CN115511524B - 一种广告推送的方法、系统及云平台 - Google Patents
一种广告推送的方法、系统及云平台 Download PDFInfo
- Publication number
- CN115511524B CN115511524B CN202211171961.XA CN202211171961A CN115511524B CN 115511524 B CN115511524 B CN 115511524B CN 202211171961 A CN202211171961 A CN 202211171961A CN 115511524 B CN115511524 B CN 115511524B
- Authority
- CN
- China
- Prior art keywords
- user interest
- trend data
- important
- configuration
- description
- 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.)
- Active
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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请涉及广告推送技术领域,具体而言,涉及一种广告推送的方法、系统及云平台。本申请通过各方面的广告推送的方法及装置通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,通过对广告信息推送线程不断的更新和优化,这样一来,能够更加准确的获得用户的喜好,从而能够更加准确且可靠地进行广告信息的推送。
Description
技术领域
本申请涉及广告推送技术领域,具体而言,涉及一种广告推送的方法、系统及云平台。
背景技术
现目前,随着商品越来越多元化广告也是满目琳琅,这样一来,反而给用户带来很大的反感,因此,用户看到广告时第一选择时关闭广告或者切换到别的频道观看其它节目。广告需要针对用户的需求进行推送,这样才有可能使用户在意对应的商品。因此,亟需一种广告推送的技术以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种广告推送的方法、系统及云平台。
第一方面,提供一种广告推送的方法,所述方法至少包括:搭建与X个配置用户兴趣倾向数据存在一对一关系的X个标签,其中,X为大于等于2的整数;搭建与所述X个标签存在一对一关系的X个分析架构,其中,所述X个分析架构中的任意一个分析架构用于识别该分析架构对应的标签的配置用户兴趣倾向数据的重要描述,分析架构与配置用户兴趣倾向数据存在一对一关系;通过广告信息推送线程获得所述X个配置用户兴趣倾向数据中的每一配置用户兴趣倾向数据的重要描述;根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度;根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述;若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数。
在一种独立实施的实施例中,所述方法还包括:若所述目标用户兴趣置信度符合所述配置目标,则终止更新所述广告信息推送线程的系数。
在一种独立实施的实施例中,在更新所述广告信息推送线程的系数之后,所述方法还包括:再次结合所述广告信息推送线程获得的每一配置用户兴趣倾向数据的重要描述,更新所述广告信息推送线程的系数。
在一种独立实施的实施例中,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,包括:确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定所述第一配置用户兴趣倾向数据被划分到第一标签的偏置度,其中,所述第一标签为所述第一配置用户兴趣倾向数据对应的标签;确定每一配置用户兴趣倾向数据被划分到相应标签的偏置度;根据每一配置用户兴趣倾向数据被划分到相应标签的偏置度,确定目标用户兴趣置信度。
在一种独立实施的实施例中,确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,包括:在第一次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;在第a次确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与所述X个分析架构中的Y个识别架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与所述Y个识别架构识别的重要描述的关联程度,并将干扰信息确定为所述第一配置用户兴趣倾向数据的重要描述与剩余X-Y个识别架构识别的重要描述的关联程度,其中,a为大于等于2的整数,Y为正整数,所述Y个识别架构是从所述X个分析架构中任意筛选的,且Y小于X。
在一种独立实施的实施例中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,包括:根据每一配置用户兴趣倾向数据的重要描述与相应的分析架构识别的重要描述的融合结果,优化每一分析架构识别的重要描述。
在一种独立实施的实施例中,若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数,包括:若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,采用降维方式更新所述广告信息推送线程的系数。
在一种独立实施的实施例中,在对每一标签分别搭建分析架构之后,所述方法还包括:将每一分析架构识别的重要描述还原到标准值为1的任意向量。
在一种独立实施的实施例中,在通过广告信息推送线程获得配置集中的每一配置用户兴趣倾向数据的重要描述之后,在根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度之前,所述方法还包括:将每一配置用户兴趣倾向数据的重要描述的标准值进行无量纲简化处理。
在一种独立实施的实施例中,在更新所述广告信息推送线程的系数之后,所述方法还包括:通过所述广告信息推送线程获得每一批注范例的重要描述;通过所述广告信息推送线程获得搜寻用户兴趣倾向数据的重要描述;结合所述搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的相异性,从每一批注范例中确定与所述搜寻用户兴趣倾向数据最邻近的Z个待定批注范例,其中,Z为大于等于2的整数;结合所述搜寻用户兴趣倾向数据的重要描述与所述待定批注范例的重要描述的相异性,确定所述待定批注范例的因子;将所述Z个待定批注范例对应的标签确定为待定标签;结合所述Z个待定批注范例的因子,确定每一待定标签的评分;将评分最高的待定标签确定为所述搜寻用户兴趣倾向数据对应的标签。
第二方面,提供一种广告推送的系统,包括:广告推送云平台和广告采集端,所述广告推送云平台和所述广告采集端通信连接;
其中,所述广告推送云平台,用于:搭建与X个配置用户兴趣倾向数据存在一对一关系的X个标签,其中,X为大于等于2的整数;搭建与所述X个标签存在一对一关系的X个分析架构,其中,所述X个分析架构中的任意一个分析架构用于识别该分析架构对应的标签的配置用户兴趣倾向数据的重要描述,分析架构与配置用户兴趣倾向数据存在一对一关系;通过广告信息推送线程获得所述X个配置用户兴趣倾向数据中的每一配置用户兴趣倾向数据的重要描述;根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度;根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述;若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数。
第三方面,提供一种广告推送云平台,包括:存储器,用于存储计算机程序;与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述的方法。
本申请实施例所提供的一种广告推送的方法、系统及云平台,本申请的各方面的广告推送的方法及装置通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,通过对广告信息推送线程不断的更新和优化,这样一来,能够更加准确的获得用户的喜好,从而能够更加准确且可靠地进行广告信息的推送。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种广告推送的方法的流程图。
图2为本申请实施例所提供的一种广告推送的装置的框图。
图3为本申请实施例所提供的一种广告推送云平台的硬件结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种广告推送的方法,该方法可以包括以下步骤S11-步骤S14所描述的技术方案。
在步骤S11中,通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述。
本实施例中的广告信息推送线程可以为深度卷积广告信息推送线程。
在步骤S12中,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,其中,分析架构与配置用户兴趣倾向数据存在一对一关系。
在本实施例中,可以根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定每一配置用户兴趣倾向数据被划分到相应标签的偏置度,并可以根据每一配置用户兴趣倾向数据被划分到相应标签的偏置度,确定目标用户兴趣置信度。其中,目标用户兴趣置信度可以与每一配置用户兴趣倾向数据被划分到相应标签的偏置度不存在关联关系。
在步骤S13中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述。
在一种可能实施的实施例中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,包括:根据每一配置用户兴趣倾向数据的重要描述与相应的分析架构识别的重要描述的融合结果,优化每一分析架构识别的重要描述。譬如,广告信息推送线程最新获得的配置用户兴趣倾向数据的重要描述的因子为0.4或者0.45,相应分析架构识别的重要描述的因子为0.1或者0.05。
对于一些可能实施的实施例而言,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,包括:将每一分析架构识别的重要描述优化为相应配置用户兴趣倾向数据的重要描述。在该实现方式中,可以将广告信息推送线程最新获得的配置用户兴趣倾向数据的重要描述,确定为相应的分析架构识别的重要描述的优化结果。
在步骤S14中,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数。
譬如,配置目标为目标用户兴趣置信度为0,则可以根据当前的目标用户兴趣置信度与0的差异,更新该广告信息推送线程的系数。
在一种可能实施的实施例中,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,包括:若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,采用降维方式更新该广告信息推送线程的系数。
本实施例通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,通过对广告信息推送线程不断的更新和优化,这样一来,能够更加准确的获得用户的喜好,从而能够更加准确且可靠地进行广告信息的推送。
根据本申请一实施例的广告推送的方法,该方法可以包括步骤S21至步骤S25所描述的内容。
在步骤S21中,通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述。
在步骤S22中,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,其中,分析架构与配置用户兴趣倾向数据存在一对一关系。
在步骤S23中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述。
在步骤S24中,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数。
在步骤S25中,若目标用户兴趣置信度符合配置目标,则终止更新该广告信息推送线程的系数。
在本实施例中,若目标用户兴趣置信度符合配置目标,则可以确定该广告信息推送线程的系数,从而可以终止更新该广告信息推送线程的系数。
在一种可能实施的实施例中,在更新该广告信息推送线程的系数之后,该方法还包括:再次根据该广告信息推送线程获得的每一配置用户兴趣倾向数据的重要描述,更新该广告信息推送线程的系数。在该实现方式中,若目标用户兴趣置信度不符合配置目标,则可以循环执行步骤S11至步骤S13,直到目标用户兴趣置信度符合配置目标。
根据本申请一实施例的广告推送的方法,可以包括步骤S121至步骤S124所描述的内容。
在步骤S121中,确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度。
在一种可能实施的实施例中,确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,包括:在第一次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,根据第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的融合结果,确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;在第a次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,根据第一配置用户兴趣倾向数据的重要描述与所有分析架构中的Y个识别架构识别的重要描述的融合结果,确定第一配置用户兴趣倾向数据的重要描述与Y个识别架构识别的重要描述的关联程度,并将干扰信息确定为第一配置用户兴趣倾向数据的重要描述与剩余X-Y个识别架构识别的重要描述的关联程度,其中,a为大于等于2的整数,分析架构的总数为X,Y和X均为正整数,且Y小于X。
在该实现方式中,在第a次确定配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,可以采用 确定配置用户兴趣倾向数据q1的重要描述p1与所有分析架构中的Y个识别架构识别的重要描述的关联程度,并可以将干扰信息C确定为配置用户兴趣倾向数据q1的重要描述p1与剩余X-Y个识别架构识别的重要描述的关联程度。
在该实现方式中,对于每个配置用户兴趣倾向数据,在第a次确定该配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,只从所有分析架构中筛选Y个分析架构,计算该配置用户兴趣倾向数据的重要描述与该Y个识别架构识别的重要描述的关联程度,并将该配置用户兴趣倾向数据的重要描述与剩余X-Y个识别架构识别的重要描述的关联程度估计为干扰信息。
在一种可能实施的实施例中,在第一次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度之后,方法还包括:根据第一次确定的第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定干扰信息。
在步骤S122中,根据第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定第一配置用户兴趣倾向数据被划分到第一标签的偏置度,其中,第一标签为第一配置用户兴趣倾向数据对应的标签。
在步骤S123中,以此类推,确定每一配置用户兴趣倾向数据被划分到相应标签的偏置度。
在步骤S124中,根据各 个配置用户兴趣倾向数据被划分到相应标签的偏置度,确定目标用户兴趣置信度。
根据本申请一实施例的广告推送的方法,该方法可以包括步骤S41至步骤S46所描述的内容。
在步骤S41中,对每一配置用户兴趣倾向数据分别搭建标签。
在步骤S42中,对每一标签分别搭建分析架构,其中,分析架构用于识别相应标签的配置用户兴趣倾向数据的重要描述。
在一种可能实施的实施例中,在对每一标签分别搭建分析架构之后,该方法还包括:将每一分析架构识别的重要描述还原到标准值为1的任意向量。
在步骤S43中,通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述。
其中,对步骤S43参见上文对步骤S11的描述。
在步骤S44中,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,其中,分析架构与配置用户兴趣倾向数据存在一对一关系。
在步骤S45中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述。
在步骤S46中,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数。
在一种可能实施的实施例中,在通过广告信息推送线程获得配置集中的每一配置用户兴趣倾向数据的重要描述之后,在根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度之前,该方法还包括:将每一配置用户兴趣倾向数据的重要描述的标准值进行无量纲简化处理。譬如,可以通过SofaYax对每一配置用户兴趣倾向数据的重要描述的标准值进行无量纲简化处理。
根据本申请一实施例的广告推送的方法,该方法可以包括步骤S501至步骤S511所描述的内容。
在步骤S501中,通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述。
在步骤S502中,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,其中,分析架构与配置用户兴趣倾向数据存在一对一关系。
在步骤S503中,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述。
在步骤S504中,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数。
在步骤S505中,通过该广告信息推送线程获得每一批注范例的重要描述。
在本实施例中,在该广告信息推送线程的参数收敛后,可以通过该广告信息推送线程获得每一批注范例的重要描述。
在步骤S506中,通过该广告信息推送线程获得搜寻用户兴趣倾向数据的重要描述。
在步骤S507中,根据搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的相异性,从每一批注范例中确定与搜寻用户兴趣倾向数据最邻近的Z个待定批注范例,其中,Z为大于等于2的整数。
其中,搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的相异性,可以为搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的余弦相异性。
在本实施例中,可以将每一批注范例中与搜寻用户兴趣倾向数据的相异性最大的Z个批注范例确定为与搜寻用户兴趣倾向数据最邻近的Z个待定批注范例。
在步骤S508中,根据搜寻用户兴趣倾向数据的重要描述与待定批注范例的重要描述的相异性,确定待定批注范例的因子。
其中,待定批注范例的因子与该待定批注范例的重要描述与搜寻用户兴趣倾向数据的重要描述的相异性正相关。譬如,可以将该待定批注范例的重要描述与搜寻用户兴趣倾向数据的重要描述的相异性,确定为该待定批注范例的因子。又如,可以将 确定为第k个待定批注范例的因子,其中,sk表示搜寻用户兴趣倾向数据的重要描述与第k个待定批注范例的重要描述的相异性。
在步骤S509中,将Z个待定批注范例对应的标签确定为待定标签。
在步骤S510中,根据Z个待定批注范例的因子,确定每一待定标签的评分。
在本实施例中,待定标签的评分与该待定标签中待定批注范例的因子存在联系。
在步骤S511中,将评分最高的待定标签确定为搜寻用户兴趣倾向数据对应的标签。
可以理解的是,本实施例通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,通过对广告信息推送线程不断的更新和优化,这样一来,能够更加准确的获得用户的喜好,从而能够更加准确且可靠地进行广告信息的推送。
在上述基础上,请结合参阅图2,提供了一种广告推送的装置200,应用于广告推送的云平台,所述装置包括:
架构搭建模块210,用于搭建与X个配置用户兴趣倾向数据存在一对一关系的X个标签,其中,X为大于等于2的整数;搭建与所述X个标签存在一对一关系的X个分析架构,其中,所述X个分析架构中的任意一个分析架构用于识别该分析架构对应的标签的配置用户兴趣倾向数据的重要描述,分析架构与配置用户兴趣倾向数据存在一对一关系;
描述获得模块220,用于通过广告信息推送线程获得所述X个配置用户兴趣倾向数据中的每一配置用户兴趣倾向数据的重要描述;
兴趣确定模块230,用于根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度;
系数更新模块240,用于根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述;若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数。
在上述基础上,请结合参阅图3,示出了一种广告推送的系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,本申请的各方面的广告推送的方法及装置通过广告信息推送线程获得每一配置用户兴趣倾向数据的重要描述,根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,若目标用户兴趣置信度不符合配置目标,则根据目标用户兴趣置信度与配置目标的差异,更新该广告信息推送线程的系数,通过对广告信息推送线程不断的更新和优化,这样一来,能够更加准确的获得用户的喜好,从而能够更加准确且可靠地进行广告信息的推送。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种广告推送的方法,其特征在于,所述方法至少包括:
搭建与X个配置用户兴趣倾向数据存在一对一关系的X个标签,其中,X为大于等于2的整数;搭建与所述X个标签存在一对一关系的X个分析架构,其中,所述X个分析架构中的任意一个分析架构用于识别该分析架构对应的标签的配置用户兴趣倾向数据的重要描述,分析架构与配置用户兴趣倾向数据存在一对一关系;
通过广告信息推送线程获得所述X个配置用户兴趣倾向数据中的每一配置用户兴趣倾向数据的重要描述;
根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度;
根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述;若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数;
所述方法还包括:若所述目标用户兴趣置信度符合所述配置目标,则终止更新所述广告信息推送线程的系数;
在更新所述广告信息推送线程的系数之后,所述方法还包括:再次结合所述广告信息推送线程获得的每一配置用户兴趣倾向数据的重要描述,更新所述广告信息推送线程的系数;
根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,包括:
确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;
结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定所述第一配置用户兴趣倾向数据被划分到第一标签的偏置度,其中,所述第一标签为所述第一配置用户兴趣倾向数据对应的标签;
确定每一配置用户兴趣倾向数据被划分到相应标签的偏置度;
根据每一配置用户兴趣倾向数据被划分到相应标签的偏置度,确定目标用户兴趣置信度;
确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,包括:
在第一次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;
在第a次确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与所述X个分析架构中的Y个识别架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与所述Y个识别架构识别的重要描述的关联程度,并将干扰信息确定为所述第一配置用户兴趣倾向数据的重要描述与剩余X-Y个识别架构识别的重要描述的关联程度,其中,a为大于等于2的整数,Y为正整数,所述Y个识别架构是从所述X个分析架构中任意筛选的,且Y小于X;
根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,包括:根据每一配置用户兴趣倾向数据的重要描述与相应的分析架构识别的重要描述的融合结果,优化每一分析架构识别的重要描述;
若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数,包括:若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,采用降维方式更新所述广告信息推送线程的系数;
在对每一标签分别搭建分析架构之后,所述方法还包括:将每一分析架构识别的重要描述还原到标准值为1的任意向量;
其中,在通过广告信息推送线程获得配置集中的每一配置用户兴趣倾向数据的重要描述之后,在根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度之前,所述方法还包括:将每一配置用户兴趣倾向数据的重要描述的标准值进行无量纲简化处理;
其中,在更新所述广告信息推送线程的系数之后,所述方法还包括:
通过所述广告信息推送线程获得每一批注范例的重要描述;通过所述广告信息推送线程获得搜寻用户兴趣倾向数据的重要描述;
结合所述搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的相异性,从每一批注范例中确定与所述搜寻用户兴趣倾向数据最邻近的Z个待定批注范例,其中,Z为大于等于2的整数;
结合所述搜寻用户兴趣倾向数据的重要描述与所述待定批注范例的重要描述的相异性,确定所述待定批注范例的因子;
将所述Z个待定批注范例对应的标签确定为待定标签;结合所述Z个待定批注范例的因子,确定每一待定标签的评分;
将评分最高的待定标签确定为所述搜寻用户兴趣倾向数据对应的标签。
2.一种广告推送的系统,其特征在于,包括:广告推送云平台和广告采集端,所述广告推送云平台和所述广告采集端通信连接;
其中,所述广告推送云平台,用于:搭建与X个配置用户兴趣倾向数据存在一对一关系的X个标签,其中,X为大于等于2的整数;搭建与所述X个标签存在一对一关系的X个分析架构,其中,所述X个分析架构中的任意一个分析架构用于识别该分析架构对应的标签的配置用户兴趣倾向数据的重要描述,分析架构与配置用户兴趣倾向数据存在一对一关系;通过广告信息推送线程获得所述X个配置用户兴趣倾向数据中的每一配置用户兴趣倾向数据的重要描述;根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度;根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述;若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数;
所述广告推送云平台,还用于:若所述目标用户兴趣置信度符合所述配置目标,则终止更新所述广告信息推送线程的系数;
在更新所述广告信息推送线程的系数之后,所述广告推送云平台,还用于:再次结合所述广告信息推送线程获得的每一配置用户兴趣倾向数据的重要描述,更新所述广告信息推送线程的系数;
根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定目标用户兴趣置信度,包括:
确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;
结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,确定所述第一配置用户兴趣倾向数据被划分到第一标签的偏置度,其中,所述第一标签为所述第一配置用户兴趣倾向数据对应的标签;
确定每一配置用户兴趣倾向数据被划分到相应标签的偏置度;
根据每一配置用户兴趣倾向数据被划分到相应标签的偏置度,确定目标用户兴趣置信度;
确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度,包括:
在第一次确定第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度;
在第a次确定所述第一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度时,结合所述第一配置用户兴趣倾向数据的重要描述与所述X个分析架构中的Y个识别架构识别的重要描述的融合结果,确定所述第一配置用户兴趣倾向数据的重要描述与所述Y个识别架构识别的重要描述的关联程度,并将干扰信息确定为所述第一配置用户兴趣倾向数据的重要描述与剩余X-Y个识别架构识别的重要描述的关联程度,其中,a为大于等于2的整数,Y为正整数,所述Y个识别架构是从所述X个分析架构中任意筛选的,且Y小于X;
根据每一配置用户兴趣倾向数据的重要描述优化相应的分析架构识别的重要描述,包括:根据每一配置用户兴趣倾向数据的重要描述与相应的分析架构识别的重要描述的融合结果,优化每一分析架构识别的重要描述;
若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,更新所述广告信息推送线程的系数,包括:若所述目标用户兴趣置信度不符合配置目标,则结合所述目标用户兴趣置信度与配置目标的差异,采用降维方式更新所述广告信息推送线程的系数;
在对每一标签分别搭建分析架构之后,所述广告推送云平台,还用于:将每一分析架构识别的重要描述还原到标准值为1的任意向量;
其中,在通过广告信息推送线程获得配置集中的每一配置用户兴趣倾向数据的重要描述之后,在根据每一配置用户兴趣倾向数据的重要描述与每一分析架构识别的重要描述的关联程度之前,所述广告推送云平台,还用于:将每一配置用户兴趣倾向数据的重要描述的标准值进行无量纲简化处理;
其中,在更新所述广告信息推送线程的系数之后,所述广告推送云平台,还用于:通过所述广告信息推送线程获得每一批注范例的重要描述;通过所述广告信息推送线程获得搜寻用户兴趣倾向数据的重要描述;
结合所述搜寻用户兴趣倾向数据的重要描述与每一批注范例的重要描述的相异性,从每一批注范例中确定与所述搜寻用户兴趣倾向数据最邻近的Z个待定批注范例,其中,Z为大于等于2的整数;
结合所述搜寻用户兴趣倾向数据的重要描述与所述待定批注范例的重要描述的相异性,确定所述待定批注范例的因子;
将所述Z个待定批注范例对应的标签确定为待定标签;结合所述Z个待定批注范例的因子,确定每一待定标签的评分;
将评分最高的待定标签确定为所述搜寻用户兴趣倾向数据对应的标签。
3.一种广告推送云平台,其特征在于,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171961.XA CN115511524B (zh) | 2022-09-26 | 2022-09-26 | 一种广告推送的方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171961.XA CN115511524B (zh) | 2022-09-26 | 2022-09-26 | 一种广告推送的方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511524A CN115511524A (zh) | 2022-12-23 |
CN115511524B true CN115511524B (zh) | 2023-09-26 |
Family
ID=84506869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211171961.XA Active CN115511524B (zh) | 2022-09-26 | 2022-09-26 | 一种广告推送的方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511524B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546768A (zh) * | 2012-07-16 | 2014-01-29 | 航天信息股份有限公司 | 定向广告的投放方法和装置 |
CN106952112A (zh) * | 2017-03-01 | 2017-07-14 | 心触动(武汉)文化传媒有限公司 | 一种广告精准投放方法及系统 |
CN108052671A (zh) * | 2017-12-29 | 2018-05-18 | 北京奇虎科技有限公司 | 一种基于动态匹配进行内容项推送的方法及系统 |
CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
CN110602531A (zh) * | 2019-08-28 | 2019-12-20 | 四川长虹电器股份有限公司 | 一种给智能电视推荐广告的系统 |
CN112418924A (zh) * | 2020-11-17 | 2021-02-26 | 单高峰 | 基于大数据和云计算的广告推送方法及人工智能平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170171335A1 (en) * | 2015-12-14 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Advertising push methods, devices, video servers and terminal equipment |
-
2022
- 2022-09-26 CN CN202211171961.XA patent/CN115511524B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103546768A (zh) * | 2012-07-16 | 2014-01-29 | 航天信息股份有限公司 | 定向广告的投放方法和装置 |
CN106952112A (zh) * | 2017-03-01 | 2017-07-14 | 心触动(武汉)文化传媒有限公司 | 一种广告精准投放方法及系统 |
CN108881339A (zh) * | 2017-05-11 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 推送方法、用户标签的生成方法、装置及设备 |
CN108052671A (zh) * | 2017-12-29 | 2018-05-18 | 北京奇虎科技有限公司 | 一种基于动态匹配进行内容项推送的方法及系统 |
CN110602531A (zh) * | 2019-08-28 | 2019-12-20 | 四川长虹电器股份有限公司 | 一种给智能电视推荐广告的系统 |
CN112418924A (zh) * | 2020-11-17 | 2021-02-26 | 单高峰 | 基于大数据和云计算的广告推送方法及人工智能平台 |
Also Published As
Publication number | Publication date |
---|---|
CN115511524A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807515B (zh) | 模型生成方法和装置 | |
CN110852438B (zh) | 模型生成方法和装置 | |
KR20200063330A (ko) | 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN113886468A (zh) | 基于互联网的在线互动数据挖掘方法及系统 | |
CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
CN113378554A (zh) | 一种医疗信息智能交互的方法及系统 | |
CN115511524B (zh) | 一种广告推送的方法、系统及云平台 | |
CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
CN114580495A (zh) | 基于人工智能的业务服务信息分析方法及服务器 | |
CN113610373B (zh) | 基于智能制造的信息决策处理方法及系统 | |
CN113626538B (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
CN113626688B (zh) | 基于软件定义的智能化医疗数据采集方法及系统 | |
CN113485203B (zh) | 一种智能控制网络资源共享的方法及系统 | |
CN114187552A (zh) | 一种机房动力环境监控方法及系统 | |
CN115292301B (zh) | 基于人工智能的任务数据异常监测处理方法及系统 | |
CN115756576B (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN115079881A (zh) | 基于虚拟现实的画面校正方法及系统 | |
CN113596849B (zh) | 一种智能家居的无线通信信道动态分配方法及系统 | |
CN115564476A (zh) | 广告播放进度调节方法、系统及云平台 | |
CN113627495B (zh) | 医疗数据融合方法、系统及服务器 | |
CN115409510B (zh) | 一种在线交易安全系统及方法 | |
CN115618850B (zh) | 基于穴位医疗微服务的局部语法表达方法及系统 | |
CN113609323B (zh) | 基于神经网络的图像降维方法及系统 | |
CN113610127A (zh) | 基于遗传交叉算法的图像特征融合方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230903 Address after: 710000, Room 707, Building B, Xi'an International Enterprise Center, Fengcheng Fourth Road, Xi'an Economic and Technological Development Zone, Shaanxi Province Applicant after: Shaanxi Li'ai Internet Technology Co.,Ltd. Address before: No. 138, Hadawan Street, Changyi District, Jilin City, Jilin Province, 132001 Applicant before: Deng Yanjing |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |