CN116843376A - 一种营销效果预判方法、装置、存储介质及设备 - Google Patents
一种营销效果预判方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN116843376A CN116843376A CN202310832402.7A CN202310832402A CN116843376A CN 116843376 A CN116843376 A CN 116843376A CN 202310832402 A CN202310832402 A CN 202310832402A CN 116843376 A CN116843376 A CN 116843376A
- Authority
- CN
- China
- Prior art keywords
- marketing
- content
- marketing content
- effect
- entity
- 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 78
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种营销效果预判方法、装置、存储介质及设备,获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息;确定所述第一营销内容语义信息对应的第一营销内容标准检索词;基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;计算各个初始营销数据对的综合营销效果。基于准确的匹配结果,从全维度对营销效果进行预判,提高营销的准确度和科学性。
Description
技术领域
本发明实施例涉及数据分析与处理领域,特别涉及一种营销效果预判方法、装置、存储介质及设备。
背景技术
随着互联网的快速发展,品牌营销市场也愈发动态和复杂。在这个市场中,竞争激烈,平台选择和舆论影响等都会对营销结果产生影响,在平台多样化和舆论实时多变的大环境下,如何保证营销效果,是品牌营销中的一大难题。在传统品牌营销市场中,通常要求“品效合一”,即在打造品牌的同时,也要达到销售转化的“效”。传统的品牌营销市场对人的依赖程度较大,依赖专业人员根据经验、喜好、个人了解的信息等选择目标对象,制作营销策划方案,通过投放的方式观察营销方案的效果,传统品牌营销市场中的上述过程往往存在“内容与效果的实际脱节”现象,缺乏一个科学的方法来确保效果的可预测性和稳定性。
近几年来,随着短视频的爆火和自媒体的发展,市场上浮现了抖音、哔哩哔哩、微博等一系列平台,基于平台获取的海量数据,品牌内容营销效果预判概念应运而生。品牌内容营销效果预判致力于在品牌内容和投放效果之间找到可必然的关联性,在正式投放之前对品牌内容会产生的效果进行预判,基于内容的营销价值判断,提供更精准的营销服务。通过海量数据的利用和未来预测和分析,该***能够将投放效果和品牌内容进行综合评估,从而确定最佳的营销策略,并提供实时的营销数据监测和分析,帮助品牌方快速调整策略。
内容赛马是指品牌利用内容素材进行大量投放,作为实验以收集用户真实数据,最终利用数据分析手段选择其中的爆款、优质素材进行投放。品牌营销通常具有其营销的主题内容,而营销的方式通常是通过各大平台的达人进行宣传,因此,营销效果的预测需要首先获得主题内容与达人的对数据,以该对数据进行效果的预测,以便辅助品牌方决策和调整。但是现有技术在进行营销策略推荐时,通常是进行简单用户画像、待宣传内容画像,对两个画像进行简单匹配,一方面,用户和内容画像的生成过程,标签信息不够全面,生成的画像不能全面表达达人信息和营销内容信息;另一方面,现有技术中完成达人匹配后,通常展示匹配的推荐结果,不会对内容与达人的对数据进行营销效果预测,营销策略的制定依然较多的依赖人为经验,海量数据利用率不高且营销效果难以实现了解,指定的营销策略科学性不足;即使预测效果,也是从销量等单一维度对效果进行预测。
因此,亟需一种营销效果预判方法、装置、存储介质及设备。
发明内容
本发明实施方式的目的在于为解决现有技术中推荐并生成营销策略时,匹配双方画像信息不足、未对营销效果预判或预判维度单一的技术问题,提供一种营销效果预判方法、装置、存储介质及设备。
本发明提供一种营销效果预判方法,包括:
获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息;
确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;
计算各个初始营销数据对的营销效果,所述营销效果包括表征视频完播情况的第一子效果、表征传播人群有效性的第二子效果、表征带货能力的第三子效果、表征候选对象热议度的第四子效果和表征候选对象抗风险能力的第五子效果。
优选的,计算各个初始营销数据对的营销效果后,还包括:
根据各个初始营销数据对的营销效果对所述每个第一目标对象进行排序,按照排序后的顺序显示第一预设数量的第一目标对象,及其对应的营销效果。
优选的,所述基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,包括:
基于营销领域知识远程监督与营销领域预训练模型从所述第一营销内容输入文本中识别第一实体集合;
基于语义匹配度从所述第一实体集合中选择第一预设数量的第一实体,得到目标实体集;
构建营销领域标准语料库,所述标注概念库中存储有多个标准语料;
分别将所述目标实体集中各个实体与其对应的第一预设范围内上下文语料输入至匹配模型,在所述营销领域标准语料库中为所述目标实体集中各个实体匹配对应的标准语料;
基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱。
优选的,基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱,包括:
对所述第一营销内容输入文本进行场景划分,根据划分的场景对所述目标实体集中的各个实体进行分组,并获得各个分组之间的关系;
分别对各组中的实体进行分类,获得各组中各个实体的位置标签,基于位置标签和各组中各个实体的标准语料计算各组中各个实体之间的关系;
对各组中各个实体之间的关系进行补全,获得完整关系网络;
基于各组中各个实体对应的标准语料及所述完整关系网络构建第一营销内容对应的知识图谱,利用知识图谱表征所述第一营销内容输入文本的语义信息。
优选的,所述确定所述第一营销内容语义信息对应的第一营销内容标准检索词,包括:
基于所述知识图谱确定所述第一营销内容语义信息对应的多个第一营销内容标准检索词以及多个第一营销内容标准检索词之间的检索关系,所述检索关系至少包括:与、或、非。
优选的,基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合之前,包括:
基于情景流模型识别视频情景,根据视频情景从第一平台中选择多个对象作为候选对象,构建候选对象的全局画像。
优选的,基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合,包括:
获取营销预算,基于所述第一营销内容标准检索词和候选对象的全局画像检索第二目标对象集合,从所述第二目标对象集合中筛选各个第二目标对象以获得符合营销预算要求的第一目标对象集合。
本发明还提供一种营销效果预判装置,包括:
营销内容获取模块,用于获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
检索词确定模块,用于基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
匹配模块,用于基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
预判模块,用于将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;计算各个初始营销数据对的营销效果,预测所述各个初始营销数据对的营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力,综合各个预测结果计算各个初始营销数据对的营销效果。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行前述的营销效果预判方法。
本发明还提供一种电子设备,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行前述的营销效果预判方法。
为解决上述技术问题,本发明的实施方式提供了一种营销效果预判方法、装置、存储介质及设备,在匹配搜索和搜索的结果利用方面进行改进,提高了匹配结果的准确性,准确的匹配结果又作用于效果预判环节,基于二者的结合,为用户提供精准的信息参考,进而最终提升营销效果。首先,本发明提供知识图谱对输入内容表征的信息进行理解,从而更精确地匹配达人和内容资源,提升营销效果。另一方面,本发明采用标准化后的检索词与候选对象的全局画像进行匹配搜索,匹配对象的信息全面性提高了匹配结果的准确性和科学性,进而提供了精准的第一目标对象集合,以便更好地提升营销效果。最后,基于准确的第一目标对象集合,本发明提供了从全维度对营销效果进行预判,进而为用户提供信息参考,辅助其完善、选择最恰当的营销方案。
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
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明一个实施例提供的营销效果预判方法流程图;
图2为本发明一个实施例提供的营销效果展示示意图;
图3为本发明一个实施例提供的第一营销内容输入文本输入示意图;
图4为本发明一个实施例提供的营销成本输入示意图;
图5为本发明一个实施例提供的第一营销内容受众人群画像输入示意图;
图6为本发明一个实施例提供的电子设备结构示意图。
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,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本发明的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种营销效果预判方法,如图1所示,所述营销效果预判方法包括:
获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息;
确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;
计算各个初始营销数据对的营销效果,预测所述各个初始营销数据对的营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力,综合各个预测结果计算各个初始营销数据对的营销效果。
本发明提供的一种营销效果预判方法,在匹配搜索和搜索的结果利用方面进行改进,提高了匹配结果的准确性,准确的匹配结果又作用于效果预判环节,基于二者的结合,为用户提供精准的信息参考,进而最终提升营销效果。首先,相较于现有技术在达人推荐时直接对输入内容进行向量话的方式,本发明提供知识图谱对输入内容表征的信息进行理解,由于用户通常更倾向于用口语化的表达方式输入品牌内容,基于知识图谱对输入内容进行语义分析,以提供准确的检索词,相比传统的感知式内容理解(如识别关键词),可以真正理解资源背后的知识,以便更准确地理解用户的输入内容,从而更精确地匹配达人和内容资源,提升营销效果。另一方面,本发明采用标准化后的检索词与候选对象的全局画像进行匹配搜索,匹配对象的信息全面性提高了匹配结果的准确性和科学性,进而提供了精准的第一目标对象集合,以便更好地提升营销效果。最后,基于准确的第一目标对象集合,本发明提供了从全维度对营销效果进行预判,进而为用户提供信息参考,辅助其完善、选择最恰当的营销方案。
作为一个可选的实施例,计算各个初始营销数据对的营销效果后,还包括:根据各个初始营销数据对的营销效果对所述每个第一目标对象进行排序,按照排序后的顺序显示第一预设数量的第一目标对象,及其对应的营销效果。可选的,如图2所述,可以采用五维雷达图、表格、柱状图、气泡图等显示营销效果。
其中,所述获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本,包括:获取用户输入的第一营销内容输入文本,若满足第一触发条件,客户端发出营销推荐请求,所述营销推荐请求中携带用户输入的第一营销内容输入文本,可选的,所述第一营销内容输入文本中语气词、歧义词、针对营销内容的形容词和非标准名词,如图3所示,在客户端的搜索界面获取第一营销内容输入文本。
所述基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,包括:基于营销领域知识远程监督与营销领域预训练模型从所述第一营销内容输入文本中识别第一实体集合;基于语义匹配度从所述第一实体集合中选择第一预设数量的第一实体,得到目标实体集;构建营销领域标准语料库,所述标注概念库中存储有多个标准语料;分别将所述目标实体集中各个实体与其对应的第一预设范围内上下文语料输入至匹配模型,在所述营销领域标准语料库中为所述目标实体集中各个实体匹配对应的标准语料;基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱。
作为一种可选的实施例,基于营销领域知识远程监督与营销领域预训练模型从所述第一营销内容输入文本中识别第一实体集合,具体包括:基于通用领域实体识别模型从所述第一营销内容输入文本中识别多个第一候选实体,构成第一候选实体集合,基于营销领域知识远程监督对所述第一候选实体集合中各个所述第一候选实体进行领域预判,得到各个所述第一候选实体对应的预判标签,将各个所述第一候选实体和所述第一候选实体对应的预判标签输入至营销领域预训练模型,从所述第一候选实体集合中确定第一实体集合。
作为一种可选的实施例,基于语义匹配度从所述第一实体集合中选择第一预设数量的第一实体,得到目标实体,具体包括:构建所述第一实体集合中各个第一实体的知识表示,将所述各个第一实体的知识表示分别输入至语义匹配模型,计算所述各个第一实体与营销领域的匹配度,按照匹配度从高到低对所述各个第一实体进行排序,选择第一预设数量的第一实体作为目标实体。
进一步的,分别将所述目标实体集中各个实体与其对应的第一预设范围内上下文语料输入至匹配模型,在所述营销领域标准语料库中为所述目标实体集中各个实体匹配对应的标准语料,具体来说匹配模型用于从所述营销领域标准语料库中选择与各个实体匹配的标准语料,得到各个实体的上位概念,匹配模型的输入包括所述目标实体集中的任一实体,与输入的实体对应的第一预设范围内上下文语料,所述营销领域标准语料库中各个标准语料包括语料类型,所述匹配模型根据输入的实体的类型从所述营销领域标准语料库中选择类型相同的多个标准语料,根据输入的实体和上下文语料计算与选择的各个标准语料之间的匹配度并进行排序,所述匹配模型输出与输入的实体匹配度最高的标准语料。本发明提供的标准语料的匹配基于类型信息进行初步过滤,提高了匹配的速度,降低了计算量。
基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱,具体包括:对所述第一营销内容输入文本进行场景划分,根据划分的场景对所述目标实体集中的各个实体进行分组,并获得各个分组之间的关系;分别对各组中的实体进行分类,获得各组中各个实体的位置标签,基于位置标签和各组中各个实体的标准语料计算各组中各个实体之间的关系;对各组中各个实体之间的关系进行补全,获得完整关系网络;基于各组中各个实体对应的标准语料及所述完整关系网络构建第一营销内容对应的知识图谱,利用知识图谱表征所述第一营销内容输入文本的语义信息。知识图谱通常由节点和边构成,节点表示对象,边表示对象之间的关系,在本发明中,节点是节点对应的标准语料,边是节点之间的关系,通过对实体进行标准化以构建知识图谱,提高了知识图谱的标准性,进而提高了在后程序的准确度。
本发明提供的一种营销效果预判方法,充分考虑到用户的使用习惯,针对第一营销内容输入文本为口语化文本的情况,利用知识图谱对其进行语义信息提取。第一营销内容输入文本的语义理解是基于知识图谱对检索内容进行知识增强的语义分析,以提供所需的语义计算与推理能力。相较于传统基于感知的内容理解(如通过文本识别出关键词,主要应用于纠错、情感分析、观点抽取、情绪识别、文章分类、标签等),本发明提供的基于知识图谱的文本语义理解方法是对文本从实体、标准语料和关系的知识维度进行解析,协助提供应用所需的语义知识。其中,实体标注是指基于知识增强的标注技术,其目标即是标注文本中的实体,消歧后并关联至知识库,本发明提供的实体标注方式使用了基于知识的远监督与预训练模型进行实体识别,以及基于知识表示学习及语义匹配模型进行实体排序,利用基于知识的远监督避免新实体或短文本上下稀疏及歧义等实体的识别难题。此外,标准语料的匹配可以结合上下文,赋予实体最适合的上位概念,实现实体的标准化,提高语义理解的准确性。构建知识图谱时,本发明在实体标注以及概念化的基础上,进行场景关联、关系补全以及对实体进行分类,形成独有的知识网络。
所述确定所述第一营销内容语义信息对应的第一营销内容标准检索词,具体包括:基于所述知识图谱确定所述第一营销内容语义信息对应的多个第一营销内容标准检索词以及多个第一营销内容标准检索词之间的检索关系。所述知识图谱包括多个节点和边,将所述知识图谱的节点作为第一营销内容标准检索词,根据所述知识图谱的边确定多个第一营销内容标准检索词之间的检索关系,所述检索关系至少包括:与、或、非。检索和推荐是确定营销方案范围的关键步骤,检索词匹配作为本发明的重点之一,其核心功能在于将检索内容转化为精准的检索词后,可基于检索词去匹配与该检索词相关的视频,并基于相关性进行排序。用户可输入一段营销内容输入文本,如“爱到处吃喝爱护肤懂潮流的达人”,基于分析得出第一营销内容标准检索词为:“护肤”相关的达人、“美食”相关的达人以及具有“潮流通过”属性的达人,第一营销内容标准检索词之间的关系为与。
与第一营销内容标准检索词相对应的,根据各个所述候选对象具有候选对象标签,基于候选对象的历史视频内容计算候选对象的所述候选对象标签。
***会基于匹配的相关性的进行排序呈现,如果某一位达人的视频中包含了美食街这样的场景,即该视频被打上了美食这个标签,同样,该位达人也同样获得“美食”这一候选对象标签。
基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合之前,包括:基于情景流模型识别视频情景,根据视频情景从第一平台中选择多个对象作为候选对象,构建候选对象的全局画像。情景流模型输入为视频,输出为视频包含的一个或多个视频情景,例如,享受美食、春游等,第一平台可以为抖音、微博等,第一平台上有多个对象,每个对象均可用于实现特定内容的宣传营销,例如,对象可以为达人,大V等;将识别出的视频情景作为发出视频的对象的标签,其中,每个对象的标签可以为多个,即每个对象包括多个视频,各视频对应的情景不完全相同,进而对象对应多个标签。分别计算各个视频对应的一个或多个视频情景与所述第一营销内容输入文本的视频情景的匹配度,选择视频匹配度大于预设阈值的视频对应的对象作为候选对象。
进一步的,构建候选对象的全局画像,包括:基于候选对象的基本属性信息构建候选对象初始画像;基于所述候选对象的行为数据修正所述候选对象初始画像,得到第一修正画像,所述第一修正画像中还补充描述所述候选对象的行为偏好;基于所述候选对象的关联对象的数据修正所述第一修正画像,得到第二修正画像,所述第二修正画像中还补充描述所述候选对象对应的关联对象的属性,所述候选对象可以为达人,所述关联对象可以为粉丝,根据达人的社交媒体数据和观众互动数据计算出TA人群TGI指数,以作为所述第二修正画像中关联对象的属性,通过利用多个维度的数据综合计算一个指标,准确地计算达人的观众属性,提高了第二修正画像的准确度。
本发明提供的方法预先通过情景流模型对视频进行了分析识别,即每个视频需要获得与之对应的多个标签,而第一营销内容输入文本则具有其自身的情景,对二者进行匹配就能获得与第一营销内容输入文本同情景的视频,进而筛选出视频对应的对象作为候选对象。即在视频的内容信息的基础上,又通过搜索内容进行视频的查找,完成了对象的初筛,能够在小范围内进行目标对象的精准筛选,降低了方法的计算量,提高了运算速度。此外,本发明在综合多维度的信息构建全局画像时,相较于现有技术中的信息全量融合应用的方式,能够采用模型修正的方式,在以初始画像为处理基础的大框架下,其他维度信息的引入都是对初始画像的修正与微调,避免现有技术中的因其他维度信息的权重过大而导致的画像失真。
基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合,包括:获取营销预算,基于所述第一营销内容标准检索词和候选对象的全局画像检索第二目标对象集合,从所述第二目标对象集合中筛选各个第二目标对象以获得符合营销预算要求的第一目标对象集合。作为一种可选的实施例,如图4所示,用户通过客户端第一界面输入营销预算,以便所述营销效果预判方法获取所述营销预算。所述各个第二目标对象包括第二目标对象标识、第二目标对象基本信息和第二目标对象对应的视频片段,优选的,第二目标对象可以为达人,检索获得初始达人包,其中包括多个达人,每个达人包括达人标识、达人基本信息和达人对应的视频片段,基于营销预算,从初始达人包中筛选符合营销预算要求的达人,以得到第一目标对象集合。
优选的,基于所述第一营销内容标准检索词和候选对象的全局画像检索第二目标对象集合,具体包括:基于深度学习的算法构建候选对象的全局画像和标准检索词的多维度向量表示,并利用神经网络计算二者的相似度,选择相似度大于预设阈值的候选对象,得到第二目标对象集合,提高了向量表示的信息量,从而提高了二者匹配的准确度。
可选的,所述营销效果预判方法,还包括:获取第一营销内容受众人群画像,根据所述第一营销内容受众人群画像优化所述第一目标对象集合。具体来说,如图5所示,用户通过客户端第二界面选择/输入第一营销内容受众人群画像,基于情景流模型识别所述第一营销输入内容中的多个情景,基于历史访问数据获取识别出的所述多个场景对应的历史受众人群,提取历史受众人群的属性信息生成推荐标签,在所述第二界面中显示所述推荐标签以供用户选择第一营销内容受众人群画像。可选的,提取受众人群的属性信息生成推荐标签,包括性别标签、年龄标签、地域标签和八大人群分类标签等。基于第一营销内容受众人群画像匹配所述第一目标对象集合中各个第一目标对象的受众标签,并选取匹配度大于预设阈值的第一目标对象构成优化后的第一目标对象集合。本发明在获得第一目标对象集合后,可以进一步的利用用户选择的受众人群画像进一步筛选更加匹配的达人,从而在最优的范围内进行营销效果的预判,精准划定了在后待分析的范围,降低了计算量,提高了营销效果的分析效率和效果。
本发明提供的营销效果预判方法,需要完成内容与目标对象的匹配,然后对匹配结果进行效果预判。在整个过程中,内容匹配是营销效果预判方法的重点,其核心手段是将用户输入的检索内容转化为精准的标准检索词,避免口语化的营销内容输入导致达人推荐效果不佳。除了精准匹配外,本发明还可以通过受众人群画像、营销预算等维度对达人进行选择,在更准确的范围内对营销效果进行预测。
将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对,所述第一目标对象集合中包括多个第一目标对象A,B,C...,将任一第一目标对象与第一营销内容语义信息构成初始营销数据对,<A,X>,<B,X>,<C,X>...,其中X为第一营销内容语义信息,多个初始营销数据对构成初始营销数据对集合。
计算各个初始营销数据对的营销效果,预测所述各个初始营销数据对的营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力,综合各个预测结果计算各个初始营销数据对的营销效果。
具体来说,基于第一目标对象的历史视频完播率预测第一完播率,计算第一营销内容语义信息对应的品牌的SOV指数,综合所述第一完播率和所述SOV指数预测所述各个初始营销数据对的营销内容完播率,计算营销内容完播率对应的得分。对于各个初始营销数据对来说,获取第一目标对象的历史视频完播率,建立完播率预测模型,基于完播率预测模型预测第一完播率,所述完播率预测模型用于描述视频语义与视频完播率之间的关系。SOV全称Shareofvoice,又称曝光比重或声量占有率,基于品牌在同领域的广告曝光量占比计算SOV指数,具体来说,SOV指数为品牌在同领域中的广告曝光量占总曝光量的比例,计算公式为:某品牌广告曝光量/总广告曝光量×100%。例如,在某一市场中,某品牌的广告曝光量为5000次,而整个市场的广告曝光量为10000次,则该品牌的SOV指数为50%。基于融合模型综合所述第一完播率和所述SOV指数预测所述各个初始营销数据对的营销内容完播率,计算营销内容完播率对应的得分。基于各个初始营销数据对的营销内容完播率确定第一区间,确定第一区间与得分区间的第一映射关系,根据营销内容完播率对各个初始营销数据对排序,根据第一映射关系和各个初始营销数据对的位置计算各个初始营销数据对对应的营销内容完播率的得分。第一映射关系具体可以为区间映射,若第一区间为[a,b],a<b,得分区间为[c,d],c<d,第一映射关系为y=(x-a)*[(b-a)/(c-d)],例如,将第一区间[1,1000]与得分区间[100,30]相对应,若CPM=1,则子得分=100;若CPM=1000,则子得分=30。
作为一种可选的实施例,目标人群占比具体为根据营销内容输入文本对应的受众类型选项计算人群资产画像匹配度得分。根据受众类型选项确认各项的基准分值,例如默认每一项为25分,基准分为60%,即为15分;参考候选对象的观众画像数据的每个细分项的均值为参考系数,计算第一目标对象的观众画像细分项的数据总和,对比参考系数得出一个比例数值,乘以基准分值确认最终得分,例如,观众画像综合数据/参考系数为1.2,则人群资产画像匹配度得分为1.2*15=18分。
计算各个初始营销数据对的第一目标对象的历史带货指数和人群转化指数,基于所述人群转换指数修正历史带货指数,以预估营销内容转换指数,基于第一目标对象的多个营销内容转换指数的加权平均值计算营销内容转换得分。历史带货指数具体计算方式为:(预设时间范围内销售额指数+预设时间范围内转化率指数+预设时间范围内回购率指数)/3×100%。
其中,销售额指数为该产品或品牌在预设时间范围内的销售额与同期市场销售额的比值,转化率指数为该产品或品牌的点击率与转化率相乘后的结果,回购率指数为该产品或品牌的回购率与市场平均回购率的比值。
人群转化指数表示为相同领域的产品营销活动对应的5A人群购买转化人数/5A人群总人数×100%。例如,在一次营销活动中,5A人群总人数为1000人,其中有100人完成了购买转化,则该活动的5A人群转化指数为10%。基于所述人群转化指数修正历史带货指数中的销售额指数、转化率指数和回购率指数。
综合计算搜索指数和内容传播指数预测营销内容热议度,基于营销内容热议度和大盘热议度计算热议度得分。其中搜索指数=搜索量/总体搜索量*100%。搜索量指的是特定关键词在一定时间内被搜索的次数,总体搜索量指的是相同时间范围内所有关键词的搜索次数之和。内容传播趋势=当前时间段内特定内容的传播量/上一个时间段内特定内容的传播量×100%,其中,“当前时间段”和“上一个时间段”可以是任意时间段,如小时、天、周、月等。热议度得分=第一目标对象所述平台TOP100视频的热议度/大盘热议度系数*基础分值,可选的,基础分值可以为60分。
获取预设时间段内各个初始营销数据对中第一目标对象的视频,基于敏感词规则检测第一目标对象的视频内容,计算视频内容得分以预估抗风险能力。作为一种可选的实施例,所述视频内容的初始得分为第一预设分值,若第一目标对象的视频内容中存在符合所述敏感词规则的内容,从所述第一预设分值中减去第二预设分值,以获得视频内容的得分。例如,视频内容的初始得分为60分,若视频内容中存在一个敏感词,则减去5分,若存在3个敏感词,则视频内容得分为60-5*3=45分。
综合各个预测结果计算各个初始营销数据对的营销效果,根据各个预测结果的权重和各个预测结果进行加权求和,获得各个初始营销数据对的综合得分,基于综合得分确定效果等级,以作为各个初始营销数据对的营销效果。可选的,如图2所示,可以利用雷达图展示营销效果及各个预测结果。
本发明提供的营销效果预判方法,通过预判海量的品牌内容数据中各个营销内容的营销效果,帮助品牌营销人员快速找到品牌的关键卖点,从而更好地选择品牌营销的内容;此外,在一个营销内容的营销效果预判过程中,本发明能够利用营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力综合预判营销效果,首先从营销内容的完播情况、受众人群、营销内容的传播情况和第一目标对象本身的情况多个维度预估初始营销数据对的营销效果,计算过程综合了营销方案中各个层级的营销结果,提高了营销效果预估的准确性,且本发明还将预测效果与大盘数据进行多维度对比分析,并生成综合评分值,为品牌营销决策提供更加科学和准确的依据。
展示营销效果之外,本发明提供的方法还包括计算并展示市场变化,市场变化至少包括行业趋势、消费者信息变化、竞争对手信息和新闻及政策信息。基于实时监测市场动态的功能,能够快速识别市场变化趋势,及时更新品牌营销策略,确保品牌始终具备竞争力。
行业趋势用于了解当前市场的行业趋势和走向,可选的,基于市场规模、市场规模增长率和市场竞争格局数据展示行业趋势。
消费者洞察用于监测消费者的需求和偏好变化,可选的,包括消费者的行为、心理、态度等。
竞争对手信息用于监测竞争对手的品牌策略、营销活动、产品创新等信息。
新闻及政策信息包括展示媒体报道、政策法规,其中,媒体报道用于监测与市场相关的新闻报道和社交媒体的话题讨论等;政策法规用于监测政府对市场的政策法规变化,以及其对市场的影响。
市场数据的变化会对营销的不同环节产生影响,例如:
策略制定阶段:了解市场趋势和竞争对手信息,能够帮助企业制定更具针对性和创新性的营销策略。
定位和人群细分阶段:监测消费者洞察数据,有助于企业更好地了解目标人群的需求和偏好,从而更好地制定产品定位和人群细分策略。
创意和内容制作阶段:通过监测市场动态和媒体报道,可以获取一些热门话题、事件或趋势,帮助企业创作更具有吸引力的创意和内容。
推广和营销实施阶段:监测市场和竞争对手信息,可以及时调整和优化营销策略,提高推广效果和ROI。同时,政策法规的变化也会影响企业的营销实施策略。
本发明实施例二提供一种营销效果预判装置,所述营销效果预判装置包括:
营销内容获取模块,用于获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
检索词确定模块,用于基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
匹配模块,用于基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
预判模块,用于将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;计算各个初始营销数据对的营销效果,预测所述各个初始营销数据对的营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力,综合各个预测结果计算各个初始营销数据对的营销效果。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种任务执行方法。
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的任务执行方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogicDevice,PLD)(例如现场可编程门阵列(FieldProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBooleanExpression Language)、AHDL(AlteraHardwareDescriptionLanguage)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、JHDL(JavaHardware DescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardwareDescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuitHardwareDescriptionLanguage)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、AtmelAT91SAM、Microchip PIC18F26K20以及SiliconeLabsC8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书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,本说明书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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书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,本说明书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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种营销效果预判方法,其特征在于,所述营销效果预判方法,包括:
获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息;
确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;
计算各个初始营销数据对的营销效果,所述营销效果包括表征视频完播情况的第一子效果、表征传播人群有效性的第二子效果、表征带货能力的第三子效果、表征候选对象热议度的第四子效果和表征候选对象抗风险能力的第五子效果。
2.根据权利要求1所述的营销效果预判方法,其特征在于,计算各个初始营销数据对的营销效果后,还包括:
根据各个初始营销数据对的营销效果对所述每个第一目标对象进行排序,按照排序后的顺序显示第一预设数量的第一目标对象,及其对应的营销效果。
3.根据权利要求1所述的营销效果预判方法,其特征在于,所述基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,包括:
基于营销领域知识远程监督与营销领域预训练模型从所述第一营销内容输入文本中识别第一实体集合;
基于语义匹配度从所述第一实体集合中选择第一预设数量的第一实体,得到目标实体集;
构建营销领域标准语料库,所述标注概念库中存储有多个标准语料;
分别将所述目标实体集中各个实体与其对应的第一预设范围内上下文语料输入至匹配模型,在所述营销领域标准语料库中为所述目标实体集中各个实体匹配对应的标准语料;
基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱。
4.根据权利要求3所述的营销效果预判方法,其特征在于,基于所述目标实体集中各个实体对应的标准语料构建第一营销内容对应的知识图谱,包括:
对所述第一营销内容输入文本进行场景划分,根据划分的场景对所述目标实体集中的各个实体进行分组,并获得各个分组之间的关系;
分别对各组中的实体进行分类,获得各组中各个实体的位置标签,基于位置标签和各组中各个实体的标准语料计算各组中各个实体之间的关系;
对各组中各个实体之间的关系进行补全,获得完整关系网络;
基于各组中各个实体对应的标准语料及所述完整关系网络构建第一营销内容对应的知识图谱,利用知识图谱表征所述第一营销内容输入文本的语义信息。
5.根据权利要求1所述的营销效果预判方法,其特征在于,所述确定所述第一营销内容语义信息对应的第一营销内容标准检索词,包括:
基于所述知识图谱确定所述第一营销内容语义信息对应的多个第一营销内容标准检索词以及多个第一营销内容标准检索词之间的检索关系,所述检索关系至少包括:与、或、非。
6.根据权利要求1所述的营销效果预判方法,其特征在于,基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合之前,包括:
基于情景流模型识别视频情景,根据视频情景从第一平台中选择多个对象作为候选对象,构建候选对象的全局画像。
7.根据权利要求1所述的营销效果预判方法,其特征在于,基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合,包括:
获取营销预算,基于所述第一营销内容标准检索词和候选对象的全局画像检索第二目标对象集合,从所述第二目标对象集合中筛选各个第二目标对象以获得符合营销预算要求的第一目标对象集合。
8.一种营销效果预判装置,所述营销效果预判装置包括:
营销内容获取模块,用于获取营销推荐请求,基于所述营销推荐请求获取第一营销内容输入文本;
检索词确定模块,用于基于知识图谱从所述第一营销内容输入文本中提取第一营销内容语义信息,确定所述第一营销内容语义信息对应的第一营销内容标准检索词;
匹配模块,用于基于所述第一营销内容标准检索词和候选对象的全局画像检索第一目标对象集合;
预判模块,用于将第一目标对象集合中的每个第一目标对象与第一营销内容语义信息构建初始营销数据对;计算各个初始营销数据对的营销效果,预测所述各个初始营销数据对的营销内容完播率、目标人群占比、营销内容转换指数、营销内容热议度和各个初始营销数据对中第一目标对象的抗风险能力,综合各个预测结果计算各个初始营销数据对的营销效果。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至7任一项中所述的营销效果预判方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行权利要求1至7任一项中所述的营销效果预判方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832402.7A CN116843376A (zh) | 2023-07-07 | 2023-07-07 | 一种营销效果预判方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310832402.7A CN116843376A (zh) | 2023-07-07 | 2023-07-07 | 一种营销效果预判方法、装置、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843376A true CN116843376A (zh) | 2023-10-03 |
Family
ID=88161324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310832402.7A Pending CN116843376A (zh) | 2023-07-07 | 2023-07-07 | 一种营销效果预判方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843376A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808008A (zh) * | 2024-02-29 | 2024-04-02 | 厦门众联世纪股份有限公司 | 一种ltv预估巡检方法 |
CN117808008B (zh) * | 2024-02-29 | 2024-07-26 | 厦门众联世纪股份有限公司 | 一种ltv预估巡检方法 |
-
2023
- 2023-07-07 CN CN202310832402.7A patent/CN116843376A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808008A (zh) * | 2024-02-29 | 2024-04-02 | 厦门众联世纪股份有限公司 | 一种ltv预估巡检方法 |
CN117808008B (zh) * | 2024-02-29 | 2024-07-26 | 厦门众联世纪股份有限公司 | 一种ltv预估巡检方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
US11995112B2 (en) | System and method for information recommendation | |
CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
US20170017900A1 (en) | System and method for feature generation over arbitrary objects | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
Singh et al. | Sentiment analysis of textual reviews; Evaluating machine learning, unsupervised and SentiWordNet approaches | |
CN107391545B (zh) | 一种对用户进行分类的方法、输入方法及装置 | |
CN112364204B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN111597446B (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
WO2019242453A1 (zh) | 信息处理方法及装置、存储介质、电子装置 | |
CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112163149A (zh) | 推荐消息的方法及装置 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
Zhu et al. | Intelligent product redesign strategy with ontology-based fine-grained sentiment analysis | |
CN113704630B (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
CN116843376A (zh) | 一种营销效果预判方法、装置、存储介质及设备 | |
Mutturaj et al. | A survey on hybrid recommendation engine for businesses and users | |
Ali et al. | Identifying and Profiling User Interest over time using Social Data | |
Wang et al. | Deep learning approaches to classify the relevance and sentiment of news articles to the economy | |
CN113254775A (zh) | 一种基于客户浏览行为序列的***产品推荐方法 | |
CN113987360B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
US20230177581A1 (en) | Product metadata suggestion using embeddings |
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 |