CN107463853A - 受众标签分析的方法及系统 - Google Patents
受众标签分析的方法及系统 Download PDFInfo
- Publication number
- CN107463853A CN107463853A CN201710659433.1A CN201710659433A CN107463853A CN 107463853 A CN107463853 A CN 107463853A CN 201710659433 A CN201710659433 A CN 201710659433A CN 107463853 A CN107463853 A CN 107463853A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- source data
- audient
- source
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种受众标签分析的方法,因为应用数据平台获取大量用户的用户行为特征数据和产品特征数据,数据加工平台将其处理为用户行为映射关系权重表,源数据加工平台将源数据和用户行为映射关系权重表处理为源数据模型,在智能终端安装应用程序,数据服务中心将源数据模型发送至应用程序,应用程序调用智能终端存储的用户数据,并将该用户数据与源数据模型处理得到计算结果,数据服务中心将计算结果与应用数据平台设定的阈值进行比较,得到用户标签,然后将用户标签发送给应用服务器,因此,用户的隐私数据能够留存在智能设备中,而仅仅向外发布用户的个性化标签,增强了企业对于用户的服务水平,同时较好的保障了用户的个人隐私。
Description
技术领域
本发明属于网络安全技术领域,具体涉及一种受众标签分析的方法及系统。
背景技术
随着电子技术的发展,云计算和个性化推荐逐渐成为了企业向客户服务的主流模式,越精准的推荐越需要获取更多的用户的个性化数据。目前通常做法是将用户的隐私数据,例如通讯录中的信息,短信,本地照片等上传至服务商的云服务器中,这样无形中增大了用户的隐私泄露。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种不用泄露用户隐私数据,而能够获取到用户相关信息标签的受众标签分析的方法及系统。
本发明提供了一种受众标签分析的方法,其特征在于,包括以下步骤:步骤1,应用数据平台获取大量用户的用户行为特征数据和产品特征数据发送给数据加工平台,并向素材中心发送商家待售产品的源数据;
步骤2,素材中心存储所述源数据,数据加工平台将所述用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表;
步骤3,源数据加工平台将所述用户行为映射关系权重表和所述源数据进行处理得到源数据模型;
步骤4,所述智能终端上安装应用程序,数据服务中心将所述源数据模型发送到所述应用程序,所述应用程序调用所述智能终端中存储的用户数据,并将该用户数据与所述源数据模型进行处理得到计算结果;
步骤5,所述数据服务中心将所述计算结果和所述应用数据平台设定的阈值进行比较,得到用户标签,然后将所述用户标签发送给应用服务器。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,用户行为特征数据包括:用户的唯一标识;用户对于特定产品的浏览数据、收藏数据、购买数据、评价信息和转发信息。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,产品特征数据包括:产品相关的图片、文字、视频、音频、多媒体、发售信息、售后信息和评论信息。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,源数据包括:商家待售的产品的的各类描述信息,描述信息包含销售价格、销售方式、产品图片。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,数据加工平台处理所述用户行为特征数据和产品特征数据的方法如下:
所述数据加工平台将所述用户行为特征数据和产品特征数据进行聚类计算,建立行为权重和产品特征数据的用户行为映射关系权重表。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,在聚类计算中,通过调整聚类时的参数,得到合适的用户行为映射关系权重表。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,所述源数据模型包含卷积神经网络模型和用户行为映射关系权重表。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,所述源数据加工平台处理所述用户行为映射关系权重表和所述源数据采用如下方法:
通过训练所述源数据得到源数据的卷积神经网络模型,将所述卷积神经网络模型和所述用户行为映射关系权重表关联,得到源数据模型。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,计算结果为智能设备的用户与素材中心的各源数据之间的关联程度。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,用户标签的获得方法为:将用户与素材中心的每个源数据之间的关联程度均与阈值进行比较,
用户与素材中心的一个源数据之间的关联程度均与阈值进行比较的规则:当用户与素材中心的源数据之间的关联程度大于阈值时,该源数据属于用户标签信息;当用户与素材中心的源数据之间的关联程度小于阈值时,该源数据不属于用户标签信息,
将所有属于用户标签信息的源数据和用户标识组成用户标签。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,应用程序的处理方法如下:先将所述智能终端中存储的数据进行处理,然后输送至所述源数据模型中,得到计算结果。
进一步,在本发明提供的受众标签分析的方法中,还可以具有这样的特征:其中,应用程序检测到智能设备中存储的数据有更新,则将新增的数据与所述源数据模型进行处理得到新的计算结果,然后执行步骤5。
本发明还提供了一种受众标签分析的系统,其特征在于,包括:应用数据平台,用于获取用户行为特征数据和产品特征数据,并设定阈值、输入源数据;
数据加工平台,用于将所述用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表;
素材中心,用于存储所述源数据;
源数据加工平台,根据所述源数据和所述用户行为映射关系权重表基于预定规则得到源数据模型;
安装在智能终端上的应用程序,包含:用于调用所述智能终端中存储的用户数据的调用模块、用于将所述用户数据和所述源数据模型处理得到计算结果的处理模块、以及和数据服务中心相互传输数据的通信模块;
数据服务中心,与所述源数据加工平台和智能终端连接,用于接收所述源数据加工平台处理得到的源数据模型,将所述源数据模型发送给所述应用程序,接收所述智能终端中应用程序处理得到的计算结果,并将所述计算结果与所述应用数据平台设定的阈值进行比较,得到用户标签,然后将所述用户标签发送给应用服务器;
应用服务器,用于接收所述数据服务中心发送的所述用户标签并进行后续操作。
进一步,在本发明提供的受众标签分析的系统中,还可以具有这样的特征:其中,应用程序还包含检测模块,所述检测模块用于检测所述智能终端中的用户数据是否更新。
本发明的优点如下:
根据本发明所涉及的受众标签分析的方法,因为应用数据平台获取大量用户的用户行为特征数据和产品特征数据,数据加工平台将用户行为特征数据和产品特征数据处理为用户行为映射关系权重表,源数据加工平台将源数据和用户行为映射关系权重表处理为源数据模型,在智能终端安装应用程序,数据服务中心将源数据模型发送至智能终端的应用程序,应用程序调用智能终端中存储的用户数据,并将该用户数据与源数据模型进行处理得到计算结果,数据服务中心将计算结果与应用数据平台设定的阈值进行比较,得到用户标签,然后将用户标签发送给应用服务器,通过使用本方法,用户的隐私数据得以留存在用户所能掌握的设备中,而仅仅向外发布用户的个性化标签,增强了企业对于用户的服务水平,同时较好的保障了用户的个人隐私。
本发明所涉及的受众标签分析的系统,使得用户的隐私数据留存在用户所能掌握的设备中,而仅仅向外发布用户的个性化标签,增强了企业对于用户的服务水平,同时较好的保障了用户的个人隐私。
附图说明
图1是本发明中受众标签分析的方法的流程图;
图2是本发明中受众标签分析的系统的结构图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明受众标签分析的方法及系统作具体阐述。
在本实施例中,如图1所示,受众标签分析的方法包含以下步骤:
步骤S1,应用数据平台获取大量用户的用户行为特征数据和产品特征数据并发送给数据加工平台,并向素材中心发送商家待售产品的源数据。
用户行为特征数据包括:用户的唯一标识;用户对于特定产品的浏览数据;用户对于特定产品的收藏数据;用户对于特定产品的购买数据;用户对于特定产品的评价信息;用户对于特定产品的转发信息。
产品特征数据包括:产品相关的图片、文字、视频、音频、多媒体、发售信息、售后信息和评论信息。
源数据包含:商家待售的产品的的各类描述信息,描述信息包含销售价格、销售方式、产品图片等。
步骤S2,素材中心存储源数据,数据加工平台将用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表。
数据加工平台将用户行为特征数据和产品特征数据进行聚类计算,建立行为权重和产品特征数据的用户行为映射关系权重表。在聚类计算时,调整聚类时的参数,能够调整得到合适的用户行为映射关系权重表。
步骤S3,源数据加工平台将用户行为映射关系权重表和源数据进行处理得到源数据模型。
在本实施例中,源数据模型包含卷积神经网络模型和用户行为映射关系权重表。
源数据加工平台的处理方法为:通过训练源数据得到源数据的卷积神经网络模型,将卷积神经网络模型和用户行为映射关系权重表关联,得到源数据模型。
步骤S4,智能终端上安装应用程序,数据服务中心将源数据模型发送到应用程序,应用程序调用智能终端中存储的用户数据,并将该用户数据与源数据模型进行处理得到计算结果。
在本实施例中,源数据模型的发送方式为:数据服务中心将源数据模型进行序列化,然后通过网络发送到智能终端的应用程序上,应用程序根据接收到的信号,重建源数据模型。
应用程序处理用户数据与源数据模型的方法为:应用程序先对用户数据进行简单的处理,然后输送至源数据模型中,计算得到计算结果。
其中,计算结果为用户与素材中心的各源数据之间的关联程度。即用户与素材中心的每个源数据均存在一个关联程度。在本实施例中,将关联程度归一化为0-1之间的数字,关联程度越接近1,则该用户与该源数据的关联度越大。
步骤S5,数据服务中心将计算结果和应用数据平台设定的阈值进行比较,得到用户标签,然后将用户标签发送给应用服务器。用户标识和与用户关联程度大的源数据组合作为用户标签。
用户标签的获得方法如下:将用户与素材中心的每个源数据的关联程度均与阈值进行比较。用户与素材中心的一个源数据的关联程度与阈值进行比较的规则:当用户与素材中心的源数据之间的关联程度大于阈值时,该源数据属于用户标签信息;当用户与素材中心的源数据之间的关联程度小于于阈值时,该源数据不属于用户的标签信息。将所有属于用户标签信息的源数据和用户标识作为该用户的用户标签。
因此,应用服务器仅能得到智能设备中用户数据的用户标签,并没有获得智能设备中存储的用户数据,避免了用户的隐私数据泄露。
在本实施例中,当应用程序检测到智能设备中存储的用户数据有更新,则将新增的数据与源数据模型进行处理得到新的计算结果,然后重新执行步骤5。
本发明还提供了一种受众标签分析的系统,包含:应用数据平台10、数据加工平台20、素材中心30、源数据加工平台40、数据服务中心50、应用程序60和应用服务器70。
应用数据平台10用于获取用户行为特征数据和产品特征数据,并设定阈值、输入源数据。
数据加工平台20用于将用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表。
素材中心30用于存储源数据。
源数据加工平台40用于根据源数据和用户行为映射关系权重表基于预定规则得到源数据模型。
应用程序60安装在智能终端上,包含:用于调用智能终端中存储的用户数据的调用模块、用于将用户数据和源数据模型处理得到计算结果的处理模块、以及用于和数据服务中心相互传输数据的通信模块。在本实施例中,应用程序60还包含检测模块,检测模块用于检测智能终端200中存储的用户数据是否更新。
数据服务中心50,与源数据加工平台40和智能终端200连接,用于接收源数据加工平台处理得到的源数据模型,将源数据模型发送给应用程序60,接收智能终端200中应用程序60处理得到的计算结果,并将计算结果与应用数据平台10设定的阈值进行比较,得到用户标签,然后将用户标签发送给应用服务器70。
应用服务器70用于接收数据服务中心50发送的用户标签进行后续操作。
以广告投放为例,应用数据平台10搜集用户在其网站上的浏览行为、购买行为、产品图片编号等用户行为特征数据和产品特征数据,并将其上传至数据加工平台20,数据加工平台20将这些用户行为特征数据和产品特征数据进行聚类,将可能对某产品感兴趣的用户进行区分,建立行为权重和产品编号的用户行为映射关系权重表。
广告主通过应用数据平台10输入广告素材,应用数据平台10将广告素材上传至素材中心30,广告素材即源数据,广告素材包含产品的图片和产品编号等。
源数据加工平台40从素材中心30获得广告素材,并对广告素材进行处理。首先,源数据加工平台40将产品图片进行处理,通过缩放处理成与手持智能终端屏幕相适用的分辨率。然后,建立多个卷积层、多个全连接层的卷积神经网络模型,通过卷积神经网络模型对广告素材进行训练,建立产品图片和产品编号的卷积神经网络模型。
源数据加工平台40再通过产品编号将用户行为映射关系权重表和卷积神经网络模型建立关联关系,得到源数据模型。然后源数据加工平台40将源数据模型发送到数据服务中心50。
数据服务中心50将源数据模型序列化后,发送到智能设备200的应用程序60。
应用程序60获取智能终端200中存储的本地图片和拥有者在该智能终端上的上网浏览记录。对图片进行剪裁、旋转、缩放等处理,然后送至源数据模型的卷积神经网络模型中,获取与广告素材中各产品编号的关联程度;上网浏览记录通过用户行为映射关系权重表得到广告素材中各产品编号的关联程度。关联程度归一化为0-1之间的数字。通过本地图片和上网浏览行为得到的与广告素材中各产品编号的关联程度均是该用户与与广告素材中各产品的关联程度。然后,应用程序60将该用户与广告素材中各产品的关联程度发送回数据服务中心50。
数据服务中心50将得到的用户与广告素材中各产品的关联程度分别与应用数据平台10设定的阈值进行比较。如果用户与广告素材中的产品的关联程度大于阈值,说明该用户对该产品感兴趣,具有购买倾向,产品与该用户匹配,该产品属于用户标签信息;如果用户与广告素材中的产品的关联程度小于阈值,说明该用户没有关注或者对该产品的兴趣不大,不具有购买倾向,则该产品与该用户不匹配,该产品不属于用户的标签信息。所有属于用户标签信息的产品的广告素材和用户标识组成用户标签,数据服务中心50将用户标签发送到应用服务器70,应用服务器70进行后续操作,例如向该用户推送用户标签中包含的产品的广告。
如果应用程序60检测到智能终端200中存储用户数据更新,例如本地图片、上网浏览记录有新增加,则应用程序60继续处理用户数据并得到用户与各产品的关联程度,然后将新得到的用户与各产品的关联程度发送给数据服务中心50,数据服务中心50进行判断。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (14)
1.一种受众标签分析的方法,其特征在于,包括以下步骤:
步骤1,应用数据平台获取大量用户的用户行为特征数据和产品特征数据发送给数据加工平台,并向素材中心发送商家待售产品的源数据;
步骤2,素材中心存储所述源数据,数据加工平台将所述用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表;
步骤3,源数据加工平台将所述用户行为映射关系权重表和所述源数据进行处理得到源数据模型;
步骤4,所述智能终端上安装应用程序,数据服务中心将所述源数据模型发送到所述应用程序,所述应用程序调用所述智能终端中存储的用户数据,并将该用户数据与所述源数据模型进行处理得到计算结果;
步骤5,所述数据服务中心将所述计算结果和所述应用数据平台设定的阈值进行比较,得到用户标签,然后将所述用户标签发送给应用服务器。
2.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,所述用户行为特征数据包括:用户的唯一标识;用户对于特定产品的浏览数据、收藏数据、购买数据、评价信息和转发信息。
3.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,所述产品特征数据包括:产品相关的图片、文字、视频、音频、多媒体、发售信息、售后信息和评论信息。
4.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,所述源数据包括:商家待售的产品的各类描述信息,描述信息包含销售价格、销售方式、产品图片。
5.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,数据加工平台处理所述用户行为特征数据和产品特征数据的方法如下:
所述数据加工平台将所述用户行为特征数据和产品特征数据进行聚类计算,建立行为权重和产品特征数据的用户行为映射关系权重表。
6.根据权利要求5所述的受众标签分析的方法,其特征在于:
其中,在聚类计算中,通过调整聚类时的参数,得到合适的用户行为映射关系权重表。
7.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,所述源数据模型包含卷积神经网络模型和用户行为映射关系权重表。
8.根据权利要求7所述的受众标签分析的方法,其特征在于:
其中,所述源数据加工平台处理所述用户行为映射关系权重表和所述源数据采用如下方法:
通过训练所述源数据得到源数据的卷积神经网络模型,将所述卷积神经网络模型和所述用户行为映射关系权重表关联,得到源数据模型。
9.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,所述计算结果为所述智能设备的用户与素材中心的各源数据之间的关联程度。
10.根据权利要求9所述的受众标签分析的方法,其特征在于:
其中,用户标签的获得方法为:将用户与素材中心的每个源数据之间的关联程度均与阈值进行比较,
用户与素材中心的一个源数据之间的关联程度均与阈值进行比较的规则:当用户与素材中心的源数据之间的关联程度大于阈值时,该源数据属于用户标签信息;当用户与素材中心的源数据之间的关联程度小于阈值时,该源数据不属于用户标签信息,
将所有属于用户标签信息的源数据和用户标识组成用户标签。
11.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,应用程序的处理方法如下:先将所述智能终端中存储的数据进行处理,然后输送至所述源数据模型中,得到计算结果。
12.根据权利要求1所述的受众标签分析的方法,其特征在于:
其中,应用程序检测到智能设备中存储的数据有更新,则将新增的数据与所述源数据模型进行处理得到新的计算结果,然后执行步骤5。
13.一种受众标签分析的系统,其特征在于,包括:
应用数据平台,用于获取用户行为特征数据和产品特征数据,并设定阈值、输入源数据;
数据加工平台,用于将所述用户行为特征数据和产品特征数据进行处理得到用户行为映射关系权重表;
素材中心,用于存储所述源数据;
源数据加工平台,根据所述源数据和所述用户行为映射关系权重表基于预定规则得到源数据模型;
安装在智能终端上的应用程序,包含:用于调用所述智能终端中存储的用户数据的调用模块、用于将所述用户数据和所述源数据模型处理得到计算结果的处理模块、以及和数据服务中心相互传输数据的通信模块;
数据服务中心,与所述源数据加工平台和智能终端连接,用于接收所述源数据加工平台处理得到的源数据模型,将所述源数据模型发送给所述应用程序,接收所述智能终端中应用程序处理得到的计算结果,并将所述计算结果与所述应用数据平台设定的阈值进行比较,得到用户标签,然后将所述用户标签发送给应用服务器;
应用服务器,用于接收所述数据服务中心发送的用户标签并进行后续操作。
14.根据权利要求13所述的受众标签分析的系统,其特征在于:
其中,所述应用程序还包含检测模块,所述检测模块用于检测所述智能终端中的用户数据是否更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710659433.1A CN107463853B (zh) | 2017-08-04 | 2017-08-04 | 受众标签分析的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710659433.1A CN107463853B (zh) | 2017-08-04 | 2017-08-04 | 受众标签分析的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463853A true CN107463853A (zh) | 2017-12-12 |
CN107463853B CN107463853B (zh) | 2020-01-21 |
Family
ID=60548417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710659433.1A Active CN107463853B (zh) | 2017-08-04 | 2017-08-04 | 受众标签分析的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463853B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491490A (zh) * | 2018-03-14 | 2018-09-04 | 南京易好信息技术有限公司 | 电商平台商品标签化区分识别系统及其方法 |
CN113190599A (zh) * | 2021-06-30 | 2021-07-30 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
WO2022032454A1 (zh) * | 2020-08-10 | 2022-02-17 | Oppo广东移动通信有限公司 | 无线通信方法、终端设备和服务器 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236867A (zh) * | 2011-08-15 | 2011-11-09 | 悠易互通(北京)广告有限公司 | 基于云计算的受众行为分析广告定向系统 |
CN102760124A (zh) * | 2011-04-25 | 2012-10-31 | 阿里巴巴集团控股有限公司 | 一种推荐数据的推送方法及系统 |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及系统 |
CN103491146A (zh) * | 2013-09-10 | 2014-01-01 | 百川通联(北京)网络技术有限公司 | 一种网络信息投放方法、装置和系统 |
CN103996131A (zh) * | 2014-04-30 | 2014-08-20 | 杭州顺网科技股份有限公司 | 一种针对网游人群的精准广告投放方法 |
CN104980498A (zh) * | 2015-05-28 | 2015-10-14 | 浙江工业大学 | 基于移动自组网络的广告信息推送分享系统 |
CN105245583A (zh) * | 2015-09-24 | 2016-01-13 | 北京金山安全软件有限公司 | 一种推广信息推送方法及装置 |
CN105915949A (zh) * | 2015-12-23 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 一种视频内容推荐方法、设备和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
-
2017
- 2017-08-04 CN CN201710659433.1A patent/CN107463853B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760124A (zh) * | 2011-04-25 | 2012-10-31 | 阿里巴巴集团控股有限公司 | 一种推荐数据的推送方法及系统 |
CN102236867A (zh) * | 2011-08-15 | 2011-11-09 | 悠易互通(北京)广告有限公司 | 基于云计算的受众行为分析广告定向系统 |
CN103177093A (zh) * | 2013-03-13 | 2013-06-26 | 北京开心人信息技术有限公司 | 一种基于对象标签的通用推荐方法及系统 |
CN103491146A (zh) * | 2013-09-10 | 2014-01-01 | 百川通联(北京)网络技术有限公司 | 一种网络信息投放方法、装置和系统 |
CN103996131A (zh) * | 2014-04-30 | 2014-08-20 | 杭州顺网科技股份有限公司 | 一种针对网游人群的精准广告投放方法 |
CN104980498A (zh) * | 2015-05-28 | 2015-10-14 | 浙江工业大学 | 基于移动自组网络的广告信息推送分享系统 |
CN105245583A (zh) * | 2015-09-24 | 2016-01-13 | 北京金山安全软件有限公司 | 一种推广信息推送方法及装置 |
CN105915949A (zh) * | 2015-12-23 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 一种视频内容推荐方法、设备和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491490A (zh) * | 2018-03-14 | 2018-09-04 | 南京易好信息技术有限公司 | 电商平台商品标签化区分识别系统及其方法 |
WO2022032454A1 (zh) * | 2020-08-10 | 2022-02-17 | Oppo广东移动通信有限公司 | 无线通信方法、终端设备和服务器 |
CN113190599A (zh) * | 2021-06-30 | 2021-07-30 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
CN113190599B (zh) * | 2021-06-30 | 2021-09-28 | 平安科技(深圳)有限公司 | 应用用户行为数据的处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107463853B (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11798052B2 (en) | Systems, apparatuses, and methods for extracting inventory from unstructured electronic messages | |
US20180357703A1 (en) | Recommendations Based Upon Explicit User Similarity | |
US10776817B2 (en) | Selecting content for presentation to an online system user based on categories associated with content items | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN104331417A (zh) | 一种用户个人服饰的搭配方法 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN109767302B (zh) | 大数据精准模型的构建方法及装置 | |
CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
KR20200017443A (ko) | 소셜 네트워크 서비스를 활용한 각인 마케팅 시스템 | |
CN116664207A (zh) | 一种基于大数据的新媒体广告投放监测系统 | |
CN106933969A (zh) | 基于行业上下游关系的个性化推荐系统和推荐方法 | |
CN107463853A (zh) | 受众标签分析的方法及系统 | |
US20200104300A1 (en) | Adaptive collaborative matching | |
CN112819025A (zh) | 识别图像中与用户向在线系统标识的产品匹配的对象 | |
CN111461827A (zh) | 产品评价信息的推送方法和装置 | |
CN113469786A (zh) | 物品推荐的方法、装置、计算机设备和存储介质 | |
CN108182268A (zh) | 一种基于社会网络的协同过滤推荐方法及系统 | |
EP3474215A1 (en) | Electronic survey and entity matching marketplace | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN111083211B (zh) | 一种基于大数据平台的用户触达方法与系统 | |
CN111476613A (zh) | 基于客流分析的导购辅助方法及装置、服务器、存储介质 | |
CN114155004A (zh) | 客户管理方法及装置 | |
CN107562846A (zh) | 一种推荐应用的方法和装置 | |
TWM633789U (zh) | 媒合系統 | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 |
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 |