CN103425703B - 一种网络信息的处理方法和装置 - Google Patents

Abstract

本发明公开了一种网络信息的处理方法和装置，包括：内容匹配模块为当前用户匹配对应的候选网络信息；网络信息推荐模块从所述候选网络信息中选出推荐的网络信息；之后推荐原因生成模块生成所推荐的网络信息的推荐原因信息；最后，展示模块为当前用户展示所推荐的网络信息以及所述推荐原因信息。利用本发明，可以提高网络信息的点击率，进而提升目标网页的到达率。

Description

一种网络信息的处理方法和装置

技术领域

本发明涉及互联网的信息处理技术，尤其涉及一种网络信息的处理方法和装置。

背景技术

网络信息是一种在互联网系统的各种展示（如网页、客户端界面等）上发布的以数字代码为载体的各种信息。通常的网络信息都对应有目标网页，用户点击了网络信息即可跳转到对应的目标网页，目标网页的内容就会展现在用户面前。如何有效地向特定的受众推荐展示网络信息，并对所展示的信息进行有效的管理，是目前互联网技术业界所关注的一个领域。

网络信息处理展示技术最近几年发展非常迅猛。网络信息投放方对网络信息投放目的也呈现出多样化，除了几年前的以品牌宣传为主要目的品牌网络信息，大量中小型电子商务企业，对以投放的营销效果为目的网络信息需求越来越多，这种网络信息形式叫做长尾网络信息。长尾网络信息投放方要体现在两点，一方面，存在大量的长尾的流量偏小的网站，另一方面，存在大量的中小企业的网络信息投放需求。这种网络信息多是以投放效果计费。

目前业界的一种通常的体现投放效果的计费方式是按点击收费（CPC）。所述网络信息的投放效果以用户对该网络信息的点击率来体现，用户点击一次网络信息，网页就会跳转到该网络信息对应的目标网页，从而使得目标网页的信息到达用户一次，这时要收取一次网络信息投放费用。一个网络信息的点击率越高，其对应的目标网页的信息到达最终用户的达到率也就越高。因此，提升网络信息的点击率从而提升目标网页的到达率，是提升长尾网络信息的投放效果的重要方法。

现有技术中，常用的提升网络信息点击率的方法是对不同的用户匹配与该用户的相关性最高的网络信息，因为与用户相关性越高的网络信息获得用户点击的概率越大。例如现有常见的匹配网络信息与用户的方法有：基于用户上下文来匹配网络信息，基于用户人口属性来匹配网络信息，基于用户历史行为来匹配网络信息等方法。以上这些现有的网络信息的处理方法主要是在研究用户、上下文、网络信息三者之间的匹配关系，通过对历史数据的建模，以求发现最大化收益的算法模型，通过这个模型对用户的行为进行预测，对网络信息库存进行选择，向用户展示与用户相关性较高的网络信息。

然而，通过对网络信息投放效果的实际统计数据得知，现有的这些网络信息的处理方法，其网络信息的点击率还是不高，导致最终的目标网页到达目标用户的到达率偏低。如何进一步提升网络信息的点击率，进而提高目标网页达到目标用户的到达率，仍然是业界需要解决的问题。

发明内容

有鉴于此，本发明的主要目的在于提供一种网络信息的处理方法和装置，以提高网络信息的点击率，进而提升目标网页的到达率。

本发明的技术方案是这样实现的：

一种网络信息的处理方法，包括：

为当前用户匹配对应的候选网络信息；

从所述候选网络信息中选出推荐的网络信息；

生成所推荐的网络信息的推荐原因信息；

为当前用户展示所推荐的网络信息以及所述推荐原因信息。

一种网络信息的处理装置，该装置包括：

内容匹配模块，用于为当前用户匹配对应的候选网络信息；

网络信息推荐模块，用于从所述候选网络信息中选出推荐的网络信息；

推荐原因生成模块，用于生成所推荐的网络信息的推荐原因信息；

展示模块，用于为当前用户展示所推荐的网络信息以及所述推荐原因信息。

与现有技术相比，本发明除了为当前用户匹配对应的候选网络信息外，还从中选择出推荐的网络信息，并生成所推荐的网络信息的推荐原因信息，最终为当前用户展示的除了所推荐的网络信息外，还要展示所述推荐原因信息，即为该推荐的网络信息增加适当的解释说明信息，用户同时看到推荐的网络信息及其推荐原因，会更加倾向于点击该网络信息。通过实验表明，在其他因素相同的情况下，本发明所述带有推荐原因的网络信息点击率显著高于没有推荐原因的网络信息点击率。因此本发明相对于现有技术，提高了网络信息的点击率，进而提升目标网页的到达率。

附图说明

图1为本发明所述网络信息处理方法的一种流程图；

图2为本发明所述网络信息处理装置的一种组成示意图；

图3为一种推荐网络信息以及生成对应推荐原因信息的示例图；

图4为本发明所述网络信息处理装置的又一种组成示意图；

图5为本发明所述最终在用户的媒体终端显示网络信息及其推荐原因信息的一种界面示意图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

图1为本发明所述网络信息处理方法的一种流程图。参见图1，本发明的方法主要包括：

101、在收到当前用户的页面访问请求后，为该当前用户匹配对应的候选网络信息。所述当前用户通常为当前登录用户。

102、从所述候选网络信息中选出推荐的网络信息。

103、生成所推荐的网络信息的推荐原因信息。

104、为当前用户展示所推荐的网络信息以及所述推荐原因信息。

对应的，本发明还公开了一种网络信息的处理装置，用于执行本发明所述的方法。图2为本发明所述网络信息处理装置的一种组成示意图。参见图2，该装置包括：

内容匹配模块201，用于在收到当前用户的页面访问请求后，为该当前用户匹配对应的候选网络信息；

网络信息推荐模块202，用于从所述候选网络信息中选出推荐的网络信息；

推荐原因生成模块203，用于生成所推荐的网络信息的推荐原因信息；

展示模块204，用于为当前用户展示所推荐的网络信息以及所述推荐原因信息。

下面通过图2的信号走向来进一步描述本发明所述方法的一种具体实施例。参见图2的信号走向，该实施例中，主要包括：

步骤21、用户打开用户媒体终端，向本发明的网络信息处理装置发送页面访问请求。

所述的用户媒体终端例如可以是计算机、智能手机、掌上电脑、平板电脑等可以展示数据媒体信息的设备，用户媒体终端上安装有浏览器或专用客户端，用户可以通过浏览器或专用客户端浏览网络信息，比如浏览网页新闻等，在浏览网络信息时，浏览器或专用客户端会向服务器侧的网络信息处理装置发起相应的页面访问请求。此处的用户是指当前已经登录网络侧的网站系统的用户，简称为当前用户。

步骤22、所述内容匹配模块201收集当前用户在当前上下文的实时数据，生成可以匹配当前用户的对应的候选网络信息列表，输出给网络信息推荐模块202。

所述当前用户在当前上下文的实时数据主要包括如：该用户的登录ID以及上下文内容等。所述上下文内容可以包括以下信息中的至少一种：当前时间、当前用户的IP地址、当前用户访问页面的地址等。由于这些当前上下文的实时数据可以代表该当前用户的一些特性，因此可以根据这些实时数据匹配出于该当前用户上下文实时数据匹配的网络信息列表作为候选。

此步骤22中，如果用户请求的页面中含有两个以上网络信息位，即需要在两个以上的位置投放网络信息，则需要对每个网络信息位都要匹配出于该用户对应的候选网络信息列表，例如可以是一种类似<网络信息，网络信息位>的配对列表数据。

至于本步骤22中的具体匹配方法，可以用现有的匹配技术来实现，本文不再赘述。

步骤23、所述网络信息推荐模块根据预设的选择策略信息从所述候选网络信息中选出推荐的网络信息。

所述预设的选择策略信息可以有多种，其功能相当于一种预测模型，目的是从候选的网络信息列表中预测出一个用户最感兴趣的网络信息推荐给用户，从而提高用户对该网络信息的点击率。

例如，在一种具体实施例中，步骤23所述根据预设的选择策略信息从所述候选网络信息中选出推荐的网络信息的具体方法包括：根据预先记录的网络用户对网络信息的历史点击信息，计算当前用户的关系链中的用户对象对所述各个候选网络信息的点击交集权重，从所述候选网络信息中选出所述点击交集权重最高的网络信息作为推荐的网络信息。如果当前请求页面上有两个以上网络信息位，则针对每一个网络信息位上的候选网络信息列表，都会从中选择出一个网络信息推荐给用户。

该实施例尤其适合在具有社交关系的网站系统投放网络信息，所述当前用户的关系链为具有社交性质的关系链，例如可以包括后述关系链中的任意种：社交网络关系链（如目前的一些社交网站用户的关系链），即时通信（IM）关系链，微博关系链等。所述当前用户的关系链中的用户对象可以为：当前用户的关系链中的好友、和/或当前用户所参加的群体。

下面以社交网络的用户关系链、且以好友作为所述关系链中的用户对象为例，来说明所述计算当前用户的关系链中的用户对象对所述各个候选网络信息的点击交集权重。如图3为一种推荐网络信息以及生成对应推荐原因信息的示例图。为了突出地描述技术手段，此处简化了本示例中涉及到的数据量及数据关系。参见图3，假设在某社交网络中，当前的登录用户A有两个好友，用户B和用户C，且上一步所确定的候选网络信息列表包括：MD1、MD2、MD3、MD4。所述计算当前用户A的关系链中的好友对所述各个候选网络信息的点击交集权重具体包括如下步骤231和步骤232：

步骤231、确定当前用户A的关系链中的好友的标识，例如此处为用户B和用户C。

步骤232、针对每一个所述候选的网络信息（即所述MD1、MD2、MD3、MD4中的每一个），从所记录的网络用户对网络信息的历史点击信息中，查询所述当前用户A的关系链中的各好友对该候选网络信息的点击率，将这些点击率进行求和，得到该候选网络信息的点击交集权重。

上述的网络用户对网络信息的历史点击信息可以从现有的网络信息投放统计系统中获取，或者如图4所示，本发明的所述网络信息处理装置还可以进一步包括点击信息记录模块205，用于记录网络用户对网络信息的历史点击信息（具体的记录手段可以采用现有技术，本文不再赘述），并将记录结果输出给所述网络信息推荐模块202。

所述点击率一般是指在最近一段指定时间内的点击率，此处假设用户B在一段指定时间内，点击了两个网络信息MD1和MD2，用户C在该段时间内，点击了三个网络信息MD2、MD3、和MD4。这里，如果用户点击过某网络信息则该用户对该网络信息的点击率计为1，否则计为0。

那么用户A的所有好友用户B和用户C对于MD1的点击交集权重为：

Weight（MD1）=sum(sign(MD1b)：sign(MD1c))=1，其中sign(MD1b)为用户B对该MD1的点击率，sign(MD1c)为用户C对该MD1的点击率。

同理，用户A的所有好友用户B和用户C对于MD2的点击交集权重为：

Weight（MD2）=sum(sign(MD2b)：sign(MD2c))=2。

用户A的所有好友用户B和用户C对于MD3的点击交集权重为：

Weight（MD3）=sum(sign(MD3b)：sign(MD3c))=1。

用户A的所有好友用户B和用户C对于MD4的点击交集权重为：

Weight（MD4）=sum(sign(MD4b)：sign(MD4c))=1。

之后，从中选出所述点击交集权重最高的网络信息即MD2作为给用户A推荐的网络信息给用户。

步骤24、根据所述选择策略信息生成所推荐的网络信息的推荐原因信息。

此处具体包括：从当前用户的关系链中，选出对所选的网络信息进行过点击操作的用户对象的信息，将选出的用户对象信息填入到预设的推荐原因信息的模板中，生成推荐原因信息。

所述对所选的网络信息进行过点击操作的用户对象的信息具体可以为：对所选的网络信息进行过点击操作的用户对象的标识。对应的，所述推荐原因信息的模板例如可以是“您的好友***也曾点击了本网络信息”，其中的“***”可以替换为对所选的网络信息进行过点击操作的用户对象的标识，例如对于上一步选定的MD2，生成的推荐原因信息可以为“您的好友用户B和用户C也曾点击了本网络信息”，或者对所述各好友对该MD2的点击率进行排序，只将“***”替换为点击率在最前或前N个的好友标识，例如经过加权后用户B的点击率最高，则推荐原因信息可以是“您的好友用户B也曾点击了本网络信息”。

所述对所选的网络信息进行过点击操作的用户对象的信息具体也可以为：为对所选的网络信息进行过点击操作的用户对象的数量。对应的，所述推荐原因信息的模板例如可以是“您有***个好友也曾点击了本网络信息”，其中的“***”可以替换为对所选的网络信息进行过点击操作的用户对象的数量，例如对于上一步选定的MD2，生成的推荐原因信息可以为“您有2个好友也曾点击了本网络信息”。

步骤25、为当前用户展示所推荐的网络信息以及所述推荐原因信息。如图5为本发明所述最终在用户的媒体终端显示网络信息及其推荐原因信息的一种界面示意图。参见图5，在用户的媒体终端500上，展示出最终推荐给用户A的网络信息MD2，以及展示推荐该MD2的推荐原因501。所述推荐原因的具体展示形式可以是多种多样的，例如图5中所示为直接在网络信息的展示界面上添加推荐原因501的文字内容，或直接在网络信息的素材中嵌入文字内容，当然也可以是在网络信息的展示界面上增加一个跳转链接如“请查看推荐原 因”，用户点击该跳转链接后可以跳转到新的页面，在该新的页面中显示所述推荐原因信息。

通过上述处理，用户可以同时看到推荐的网络信息及其推荐原因，会更加倾向于点击该网络信息。通过实验表明，在使用相同的网络信息的展示素材和相同的选择策略，在同一段时间内，对相同的人群进行网络信息的投放展示，本发明所述带有推荐原因的网络信息点击率显著高于没有推荐原因的网络信息点击率。因此本发明相对于现有技术，提高了网络信息的点击率，进而提升目标网页的到达率。

上述步骤232中，也可以将当前用户（如上例的用户A）的关系链中的各用户对象（如上例的用户A的好友用户B和用户C）对所述候选网络信息的点击率进行加权求和，具体包括：计算当前用户的关系链中的用户对象与该当前用户的关系强度，将每一个用户对象与该当前用户的关系强度作为该用户对象对该候选网络信息的点击率的加权因子，对所述点击率进行加权求和计算。

如果用户A所登录的网站系统同时具有两个以上的关系链，例如用户A所登录的网站系统同时具有即时通信（IM）关系链（即该网站系统具有即时通信工具）、社交关系链（即该网站系统具有社交网络功能）、微博关系链（即该网站系统具有微博功能），那么该用户A与其好友用户B之间的关系强度的一种具体确定方法可以包括以下步骤（1）至步骤（4）：

（1）对于IM关系链，用户B是用户A的直接好友，统计用户A和B之间的行为数据，如聊天的频度和时长等行为数据，然后根据统计的行为数据计算用户A和用户B在IM关系链中的关系强度F(A,B)。计算方法可以有多种，例如可以划分行为数据与关系强度对应的区间，查看用户A和用户B之间的行为数据落入哪个区间就是哪个关系强度。

（2）对于社交关系链，用户B是用户A的好友，统计用户A和B之间的行为数据，如沟通的频度和时长等行为数据，然后根据统计的行为数据计算用户A和用户B在IM关系链中的关系强度G(A,B)。

（3）对于微博关系链，用户B和用户A之间存在跟随（follow）关系，相当于用户B是用户A的好友，那么统计用户A和B之间的行为数据，如互相查看博文和评论的频度和时长等行为数据，然后根据统计的行为数据计算用户A和用户B在IM关系链中的关系强度H(A,B)。

（4）计算用户B和用户A之间的总的关系强度Q=B(F,G,H)，此处B（）定义了对F,G,H的计算方法，具体的计算方法本发明并不限定，用现有的任何一种计算方法都可。

同理，可以计算用户C和用户A之间的总的关系强度R。

那么在计算用户A的所有好友用户B和用户C对于各候选网络信息的点击交集权重时，要将用户B和用户C与用户A的关系强度作为该用户对候选网络信息的点击率的加权因子，然后对所述点击率进行加权求和计算。例如，对于候选的网络信息MD1的点击交集权重为：

Weight（MD1）=sum(sign(MD1b)×Q：sign(MD1c)×R)，其中sign(MD1b)为用户B对该MD1的点击率，Q为用户B与用户A的关系强度，sign(MD1c)为用户C对该MD1的点击率，R为用户C与用户A的关系强度。

MD2、MD3、MD4的点击交集权重同理计算，最后选择点击交集权重最高的网络信息推荐给用户A。

上面实施例以好友作为所述关系链中的用户对象为例进行说明，在另外的实施例中，所述当前用户关系链中的用户对象也可以是当前用户所参加的群体。在计算当前用户的关系链中的用户对象对候选网络信息的点击交集权重时，如果用户对象中含有群体，例如当前用户A参加了群体G，则需要计算该群体G对候选网络信息的点击率，通常该点击率就是该群体G对某一网络信息的点击倾向数据，还可以确定该群体对于当前用户的加权因子（如关系强度），然后将该点击率和其他用户对象对该网络信息的点击率进行求和或加权求和，得到该候选网络信息的点击交集权重。在选出了推荐的网络信息之后（例如推荐MD2），可以对所述用户A关系链中的各用户对象对该MD2的点击率进行排序，例如经过加权后群体G的点击率最高，则推荐原因信息的模板可以为“您参加的群体***也对本网络信息感兴趣”，最终的推荐原因信息可以将“***”替换为G，即最终展示的推荐原因信息是“您参加的群体G也对本网络信息感兴趣”。

本发明所述的上述方法和装置，尤其适用于具有社交功能的网站系统进行网络信息投放，因为具有社交功能的网站系统上，登录用户的点击行为非常容易受到其关系链中的其他用户对象的影响，在向用户展示推荐的网络信息的同时，也向他展示推荐该网络信息的原因。实验表明，这种带有关系链信息的推荐原因的网络信息，其点击率进一步高于没有关系链信息推荐原因的网络信息点击率，因此可以进一步提升网络信息对应的目标网页的到达率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (9)

1.一种网络信息的处理方法，其特征在于，包括：

为当前用户匹配对应的候选网络信息；

从所述候选网络信息中选出推荐的网络信息，其中包括：计算当前用户的关系链中的用户对象与该当前用户的关系强度，查询所述当前用户的关系链中的各用户对象对该候选网络信息的点击率，将每一个用户对象与该当前用户的关系强度作为该用户对象对该候选网络信息的点击率的加权因子，对所述点击率进行加权求和计算，得到该候选网络信息的点击交集权重，选出所述点击交集权重最高的候选网络信息作为推荐的网络信息；

生成所推荐的网络信息的推荐原因信息；

为当前用户展示所推荐的网络信息以及所述推荐原因信息；

其中，如果当前用户同时具有两个以上的关系链，所述当前用户的关系链中的用户对象为当前用户的关系链中的好友，所述计算当前用户的关系链中的用户对象与该当前用户的关系强度包括：

对于每个关系链，统计该用户对象和该当前用户之间的行为数据，根据统计的行为数据计算该用户对象和该当前用户在该关系链中的关系强度；

根据计算出的各个关系链中的关系强度，计算该用户对象与该当前用户的关系强度。

2.根据权利要求1所述的方法，其特征在于：

所述从所述候选网络信息中选出推荐的网络信息，包括：根据网络用户对网络信息的历史点击信息，计算当前用户的关系链中的用户对象对所述各个候选网络信息的点击交集权重，从所述候选网络信息中选出所述点击交集权重最高的网络信息作为推荐的网络信息。

3.根据权利要求1或2所述的方法，其特征在于：

所述生成所推荐的网络信息的推荐原因信息，具体包括：从当前用户的关系链中，选出对所选的网络信息进行过点击操作的用户对象的信息，将选出的用户对象信息填入到预设的推荐原因信息的模板中，生成推荐原因信息。

4.根据权利要求3所述的方法，其特征在于，所述对所选的网络信息进行过点击操作的用户对象的信息具体为：对所选的网络信息进行过点击操作的用户对象的标识，或者为对所选的网络信息进行过点击操作的用户对象的数量。

5.根据权利要求2所述的方法，其特征在于，所述计算当前用户的关系链中的用户对象对所述各个候选网络信息的点击交集权重，包括：

确定当前用户的关系链中的用户对象的标识；

针对每一个所述候选的网络信息，从网络用户对网络信息的历史点击信息中，查询所述当前用户的关系链中的各用户对象对该候选网络信息的点击率，将这些点击率进行求和或加权求和，得到该候选网络信息的点击交集权重。

6.一种网络信息的处理装置，其特征在于，该装置包括：

内容匹配模块，用于为当前用户匹配对应的候选网络信息；

网络信息推荐模块，用于从所述候选网络信息中选出推荐的网络信息，其中包括：计算当前用户的关系链中的用户对象与该当前用户的关系强度，查询所述当前用户的关系链中的各用户对象对该候选网络信息的点击率，将每一个用户对象与该当前用户的关系强度作为该用户对象对该候选网络信息的点击率的加权因子，对所述点击率进行加权求和计算，得到该候选网络信息的点击交集权重，选出所述点击交集权重最高的候选网络信息作为推荐的网络信息；

推荐原因生成模块，用于生成所推荐的网络信息的推荐原因信息；

展示模块，用于为当前用户展示所推荐的网络信息以及所述推荐原因信息；

其中，如果当前用户同时具有两个以上的关系链，所述当前用户的关系链中的用户对象为当前用户的关系链中的好友，所述网络信息推荐模块用于，

对于每个关系链，统计该用户对象和该当前用户之间的行为数据，根据统计的行为数据计算该用户对象和该当前用户在该关系链中的关系强度；

根据计算出的各个关系链中的关系强度，计算该用户对象与该当前用户的关系强度。

7.根据权利要求6所述的装置，其特征在于，

所述网络信息推荐模块用于：根据网络用户对网络信息的历史点击信息，计算当前用户的关系链中的用户对象对所述各个候选网络信息的点击交集权重，从所述候选网络信息中选出所述点击交集权重最高的网络信息作为推荐的网络信息。

8.根据权利要求6或7所述的装置，其特征在于：

所述推荐原因生成模块用于：从当前用户的关系链中，选出对所选的网络信息进行过点击操作的用户对象的信息，将选出的用户对象信息填入到预设的推荐原因信息的模板中，生成推荐原因信息。

9.根据权利要求8所述的装置，其特征在于，

该装置进一步包括点击信息记录模块，用于记录网络用户对网络信息的历史点击信息，并将记录结果输出给所述网络信息推荐模块。