CN106548364A - 信息发送方法及装置 - Google Patents
信息发送方法及装置 Download PDFInfo
- Publication number
- CN106548364A CN106548364A CN201610857303.4A CN201610857303A CN106548364A CN 106548364 A CN106548364 A CN 106548364A CN 201610857303 A CN201610857303 A CN 201610857303A CN 106548364 A CN106548364 A CN 106548364A
- Authority
- CN
- China
- Prior art keywords
- recommendation information
- information
- data
- actual
- input
- 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
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
- G06Q30/0245—Surveys
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Abstract
本发明公开了一种信息发送方法及装置,属于互联网技术领域。所述方法包括:在信息推荐系统上采集推荐信息的实时投放数据;根据推荐信息的实时投放数据计算推荐信息的实际效果数据;根据推荐信息的实时投放数据计算推荐信息的预估效果数据;根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;向推荐信息对应的投放者客户端发送投放建议信息。本发明通过根据推荐信息的实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
Description
技术领域
本发明实施例涉及互联网技术领域,特别涉及一种信息发送方法及装置。
背景技术
广告平台是用于将广告主的广告推送给目标用户群的服务平台。
当广告主在广告平台上建立新广告后,广告平台会基于已投放广告的历史投放数据,生成与新广告对应的投放建议信息。比如,该投放建议信息用于对新广告的投放定向进行建议,投放定向是指与新广告对应的目标用户群的确定方式;又比如,该投放建议信息用于对新广告的出价进行建议,出价是指单个新广告被有效投放时的价格。
在实现本发明实施例的过程中,发明人发现现有技术至少存在以下问题:
在广告投放过程中,与广告相关的投放环境是实时变化的。在新广告建立时生成的投放建议信息,并不一定适合新广告投放后的投放环境,导致新广告的投放效果较差,从而浪费广告平台上的计算资源和投放资源。
发明内容
为了解决在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题,本发明实施例提供了一种信息发送方法及装置。所述技术方案如下:
第一方面,提供了一种信息发送方法,所述方法包括:
在信息推荐系统上采集推荐信息的实时投放数据,所述信息推荐系统是用于将所述推荐信息投放至目标用户客户端的平台,所述实时投放数据是与所述推荐信息的投放过程所关联的数据;
根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据,所述实际效果数据用于表征所述推荐信息在所述信息推荐系统上的实际投放效果;
根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,所述预估效果数据用于表征所述推荐信息在所述信息推荐系统上的预计投放效果;
根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息;
向所述推荐信息对应的投放者客户端发送所述投放建议信息。
第二方面,提供了一种信息发送装置,所述装置包括:
采集模块,用于在信息推荐系统上采集推荐信息的实时投放数据,所述信息推荐系统是用于将所述推荐信息投放至目标用户客户端的平台,所述实时投放数据是与所述推荐信息的投放过程所关联的数据;
第一计算模块,用于根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据,所述实际效果数据用于表征所述推荐信息在所述信息推荐系统上的实际投放效果;
第二计算模块,用于根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,所述预估效果数据用于表征所述推荐信息在所述信息推荐系统上的预计投放效果;
生成模块,用于根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息;
发送模块,用于向所述推荐信息对应的投放者客户端发送所述投放建议信息。
本发明实施例提供的技术方案至少具有如下有益效果:
通过根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据和预估效果数据,并根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明一个实施例的一种信息发送系统的结构示意图;
图2是本发明一个实施例提供的信息推荐系统的架构示意图;
图3是本发明一个实施例提供的信息发送方法的流程图;
图4a是本发明另一个实施例提供的信息发送方法的流程图;
图4b是本发明另一个实施例提供的信息发送方法的流程图;
图4c是本发明另一个实施例提供的信息发送方法的流程图;
图4d是本发明另一个实施例提供的信息发送方法的流程图;
图4e是本发明另一个实施例提供的信息发送方法的流程图;
图5是本发明另一个实施例提供的信息发送方法的流程图;
图6是本发明另一个实施例提供的信息发送方法的一个原理示意图;
图7是本发明另一个实施例提供的信息发送方法的另一个原理示意图;
图8是本发明另一个实施例提供的信息发送方法的流程图;
图9是本发明一个实施例提供的信息发送装置的结构示意图;
图10是本发明另一个实施例提供的信息发送装置的结构示意图;
图11是本发明另一个实施例提供的信息发送装置的结构示意图;
图12是本发明一个实施例提供的终端的结构方框图;
图13是本发明一个实施例提供的服务器的结构方框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
首先,对本发明实施例涉及到的一些名词进行解释:
信息推荐系统:是用于将推荐信息定向投放到目标用户客户端上的平台,目标用户客户端是登录有目标用户帐号的客户端。可选的,推荐信息是广告信息、多媒体信息或咨询信息等具有推荐价值的信息。
投放者:是在信息推荐系统上投放推荐信息的用户或组织。当推荐信息是广告信息时,投放者即为广告主。
实时投放数据:是与推荐信息的投放过程所关联的数据。
实际效果数据:用于表征推荐信息在信息推荐系统上的实际投放效果。可选的,实际效果数据包括实际检索量、实际曝光量、实际点击率和实际成本中的至少一个。
预估效果数据:用于表征推荐信息在信息推荐系统上的预计投放效果。可选的,与实际检索量对应的预估效果数据是当前预估检索量,与实际曝光量对应的预估效果数据是当前预估曝光量,与实际点击率对应的预估效果数据是当前预估点击率,与实际成本对应的预估效果数据是当前预估成本。
请参考图1,其示出了本发明实施例涉及的一种信息发送系统的结构示意图。该系统包括投放者终端120、服务器集群140和至少一个用户终端160。
投放者终端120中运行有投放者客户端。投放者终端120可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。投放者客户端是用于在信息推荐系统上投放推荐信息的软件客户端。
投放者终端120与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
服务器集群140是一台服务器,或者由若干台服务器,或者是一个虚拟化平台,或者是一个云计算服务中心。可选的,服务器集群140包括用于实现信息推荐系统的服务器。
服务器集群140与用户终端160之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible MarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Trassport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet ProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
用户终端160中运行有用户客户端,用户客户端中登录有用户帐号。用户终端160也可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts GroupAudio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
通常,投放者终端120向服务器集群140投放推荐信息,然后由服务器集群140向用户客户端所在的用户终端160发送推荐信息。
需要说明的一点是,用户客户端可以是社交类应用客户端,比如微博客户端、中国腾讯公司出品的微信客户端、中国阿里巴巴公司出品的易信客户端等;用户客户端还可以是支付类应用客户端,比如中国阿里巴巴公司出品的支付宝客户端;用户客户端还可以是其它的客户端,比如购物客户端、游戏客户端、阅读客户端、专用于发送推荐信息的客户端等等。
请参考图2,其示出了本发明另一个实施例提供的信息推荐平台200的架构示意图。该信息推荐平台200包括有:信息推荐系统220、流式计算系统240和数据分析系统260。
信息推荐系统220,用于接收投放者终端的投放请求,该投放请求用于投放推荐信息;将推荐信息投放至目标用户客户端。可选的,该目标用户客户端是基于投放者终端所设定的定向标签所确定出的客户端。示意性,信息推荐系统220是广告系统。由于信息推荐系统220会向很多用户客户端投放相同或不同的推荐信息,信息推荐系统220会持续产生很多流式数据。流式数据具有实时性、易失性、突发性、无序性和无限性等特征。
信息推荐系统流式计算系统240,用于在信息推荐系统220上实时采集推荐信息的流式数据,并将流式数据进行结构化处理,得到推荐信息的实时投放数据;结构化处理是将实时采集的流式数据转化为具有结构化存储形式的数据的处理方式。实时投放数据是与推荐信息的投放过程所关联的数据。示意性的,流式计算系统240是Spark Streaming(火花流式)系统、Storm Streaming(风暴流式)系统或Samza Streaming系统中的任意一种。
数据分析系统260,用于每隔预定时间间隔获取推荐信息的实时投放数据;根据实时投放数据进行计算,并生成与推荐信息对应的投放建议信息。示意性的,数据分析系统260是Hermes实时检索分析系统。
请参考图3,其示出了本发明一个实施例提供的信息发送方法的流程图。本实施例以该信息发送方法应用于图1所示的服务器集群140中来举例说明。该信息发送方法包括:
步骤301,在信息推荐系统上采集推荐信息的实时投放数据;
推荐信息是广告信息、多媒体信息或咨询信息等具有推荐价值的信息。
实时投放数据是与推荐信息的投放过程所关联的数据。实时投放数据包括:推荐信息的素材内容、推荐信息在单位时间段(天)内的投放预算、成功投放推荐信息时的单次出价、推荐信息的定向标签、推荐信息的检索次数、推荐信息的曝光次数、点击次数和转化次数。
步骤302,根据推荐信息的实时投放数据计算推荐信息的实际效果数据;
步骤303,根据推荐信息的实时投放数据计算推荐信息的预估效果数据;
步骤304,根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
步骤305,向推荐信息对应的投放者客户端发送投放建议信息。
综上所述,通过根据推荐信息的实时投放数据计算推荐信息的实际效果数据和预估效果数据,并根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
请参考图4a,其示出了本发明另一个实施例提供的信息发送方法的流程图。本实施例以该信息发送方法应用于图2所示的信息推荐系统中举例说明。该信息发送方法还包括:
步骤401,投放者客户端在信息推荐系统上投放推荐信息;
投放者客户端向信息推荐系统发送投放请求。
可选的,投放请求包括:推荐信息的素材内容、推荐信息在单位时间段内的投放预算、成功投放推荐信息时的单次出价、推荐信息的定向标签等。
推荐信息的素材内容包括:文字、图片、音频和视频中的至少一种。
推荐信息在单位时间段内的投放预算是:推荐信息的一小时花费预算、推荐信息的一天花费预算、推荐信息的一周花费预算、推荐信息的一月花费预算或推荐信息的一年花费预算。本实施例中,以推荐信息的一天花费预算来举例说明,简称为“天预算”。
出价是指推荐信息被成功曝光一次的价格,或者,被成功点击一次的价格,或者,被成功转换一次的价格。
推荐信息的定向标签是指用于确定目标用户人群的标签,比如:年龄、性别、学历、所在地、爱好、使用的终端类型、使用的终端的操作系统类型等等。
信息推荐系统接收投放者客户端发送的投放请求。信息推荐系统根据定向标签确定出目标用户人群,向目标用户人群所使用的目标用户客户端发送推荐信息。
由于信息推荐系统通常是24小时持续运行,则信息推荐系统会不间断第产生有关推荐信息的实时投放数据,也即流式数据。
步骤402,流式计算系统在信息推荐系统上实时采集推荐信息的流式数据;
由于流式数据具有实时性、突发性和无序性,流式计算系统在信息推荐系统上实时采集推荐信息的流式数据。
步骤403,流式计算系统将流式数据进行结构化处理,得到推荐信息的实时投放数据;
可选的,结构化处理是将实时采集的流式数据转化为具有结构化存储形式的数据的处理方式。
结构化存储形式的数据,是按照预定格式进行存储和固化的数据。结构化存储形式的数据能够被数据分析系统利用和分析。
步骤404,数据分析系统每隔预定时间间隔获取推荐信息的实时投放数据;
可选的,数据分析系统是Hermes分析系统。
可选的,预定时间间隔可以设置为三十分钟或一个小时或两个小时,本发明实施例对预定时间间隔的长短不加以限制。
步骤405,数据分析系统根据实时投放数据计算推荐信息的实际效果数据和预估效果数据;
可选的,实际效果数据包括四种,分别为:实际检索量、实际曝光量、实际点击率和实际成本。
其中,实际检索量是推荐信息对应的关键词在信息推荐系统的搜索引擎上的被检索次数;实际曝光量是推荐信息在目标用户客户端上的曝光次数;实际点击率是推荐信息在目标用户客户端上曝光后的被点击次数;实际成本是推荐信息的转化数据与总花费金额之间的关系。
与实际检索量对应的预估效果数据是当前预估检索量;与实际曝光量对应的预估效果数据是当前预估曝光量;与实际点击率对应的预估效果数据是当前预估点击率;与实际成本对应的预估效果数据是当前预估成本。
信息推荐系统步骤406,根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
可选的,数据分析系统检测实际效果数据是否符合预估效果数据;若实际效果数据符合预估效果数据,则继续监控;若实际效果数据不符合预估效果数据,则数据分析系统生成投放建议信息。
步骤407,向推荐信息对应的投放者客户端发送投放建议信息。
需要说明的是,步骤404至步骤407是每隔预定时间间隔就会循环执行一次的步骤。
综上所述,通过数据分析系统根据实时投放数据计算推荐信息的实际效果数据和预估效果数据,并根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;解决了在新广告建立时生成的投放建议信息无法一直适应实时变化的广告投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而对广告投放效果进行实时监控,使新广告的投放建议信息适应实时变化的广告投放环境的效果。
在基于图4a的一个可选实施例中,当实际效果数据是实际检索量,预计效果数据是当前预估检索量时,上述步骤405至步骤407可替代实现成为步骤405a至步骤408a,如图4b所示:
步骤405a,根据实时投放数据计算单位时间段内的总预估检索量;
通过如下公式计算单位时间段内的总预估检索量:
单位时间段内的总预估检索量=a*单位时间段内的总预估曝光量;
ctr=max(ctr1,ctr2)
可选的,a为经验值,因为单位时间段内的总预估检索量大于或等于单位时间段内的总预估曝光量,所以a的取值通常大于等于1;示意性的,a为1。
可选的,day_budget为在单位时间段内推荐信息的花费预算,单位时间段可以设置为一小时或一天或一周或一个月或一年;示意性的,下午中均以单位时间段为一天来举例说明。
可选的,bid_price为推荐信息的单次出价,单次出价可以是根据每曝光一次推荐信息所给出的价格,也可以是每点击一次推荐信息所给出的价格,也可以是根据每一千人次看到推荐信息所给出的价格;示意性的,单次出价可以是根据每点击一次推荐信息所给出的价格。
可选的,ctr1为推荐信息所属行业的历史平均点击率。可选的,ctr2为推荐信息在定向投放人群中的历史平均点击率。
ctr1和ctr2所采用的历史数据,可以是最近一小时的历史数据、最近6小时的历史数据、最近12小时的数据、上周同一天的历史数据、上月同一天的历史数据、去年同一天的历史数据等。
可选的,r为调整值,因为信息推荐系统通常采用二价计费模式,也即多人竞争出价时,出价第一高的用户获得曝光权限,但信息推荐系统会使用出价第二高的价格作为最终计算的出价的模式,所以在信息推荐系统上推荐信息的实际出价小于单次出价,所以根据上述公式进行计算得到的预估曝光量会比真实的预估曝光量的数值小,r的取值通常大于1;示意性的,r为1.2。
可选的,单位时间段(一天)内的总预估检索量是推荐信息对应的关键词在信息推荐系统的搜索引擎上的预估的被检索总次数。
可选的,单位时间段(一天)内的总预估曝光量是推荐信息在目标用户客户端上的预估的总曝光次数。
上述在单位时间段内推荐信息的花费预算、推荐信息的单次出价、推荐信息所属行业的历史平均点击率、推荐信息在定向投放人群中的历史平均点击率属于实时投放数据。
步骤406a,根据实时投放数据计算当前预估检索量;
通过如下公式计算当前预估检索量:
可选的,c(t)为检索机会曲线,检索机会曲线是在单位时间段(一天)内的可用检索量与时刻之间的关系曲线,检索机会曲线是根据信息推荐系统系统上的历史检索数据所计算到的。可选的,检索机会曲线是前一天的检索机会曲线、上周同一天的检索机会曲线、上月同一天的检索机会曲线、去年同一天的检索机会曲线等。
可选的,[t_start,t_curr]为在单位时间段(一天)内的推荐信息的开始投放时刻到当前投放时刻。比如,推荐信息从每天的10:00开始投放,则开始投放时间是10:00;当前时间是10:30,则当前投放时间是“10:30”。
可选的,[t_start,t_end]为在单位时间段(一天)内推荐信息的开始投放时刻到结束投放时刻。比如,推荐信息从每天的10:00开始投放,23:00结束投放,则开始投放时间是10:00,结束投放时间是“23:00”。
可选的,当推荐信息在单位时间段(一天)内的投放时间不连续时,上述公式中的积分函数在[t_start,t_curr]和[t_start,t_end]的积分区间内不连续,则将上述公式中的积分函数转化为分时段积分求和函数。
上述检索机会曲线、在单位时间段内的推荐信息的开始投放时刻、当前投放时刻、结束投放时刻属于实时投放数据。
步骤407a,当实际检索量小于当前预估检索量时,生成第一投放建议信息;
示意性的,当实际检索量小于当前预估检索量时,可能是推荐信息的定向标签不太准确。数据分析系统生成第一投放建议信息,该第一投放建议信息用于建议修改推荐信息的投放定向。
当实际检索量大于当前预估检索量时,数据分析系统继续执行步骤404。
步骤408a,向推荐信息对应的投放者客户端发送第一投放建议信息。
综上所述,通过数据分析系统对每隔预定时间间隔,将实际检索量和当前预估检索量进行比较,当实际检索量小于当前预估检索量时,生成第一投放建议信息;使得投放者能够尽快发现推荐信息的定向标签设置不准确,从而及时调整推荐信息的定向标签,从而保证推荐信息的投放效果。
在基于图4a的另一个可选实施例中,当实际效果数据是实际曝光量,预计效果数据是当前预估曝光量时,上述步骤405至步骤407可替代实现成为步骤405b至步骤408b,如图4c所示:
步骤405b,根据实时投放数据计算单位时间段内的总预估曝光量;
通过如下公式计算单位时间段内的总预估曝光量:
ctr=max(ctr1,ctr2)
可选的,单位时间段内的总预估曝光量、day_budget、bid_price、ctr1、ctr2和r这些参数的解释可以参考上述图4b所示的实施例中的详细描述,在此不再赘述。
步骤406b,根据实时投放数据计算当前预估曝光量;
通过如下公式计算当前预估曝光量:
可选的,d(t)为曝光机会曲线,曝光机会曲线是在单位时间段(一天)内的曝光量与时刻之间的关系曲线,曝光机会曲线是根据信息推荐系统上的历史曝光数据所计算到的。可选的,曝光机会曲线是前一天的曝光机会曲线、上周同一天的曝光机会曲线、上月同一天的曝光机会曲线、去年同一天的曝光机会曲线等。
可选的,[t_start,t_curr]为在单位时间段(一天)内的推荐信息的开始投放时刻到当前投放时刻。比如,推荐信息从每天的10:00开始投放,则开始投放时间是10:00;当前时间是10:30,则当前投放时间是“10:30”。
可选的,[t_start,t_end]为在单位时间段(一天)内推荐信息的开始投放时刻到结束投放时刻。比如,推荐信息从每天的10:00开始投放,23:00结束投放,则开始投放时间是10:00,结束投放时间是“23:00”。
可选的,当推荐信息在单位时间段(一天)内的投放时间不连续时,上述公式中的积分函数在[t_start,t_curr]和[t_start,t_end]的积分区间内不连续,则将上述公式中的积分函数转化为分时段积分求和函数。
上述曝光机会曲线、在单位时间段内的推荐信息的开始投放时刻、当前投放时刻、结束投放时刻属于实时投放数据。
步骤407b,当实际曝光量小于当前预估曝光量时,生成第二投放建议信息;
示意性的,第二投放建议信息用于建议修改推荐信息的素材和/或提高推荐信息的单次出价。
示意性的,当实际曝光量小于当前预估曝光量时,可能是推荐信息的素材质量差和/或推荐信息的单次出价低。数据分析系统生成第二投放建议信息,该第二投放建议信息用于建议修改推荐信息的素材和/或提高推荐信息的单次出价。当实际曝光量大于当前预估曝光量时,数据分析系统继续执行步骤404。
步骤408b,向推荐信息对应的投放者客户端发送第二投放建议信息。
综上所述,通过数据分析系统对每隔预定时间间隔,将实际曝光量和当前预估曝光量进行比较,当实际曝光量小于当前预估曝光量时,生成第二投放建议信息;使得投放者能够尽快发现推荐信息的定向标签设置不准确,从而及时调整推荐信息的定向标签,从而保证推荐信息的投放效果。
在基于图4a的另一个可选实施例中,当实际效果数据是实际点击率,预计效果数据是当前预估点击率时,上述步骤405至步骤407可替代实现成为步骤405c至步骤407c,如图4d所示:
步骤405c,根据实时投放数据计算当前预估点击率;
通过如下公式计算当前预估点击率:
当前预估点击率=min(ctr1,ctr2)
可选的,ctr1、ctr2这两个参数的解释可以参考上述图4b所示的实施例中的详细描述,在此不再赘述。
步骤406c,当实际点击率小于当前预估点击率时,生成第三投放建议信息;
示意性的,当实际点击率小于当前预估点击率时,可能是推荐信息的素材质量差和/或推荐信息的定向标签不太准确。数据分析系统生成第三投放建议信息,该第三投放建议信息用于建议修改所述推荐信息的素材和/或修改所述推荐信息的投放定向。当实际点击率大于当前预估点击率时,数据分析系统继续执行步骤404。
步骤407c,向推荐信息对应的投放者客户端发送第三投放建议信息。
综上所述,通过数据分析系统对每隔预定时间间隔,将实际点击率和当前预估点击率进行比较,当实际点击率小于当前预估点击率时,生成第三投放建议信息;使得投放者能够尽快发现推荐信息的定向标签设置不准确,从而及时调整推荐信息的定向标签,从而保证推荐信息的投放效果。
在基于图4a的另一个可选实施例中,当实际效果数据是实际成本,预计效果数据是当前预估成本时,上述步骤405至步骤407可替代实现成为步骤405d至步骤407d,如图4e所示:
步骤405d,根据实时投放数据计算实际成本;
通过如下公式计算推荐信息的实际成本:
实际成本=预定时间段内的总花费金额/预定时间段内的转化数据
可选的,总花费金额是推荐信息的总共花费的金额;转化数据是推荐信息在投放后被转化为有效行为数据的个数,有效行为数据包括收藏行为数据、注册行为数据、下载行为数据和支付行为数据中的至少一种。
上述预定时间段内的总花费金额和预定时间段内的转化数据属于实时投放数据。
步骤406d,当实际成本大于当前预估成本时,生成第四投放建议信息;
示意性的,当实际成本大于当前预估成本时,可能是推荐信息的落地页质量比较差。数据分析系统生成第四投放建议信息,该第四投放建议信息是用于建议修改推荐信息的落地页,落地页是推荐信息被点击后跳转显示的页面。落地页由投放者自主提供。
当实际成本小于当前预估成本时,数据分析系统继续执行步骤404。
步骤407d,向推荐信息对应的投放者客户端发送第四投放建议信息。
综上所述,通过数据分析系统对每隔预定时间间隔,将实际成本和当前预估成本进行比较,当实际成本大于当前预估成本时,生成第四投放建议信息;使得投放者能够尽快发现推荐信息的定向标签设置不准确,从而及时调整推荐信息的定向标签,从而保证推荐信息的投放效果。
需要说明的一点是,在基于图4a的上述四个可选实施例中,计算公式和公式参数并不是固定的,本发明实施例对数据分析系统所使用的计算公式和公式参数不加以限制。
需要说明的另一点是,上述图4b至图4e所示的实施例可以任意两个实施例结合实施、任意三个实施例结合实施或者全部四个实施例结合实施,此乃本领域技术人员根据上述各个实施例所易于思及的,本发明实施例不对这几种实施例结合实施的方式一一重复赘述。仅以一个具体的示意性例子,对上述全部四个实施例结合实施的方式进行阐述,具体如下。
请参考图5,其示出了本发明另一个实施例提供的信息发送方法的流程图。本实施例以该推荐信息发送方法应用于图1所示的推荐信息发送系统中来举例说明。该信息发送方法包括:
步骤501,投放者客户端在信息推荐系统上推荐信息;
步骤502,流式计算系统在信息推荐系统上实时采集推荐信息的流式数据;
步骤503,流式计算系统将流式数据进行结构化处理,得到推荐信息的实时投放数据;
步骤504,数据分析系统每隔预定时间间隔获取推荐信息的实时投放数据;
步骤505,根据推荐信息的实时投放数据计算推荐信息的实际效果数据;
其中,实际效果数据包括实际检索量、实际曝光量、实际点击率和实际成本中的至少一个。
可选的,对于计算实际成本,步骤505包括如下子步骤:根据实时投放数据计算实际成本;实际成本是推荐信息的转化数据与总花费金额之间的关系。
示意性的,投放者在预定时间段(一天)内对推荐信息设置的总花费金额为1000元,在预定时间段(一天)内有100个目标用户客户端对该推荐信息进行了浏览,其中有10个目标用户客户端进行了有效行为(支付行为),则在预定时间段(一天)内的转化数据是10,即投放者回传给信息推荐系统的转化数据为10,根据设置的总花费金额1000元和回传到的转化数据,通过上述图4e所示的实施例中的公式可以计算得出实际成本为100元。
步骤506,根据推荐信息的实时投放数据计算推荐信息的预估效果数据;
其中,与实际检索量对应的预估效果数据是当前预估检索量;与实际曝光量对应的预估效果数据是当前预估曝光量;与实际点击率对应的预估效果数据是当前预估点击率;与实际成本对应的预估效果数据是当前预估成本;
可选的,对于计算当前预估检索量、当前预估曝光量和当前预估点击率这三个预估效果数据,步骤506包括如下子步骤:
1、根据实时投放数据计算当前预估点击率;
通过如下公式计算当前预估点击率:
当前预估点击率=min(ctr1,ctr2)
2、根据实时投放数据计算单位时间段内的总预估曝光量;
通过如下公式计算单位时间段内的总预估曝光量:
ctr=max(ctr1,ctr2);
3、根据单位时间段内的总预估曝光量、推荐信息的开始投放时刻、当前投放时刻和结束投放时刻计算当前预估曝光量;
通过如下公式计算当前预估曝光量:
4、根据单位时间段内的总预估曝光量计算单位时间段内的总预估检索量;
通过如下公式计算单位时间段内的总预估检索量:
单位时间段内的总预估检索量=a*单位时间段内的总预估曝光量;
5、根据单位时间段内的总预估检索量、推荐信息的开始投放时刻、当前投放时刻和结束投放时刻计算当前预估检索量;
通过如下公式计算当前预估检索量:
步骤507,根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
可选的,当计算出当前预估检索量、当前预估曝光量、当前预估点击率和实际成本这四个预估效果数据后,步骤507包括如下子步骤,如图6所示:
步骤507a,检测实际检索量是否大于当前预估检索量;
若实际检索量小于当前预估检索量,则进入步骤507b;若实际检索量大于当前预估检索量,则进入步骤507c。
步骤507b,当实际检索量小于当前预估检索量时,生成第一投放建议信息;
示意性的,第一投放建议信息用于建议修改推荐信息的投放定向。
步骤507c,检测实际曝光量是否大于当前预估曝光量;
若实际曝光量小于当前预估曝光量,则进入步骤507d;若实际曝光量大于当前预估曝光量,则进入步骤507e。
步骤507d,当实际曝光量小于当前预估曝光量时,生成第二投放建议信息;
示意性的,第二投放建议信息用于建议修改推荐信息的素材和/或提高推荐信息的单次出价。
步骤507e,检测实际点击率是否大于当前预估点击率;
若实际点击率小于当前预估点击率,则进入步骤507f;若实际点击率大于当前预估点击率,则进入步骤507g。
步骤507f,当实际点击率小于当前预估点击率时,生成第三投放建议信息;
示意性的,第三投放建议信息是用于建议修改推荐信息的素材和/或修改推荐信息的投放定向。
步骤507g,检测实际成本是否大于当前成本;
若实际成本大于当前预估成本,则进入步骤507h;若实际成本小于当前预估成本,则进入步骤504。
步骤507h,当实际成本小于当前预估成本时,生成第四投放建议信息;
示意性的,第四投放建议信息是用于建议修改推荐信息的落地页,落地页是推荐信息被点击后跳转显示的页面。
步骤508,向推荐信息对应的投放者客户端发送投放建议信息;
步骤509,投放者客户端接收投放建议信息;
步骤510,投放者客户端根据接收到的投放建议信息对推荐信息的投放参数进行修改;
可选的,投放参数包括:推荐信息的素材、推荐信息的单位时间段内投放推荐信息的花费预算、投放推荐信息的单次出价和推荐信息的落地页中的至少一个。
步骤511,当推荐信息的投放参数被修改时,将开始投放时刻重置为修改时刻。
修改时刻是投放者客户端对推荐信息的投放参数进行修改的修改完成时刻。
可选地,在图6中示出了对当前预估检索量、当前预估曝光量、当前预估点击率和实际成本四种指标进行串行判断的实施例,在其它实施例中,也可以对这四种指标进行并行判断,示意性的如图7所示,本文不再赘述。
综上所述,通过根据不同的实际效果数据和对应的预估效果数据的比较结果,生成对应的投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
结合参考图8,在一个具体的例子中,信息推荐系统是广告平台810,推荐信息为广告信息,投放者终端是广告主终端820,则广告主终端820向广告平台810发送投放广告信息X的投放请求;广告平台810将广告信息X投放至用户终端830。
Spark Streaming系统840在广告平台810上实时采集广告信息X在投放过程中的流式数据,Spark Streaming系统840将流式数据进行结构化处理,得到广告信息X的实时投放数据;
Hermes分析系统850每隔30分钟获取广告信息X的实时投放数据,Hermes分析系统850根据广告信息的实时投放数据计算广告信息X的实际效果数据和预估效果数据,根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;向广告信息X对应的广告主终端820发送投放建议信息;
广告主终端820接收投放建议信息,广告主终端820根据接收到的投放建议信息判断是否对广告信息X的投放参数进行修改,可选的,投放参数包括:广告信息的素材、单位时间段内投放广告信息X的花费预算、投放广告信息的单次出价和广告信息X的落地页中的至少一个;当广告信息X的投放参数被修改时,将开始投放时刻重置为修改时刻,修改时刻是广告主终端820对广告信息的投放参数进行修改的修改完成时刻。
此后,Hermes分析系统850继续对广告信息X的投放过程进行监控,也即重复上述过程。
下面为本发明中的装置实施例,对于装置实施例中未详尽描述的细节,可以结合参考上述一一对应的方法实施例。
请参考图9,其示出了本发明一个实施例提供的信息发送装置的结构示意图。该装置包括:
采集模块910,用于在信息推荐系统上采集推荐信息的实时投放数据,信息推荐系统是用于将推荐信息投放至目标用户客户端的平台,实时投放数据是与推荐信息的投放过程所关联的数据;
第一计算模块920,用于根据推荐信息的实时投放数据计算推荐信息的实际效果数据,实际效果数据用于表征推荐信息在信息推荐系统上的实际投放效果;
第二计算模块930,用于根据推荐信息的实时投放数据计算推荐信息的预估效果数据,预估效果数据用于表征推荐信息在信息推荐系统上的预计投放效果;
生成模块940,用于根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
发送模块950,用于向推荐信息对应的投放者客户端发送投放建议信息。
综上所述,通过根据推荐信息的实时投放数据计算推荐信息的实际效果数据和预估效果数据,并根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
请参考图10,其示出了本发明另一个实施例提供的信息发送装置的结构示意图。本实施例为基于图9所示实施例提供的更为优选的实施例。
采集模块910,包括:
采集单元911和转化单元912;
采集单元911,用于通过流式计算系统在信息推荐系统上实时采集推荐信息的流式数据;
转化单元912,用于通过流式计算系统将流式数据进行结构化处理,得到推荐信息的实时投放数据,结构化处理是将实时采集的流式数据转化为具有结构化存储形式的数据的处理方式。
第一计算模块920,包括:
第一获取单元921和第一数据计算单元922;
第一获取单元921,用于通过数据分析系统每隔预定时间间隔获取推荐信息的实时投放数据;
第一数据计算单元922,用于通过数据分析系统根据实时投放数据计算推荐信息的实际效果数据。
第二计算模块930,包括:
第二获取单元931和第二数据计算单元932;
第二获取单元931,用于通过数据分析系统每隔预定时间间隔获取推荐信息的实时投放数据;
第二数据计算单元932,用于通过数据分析系统根据实时投放数据计算推荐信息的预估效果数据。
实际效果数据包括实际检索量、实际曝光量、实际点击率和实际成本中的至少一个;
与实际检索量对应的预估效果数据是当前预估检索量;
与实际曝光量对应的预估效果数据是当前预估曝光量;
与实际点击率对应的预估效果数据是当前预估点击率;
与实际成本对应的预估效果数据是当前预估成本;
其中,实际检索量是推荐信息对应的关键词在信息推荐系统的搜索引擎上的被检索次数;实际曝光量是推荐信息在目标用户客户端上的曝光次数;实际点击率是推荐信息在目标用户客户端上曝光后的被点击次数;实际成本是推荐信息的转化数据与总花费金额之间的关系。
生成模块940,用于根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
发送模块950,用于向推荐信息对应的投放者客户端发送投放建议信息。
综上所述,通过根据不同的实际效果数据和对应的预估效果数据的比较结果,生成对应的投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
请参考图11,其示出了本发明另一个实施例提供的信息发送装置的结构示意图。本实施例为基于图9所示实施例提供的更为优选的实施例。
采集模块910,用于在信息推荐系统上采集推荐信息的实时投放数据,信息推荐系统是用于将推荐信息投放至目标用户客户端的平台,实时投放数据是与推荐信息的投放过程所关联的数据;
第一计算模块920,用于根据推荐信息的实时投放数据计算推荐信息的实际效果数据,实际效果数据用于表征推荐信息在信息推荐系统上的实际投放效果;
可选的,当实际效果数据是实际成本时,第一计算模块920,用于通过如下公式计算推荐信息的实际成本:
实际成本=预定时间段内的总花费金额/预定时间段内的转化数据
其中,总花费金额是推荐信息的总共花费的金额;转化数据是推荐信息在投放后被转化为有效行为数据的个数。
第二计算模块930,用于根据推荐信息的实时投放数据计算推荐信息的预估效果数据,预估效果数据用于表征推荐信息在信息推荐系统上的预计投放效果;
可选的,当预估效果数据是当前预估检索量时,第二计算模块930,包括:
第一计算单元933,用于通过如下公式计算当前预估检索量:
其中,c(t)为检索机会曲线,检索机会曲线是在单位时间段内的可用检索量与时刻之间的关系曲线,检索机会曲线是根据信息推荐系统上的历史检索数据所计算到的;[t_start,t_curr]为在单位时间段内的推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在单位时间段内推荐信息的开始投放时刻到结束投放时刻;单位时间段内的总预估检索量是推荐信息对应的关键词在信息推荐系统的搜索引擎上的预估的被检索总次数。
第二计算模块930,包括:
第二计算单元934,用于通过如下公式计算单位时间段内的总预估检索量:
单位时间段内的总预估检索量=a*单位时间段内的总预估曝光量;
ctr=max(ctr1,ctr2)
其中,a为经验值,a≥1,day_budget为在单位时间段内投放推荐信息的花费预算;bid_price为投放推荐信息的单次出价;ctr1为推荐信息所属行业的历史平均点击率,ctr2为推荐信息在定向投放人群中的平均点击率,r为调整值,r>1,单位时间段内的总预估曝光量是推荐信息在目标用户客户端上的预估的总曝光次数。
可选的,当预估效果数据是当前预估曝光量时,第二计算模块930,包括:
第三计算单元935,用于通过如下公式计算当前预估曝光量:
其中,d(t)为曝光机会曲线,曝光机会曲线是在单位时间段内的曝光量与时刻之间的关系曲线,曝光机会曲线是根据信息推荐系统上的历史曝光数据所计算到的;[t_start,t_curr]为在单位时间段内的推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在单位时间段内推荐信息的开始投放时刻到结束投放时刻;单位时间段内的总预估曝光量是推荐信息在目标用户客户端上的预估的总曝光次数。
第二计算模块930,包括:
第四计算单元936,用于通过如下公式计算单位时间段内的总预估曝光量:
ctr=max(ctr1,ctr2)
其中,day_budget为在单位时间段内投放推荐信息的花费预算;bid_price为投放推荐信息的单次出价;ctr1为推荐信息所属行业的历史平均点击率,ctr2为推荐信息在定向投放人群中的平均点击率,r为调整值,r>1。
可选的,当预估效果数据是当前预估点击率时,第二计算模块930,包括:
第五计算单元937,用于通过如下公式计算当前预估点击率:
当前预估点击率=min(ctr1,ctr2)
其中,ctr1为推荐信息所属行业的历史平均点击率,ctr2为推荐信息在定向投放人群中的平均点击率。
生成模块940,用于根据实际效果数据和对应的预估效果数据的比较结果,生成投放建议信息;
生成模块940,包括:
第一生成单元941和/或第二生成单元942和/或第三生成单元943和/或第四生成单元944;
第一生成单元941,用于当实际检索量小于当前预估检索量时,生成第一投放建议信息,第一投放建议信息用于建议修改推荐信息的投放定向;
第二生成单元942,用于当实际曝光量小于当前预估曝光量时,生成第二投放建议信息,第二投放建议信息用于建议修改推荐信息的素材和/或提高推荐信息的单次出价;
第三生成单元943,用于当实际点击率小于当前预估点击率时,生成第三投放建议信息,第三投放建议信息是用于建议修改推荐信息的素材和/或修改推荐信息的投放定向;
第四生成单元944,用于当实际成本大于当前预估成本时,生成第四投放建议信息,第四投放建议信息是用于建议修改推荐信息的落地页,落地页是推荐信息被点击后跳转显示的页面。
发送模块950,用于向推荐信息对应的投放者客户端发送投放建议信息。
该装置还包括:
重置模块960,用于当推荐信息的单位时间段内投放推荐信息的花费预算或者投放推荐信息的单次出价被修改时,将开始投放时刻重置为修改时刻。
综上所述,通过根据不同的实际效果数据和对应的预估效果数据的比较结果,生成对应的投放建议信息;解决了在推荐信息建立时生成的投放建议信息无法一直适应实时变化的投放环境的问题;达到了根据广告投放过程中实际效果数据和预估效果数据的比较结果,将对应的投放建议信息发送给投放者,从而在投放过程中对推荐信息的投放效果进行实时监控,使投放建议信息适应实时变化的投放环境的效果。
请参考图12,其示出了本发明一个实施例提供的终端1200的框图,该终端可以运行投放者客户端或用户客户端。具体来讲:设备1200可以包括RF(Radio Frequency,射频)电路1210、包括有一个或一个以上计算机可读存储介质的存储器1220、输入单元1230、显示单元1240、传感器1250、音频电路1260、WiFi(wireless fidelity,无线保真)模块1270、包括有一个或者一个以上处理核心的处理器1280、以及电源1290等部件。本领域技术人员可以理解,图12中示出的设备结构并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路1210可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器1280处理;另外,将涉及上行的数据发送给基站。通常,RF电路1210包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier,低噪声放大器)、双工器等。此外,RF电路1210还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA(CodeDivision Multiple Access,码分多址)、WCDMA(Wideband Code Division MultipleAccess,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(ShortMessaging Service,短消息服务)等。存储器1220可用于存储软件程序以及模块。处理器1280通过运行存储在存储器1220的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1220可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据设备1200的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1220还可以包括存储器控制器,以提供处理器1280和输入单元1230对存储器1220的访问。
输入单元1230可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元1230可包括触敏表面1231以及其他输入设备1232。触敏表面1231,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面1231上或在触敏表面1231附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面1231可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1280,并能接收处理器1280发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面1231。除了触敏表面1231,输入单元1230还可以包括其他输入设备1232。具体地,其他输入设备1232可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1240可用于显示由用户输入的信息或提供给用户的信息以及设备120的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1240可包括显示面板1241,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1241。进一步的,触敏表面1231可覆盖在显示面板1241之上,当触敏表面1231检测到在其上或附近的触摸操作后,传送给处理器1280以确定触摸事件的类型,随后处理器1280根据触摸事件的类型在显示面板1241上提供相应的视觉输出。虽然在图12中,触敏表面1231与显示面板1241是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面1231与显示面板1241集成而实现输入和输出功能。
设备1200还可包括至少一种传感器1250,比如光传感器、运动传感器以及其它传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1241的亮度,接近传感器可在设备1200移动到耳边时,关闭显示面板1241和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于设备1200还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其它传感器,在此不再赘述。
音频电路1260、扬声器1221,传声器1222可提供用户与设备1200之间的音频接口。音频电路1260可将接收到的音频数据转换后的电信号,传输到扬声器1221,由扬声器1221转换为声音信号输出;另一方面,传声器1222将收集的声音信号转换为电信号,由音频电路1260接收后转换为音频数据,再将音频数据输出处理器1280处理后,经RF电路1210以发送给另一设备,或者将音频数据输出至存储器1220以便进一步处理。音频电路1260还可能包括耳塞插孔,以提供外设耳机与设备1200的通信。
WiFi属于短距离无线传输技术,设备1200通过WiFi模块1270可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图12示出了WiFi模块1270,但是可以理解的是,其并不属于设备1200的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1280是设备1200的控制中心,利用各种接口和线路连接整个设备的各个部分,通过运行或执行存储在存储器1220内的软件程序和/或模块,以及调用存储在存储器1220内的数据,执行设备1200的各种功能和处理数据,从而对设备进行整体监控。可选的,处理器1280可包括一个或多个处理核心;可选的,处理器1280可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1280中。
设备1200还包括给各个部件供电的电源1290(比如电池),优选的,电源可以通过电源管理系统与处理器1280逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1290还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,设备1200还可以包括摄像头、蓝牙模块等,在此不再赘述。
设备1200还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行,使得装置1200能够执行上述由终端执行的信息发送方法。
请参考图13,其示出了本发明一个实施例提供的服务器的结构框架图。该服务器可以是后台服务器集群140中的服务器。具体来讲:所述服务器1300包括中央处理单元(CPU)1301、包括随机存取存储器(RAM)1302和只读存储器(ROM)1303的系统存储器1304,以及连接系统存储器1304和中央处理单元1301的系统总线1305。所述服务器1300还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1306,和用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1307。
所述基本输入/输出系统1306包括有用于显示信息的显示器1308和用于用户输入信息的诸如鼠标、键盘之类的输入设备1309。其中所述显示器1308和输入设备1309都通过连接到系统总线1305的输入输出控制器1310连接到中央处理单元1301。所述基本输入/输出系统1306还可以包括输入输出控制器1310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1310还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1307通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。所述大容量存储设备1307及其相关联的计算机可读介质为服务器1300提供非易失性存储。也就是说,所述大容量存储设备1307可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1307可以统称为存储器。
根据本发明的各种实施例,所述服务器1300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1300可以通过连接在所述系统总线1305上的网络接口单元1311连接到网络1312,或者说,也可以使用网络接口单元1311来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本发明实施例提供的信息发送方法中由服务器集群所执行的步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的信息发送方法中全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (20)
1.一种信息发送方法,其特征在于,所述方法包括:
在信息推荐系统上采集推荐信息的实时投放数据,所述信息推荐系统是用于将所述推荐信息投放至目标用户客户端的平台,所述实时投放数据是与所述推荐信息的投放过程所关联的数据;
根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据,所述实际效果数据用于表征所述推荐信息在所述信息推荐系统上的实际投放效果;
根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,所述预估效果数据用于表征所述推荐信息在所述信息推荐系统上的预计投放效果;
根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息;
向所述推荐信息对应的投放者客户端发送所述投放建议信息。
2.根据权利要求1所述的方法,其特征在于,所述在信息推荐系统上采集推荐信息的实时投放数据,包括:
通过流式计算系统在所述信息推荐系统上实时采集所述推荐信息的流式数据;
通过所述流式计算系统将所述流式数据进行结构化处理,得到所述推荐信息的实时投放数据,所述结构化处理是将实时采集的流式数据转化为具有结构化存储形式的数据的处理方式。
3.根据权利要求1所述的方法,其特征在于,所述根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据和预估效果数据,包括:
通过数据分析系统每隔预定时间间隔获取所述推荐信息的实时投放数据;
通过所述数据分析系统根据所述实时投放数据计算所述推荐信息的实际效果数据和预估效果数据。
4.根据权利要求1至3任一所述的方法,其特征在于,所述实际效果数据包括实际检索量、实际曝光量、实际点击率和实际成本中的至少一个;
与所述实际检索量对应的所述预估效果数据是当前预估检索量;
与所述实际曝光量对应的所述预估效果数据是当前预估曝光量;
与所述实际点击率对应的所述预估效果数据是当前预估点击率;
与所述实际成本对应的所述预估效果数据是当前预估成本;
其中,所述实际检索量是所述推荐信息对应的关键词在所述信息推荐系统的搜索引擎上的被检索次数;所述实际曝光量是所述推荐信息在所述目标用户客户端上的曝光次数;所述实际点击率是所述推荐信息在所述目标用户客户端上曝光后的被点击次数;所述实际成本是所述推荐信息的转化数据与总花费金额之间的关系。
5.根据权利要求4所述的方法,其特征在于,所述预估效果数据是所述当前预估检索量;
所述根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,包括:
通过如下公式计算所述当前预估检索量:
其中,c(t)为检索机会曲线,所述检索机会曲线是在单位时间段内的可用检索量与时刻之间的关系曲线,所述检索机会曲线是根据所述信息推荐系统上的历史检索数据所计算到的;[t_start,t_curr]为在所述单位时间段内的所述推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在所述单位时间段内所述推荐信息的所述开始投放时刻到结束投放时刻;所述单位时间段内的总预估检索量是所述推荐信息对应的关键词在所述信息推荐系统的搜索引擎上的预估的被检索总次数。
6.根据权利要求5所述的方法,其特征在于,所述通过如下公式计算所述当前预估检索量之前,还包括:
通过如下公式计算所述单位时间段内的总预估检索量:
所述单位时间段内的总预估检索量=a*单位时间段内的总预估曝光量;
ctr=max(ctr1,ctr2)
其中,a为经验值,a≥1,day_budget为在所述单位时间段内投放所述推荐信息的花费预算;bid_price为投放所述推荐信息的单次出价;ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率,r为调整值,r>1,所述单位时间段内的总预估曝光量是所述推荐信息在所述目标用户客户端上的预估的总曝光次数。
7.根据权利要求4所述的方法,其特征在于,所述预估效果数据是当前预估曝光量;
所述根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,包括:
通过如下公式计算所述当前预估曝光量:
其中,d(t)为曝光机会曲线,所述曝光机会曲线是在单位时间段内的曝光量与时刻之间的关系曲线,所述曝光机会曲线是根据所述信息推荐系统上的历史曝光数据所计算到的;[t_start,t_curr]为在所述单位时间段内的所述推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在所述单位时间段内所述推荐信息的所述开始投放时刻到结束投放时刻;所述单位时间段内的总预估曝光量是所述推荐信息在所述目标用户客户端上的预估的总曝光次数。
8.根据权利要求7所述的方法,其特征在于,所述通过如下公式计算所述当前预估曝光量之前,还包括:
通过如下公式计算所述单位时间段内的总预估曝光量:
ctr=max(ctr1,ctr2)
其中,day_budget为在所述单位时间段内投放所述推荐信息的花费预算;bid_price为投放所述推荐信息的单次出价;ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率,r为调整值,r>1。
9.根据权利要求6或8所述的方法,其特征在于,所述方法还包括:
当所述单位时间段内投放所述推荐信息的花费预算或者所述出价被修改时,将所述开始投放时刻重置为修改时刻。
10.根据权利要求4所述的方法,其特征在于,所述预估效果数据是当前预估点击率;
所述根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,包括:
通过如下公式计算所述当前预估点击率:
所述当前预估点击率=min(ctr1,ctr2)
其中,ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率。
11.根据权利要求4所述的方法,其特征在于,所述实际效果数据是实际成本;
所述根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据,包括:
通过如下公式计算所述推荐信息的所述实际成本:
所述实际成本=预定时间段内的总花费金额/所述预定时间段内的转化数据
其中,所述总花费金额是所述推荐信息的总共花费的金额;所述转化数据是所述推荐信息在投放后被转化为有效行为数据的个数。
12.根据权利要求1至11任一所述的方法,其特征在于,所述根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息,包括:
当所述实际检索量小于所述当前预估检索量时,生成第一投放建议信息,所述第一投放建议信息用于建议修改所述推荐信息的投放定向;和/或,
当所述实际曝光量小于所述当前预估曝光量时,生成第二投放建议信息,所述第二投放建议信息用于建议修改所述推荐信息的素材和/或提高所述推荐信息的单次出价;和/或,
当所述实际点击率小于所述当前预估点击率时,生成第三投放建议信息,所述第三投放建议信息是用于建议修改所述推荐信息的素材和/或修改所述推荐信息的投放定向;和/或,
当所述实际成本大于所述当前预估成本时,生成第四投放建议信息,所述第四投放建议信息是用于建议修改所述推荐信息的落地页,所述落地页是所述推荐信息被点击后跳转显示的页面。
13.一种信息发送装置,其特征在于,所述装置包括:
采集模块,用于在信息推荐系统上采集推荐信息的实时投放数据,所述信息推荐系统是用于将所述推荐信息投放至目标用户客户端的平台,所述实时投放数据是与所述推荐信息的投放过程所关联的数据;
第一计算模块,用于根据所述推荐信息的实时投放数据计算所述推荐信息的实际效果数据,所述实际效果数据用于表征所述推荐信息在所述信息推荐系统上的实际投放效果;
第二计算模块,用于根据所述推荐信息的实时投放数据计算所述推荐信息的预估效果数据,所述预估效果数据用于表征所述推荐信息在所述信息推荐系统上的预计投放效果;
生成模块,用于根据所述实际效果数据和对应的所述预估效果数据的比较结果,生成投放建议信息;
发送模块,用于向所述推荐信息对应的投放者客户端发送所述投放建议信息。
14.根据权利要求13所述的装置,其特征在于,所述预估效果数据是当前预估检索量;
所述第二计算模块,包括:
第一计算单元,用于通过如下公式计算所述当前预估检索量:
其中,c(t)为检索机会曲线,所述检索机会曲线是在单位时间段内的可用检索量与时刻之间的关系曲线,所述检索机会曲线是根据所述信息推荐系统上的历史检索数据所计算到的;[t_start,t_curr]为在所述单位时间段内的所述推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在所述单位时间段内所述推荐信息的所述开始投放时刻到结束投放时刻;所述单位时间段内的总预估检索量是所述推荐信息对应的关键词在所述信息推荐系统的搜索引擎上的预估的被检索总次数。
15.根据权利要求14所述的装置,其特征在于,所述第二计算模块,包括:
第二计算单元,用于通过如下公式计算所述单位时间段内的总预估检索量:
所述单位时间段内的总预估检索量=a*单位时间段内的总预估曝光量;
ctr=max(ctr1,ctr2)
其中,a为经验值,a≥1,day_budget为在所述单位时间段内投放所述推荐信息的花费预算;bid_price为投放所述推荐信息的单次出价;ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率,r为调整值,r>1,所述单位时间段内的总预估曝光量是所述推荐信息在所述目标用户客户端上的预估的总曝光次数。
16.根据权利要求13所述的装置,其特征在于,所述预估效果数据是当前预估曝光量;
所述第二计算模块,包括:
第三计算单元,用于通过如下公式计算所述当前预估曝光量:
其中,d(t)为曝光机会曲线,所述曝光机会曲线是在单位时间段内的曝光量与时刻之间的关系曲线,所述曝光机会曲线是根据所述信息推荐系统上的历史曝光数据所计算到的;[t_start,t_curr]为在所述单位时间段内的所述推荐信息的开始投放时刻到当前投放时刻;[t_start,t_end]为在所述单位时间段内所述推荐信息的所述开始投放时刻到结束投放时刻;所述单位时间段内的总预估曝光量是所述推荐信息在所述目标用户客户端上的预估的总曝光次数。
17.根据权利要求16所述的装置,其特征在于,所述第二计算模块,包括:
第四计算单元,用于通过如下公式计算所述单位时间段内的总预估曝光量:
ctr=max(ctr1,ctr2)
其中,day_budget为在所述单位时间段内投放所述推荐信息的花费预算;bid_price为投放所述推荐信息的单次出价;ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率,r为调整值,r>1。
18.根据权利要求13所述的装置,其特征在于,所述预估效果数据是当前预估点击率;
所述第二计算模块,包括:
第五计算单元,用于通过如下公式计算所述当前预估点击率:
所述当前预估点击率=min(ctr1,ctr2)
其中,ctr1为所述推荐信息所属行业的历史平均点击率,ctr2为所述推荐信息在定向投放人群中的平均点击率。
19.根据权利要求13所述的装置,其特征在于,所述实际效果数据是实际成本;
所述第一计算模块,用于通过如下公式计算所述推荐信息的所述实际成本:
所述实际成本=预定时间段内的总花费金额/所述预定时间段内的转化数据
其中,所述总花费金额是所述推荐信息的总共花费的金额;所述转化数据是所述推荐信息在投放后被转化为有效行为数据的个数。
20.根据权利要求12至19任一所述的装置,其特征在于,所述生成模块,包括:
第一生成单元和/或第二生成单元和/或第三生成单元和/或第四生成单元;
所述第一生成单元,用于当所述实际检索量小于所述当前预估检索量时,生成第一投放建议信息,所述第一投放建议信息用于建议修改所述推荐信息的投放定向;
所述第二生成单元,用于当所述实际曝光量小于所述当前预估曝光量时,生成第二投放建议信息,所述第二投放建议信息用于建议修改所述推荐信息的素材和/或提高所述推荐信息的单次出价;
所述第三生成单元,用于当所述实际点击率小于所述当前预估点击率时,生成第三投放建议信息,所述第三投放建议信息是用于建议修改所述推荐信息的素材和/或修改所述推荐信息的投放定向;
所述第四生成单元,用于当所述实际成本大于所述当前预估成本时,生成第四投放建议信息,所述第四投放建议信息是用于建议修改所述推荐信息的落地页,所述落地页是所述推荐信息被点击后跳转显示的页面。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610857303.4A CN106548364B (zh) | 2016-09-27 | 2016-09-27 | 信息发送方法及装置 |
PCT/CN2017/097320 WO2018059142A1 (zh) | 2016-09-27 | 2017-08-14 | 信息发送方法及装置、存储介质 |
EP17854594.3A EP3522090A1 (en) | 2016-09-27 | 2017-08-14 | Information sending method and apparatus, and storage medium |
US16/221,166 US11403353B2 (en) | 2016-09-27 | 2018-12-14 | Information sending method, apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610857303.4A CN106548364B (zh) | 2016-09-27 | 2016-09-27 | 信息发送方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548364A true CN106548364A (zh) | 2017-03-29 |
CN106548364B CN106548364B (zh) | 2020-12-11 |
Family
ID=58368338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610857303.4A Active CN106548364B (zh) | 2016-09-27 | 2016-09-27 | 信息发送方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11403353B2 (zh) |
EP (1) | EP3522090A1 (zh) |
CN (1) | CN106548364B (zh) |
WO (1) | WO2018059142A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059142A1 (zh) * | 2016-09-27 | 2018-04-05 | 腾讯科技(深圳)有限公司 | 信息发送方法及装置、存储介质 |
CN109040000A (zh) * | 2017-06-12 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 基于ip地址的用户识别方法和系统 |
CN109165370A (zh) * | 2018-07-24 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种信息发布方法、系统、服务器及存储介质 |
CN109657132A (zh) * | 2017-10-11 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 推荐信息成本控制方法、装置、计算机设备及存储介质 |
CN109840782A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 点击率预测方法、装置、服务器以及存储介质 |
CN109886748A (zh) * | 2019-02-20 | 2019-06-14 | 广州宏数科技有限公司 | 一种广告智能投放方法和系统 |
CN110472879A (zh) * | 2019-08-20 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源效果的评估方法、装置、电子设备及存储介质 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN110942336A (zh) * | 2019-10-18 | 2020-03-31 | 深圳市星河互动科技有限公司 | 广告数据处理方法及相关设备 |
CN111130984A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于处理信息的方法和装置 |
CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及电子设备 |
CN111277859A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 配乐获取方法、装置、计算机设备和存储介质 |
CN111756827A (zh) * | 2020-06-17 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及服务器 |
CN111949527A (zh) * | 2020-08-05 | 2020-11-17 | 北京字节跳动网络技术有限公司 | 游戏视频的测试方法、装置、设备及存储介质 |
CN112215665A (zh) * | 2020-10-30 | 2021-01-12 | 食亨(上海)科技服务有限公司 | 推广信息投放方法、系统和计算机可读介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213731B (zh) * | 2018-08-01 | 2021-05-14 | 安徽大学 | 云环境中基于迭代加密的多关键词密文检索方法 |
CN110727705B (zh) * | 2019-10-12 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
CN111680221B (zh) * | 2020-08-11 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117491A (zh) * | 2015-09-22 | 2015-12-02 | 北京百度网讯科技有限公司 | 页面推送方法和装置 |
CN105183856A (zh) * | 2015-09-08 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种评价信息内容质量的方法及装置 |
CN105320766A (zh) * | 2015-10-28 | 2016-02-10 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股(北京)有限公司 | 信息推荐方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325584A1 (en) * | 2012-06-04 | 2013-12-05 | David Taylor Bogaty | Methods and systems for attributing changes in an advertising metric of interest to other advertising metrics |
US20170178181A1 (en) * | 2015-12-17 | 2017-06-22 | Linkedin Corporation | Click through rate prediction calibration |
US10915929B1 (en) * | 2016-08-18 | 2021-02-09 | Amazon Technologies, Inc. | Detecting user interaction and delivering content using interaction metrics |
CN106548364B (zh) * | 2016-09-27 | 2020-12-11 | 腾讯科技(北京)有限公司 | 信息发送方法及装置 |
-
2016
- 2016-09-27 CN CN201610857303.4A patent/CN106548364B/zh active Active
-
2017
- 2017-08-14 WO PCT/CN2017/097320 patent/WO2018059142A1/zh unknown
- 2017-08-14 EP EP17854594.3A patent/EP3522090A1/en not_active Ceased
-
2018
- 2018-12-14 US US16/221,166 patent/US11403353B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183856A (zh) * | 2015-09-08 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种评价信息内容质量的方法及装置 |
CN105117491A (zh) * | 2015-09-22 | 2015-12-02 | 北京百度网讯科技有限公司 | 页面推送方法和装置 |
CN105320766A (zh) * | 2015-10-28 | 2016-02-10 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN105871940A (zh) * | 2016-06-27 | 2016-08-17 | 乐视控股(北京)有限公司 | 信息推荐方法和系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059142A1 (zh) * | 2016-09-27 | 2018-04-05 | 腾讯科技(深圳)有限公司 | 信息发送方法及装置、存储介质 |
US11403353B2 (en) | 2016-09-27 | 2022-08-02 | Tencent Technology (Shenzhen) Company Limited | Information sending method, apparatus, and storage medium |
CN109040000A (zh) * | 2017-06-12 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 基于ip地址的用户识别方法和系统 |
CN109040000B (zh) * | 2017-06-12 | 2022-01-07 | 北京京东尚科信息技术有限公司 | 基于ip地址的用户识别方法和系统 |
CN109657132A (zh) * | 2017-10-11 | 2019-04-19 | 腾讯科技(深圳)有限公司 | 推荐信息成本控制方法、装置、计算机设备及存储介质 |
CN109840782A (zh) * | 2017-11-24 | 2019-06-04 | 腾讯科技(深圳)有限公司 | 点击率预测方法、装置、服务器以及存储介质 |
CN109165370A (zh) * | 2018-07-24 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种信息发布方法、系统、服务器及存储介质 |
CN111130984A (zh) * | 2018-10-31 | 2020-05-08 | 北京字节跳动网络技术有限公司 | 用于处理信息的方法和装置 |
CN109886748A (zh) * | 2019-02-20 | 2019-06-14 | 广州宏数科技有限公司 | 一种广告智能投放方法和系统 |
CN110570232A (zh) * | 2019-08-05 | 2019-12-13 | 科大讯飞股份有限公司 | 互联网广告投放方法、装置、服务器及存储介质 |
CN110472879A (zh) * | 2019-08-20 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源效果的评估方法、装置、电子设备及存储介质 |
CN110472879B (zh) * | 2019-08-20 | 2022-05-17 | 秒针信息技术有限公司 | 一种资源效果的评估方法、装置、电子设备及存储介质 |
CN110942336A (zh) * | 2019-10-18 | 2020-03-31 | 深圳市星河互动科技有限公司 | 广告数据处理方法及相关设备 |
CN111277859B (zh) * | 2020-01-15 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 配乐获取方法、装置、计算机设备和存储介质 |
CN111277859A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 配乐获取方法、装置、计算机设备和存储介质 |
CN111259302A (zh) * | 2020-01-19 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及电子设备 |
CN111756827A (zh) * | 2020-06-17 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及服务器 |
CN111756827B (zh) * | 2020-06-17 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置及服务器 |
CN111949527A (zh) * | 2020-08-05 | 2020-11-17 | 北京字节跳动网络技术有限公司 | 游戏视频的测试方法、装置、设备及存储介质 |
CN112215665A (zh) * | 2020-10-30 | 2021-01-12 | 食亨(上海)科技服务有限公司 | 推广信息投放方法、系统和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106548364B (zh) | 2020-12-11 |
EP3522090A4 (en) | 2019-08-07 |
US20190121828A1 (en) | 2019-04-25 |
EP3522090A1 (en) | 2019-08-07 |
US11403353B2 (en) | 2022-08-02 |
WO2018059142A1 (zh) | 2018-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548364A (zh) | 信息发送方法及装置 | |
US11270343B2 (en) | Method and apparatus for generating targeted label, and storage medium | |
CN104918124B (zh) | 直播互动系统、信息发送方法、信息接收方法及装置 | |
CN105787776B (zh) | 信息处理方法及装置 | |
US10271083B2 (en) | Pre-roll advertisement playing method, terminal, and video server | |
CN104731845B (zh) | 用于背景推送通知服务的方法和系统 | |
CN104618217B (zh) | 分享资源的方法、终端、服务器及系统 | |
CN106937158A (zh) | 直播显示方法、装置及系统 | |
CN103959745A (zh) | 监视应用程序资源消耗 | |
CN104244032A (zh) | 推送多媒体数据的方法和装置 | |
CN106534940A (zh) | 直播入口预览图的显示方法及装置 | |
US20150339707A1 (en) | System and method for event triggered search results | |
CN108471376A (zh) | 数据处理方法、装置及系统 | |
WO2014081575A1 (en) | Predicted-location notification | |
CN108255382A (zh) | 一种悬浮菜单内容推荐方法及装置 | |
CN108280692A (zh) | 奖励发放方法、装置、计算机可读存储介质以及终端 | |
CN105009024A (zh) | 节省电池和数据使用 | |
CN105103105A (zh) | 社交封面信息流界面 | |
CN108062390A (zh) | 推荐用户的方法、装置和可读存储介质 | |
CN110221737A (zh) | 一种图标显示方法及终端设备 | |
CN106210033B (zh) | 任务推送方法、装置及系统 | |
CN109635205A (zh) | 信息推送方法及终端设备 | |
CN111435377B (zh) | 应用推荐方法、装置、电子设备以及存储介质 | |
CN107562539A (zh) | 应用程序处理方法和装置、计算机设备、存储介质 | |
CN106656743A (zh) | 消息展示方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |