CN107563804A - 一种预测广告定向条件下覆盖的用户数量的方法和装置 - Google Patents
一种预测广告定向条件下覆盖的用户数量的方法和装置 Download PDFInfo
- Publication number
- CN107563804A CN107563804A CN201710733933.5A CN201710733933A CN107563804A CN 107563804 A CN107563804 A CN 107563804A CN 201710733933 A CN201710733933 A CN 201710733933A CN 107563804 A CN107563804 A CN 107563804A
- Authority
- CN
- China
- Prior art keywords
- users
- default
- prediction
- user
- target
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种预测广告定向条件下覆盖的用户数量的方法和装置，方法包括：接收针对预设的用户历史数据库的获取指令，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引；根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量；将目标数据输入预设的原始预测模型，训练得到目标预测模型；使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量；返回预测用户数量。应用本发明实施例能够高效预测广告对应的多个定向条件覆盖的用户数量。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种预测广告定向条件下覆盖的用户数量的方法和装置。
背景技术
通常情况下，广告主在投放广告之前，需要预测在待投放场景下，符合待投放广告的定向条件的用户数量。
具体的，首先，确定待投放广告的定向条件，一个待投放广告对应的定向条件通常为多个，其中，定向条件是指投放位置、投放平台、投放地域、投放频道、目标人群的性别、关键广告词等的条件集合；然后，从用户观看广告的历史数据库中，分别获取符合上述定向条件的用户数据，一个定向条件对应一组用户数据；接下来，针对每个定向条件，根据对应的用户数据，建立并保存预测模型；最后，使用多个已保存的预测模型，计算上述多个定向条件覆盖的用户数量。
然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：
为了得到待投放广告对应的多个定向条件分别覆盖的用户数量，需要建立多个预测模型，工作量大且预测效率低。
发明内容
本发明实施例的目的在于提供一种预测广告定向条件下覆盖的用户数量的方法和装置，以实现高效预测广告对应的多个定向条件覆盖的用户数量。具体技术方案如下：
在本发明实施的一方面，提供了一种预测广告定向条件下覆盖的用户数量的方法，所述方法包括：
接收针对预设的用户历史数据库的获取指令，所述获取指令包括待投放广告的目标定向条件，所述预设的用户历史数据库具有倒排索引；
根据所述目标定向条件，通过所述倒排索引从所述预设的用户历史数据库中获取目标数据，所述目标数据包括预设的历史时间段内、符合所述目标定向条件的用户数量；
将所述目标数据输入预设的原始预测模型，训练得到目标预测模型；
使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量；
返回所述预测用户数量。
可选的，在所述接收针对预设的用户历史数据库的查询指令的步骤之前，所述方法还包括：
从预设的原始数据库中，获取符合所述待投放广告对应的多个定向条件的用户历史数据；
针对所述用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
可选的，在所述接收针对预设的用户历史数据库的查询指令的步骤之前，所述方法还包括：
将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库；
在所述返回所述预测用户数量的步骤之前，所述方法还包括：
将所述预测用户数量，乘以所述预设的抽样百分比的倒数，得到更新后的预测用户数量；
所述返回所述预测用户数量的步骤，包括：
返回所述更新后的预测用户数量。
可选的，在所述使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量的步骤之后，所述方法还包括：
根据预设的上限阈值和下限阈值，删除所述预测用户数量中超过所述上限阈值以及低于所述下限阈值的异常值。
可选的，所述原始预测模型包括原始时间序列预测模型；
所述将所述目标数据输入预设的原始预测模型，训练得到目标预测模型的步骤，包括：
将所述目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
所述使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量的步骤，包括
使用所述目标时间序列预测模型，计算在预设未来时间段内的每一天、符合所述目标定向条件的预测用户数量；
在所述返回所述预测用户数量的步骤之前，所述方法还包括：
将所述预测用户数量的计数单位由个转换为万；
计算从接收到所述获取指令到计算出所述预测用户数量所使用的时间段的时间信息；
所述返回所述预测用户数量的步骤，包括：
返回所述时间信息以及计数单位转换后的预测用户数量。
可选的，所述将所述目标数据输入预设的原始预测模型，训练得到目标预测模型的步骤，包括：
将所述目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
将转换后的目标数据输入所述原始预测模型，训练得到目标预测模型。
可选的，在所述返回所述预测用户数量的步骤之后，所述方法还包括：
清除所述目标数据和所述目标预测模型。
在本发明实施的又一方面，还提供了一种预测广告定向条件下覆盖的用户数量的装置，所述装置包括：
接收单元，用于接收针对预设的用户历史数据库的获取指令，所述获取指令包括待投放广告的目标定向条件，所述预设的用户历史数据库具有倒排索引；
第一获取单元，用于根据所述目标定向条件，通过所述倒排索引从所述预设的用户历史数据库中获取目标数据，所述目标数据包括预设的历史时间段内、符合所述目标定向条件的用户数量；
训练单元，用于将所述目标数据输入预设的原始预测模型，训练得到目标预测模型；
第一计算单元，用于使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量；
返回单元，用于返回所述预测用户数量。
可选的，所述装置还包括：
第二获取单元，用于从预设的原始数据库中，获取符合所述待投放广告对应的多个定向条件的用户历史数据；
生成单元，用于针对所述用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
可选的，所述装置还包括：
抽样单元，用于将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库；
所述装置还包括：
更新单元，用于将所述预测用户数量，乘以所述预设的抽样百分比的倒数，得到更新后的预测用户数量；
所述返回单元，具体用于返回所述更新后的预测用户数量。
可选的，所述装置还包括：
删除单元，用于根据预设的上限阈值和下限阈值，删除所述预测用户数量中超过所述上限阈值以及低于所述下限阈值的异常值。
可选的，所述原始预测模型包括原始时间序列预测模型；
所述训练单元，具体用于将所述目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
所述第一计算单元，具体用于使用所述目标时间序列预测模型，计算在预设未来时间段内的每一天、符合所述目标定向条件的预测用户数量；
所述装置还包括：
转换单元，用于将所述预测用户数量的计数单位由个转换为万；
第二计算单元，用于计算从接收到所述获取指令到计算出所述预测用户数量所使用的时间段的时间信息；
所述返回单元，具体用于返回所述时间信息以及计数单位转换后的预测用户数量。
可选的，所述训练单元，包括转换子单元和训练子单元；
所述转换子单元，用于将所述目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
所述训练子单元，用于将转换后的目标数据输入所述原始预测模型，训练得到目标预测模型。
可选的，所述装置还包括：
清除单元，用于清除所述目标数据和所述目标预测模型。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的预测广告定向条件下覆盖用户数量的方法。
在本发明实施的又一方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的预测广告定向条件下覆盖用户数量的方法。
本发明实施例提供的一种预测广告定向条件下覆盖用户数量的方法和装置，首先，接收针对预设的用户历史数据库的获取指令，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引；然后，根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量；接下来，将目标数据输入预设的原始预测模型，训练得到目标预测模型；使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量；最后，返回预测用户数量。
这样，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取各定向条件对应的目标数据，利用目标数据训练各定向条件对应的预测模型，进而使用目标预测模型计算出符合各定向条件的预测用户数量，提高了针对多个定向条件覆盖下的用户数据的预测效率和预测准确性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例的预测广告定向条件下覆盖用户数量的方法的一种流程图；
图2为本发明实施例的预测广告定向条件下覆盖用户数量的方法的又一种流程图；
图3为本发明实施例的预测广告定向条件下覆盖用户数量的方法的另一种流程图；
图4为本发明实施例的预测广告定向条件下覆盖用户数量的装置的结构图；
图5为本发明实施例的预测广告定向条件下覆盖用户数量的系统的执行流程图；
图6为本发明实施例的电子设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
通常情况下，广告主在投放广告之前，需要预测在待投放场景下，符合待投放广告的定向条件的用户数量。
具体的，首先，确定待投放广告的定向条件，一个待投放广告对应的定向条件通常为多个，其中，定向条件是指投放位置、投放平台、投放地域、投放频道、目标人群的性别、关键广告词等的条件集合；然后，从用户观看广告的历史数据库中，分别获取符合上述定向条件的用户数据，一个定向条件对应一组用户数据；接下来，针对每个定向条件，根据对应的用户数据，建立并保存预测模型；最后，使用多个已保存的预测模型，计算上述多个定向条件覆盖的用户数量。
然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：为了得到待投放广告对应的多个定向条件分别覆盖的用户数量，需要建立多个预测模型，工作量大且预测效率低。
为了解决上述问题，本发明实施例提供了一种预测广告定向条件下覆盖用户数量的方法和装置，首先，接收针对预设的用户历史数据库的获取指令，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引；然后，根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量；接下来，将目标数据输入预设的原始预测模型，训练得到目标预测模型；使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量；最后，返回预测用户数量。这样，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取每个定向条件对应的目标数据，利用目标数据训练预设的原始预测模型，进而使用训练好的目标预测模型计算出符合定向条件的预测用户数量，提高了预测准确性和预测效率。
本发明实施例提供了一种预测广告定向条件下覆盖用户数量的方法。参见图1，图1为本发明实施例的预测广告定向条件下覆盖用户数量的方法的一种流程图，包括如下步骤：
步骤101，接收针对预设的用户历史数据库的获取指令。
其中，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引。
在本步骤中，由于获取指令中包括目标定向条件，而通过倒排索引可以根据属性值查找记录，具体的，属性值可以是目标定向条件搜索用户历史数据中的关键字，比如广告的投放平台的名称，这样，可以根据用户历史数据中的关键字找到包含关键字的用户历史数据，因此，通过向预设的用户历史数据库发送包含目标定向条件的获取指令，能够换取到符合目标定向条件的用户历史数据。此外，采用磁盘存储倒排索引数据，避免占用太多内存。
在实际应用中，预设的用户历史数据库可以以离线的Hadoop分布式文件系统(Hadoop Distributed File System，HDFS)形式保存，也可以以其他离线数据库的形式保存。
具体的，预设的用户历史数据库中保存的每条用户历史数据均包括多种限定条件，每条用户历史数据的格式可以为(uid,adzone_id,platform_id,area_id,channel_id,gender_id,keyword_ids)，其中，uid为用户编号，一条用户历史数据表示一个用户的历史行为记录，adzone_id为广告位的ID，表示广告投放的广告位置，platform_ids为定向平台的ID列表，表示广告的投放平台(比如PC，IOS，Android，TV等)，area_ids为广告的投放地域的ID列表，channel_id为广告的投放频道的ID列表(比如电视剧、电影、综艺、动漫、音乐等)，gender_ids为广告目标人群性别的ID列表，keyword_ids为关键广告词的ID列表。
需要说明的是，由于预设的用户历史数据库保存的用户历史数据中的限定条件种类较多，为了方便用户使用，目标定向条件包括其中至少一个限定条件，比如，目标定向条件可以包括广告的投放平台，广告的投放地域，广告的投放频道，广告目标人群的性别；可以理解的，最终返回的预测用户数量是与目标定向条件对应的，目标定向条件中包括的限定条件越少，最终返回的预测用户数量就相对较多，目标定向条件中包括的限定条件越多，最终返回的预测用户数量就相对较少。
还需要说明的是，在实际应用中，针对预设的用户历史数据库中每一天的用户历史记录，均建立一个独立的倒排索引。倒排索引可以使用全文搜索引擎Lucene来建立，由搜索引擎Index Searcher根据获取指令，使用倒排索引在预设的用户历史数据库中进行查询。
步骤102，根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据。
其中，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量。
在本步骤中，根据接收到的目标定向条件，使用倒排索引，从预设的用户历史数据库中获取符合目标定向条件的、预设历史时间段内的目标数据，以实现将目标数据作为训练数据，对预设的原始预测模型进行训练，进而使用目标预测模型，准确计算出预测用户数量。
具体的，根据目标定向条件，分别在预设的历史时间段内的每一天对应的倒排索引中进行查询，得到复合条件的用户历史数据集合，然后进行去重处理就能够得到目标数据，即符合目标定向条件的用户数量。
比如，目标定向条件为广告的投放平台为TV，广告的投放地域为北京市，广告的投放频道为XX卫视，广告目标人群的性别为女性，且预设的历史时间段为今天之前的56天，那么，获取到的目标数据为过去56天，符合广告的投放平台为TV，广告的投放地域为北京市，广告的投放频道为XX卫视，广告目标人群的性别为女性这些定向条件的用户数量。
可选的，在实际应用中，步骤102可以包括：
将目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
将转换后的目标数据输入原始预测模型，训练得到目标预测模型。
由于获取到的目标数据的存储格式与预设的原始预测模型所需的输入数据格式不同，因此，为了保证预设的原始预测模型能够使用目标数据进行训练，需要将目标数据的存储格式转换为预设的原始预测模型所需的输入数据格式。
比如，从预设的用户历史数据库中获取到的目标数据的数据格式没有按照日期排序，具体为[(2017-05-03，11350)，(2017-06-25，11350)，(2017-05-01，11000)…(2017-05-02，11340)，(2017-05-01，11000)]，那么，转换后的预设的原始预测模型所需的输入数据可以按照日期排序，具体为[(2017-05-01，11000)，(2017-05-02，11340)，(2017-05-03，11350)…(2017-06-25，11350)]。
此外，为了保证目标数据的准确性，在对目标数据的数据格式进行转换之前，还需要对目标数据进行数据异常值检测过滤；其中，数据异常值检测过滤方法可以根据具体业务数据来确定，比如，目标数据中某日的用户数量比前后7日中每日的用户数量大了2倍以上，那么，可以将某日的用户数量视为异常数据。
步骤103，将目标数据输入预设的原始预测模型，训练得到目标预测模型。
在本步骤中，将步骤102获取到的目标数据输入预设的原始预测模型，训练得到目标预测模型；这样，可以使用目标预测模型，根据用户历史数据预测出预设未来时间段内每天的用户数据。
其中，预测模型可以是使用现有技术中的预测模型，也可以使用时间序列预测模型，时间序列预测模型具体可以使用指数平滑法(Exponential Smoothing，ES)或者ARIMA方法建立时间序列预测模型，当然，也可以根据实际需求，选择其他方法建立预测模型，本发明实施例对预测模型的具体形式不加以限制。同时，由于预测模型属于现有技术，因此训练预测模型的具体过程可以参考现有技术，在此不再赘述。
步骤104，使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量。
在本步骤中，使用目标预测模型，根据目标数据，计算在预设未来时间段内符合目标定向条件的预测用户数量，具体的，可以计算符合目标定向条件的、预设未来时间段内每一天的预测用户数量；这样，针对每个目标定向条件均训练对应的目标预测模型，提高了预测准确性，以在广告主投放订单时提供更加可靠的指导。
比如，当预设未来时间段为[2017-06-27，2017-07-27]，那么，使用目标预测模型，可以计算出符合目标定向条件的、[2017-06-27，2017-07-27]内每一天的预测用户数量。
可选的，为了保证预测用户数量的准确性，在步骤104之后，还可以执行如下步骤：
根据预设的上限阈值和下限阈值，删除预测用户数量中超过上限阈值以及低于下限阈值的异常值。
具体的，根据预设的上限阈值和下限阈值，对步骤104计算出的预设用户数量进行过滤处理，删除预设用户数量中超过上限阈值和低于下限阈值的异常值；这样，能够去除预测模型受到干扰或噪声数据的影响而生成的异常值，保证预测用户数量的准确性。
步骤105，返回预测用户数量。
在本步骤中，向发送获取指令的对象返回预测用户数量。
可选的，在步骤105之后，还可以执行如下步骤：
清除目标数据和目标预测模型。
在本步骤中，在返回预测用户数量之后，清除步骤102获取到的目标数据和步骤103训练得到的目标预设模型；具体的，可以将目标预设模型中的相关参数清空以达到清除目标预设模型的目的。
这样，相比现有技术中保存多个预测模型，本发明实施例所述的预测广告定向条件下覆盖用户数量的方法能够避免目标数据和多个预测模型占用大量存储资源，提高存储资源的利用率。
但是，在实际应用中，可以将常用的目标定向条件对应的目标预测模型保存起来，比如，将常用的10个目标定向条件的目标预测模型保存在设备的缓存中，这样；在接收到包括已保存的目标定向条件的获取指令后，无需再重新训练预测模型，可以直接使用已保存的目标预测模型进行预测，提高了预测效率。
可见，本发明实施例提供的预测广告定向条件下覆盖用户数量的方法，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取各定向条件对应的目标数据，利用目标数据训练各定向条件对应的预测模型，进而使用训练好的目标预测模型计算出符合各定向条件的预测用户数量，提高了预测准确性，并且，采用基于倒排索引方法进行实时获取目标数据，耗时在毫秒级，提高了针对多个定向条件覆盖下的用户数据的预测效率。
在本发明的一种可选实施例中，在图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤101之前，还需要执行如下步骤：
从预设的原始数据库中，获取符合待投放广告对应的多个定向条件的用户历史数据；
针对用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
具体的，为了避免用户历史数据库过于庞大，可以从原始数据库中，获取符合待投放广告对应的多个定向条件的用户历史数据；然后，针对获取到的用户历史数据中的每一天的用户数据，分别构建倒排索引，生成用户历史数据库；可以理解的，倒排索引与用户历史数据库中的用户数据生成的日期一一对应。
这样，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，从用户历史数据库中实时提取每个定向条件对应的目标数据，以利用目标数据训练预设的预测模型，进而使用训练好的目标预测模型计算出符合定向条件的预测用户数量，由于预测模型是由目标数据训练得到的，因此，提高了目标定向条件覆盖下预测用户数量的准确性。
在本发明的又一种可选实施例中，由于预设的历史数据库中的数据量较大，为了提高预测效率，提供了又一种预测广告定向条件下覆盖用户数量的方法。参见图2，图2为本发明实施例的预测广告定向条件下覆盖用户数量的方法的又一种流程图，包括如下步骤：
步骤201，将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库。
在本步骤中，对预设的用户历史数据库中的用户历史数据进行抽样处理，具体的，将用户历史数据乘以预设的抽样百分比，得到抽样后的用户历史数据库。
比如，预设的抽样百分比为10％～20％，那么，将用户历史数据乘以优选的抽样百分比10％，即可得到抽样后的用户历史数据库。
这样，抽样后的用户历史数据库的数据量为抽样前的用户历史数据库的数据量的十分之一，减少了用户历史数据库的数据量，可以理解的，在后续步骤中获取到的目标数据量也会减少，提高了预测的效率。
步骤202，接收针对预设的用户历史数据库的获取指令。
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤101，在此不再赘述。
步骤203，根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据。
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤102，在此不再赘述。
步骤204，将目标数据输入预设的原始预测模型，训练得到目标预测模型。
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤103，在此不再赘述。
步骤205，使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量。
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤104，在此不再赘述。
步骤206，将预测用户数量，乘以预设的抽样百分比的倒数，得到更新后的预测用户数量。
在本步骤中，将步骤205计算出的预测用户数量，乘以预设的抽样百分比的倒数，得到更新后的预测用户数量；由于在步骤201中对用户历史数据库进行了抽样处理，使得用户历史数据库的数据量按抽样百分比减少，导致步骤205计算出的预测用户数量不再是真实的用户数量，因此，需要使步骤205计算出的预测用户数量按抽样百分比增大，这样得到的更新后的预设用户数量才是真实的用户数量。
比如，预设的抽样百分比为10％～20％，而步骤201中优选的抽样百分比为10％，那么，将步骤205计算出的预测用户数量乘以10％的倒数，即10。
这样，按抽样百分比增大了预测用户数量，在提高预测效率的基础上，保证了预测的准确性。
步骤207，返回更新后的预测用户数量。
在本步骤中，向发送获取指令的对象返回按抽样百分比增大后的预测用户数量，保证了预测的准确性。
可见，本发明实施例提供的预测广告定向条件下覆盖用户数量的方法，在用户历史数据库的数据量较大，需要提高预测效率的场景下，可以对用户历史数据库进行抽样处理，减少用户历史数据库的数据量，进而在按抽样百分比增大计算出的预测用户数量；这样，不仅提高了预测效率，而且保证了预测的准确性。
在本发明的另一种可选实施例中，当原始预测模型为原始时间序列预测模型时，提供了另一种预测广告定向条件下覆盖用户数量的方法。参见图3，图3为本发明实施例的预测广告定向条件下覆盖用户数量的方法的另一种流程图，包括如下步骤：
步骤301，接收针对预设的用户历史数据库的获取指令；
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤101，在此不再赘述。
步骤302，根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据；
本步骤的详细过程和技术效果可以参考图1所示的预测广告定向条件下覆盖用户数量的方法中的步骤102，在此不再赘述。
步骤303，将目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
在本步骤中，将步骤302获取到的目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；这样，可以使用目标时间序列预测模型，根据用户历史数据预测出预设未来时间段内每天的用户数据。
其中，时间序列预测模型可以使用指数平滑法(Exponential Smoothing，ES)或者ARIMA方法来建立。
需要说明的是，由于时间序列预测模型属于现有技术，因此训练时间序列预测模型的具体过程可以参考现有技术，在此不再赘述。
步骤304，使用目标时间序列预测模型，计算在预设未来时间段内的每一天、符合目标定向条件的预测用户数量；
在本步骤中，使用目标时间序列预测模型，根据目标数据，计算符合目标定向条件的、预设未来时间段内每一天的预测用户数量，这样，针对每个目标定向条件均训练对应的时间序列预测模型，提高了预测准确性，以在广告主投放订单时提供更加可靠的指导。
步骤305，将预测用户数量的计数单位由个转换为万；计算从接收到获取指令到计算出预测用户数量所使用的时间段的时间信息。
在本步骤中，将步骤304计算出的预设用户数量的计数单位由个转换为万，并计算从接收获取指令到计算出预测用户数量这段时间的时间信息，提高发送获取指令的对象的使用体验。
其中，时间信息包括接收获取指令的时间、计算出预测用户数量的时间，以及从接收获取指令到计算出预测用户数量所耗费的时长。
步骤306，返回时间信息以及计数单位转换后的预测用户数量。
在本步骤中，向发送获取指令的对象返回计数单位转换后的预测用户数量以及时间信息，提高发送获取指令的对象的使用体验。
可见，本发明实施例提供的预测广告定向条件下覆盖用户数量的方法，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取各定向条件对应的目标数据，利用目标数据训练各定向条件对应的时间序列预测模型，进而使用目标时间序列预测模型计算出符合各定向条件的预测用户数量，提高了针对多个定向条件覆盖下的用户数据的预测效率和预测准确性。
本发明实施例还提供了一种预测广告定向条件下覆盖用户数量的装置。参见图4，图4为本发明实施例的预测广告定向条件下覆盖用户数量的装置的结构图，该装置包括：
接收单元401，用于接收针对预设的用户历史数据库的获取指令，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引；
第一获取单元402，用于根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量；
训练单元403，用于将目标数据输入预设的原始预测模型，训练得到目标预测模型；
第一计算单元404，用于目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量；
返回单元405，用于返回预测用户数量。
可选的，装置还包括：
第二获取单元，用于从预设的原始数据库中，获取符合待投放广告对应的多个定向条件的用户历史数据；
生成单元，用于针对用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
可选的，装置还包括：
抽样单元，用于将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库；
装置还包括：
更新单元，用于将预测用户数量，乘以预设的抽样百分比的倒数，得到更新后的预测用户数量；
返回单元405，具体用于返回更新后的预测用户数量。
可选的，装置还包括：
删除单元，用于根据预设的上限阈值和下限阈值，删除预测用户数量中超过上限阈值以及低于下限阈值的异常值。
可选的，原始预测模型包括原始时间序列预测模型；
训练单元403，具体用于将目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
第一计算单元404，具体用于使用目标时间序列预测模型，计算在预设未来时间段内的每一天、符合目标定向条件的预测用户数量；
装置还包括：
转换单元，用于将预测用户数量的计数单位由个转换为万；
第二计算单元，用于计算从接收到获取指令到计算出预测用户数量所使用的时间段的时间信息；
所述返回单元405，具体用于返回时间信息以及计数单位转换后的预测用户数量。
可选的，训练单元403，包括转换子单元和训练子单元；
转换子单元，用于将目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
训练子单元，用于将转换后的目标数据输入原始预测模型，训练得到预测模型。
可选的，装置还包括：
清除单元，用于清除目标数据和目标预测模型。
可见，本发明实施例提供的预测广告定向条件下覆盖用户数量的装置，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取各定向条件对应的目标数据，利用目标数据训练各定向条件对应的预测模型，进而使用目标预测模型计算出符合各定向条件的预测用户数量，提高了预测准确性，并且，采用基于倒排索引方法进行实时获取目标数据，耗时在毫秒级，提高了针对多个定向条件覆盖下的用户数据的预测效率。
本发明实施例还提供了一种预测广告定向条件下覆盖用户数量的系统。参见图5，图5为本发明实施例的预测广告定向条件下覆盖用户数量的系统的执行流程图。
在实际应用中，预测广告定向条件下覆盖用户数量的系统具体实现上可采用Java、C++或python等编程语言，可以在Linux，Windows，OSX等操作系统上部署运行。
从图5可以看出，该系统的执行流程如下：
S501，获取指令，提取目标定向条件；
具体的，接收到用户发起针对预设的用户历史数据库的获取指令，从获取指令中提取目标定向条件。
S502，查询用户历史数据库；
具体的，根据目标定向条件，查询用户历史数据库。
S503，使用倒排索引查询；
具体的，使用倒排索引，根据目标定向条件查询离线的用户历史数据库。
S504，获取目标数据；
具体的，从离线的用户历史数据库中获取目标数据。
S505，查询用户历史数据库；
具体的，使用倒排索引查询用户历史数据库，获取目标数据。
S506，训练模型；
具体的，将目标数据输入预设的原始预测模型，训练得到目标预测模型。
S507，计算预测用户数量；
具体的，使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量。
S508，校准预测用户数量；
具体的，根据预设的上限阈值和下限阈值，删除预测用户数量中超过上限阈值以及低于下限阈值的异常值。
S509，整理预测用户数量；
具体的，将预测用户数量的计数单位由个转换为万，并计算从接收到获取指令到计算出预测用户数量这段时间的时间信息；返回计数单位转换后的预测用户数量以及时间信息。
其中，S503～S505的操作为离线操作，其他步骤的操作均为在线操作。
需要说明的是，步骤S501～S509的详细过程和技术效果可以参考预测广告定向条件下覆盖用户数量的方法中的描述，在此不再赘述。
可见，本发明实施例提供的预测广告定向条件下覆盖用户数量的系统，在需要预测多个定向条件覆盖下的用户数据时，可以根据用户需求，实时提取每个定向条件对应的目标数据，利用目标数据训练预设的预测模型，进而使用目标预测模型计算出符合定向条件的预测用户数量，提高了预测准确性和预测效率。
此外，本发明实施例提供的预测广告定向条件下覆盖用户数量的系统针对每个目标定向条件进行特定的模型训练和预测，达到了“千询千练”的个性化预测，效果更准确；只对有实际请求的目标定向条件组合进行模型训练和预测，避免保存所有目标定向条件对应的预测模型；本发明实施例使用基于统计的预测模型进行模型训练和预测，耗时在毫秒级，而预测模型的目标数据获取和训练对系统的输入/输出(Input/Output，IO)性能和CPU性能有较大影响，因此，本发明实施例可以充分利用并显著提高系统的每秒查询率(Query PerSecond，QPS)。
在实际应用中，本发明实施例提供的预测广告定向条件下覆盖用户数量的系统同样适用于定向条件下库存曝光量的预测；也适用于预测条件繁多，需要基于预测条件提取模型数据进行训练和预测的类似问题。
本发明实施例还提供了一种电子设备，参考图6，图6为本发明实施例的电子设备的示意图，如图6所示，电子设备包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：
接收针对预设的用户历史数据库的获取指令，获取指令包括待投放广告的目标定向条件，预设的用户历史数据库具有倒排索引；
根据目标定向条件，通过倒排索引从预设的用户历史数据库中获取目标数据，目标数据包括预设的历史时间段内、符合目标定向条件的用户数量；
将目标数据输入预设的原始预测模型，训练得到目标预测模型；
使用目标预测模型，计算在预设未来时间段内符合目标定向条件的预测用户数量；
返回预测用户数量。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的预测广告定向条件下覆盖的用户数量的方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的预测广告定向条件下覆盖的用户数量的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (15)
1.一种预测广告定向条件下覆盖的用户数量的方法，其特征在于，所述方法包括：
接收针对预设的用户历史数据库的获取指令，所述获取指令包括待投放广告的目标定向条件，所述预设的用户历史数据库具有倒排索引；
根据所述目标定向条件，通过所述倒排索引从所述预设的用户历史数据库中获取目标数据，所述目标数据包括预设的历史时间段内、符合所述目标定向条件的用户数量；
将所述目标数据输入预设的原始预测模型，训练得到目标预测模型；
使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量；
返回所述预测用户数量。
2.根据权利要求1所述的方法，其特征在于，在所述接收针对预设的用户历史数据库的查询指令的步骤之前，所述方法还包括：
从预设的原始数据库中，获取符合所述待投放广告对应的多个定向条件的用户历史数据；
针对所述用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
3.根据权利要求1所述的方法，其特征在于，在所述接收针对预设的用户历史数据库的查询指令的步骤之前，所述方法还包括：
将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库；
在所述返回所述预测用户数量的步骤之前，所述方法还包括：
将所述预测用户数量，乘以所述预设的抽样百分比的倒数，得到更新后的预测用户数量；
所述返回所述预测用户数量的步骤，包括：
返回所述更新后的预测用户数量。
4.根据权利要求1所述的方法，其特征在于，在所述使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量的步骤之后，所述方法还包括：
根据预设的上限阈值和下限阈值，删除所述预测用户数量中超过所述上限阈值以及低于所述下限阈值的异常值。
5.根据权利要求1所述的方法，其特征在于，所述原始预测模型包括原始时间序列预测模型；
所述将所述目标数据输入预设的原始预测模型，训练得到目标预测模型的步骤，包括：
将所述目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
所述使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量的步骤，包括：
使用所述目标时间序列预测模型，计算在预设未来时间段内的每一天、符合所述目标定向条件的预测用户数量；
在所述返回所述预测用户数量的步骤之前，所述方法还包括：
将所述预测用户数量的计数单位由个转换为万；
计算从接收到所述获取指令到计算出所述预测用户数量所使用的时间段的时间信息；
所述返回所述预测用户数量的步骤，包括：
返回所述时间信息以及计数单位转换后的预测用户数量。
6.根据权利要求1所述的方法，其特征在于，所述将所述目标数据输入预设的原始预测模型，训练得到目标预测模型的步骤，包括：
将所述目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
将转换后的目标数据输入所述原始预测模型，训练得到目标预测模型。
7.根据权利要求1所述的方法，其特征在于，在所述返回所述预测用户数量的步骤之后，所述方法还包括：
清除所述目标数据和所述目标预测模型。
8.一种预测广告定向条件下覆盖的用户数量的装置，其特征在于，所述装置包括：
接收单元，用于接收针对预设的用户历史数据库的获取指令，所述获取指令包括待投放广告的目标定向条件，所述预设的用户历史数据库具有倒排索引；
第一获取单元，用于根据所述目标定向条件，通过所述倒排索引从所述预设的用户历史数据库中获取目标数据，所述目标数据包括预设的历史时间段内、符合所述目标定向条件的用户数量；
训练单元，用于将所述目标数据输入预设的原始预测模型，训练得到目标预测模型；
第一计算单元，用于使用所述目标预测模型，计算在预设未来时间段内符合所述目标定向条件的预测用户数量；
返回单元，用于返回所述预测用户数量。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于从预设的原始数据库中，获取符合所述待投放广告对应的多个定向条件的用户历史数据；
生成单元，用于针对所述用户历史数据中每一天的用户历史数据，分别构建倒排索引，生成用户历史数据库。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
抽样单元，用于将预设的用户历史数据库中的用户历史数据，乘以预设的抽样百分比，得到抽样后的用户历史数据库；
所述装置还包括：
更新单元，用于将所述预测用户数量，乘以所述预设的抽样百分比的倒数，得到更新后的预测用户数量；
所述返回单元，具体用于返回所述更新后的预测用户数量。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括：
删除单元，用于根据预设的上限阈值和下限阈值，删除所述预测用户数量中超过所述上限阈值以及低于所述下限阈值的异常值。
12.根据权利要求8所述的装置，其特征在于，所述原始预测模型包括原始时间序列预测模型；
所述训练单元，具体用于将所述目标数据输入预设的原始时间序列预测模型，训练得到目标时间序列预测模型；
所述第一计算单元，具体用于使用所述目标时间序列预测模型，计算在预设未来时间段内的每一天、符合所述目标定向条件的预测用户数量；
所述装置还包括：
转换单元，用于将所述预测用户数量的计数单位由个转换为万；
第二计算单元，用于计算从接收到所述获取指令到计算出所述预测用户数量所使用的时间段的时间信息；
所述返回单元，具体用于返回所述时间信息以及计数单位转换后的预测用户数量。
13.根据权利要求8所述的装置，其特征在于，所述训练单元，包括转换子单元和训练子单元；
所述转换子单元，用于将所述目标数据的数据格式，转换为预设的原始预测模型所需的输入数据格式；
所述训练子单元，用于将转换后的目标数据输入所述原始预测模型，训练得到目标预测模型。
14.根据权利要求8所述的装置，其特征在于，所述装置还包括：
清除单元，用于清除所述目标数据和所述目标预测模型。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710733933.5A CN107563804A (zh) | 2017-08-24 | 2017-08-24 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710733933.5A CN107563804A (zh) | 2017-08-24 | 2017-08-24 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563804A true CN107563804A (zh) | 2018-01-09 |
Family
ID=60976766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710733933.5A Pending CN107563804A (zh) | 2017-08-24 | 2017-08-24 | 一种预测广告定向条件下覆盖的用户数量的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563804A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108428161A (zh) * | 2018-06-20 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 广告的可投放量的预测方法、装置及电子设备 |
| CN108764553A (zh) * | 2018-05-21 | 2018-11-06 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
| CN109064216A (zh) * | 2018-07-10 | 2018-12-21 | 北京奇艺世纪科技有限公司 | 一种模拟广告订单的曝光量的方法和装置 |
| CN111310988A (zh) * | 2020-01-23 | 2020-06-19 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告流量预测方法及装置 |
| CN112308637A (zh) * | 2020-11-30 | 2021-02-02 | 上海哔哩哔哩科技有限公司 | 数据处理方法及系统 |
| CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
| CN113065898A (zh) * | 2021-04-12 | 2021-07-02 | 北京明略昭辉科技有限公司 | 用于广告触达的家庭数量预测方法、装置及设备 |
| CN113763022A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 触达用户数的确定方法、装置、设备及存储介质 |
| CN116167803A (zh) * | 2023-04-21 | 2023-05-26 | 北京大也智慧数据科技服务有限公司 | 一种基于信令数据的广告投放方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224445A1 (en) * | 2005-03-30 | 2006-10-05 | Brian Axe | Adjusting an advertising cost, such as a per-ad impression cost, using a likelihood that the ad will be sensed or perceived by users |
| CN104915864A (zh) * | 2015-06-17 | 2015-09-16 | 百度在线网络技术（北京）有限公司 | 对投放信息的投放效果进行评测的方法及装置 |
-
2017
- 2017-08-24 CN CN201710733933.5A patent/CN107563804A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224445A1 (en) * | 2005-03-30 | 2006-10-05 | Brian Axe | Adjusting an advertising cost, such as a per-ad impression cost, using a likelihood that the ad will be sensed or perceived by users |
| CN104915864A (zh) * | 2015-06-17 | 2015-09-16 | 百度在线网络技术（北京）有限公司 | 对投放信息的投放效果进行评测的方法及装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764553A (zh) * | 2018-05-21 | 2018-11-06 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
| CN108764553B (zh) * | 2018-05-21 | 2020-12-15 | 世纪龙信息网络有限责任公司 | 用户规模预测方法、装置及计算机设备 |
| CN108428161B (zh) * | 2018-06-20 | 2022-06-03 | 北京奇艺世纪科技有限公司 | 广告的可投放量的预测方法、装置及电子设备 |
| CN108428161A (zh) * | 2018-06-20 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 广告的可投放量的预测方法、装置及电子设备 |
| CN109064216A (zh) * | 2018-07-10 | 2018-12-21 | 北京奇艺世纪科技有限公司 | 一种模拟广告订单的曝光量的方法和装置 |
| CN109064216B (zh) * | 2018-07-10 | 2022-09-02 | 北京奇艺世纪科技有限公司 | 一种模拟广告订单的曝光量的方法和装置 |
| CN111310988A (zh) * | 2020-01-23 | 2020-06-19 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告流量预测方法及装置 |
| CN111310988B (zh) * | 2020-01-23 | 2023-04-07 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告流量预测方法及装置 |
| CN112308637A (zh) * | 2020-11-30 | 2021-02-02 | 上海哔哩哔哩科技有限公司 | 数据处理方法及系统 |
| CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
| CN113763022A (zh) * | 2021-02-08 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 触达用户数的确定方法、装置、设备及存储介质 |
| CN113065898A (zh) * | 2021-04-12 | 2021-07-02 | 北京明略昭辉科技有限公司 | 用于广告触达的家庭数量预测方法、装置及设备 |
| CN113065898B (zh) * | 2021-04-12 | 2023-12-12 | 北京明略昭辉科技有限公司 | 用于广告触达的家庭数量预测方法、装置及设备 |
| CN116167803A (zh) * | 2023-04-21 | 2023-05-26 | 北京大也智慧数据科技服务有限公司 | 一种基于信令数据的广告投放方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563804A (zh) | 一种预测广告定向条件下覆盖的用户数量的方法和装置 | |
| Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
| CN104462593B (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
| CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
| CN105045831B (zh) | 一种消息推送方法及装置 | |
| CN107689008A (zh) | 一种用户投保行为预测的方法及装置 | |
| CN109657138A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
| CN108133619A (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
| CN110162292A (zh) | 语音播报方法及装置 | |
| CN113728587A (zh) | 基于预测增强增益的通信网络优化 | |
| CN110417901A (zh) | 数据处理方法、装置及网关服务器 | |
| CN104462594A (zh) | 一种提供用户个性化资源消息推送的方法和装置 | |
| US11275994B2 (en) | Unstructured key definitions for optimal performance | |
| CN108197251A (zh) | 一种大数据运行维护分析方法、装置及服务器 | |
| US11809505B2 (en) | Method for pushing information, electronic device | |
| CN111444302B (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
| CN113742580B (zh) | 目标类型数据的召回方法、装置、电子设备及存储介质 | |
| CN106874402A (zh) | 搜索方法和装置 | |
| CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN111835536B (zh) | 一种流量预测方法和装置 | |
| WO2024208076A1 (zh) | 行为数据预测模型的更新方法、装置、设备及存储介质 | |
| Abidin et al. | Integrating Twitter traffic information with Kalman filter models for public transportation vehicle arrival time prediction | |
| US20190297473A1 (en) | Data usage recommendation generator | |
| CN108234596A (zh) | 航空信息推送方法及装置 | |
| KR102010031B1 (ko) | 게임 지표 정보 예측 방법 및 장치 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |