CN107464141B - 用于信息推广的方法、装置、电子设备及计算机可读介质 - Google Patents
用于信息推广的方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN107464141B CN107464141B CN201710666308.3A CN201710666308A CN107464141B CN 107464141 B CN107464141 B CN 107464141B CN 201710666308 A CN201710666308 A CN 201710666308A CN 107464141 B CN107464141 B CN 107464141B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- characteristic
- model
- network topology
- 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
Images
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
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种用于信息推广的方法、装置、电子设备及计算机可读介质。涉及计算机信息处理领域,该方法包括:获取第一用户的数据,第二用户的数据以及所述第一用户与所述第二用户之间的联系数据;通过所述第一用户的数据,所述第二用户的数据以及所述联系数据获取特征数据;以及将所述特征数据输入排序模型以确定所述第二用户的排序评分,所述排序模型为支持向量机回归模型;以及根据所述排序评分对所述第二用户进行信息推广。本申请的用于信息推广的方法、装置、电子设备及计算机可读介质,在给用户推送广告的时候,能够提升推送广告的精准度与广度。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用于信息推广的方法、装置、电子设备及计算机可读介质。
背景技术
基本上所有的互联网公司都有其广告投放平台,这是给广告主投放广告的一个页面。广告主可以通过广告提交页面提交自己的广告需求,后台会给广告主圈定一部分潜在用户。在现有的技术中,通常会采用显性定位的方式投放广告,也就是说,广告主根据用户的标签直接定位,比如说通过年龄、性别、地域这样的标签来直接圈定一部分用户进行投放。这个时候主要是通过后台的用户画像对待推广的广告进行适应用户的挖掘。上述的标签和用户画像主要来源于广告主对自己产品的理解,圈出目标用户。这种人工定义的方法,可能不够精准,或者可能通过年龄和地域指定的用户量很大,需要进一步的做精准筛选。而且,对于指定标签的用户会推广该广告,对非标签用户不会推广该广告,使得广告投放商家很可能忽略了可能潜在的客户群体。
因此,需要一种新的用于信息推广的方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用于信息推广的方法、装置、电子设备及计算机可读介质,能够在给用户推送广告的时候,提升推送广告的精准度与广度。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提出一种用于信息推广的方法,该方法包括:获取第一用户的数据,第二用户的数据以及第一用户与第二用户之间的联系数据;通过第一用户的数据,第二用户的数据以及联系数据获取特征数据;将特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型;以及根据排序评分对第二用户进行信息推广。
在本公开的一种示例性实施例中,还包括:根据历史用户数据构建排序模型。
在本公开的一种示例性实施例中,获取第一用户的数据,第二用户的数据以及第一用户与第二用户之间的联系数据,包括:获取第一用户的数据;以及根据第一用户的数据获取第二用户的数据以及第一用户与第二用户之间的联系数据。
在本公开的一种示例性实施例中,获取第一用户的数据,包括:通过二分类模型对用户进行打分排序以获取第一用户;通过第一用户的相关信息生成第一用户的数据。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据获取特征数据,包括:通过第一用户的数据,第二用户的数据以及联系数据,构建网络拓扑结构以获取特征数据。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据,构建网络拓扑结构以获取特征数据,包括:通过第一用户的数据,第二用户的数据以及联系数据,通过node2vec算法构建网络拓扑结构以获取特征数据。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据,通过node2vec算法构建网络拓扑结构以获取特征数据,包括:将第一用户与第二用户作为网络拓扑结构中的节点;将联系数据作为网络拓扑结构中的边;以及通过node2vec算法利用节点与边,建立网络拓扑结构。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据,通过node2vec算法构建网络拓扑结构以获取特征数据,包括:通过随机游走算法与网络拓扑结构获取第一特征数据与第二特征数据。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据获取特征数据,还包括:通过第一用户的数据,第二用户的数据以及联系数据,构建二分图模型以获取第三特征数据。
在本公开的一种示例性实施例中,将特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型,包括:将第一特征数据、第二特征数据以及第三特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型。
在本公开的一种示例性实施例中,根据历史用户数据构建排序模型,包括:将历史用户数据分为正样本数据与负样本数据;以及通过正样本数据与负样本数据利用支持向量机回归算法进行训练,以获取排序模型。
根据本发明的一方面,提出一种用于信息推广的装置,该装置包括:数据模块,用于获取预定用户数据,用户数据包括第一用户的数据、第二用户的数据,以及第一用户与第二用户之间的联系数据;网络模块,用于根据预定用户数据,构建网络拓扑结构以获取特征数据;评分模块,用将特征数据输入排序模型以确定排序评分,排序模型为支持向量机回归模型;以及推广模块,用于根据排序评分对第二用户进行信息推广。
在本公开的一种示例性实施例中,还包括:模型模块,用于根据历史用户数据构建排序模型。
根据本发明的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述方法。
根据本发明的一方面,提出一种计算机可读介质,其上存储有计算机程序,其特征在于,程序被处理器执行时实现上文描述的方法。
根据本发明的用于信息推广的方法、装置、电子设备及计算机可读介质,能够在给用户推送广告的时候,提升推送广告的精准度与广度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种用于信息推广的方法的流程图。
图2是根据另一示例性实施例示出的一种用于信息推广的方法的示意图。
图3是根据一示例性实施例示出的一种用于信息推广的方法中网络示意图。
图4是根据另一示例性实施例示出的一种用于信息推广的方法中网络示意图。
图5是根据另一示例性实施例示出的一种用于信息推广的方法的示意图。
图6是根据另一示例性实施例示出的一种用于信息推广的方法的示意图。
图7是根据一示例性实施例示出的一种用于信息推广的装置的框图。
图8是根据另一示例性实施例示出的一种电子设备的框图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
下面结合附图对本公开示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种用于信息推广的方法的流程图。
如图1所示,在S102中,获取第一用户的数据,第二用户的数据以及第一用户与第二用户之间的联系数据。可例如:获取第一用户的数据;根据第一用户的数据获取第二用户的数据以及第一用户与第二用户之间的联系数据。在本实施例中,第一用户可例如为优选出来的目标客户,根据上文中介绍的背景,第一用户也可例如为,曾经阅读过类似广告的客户。还可例如,根据历史上的用户信息,通过分析处理,筛选出来的用户,本发明不以此为限。第二用户可例如为,与第一用户有相关联系的其他客户,可例如,第一用户的朋友、亲属,同事以及其他。通过第一客户获取第二客户的数据,还可例如,获取第一用户与第二用户之间的联系数据,可例如为沟通次数数据,还可例如,网络互动数据,还可例如为共同关注的热点消息数据等等。
在S104中,通过第一用户的数据,第二用户的数据以及联系数据获取特征数据。根据上文背景描述,可例如,第一用户为该广告的优质客户,通过第一用户获取出第二用户的数据以及联系数据,可例如,建立模型,分析上述数据之间的联系,通过模型获取出第一用户与第二用户之间的特征数据。在本实施例中,特征数据可例如为第一用户与第二用户之间的亲密度数据、兴趣相似度数据等等,本发明不以此为限。
在S106中,将特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型。可例如,根据历史用户数据建立排序评分模型,排序评分模型可例如通过支持向量机回归算法建立。SVR(支持向量机回归),用支持向量去做回归。SVR最回归在本质上类似于SVM(支持向量机),支持向量机(SVM)是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则为了最小化期望风险,应同时最小化经验风险和置信范围)。SVR最回归在本质上类似于SVM,都有一个边界,只不过是SVR中的边界表示和SVM是不相同的,完全相反。在SVM中的边界是想把两个类别分开,而这里SVR的边界是:在边界里面的的数据是不会对对回归有任何的帮助,也就是没有贡献,说白了就是边界里的数据认为是正确的,不用对边界里面的数据进行惩罚。通过支持向量机回归算法建立的排序模型,可例通过输入的特征参数,输出评分结果。
在S108中,根据排序评分对第二用户进行信息推广。根据上文所述,将特征数据输入排序模型中进行排序,输出的结果为排序评分数据,在本实施例中,可认为,这个评分的分数反映了第一用户与第二用户之间的相似程度。从网络特点上来看,如果一个人和朋友同时收到了某一个广告,朋友同时收到这个广告的时候,它会形成用户之间的互动。很可能会因为某个好朋友对一个广告进行了点赞或者评论,而引起其他人对这个广告的关注呢。根据上述的考虑,可例如,通过排序评分,选择出与第一用户相似度较高的前n名用户,进行该广告的信息推广。
根据本发明的用于信息推广的方法,通过用户数据以及用户之间的联系数据提取特征数据,进而根据特征数据对优质用户的朋友进行信息推广的方式,能够在给用户推送广告的时候,提升推送广告的精准度与广度。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种用于信息推广的方法的示意图。在本公开的一种示例性实施例中,获取第一用户的数据,包括:通过二分类模型对用户进行打分排序以获取第一用户;通过第一用户的相关信息生成第一用户的数据。可例如,通过决策树算法或者贝叶斯理论构建二分类模型,还可例如,广告主提供已有的客户名单作为种子用户,这是二分类模型机器学习的正样本,然后会从网站系统中的活跃用户里面(非种子用户)或者历史已经积累了相似的广告负反馈的用户,作为二分类模型的负样本,训练此二分类的模型,利用模型结果对系统中任意一个用户进行打分排序,取出广告主需要的目标数据的用户。
根据本发明的用于信息推广的方法,通过二分类模型对用户打分以获得预定用户的方式,能够更加准确方便的提取出潜在的优质用户,为广告推广提供用户资源。
图3是根据另一示例性实施例示出的一种用于信息推广的方法中网络示意图。如图3所示,在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据获取特征数据,包括:通过第一用户的数据,第二用户的数据以及联系数据,构建网络拓扑结构以获取特征数据。可例如,通过第一用户的数据,第二用户的数据以及联系数据,通过node2vec算法构建网络拓扑结构以获取特征数据。还可例如,将第一用户与第二用户作为网络拓扑结构中的节点;将联系数据作为网络拓扑结构中的边;以及通过node2vec算法利用节点与边,建立网络拓扑结构。node2vec算法是一种将网络结构中节点转化为节点向量的方法。该算法主要借鉴了word2vec,将网络结构通过随机游走的方式,转换为类似“sentence”的节点序列的形式。即在图网络通过一个节点本生,按照一个搜索的方法生成节点序列,这个节点序列可以对应于自然语言的某句话,某个点赞,某个红心,某个礼物,后面通过word2vec框架,将节点embedding为一个向量。生成节点序列的搜索策略比较重要,这里通过随机游走,可例如,是通过一个用户,然后通过后台列表查看他的社交好友,然后遍历一个好友,通过一个随机生成0,1的随机数,如果是0则进行广度搜索,继续遍历列表,如果是1,则是深度搜索,遍历他的好友的好友列表。
图4是根据另一示例性实施例示出的一种用于信息推广的方法中网络示意图。如图4所示,在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据,通过node2vec算法构建网络拓扑结构以获取特征数据,包括:通过随机游走算法与网络拓扑结构获取第一特征数据与第二特征数据。可例如,通过将第一用户与第二用户之间的联系数据作为网络拓扑结构的边的方式,根据关系数据的不同给网络的边赋予不同的参数数值。可例如,将联系数据中的沟通频次量化后,作为网络拓扑的边,通过随机游走的方式,可以获得第一用户与第二用户之间的第一特征数据,第一特征数据可例如为亲密度数据。还可例如,第一与第二用户构成的网络拓扑结构本身就具有其自身的特征,可例如,在网络中的边被赋值同样(可例如1)的时候,通过随机游走可以获得第一用户与第二用户之间的第二特征数据,第二特征数据可例如为网络拓扑相似度数据。
根据本发明的用于信息推广的方法,通过第一用户,第二用户以及他们之间的联系数据构建网络拓扑结构,并利用网络拓扑结构获取特征数据的方式,能够准确方便的获取第一用户与第二用户之间的特征数据,提高后续潜在客户提取的准确度。
在本公开的一种示例性实施例中,通过第一用户的数据,第二用户的数据以及联系数据获取特征数据,还包括:通过第一用户的数据,第二用户的数据以及联系数据,构建二分图模型以获取第三特征数据。在本实施例中,联系数据可例如为共同关注的文章数据,根据第一与第二用户共同关注的文章构建二分图模型,二分图模型如图5所示,根据二分图模型,将第一与第二用户之间的关注文章数量进行量化处理,进而获得第三特征数据,第三特征数据可例如为兴趣相似度数据。
在本公开的一种示例性实施例中,还包括:根据历史用户数据构建排序模型。将历史用户数据分为正样本数据与负样本数据;以及通过正样本数据与负样本数据利用支持向量机回归算法进行训练,以获取排序模型。支持向量回归算法SVR主要是通过升维后,在高维空间中构造线性决策函数来实现线性回归,用e不敏感函数时,其基础主要是e不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线,则根据e不敏感函数所得的结果,就是包括该曲线和训练点的“e管道”。在所有样本点中,只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性,传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效,但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”,即能做非线性回归。与此同时,引进核函数达到了“升维”的目的,而增加的可调参数是过拟合依然能控制。在本实施例中,正样本数据可例如为关系亲密的用户,并且曾经对某一个广告有过共同的关注或者点击动作。负样本数据可例如为陌生的用户数据,彼此之间没有共同兴趣相关的话题的用户数据。根据正样本与负样本数据,通过支持向量机回归算法训练,构建排序评分模型。
图6是根据另一示例性实施例示出的一种用于信息推广的方法的示意图。在本公开的一种示例性实施例中,将特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型,包括:将第一特征数据、第二特征数据以及第三特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型。
可例如,通过上文建立的用户好友网络拓扑结构获取拓扑相似度,用户网络拓扑结构的建立可通过用户与其他相关用户之间的联系和互动来建立,可例如,获取用户之间通过某一个聊天软件的聊天次数以及是否互为好友这个特征来建立网络拓扑结构模型,还可例如,通过在公共交流网页中,用户之间是否互相关注或者互相进行过点评来建立网络拓扑结构,然而本发明不以此为限。通过网络拓扑结构的关系可以获取用户之间的拓扑相似度,可例如,认为拓扑结构相似的用户之间,在实际情况或者在喜好上也具有一定的相似度。
还可例如,通过上文中的第一用户数据与第二用户数据,建立沟通频次网络拓扑结构,在这个拓扑结构中,网络节点之间的关系通过用户之间的沟通次数决定,可例如,在网络拓扑结构中设定,当用户之间的交流频繁时,用户之间的连线的权重更重,用户之间的交流是否频繁可例如通过预先设定的规则判定,可例如在某一时间内沟通的次数,或者累计沟通次数,沟通频次是否频繁还可例如,在社交网络中,通过用户之间互相留言的数量来进行衡量,本发明不以此为限。
还可例如,根据用户关注的话题或者文章来判定用户之间的兴趣相似度。在网络中的文章中,可例如存在属性标签,或者话题分类标签,通过两个用户关注的文章所属的标签,来获得用户之间的兴趣相似度数值,用户关注的文章是否相似可通过归一化等方法来判断。可例如,通过某一用户的某一个感兴趣的文章分属的类别与该用户总体关注的文章的数量以及关注的文章分属类别之间的归一化数据,与另一个用户某一个感兴趣的文章分属的类别与该用户总提关注的文章的数量以及关注的文章分数类别之间的归一化数据作比较,以获得这两个用户之间兴趣相似度的判定。还可例如,通过用户对某一类的文章或者话题点赞的次数获取用户之间的兴趣相似度数据,本发明不一次为限。
通过以上方式获取用户之间的拓扑相似度数据、亲密度数据以及兴趣相似度数据,将这些数据作为特征数据输入上文建立的回归SVR模型中,以确定用户之间的排序评分。以便在后续处理中,根据用户的评分情况对信息进行推广。
根据本发明的用于信息推广的方法,通过支持向量机回归算法建立的排序模型,将第一、第二以及第三特征数据作为输入,进而获取第二用户的排序评分的方式,能够综合考量大量数据彼此之间的影响,快速准确的获得第二用户与第一用户之间的相似程度。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图7是根据一示例性实施例示出的一种用于信息推广的装置的框图。
数据模块702用于获取预定用户数据,用户数据包括第一用户的数据、第二用户的数据,以及第一用户与第二用户之间的联系数据。
网络模块704用于根据预定用户数据,构建网络拓扑结构以获取特征数据。
评分模块706用将特征数据输入排序模型以确定排序评分,排序模型为支持向量机回归模型。
推广模块708用于根据排序评分对第二用户进行信息推广。
在本公开的一种示例性实施例中,还包括:模型模块(图中未示出)用于根据历史用户数据构建排序模型。
根据本发明的用于信息推广的装置,通过用户数据以及用户之间的联系数据提取特征数据,进而根据特征数据对优质用户的朋友进行信息推广的方式,能够在给用户推送广告的时候,提升推送广告的精准度与广度。
图8是根据另一示例性实施例示出的一种电子设备的框图。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备80的结构示意图。图8示出的电子设设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统80包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统80操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取第一用户的数据,第二用户的数据以及第一用户与第二用户之间的联系数据;通过第一用户的数据,第二用户的数据以及联系数据获取特征数据;将特征数据输入排序模型以确定第二用户的排序评分,排序模型为支持向量机回归模型;以及根据排序评分对第二用户进行信息推广。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
在本发明中,仅以广告类的推广作为示例性的实施例进行本申请的描述,然后本发明的应用场景不限于此,根据本发明的用于信息推广的方法,推广的信息内容还可例如包括,新闻信息推送,股票信息推送,以及各种电影电视传媒相关的信息或者广告推广,还可以为其他通过互联网或者其他媒体进行信息传播的消息内容。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用于信息推广的方法、装置、电子设备及计算机可读介质具有以下优点中的一个或多个。
根据一些实施例,本发明的用于信息推广的方法,通过用户数据以及用户之间的联系数据提取特征数据,进而根据特征数据对优质用户的朋友进行信息推广的方式,能够在给用户推送广告的时候,提升推送广告的精准度与广度。
根据另一些实施例,本发明的用于信息推广的方法,通过二分类模型对用户打分以获得预定用户的方式,能够更加准确方便的提取出潜在的优质用户,为广告推广提供用户资源。
根据再一些实施例,本发明的用于信息推广的方法,通过第一用户,第二用户以及他们之间的联系数据构建网络拓扑结构,并利用网络拓扑结构获取特征数据的方式,能够准确方便的获取第一用户与第二用户之间的特征数据,提高后续潜在客户提取的准确度。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (9)
1.一种用于信息推广的方法,其特征在于,包括:
获取第一用户的数据,第二用户的数据以及所述第一用户与所述第二用户之间的联系数据;通过所述第一用户获取所述第二用户的数据;所述联系数据包括所述第一用户与所述第二用户之间的沟通次数数据、网络互动数据和共同关注的热点消息数据;
通过所述第一用户的数据,所述第二用户的数据以及所述联系数据获取特征数据;所述特征数据包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据为所述第一用户和所述第二用户之间的亲密度数据,所述第二特征数据为网络拓扑相似度数据,所述第三特征数据为所述第一用户和所述第二用户之间的兴趣相似度数据;
通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,通过node2vec算法构建网络拓扑结构以获取所述第一特征数据与第二特征数据;所述通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,通过node2vec算法构建网络拓扑结构以获取所述第一特征数据与第二特征数据,包括:将所述第一用户与所述第二用户作为所述网络拓扑结构中的节点;将所述联系数据作为所述网络拓扑结构中的边;以及通过所述node2vec算法利用所述节点与所述边,建立所述网络拓扑结构;通过随机游走算法与所述网络拓扑结构获取第一特征数据与第二特征数据;通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,构建二分图模型以获取第三特征数据;
将所述第一特征数据、第二特征数据与所述第三特征数据输入排序模型以确定所述第二用户的排序评分,所述排序模型为支持向量机回归模型;
根据所述排序评分对所述第二用户进行信息推广。
2.如权利要求1所述的方法,其特征在于,还包括:
根据历史用户数据构建所述排序模型。
3.如权利要求1所述的方法,其特征在于,所述获取第一用户的数据,第二用户的数据以及所述第一用户与所述第二用户之间的联系数据,包括:
获取所述第一用户的数据;以及
根据所述第一用户的数据获取第二用户的数据以及所述第一用户与所述第二用户之间的联系数据。
4.如权利要求3所述的方法,其特征在于,所述获取所述第一用户的数据,包括:
通过二分类模型对用户进行打分排序以获取所述第一用户;
通过第一用户的相关信息生成所述第一用户的数据。
5.如权利要求2所述的方法,其特征在于,所述根据历史用户数据构建所述排序模型,包括:
将所述历史用户数据分为正样本数据与负样本数据;以及
通过所述正样本数据与负样本数据利用支持向量机回归算法进行训练,以获取所述排序模型。
6.一种用于信息推广的装置,其特征在于,包括:
数据模块,用于获取预定用户数据,所述用户数据包括第一用户的数据、第二用户的数据,以及所述第一用户与所述第二用户之间的联系数据;通过所述第一用户获取所述第二用户的数据;所述联系数据包括所述第一用户与所述第二用户之间的沟通次数数据、网络互动数据和共同关注的热点消息数据;
网络模块,用于根据所述预定用户数据,构建网络拓扑结构以获取特征数据;所述特征数据包括第一特征数据、第二特征数据和第三特征数据;所述第一特征数据为所述第一用户和所述第二用户之间的亲密度数据,所述第二特征数据为网络拓扑相似度数据,所述第三特征数据为所述第一用户和所述第二用户之间的兴趣相似度数据;
通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,通过node2vec算法构建网络拓扑结构以获取所述第一特征数据与第二特征数据;所述通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,通过node2vec算法构建网络拓扑结构以获取所述第一特征数据与第二特征数据,包括:将所述第一用户与所述第二用户作为所述网络拓扑结构中的节点;将所述联系数据作为所述网络拓扑结构中的边;以及通过所述node2vec算法利用所述节点与所述边,建立所述网络拓扑结构;通过随机游走算法与所述网络拓扑结构获取第一特征数据与第二特征数据;通过所述第一用户的数据,所述第二用户的数据以及所述联系数据,构建二分图模型以获取第三特征数据;
评分模块,用将所述第一特征数据、第二特征数据与所述第三特征数据输入排序模型以确定排序评分,所述排序模型为支持向量机回归模型;以及
推广模块,用于根据所述排序评分对所述第二用户进行信息推广。
7.如权利要求6所述的装置,其特征在于,还包括:
模型模块,用于根据历史用户数据构建所述排序模型。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666308.3A CN107464141B (zh) | 2017-08-07 | 2017-08-07 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666308.3A CN107464141B (zh) | 2017-08-07 | 2017-08-07 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107464141A CN107464141A (zh) | 2017-12-12 |
CN107464141B true CN107464141B (zh) | 2021-09-07 |
Family
ID=60548500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710666308.3A Active CN107464141B (zh) | 2017-08-07 | 2017-08-07 | 用于信息推广的方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464141B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596774B (zh) * | 2018-04-24 | 2021-10-01 | 山东师范大学 | 基于深层次网络嵌入特征的社会化信息推荐算法及系统 |
CN109146187A (zh) * | 2018-08-30 | 2019-01-04 | 昆明理工大学 | 一种基于自适应贝叶斯模型平均的降雨预测方法 |
CN109344885A (zh) * | 2018-09-14 | 2019-02-15 | 深圳增强现实技术有限公司 | 深度学习识别系统、方法及电子设备 |
CN111127060B (zh) * | 2018-10-31 | 2023-08-08 | 百度在线网络技术(北京)有限公司 | 确定业务的推广用户的方法和装置 |
CN109740069A (zh) * | 2018-11-20 | 2019-05-10 | 北京邮电大学 | 一种用户间亲密关系的识别方法及装置 |
CN110324418B (zh) * | 2019-07-01 | 2022-09-20 | 创新先进技术有限公司 | 基于用户关系推送业务的方法和装置 |
CN112749323B (zh) * | 2019-10-31 | 2024-07-23 | 北京沃东天骏信息技术有限公司 | 一种构建用户画像的方法和装置 |
CN111222923B (zh) * | 2020-01-13 | 2023-12-15 | 秒针信息技术有限公司 | 一种判断潜在客户的方法及装置、电子设备和存储介质 |
CN111325582B (zh) * | 2020-03-18 | 2023-08-29 | 深圳市卡牛科技有限公司 | 一种广告召回方法、装置、服务器及存储介质 |
CN112632149A (zh) * | 2020-12-24 | 2021-04-09 | 深圳市高德信通信股份有限公司 | 一种基于网络数据分析的潜在用户挖掘方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理系统及方法 |
CN105654345A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于贝叶斯网络的广告点击率预测方法及装置 |
CN106096629A (zh) * | 2016-06-01 | 2016-11-09 | 南京邮电大学 | 一种基于用户间相似关系的广告点击率预测方法 |
CN106651427A (zh) * | 2016-10-13 | 2017-05-10 | 中国工商银行股份有限公司 | 基于用户行为的数据关联方法 |
CN106779793A (zh) * | 2015-11-23 | 2017-05-31 | 财团法人资讯工业策进会 | 适地性社群融合媒合销售最佳化系统和方法 |
CN106980999A (zh) * | 2016-01-19 | 2017-07-25 | 阿里巴巴集团控股有限公司 | 一种用户推荐的方法和设备 |
-
2017
- 2017-08-07 CN CN201710666308.3A patent/CN107464141B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615608A (zh) * | 2014-04-28 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据挖掘处理系统及方法 |
CN106779793A (zh) * | 2015-11-23 | 2017-05-31 | 财团法人资讯工业策进会 | 适地性社群融合媒合销售最佳化系统和方法 |
CN105654345A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于贝叶斯网络的广告点击率预测方法及装置 |
CN106980999A (zh) * | 2016-01-19 | 2017-07-25 | 阿里巴巴集团控股有限公司 | 一种用户推荐的方法和设备 |
CN106096629A (zh) * | 2016-06-01 | 2016-11-09 | 南京邮电大学 | 一种基于用户间相似关系的广告点击率预测方法 |
CN106651427A (zh) * | 2016-10-13 | 2017-05-10 | 中国工商银行股份有限公司 | 基于用户行为的数据关联方法 |
Non-Patent Citations (3)
Title |
---|
Evaluating Seed Selection for Information Diffusion in Mobile Social Networks;Farouk Mezghani 等;《2017 IEEE Wireless Communications and Networking Conference》;20170322;第1-6页 * |
一种基于复合网的面向微博关注的推荐算法;孙荣德 等;《计算机光盘软件与应用》;20131215;第16卷(第24期);第132-133页 * |
基于Spark的数据管理平台的设计与实现;刘鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715(第07期);第I138-417页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107464141A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464141B (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
CN108153901B (zh) | 基于知识图谱的信息推送方法和装置 | |
CN105279146B (zh) | 针对短不相关文本的检测的上下文感知方法 | |
CN107172151B (zh) | 用于推送信息的方法和装置 | |
US8788442B1 (en) | Compliance model training to classify landing page content that violates content item distribution guidelines | |
CN109522483B (zh) | 用于推送信息的方法和装置 | |
US10255282B2 (en) | Determining key concepts in documents based on a universal concept graph | |
US20220405607A1 (en) | Method for obtaining user portrait and related apparatus | |
JP7160980B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
US20190050396A1 (en) | Method, apparatus and device for recognizing text type | |
US20160188734A1 (en) | Method and apparatus for programmatically synthesizing multiple sources of data for providing a recommendation | |
US11455660B2 (en) | Extraction device, extraction method, and non-transitory computer readable storage medium | |
US20160253325A1 (en) | Method and apparatus for programmatically adjusting the relative importance of content data as behavioral data changes | |
US10606910B2 (en) | Ranking search results using machine learning based models | |
US9141966B2 (en) | Opinion aggregation system | |
CN109819015B (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
US20160283481A1 (en) | Method and apparatus for combining text search and recommendation engines | |
WO2016035072A2 (en) | Sentiment rating system and method | |
US20110258045A1 (en) | Inventory management | |
US20180068028A1 (en) | Methods and systems for identifying same users across multiple social networks | |
CN107526718B (zh) | 用于生成文本的方法和装置 | |
US9286379B2 (en) | Document quality measurement | |
US20160125028A1 (en) | Systems and methods for query rewriting | |
US20210350202A1 (en) | Methods and systems of automatic creation of user personas | |
US20190066054A1 (en) | Accuracy of member profile retrieval using a universal concept graph |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Shuqian Inventor after: Zhu Dewei Inventor before: Zhu Dewei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |