239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210115066.XA Pending CN114519606A (zh) | 2022-01-29 | 2022-01-29 | 信息传播效果的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114519606A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759482A (zh) * | 2022-12-29 | 2023-03-07 | 人民网股份有限公司 | 一种社交媒体内容传播预测方法和装置 |
| CN117787341A (zh) * | 2023-12-28 | 2024-03-29 | 武汉大学 | 一种社交媒体内容传播预测方法、装置、计算设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381581A (zh) * | 2020-11-17 | 2021-02-19 | 东华理工大学 | 一种基于改进Transformer的广告点击率预估方法 |
| CN113590849A (zh) * | 2021-01-27 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
| CN113610299A (zh) * | 2021-08-06 | 2021-11-05 | 华侨大学 | 基于特征衰减强化神经网络的信息传播预测方法及装置 |
| CN113688600A (zh) * | 2021-09-08 | 2021-11-23 | 北京邮电大学 | 一种基于主题感知注意力网络的信息传播预测方法 |
| EP3916641A1 (en) * | 2020-05-27 | 2021-12-01 | Babylon Partners Limited | Continuous time self attention for improved computational predictions |
-
2022
- 2022-01-29 CN CN202210115066.XA patent/CN114519606A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3916641A1 (en) * | 2020-05-27 | 2021-12-01 | Babylon Partners Limited | Continuous time self attention for improved computational predictions |
| CN112381581A (zh) * | 2020-11-17 | 2021-02-19 | 东华理工大学 | 一种基于改进Transformer的广告点击率预估方法 |
| CN113590849A (zh) * | 2021-01-27 | 2021-11-02 | 腾讯科技（深圳）有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
| CN113610299A (zh) * | 2021-08-06 | 2021-11-05 | 华侨大学 | 基于特征衰减强化神经网络的信息传播预测方法及装置 |
| CN113688600A (zh) * | 2021-09-08 | 2021-11-23 | 北京邮电大学 | 一种基于主题感知注意力网络的信息传播预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘海峰: "社交网络用户交互模型及行为偏好预测研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 4, 15 April 2015 (2015-04-15), pages 139 - 32 * |
| 吴茂贵等: "《智能***与技术丛书 深入浅出Embedding 原理解析与应用实践》", 30 June 2021, 机械工业出版社, pages: 85 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759482A (zh) * | 2022-12-29 | 2023-03-07 | 人民网股份有限公司 | 一种社交媒体内容传播预测方法和装置 |
| CN117787341A (zh) * | 2023-12-28 | 2024-03-29 | 武汉大学 | 一种社交媒体内容传播预测方法、装置、计算设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522483B (zh) | 用于推送信息的方法和装置 | |
| KR102123264B1 (ko) | 온라인 광고 성과 향상 방법, 장치, 및 시스템 | |
| CN109857908B (zh) | 用于匹配视频的方法和装置 | |
| CN110555714A (zh) | 用于输出信息的方法和装置 | |
| CN114519606A (zh) | 信息传播效果的预测方法及装置 | |
| CN109829164B (zh) | 用于生成文本的方法和装置 | |
| US11200591B2 (en) | Electronic content based on neural networks | |
| CN109493138B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
| CN113015010B (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
| CN110866040A (zh) | 用户画像生成方法、装置和*** | |
| CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
| US11188846B1 (en) | Determining a sequential order of types of events based on user actions associated with a third party system | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN113836390B (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
| CN115131052A (zh) | 一种数据处理方法、计算机设备和存储介质 | |
| CN116108810A (zh) | 文本数据增强方法及装置 | |
| US20230053859A1 (en) | Method and apparatus for outputting information | |
| US11900407B1 (en) | Computer-based systems involving machine learning associated with generation of recommended content and methods of use thereof | |
| CN111784377B (zh) | 用于生成信息的方法和装置 | |
| CN111506643B (zh) | 用于生成信息的方法、装置和*** | |
| CN109033343B (zh) | 用于生成信息的方法和装置 | |
| CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
| CN111131354B (zh) | 用于生成信息的方法和装置 | |
| CN112446738A (zh) | 广告数据处理方法、装置、介质以及电子设备 | |
| CN114764472A (zh) | 一种内容推送方法及装置 |
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 |