CN107578285A - 推广信息的投放方法、装置及电子设备 - Google Patents

Abstract

本公开涉及了一种推广信息的投放方法及装置。其中，一种推广信息的投放方法，包括：获取用户的社交行为数据，所述社交行为数据与所述用户在游戏社交网络中的影响力相关；根据所述用户的社交行为数据进行所述用户的影响力属性值运算；按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合；向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息。采用本公开所提供的推广信息的投放方法及装置能够有效地提高游戏运营场景中推广信息投放的准确率。

Description

推广信息的投放方法、装置及电子设备

技术领域

本公开涉及互联网应用技术领域，尤其涉及一种推广信息的投放方法、装置及电子设备。

背景技术

随着互联网技术的发展，各种游戏平台越来越盛行，该些游戏平台不仅为用户娱乐设置了包含各种虚拟对象的虚拟场景，还通过与游戏平台相关的游戏社交网络使得用户之间得以互动。

在该些游戏平台中，针对用户的各类行为(例如游戏互动行为)，大都配备了一定的奖励措施，并以推广信息的形式向用户投放，以此促进用户的活跃度，保证游戏平台的正常运营。

然而，现有技术中仅是将游戏平台中的付费用户(例如会员)锁定为推广信息的投放对象，并无法准确地定位推广信息的投放对象，而导致推广信息投放的准确率并不高。

发明内容

为了解决上述技术问题，本公开的一个目的在于提供一种推广信息的投放方法、装置及电子设备。

其中，本公开所采用的技术方案为：

一种推广信息的投放方法，包括：获取用户的社交行为数据，所述社交行为数据与所述用户在游戏社交网络中的影响力相关；根据所述用户的社交行为数据进行所述用户的影响力属性值运算；按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合；向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息。

一种推广信息的投放装置，包括：行为数据获取模块，用于获取用户的社交行为数据，所述用户的社交行为数据与所述用户在游戏社交网络中的影响力相关；影响力运算模块，用于根据所述用户的社交行为数据进行所述用户的影响力属性值运算；影响力用户集合生成模块，用于按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合；推广信息投放模块，用于向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息。

一种电子设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的推广信息的投放方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的推广信息的投放方法。

在本公开示例性实施例中，随着游戏社交网络中用户的各种社交行为的触发进行，将使得用户在游戏社交网络中具有影响力，通过游戏社交网络的接入便可得到与用户在游戏社交网络中的影响力相关的社交行为数据，根据社交行为数据进行用户的影响力属性值运算，以此确定候选用户并根据候选用户生成影响力用户集合，进而向影响力用户集合中影响力用户所在的游戏客户端投放推广信息。

也就是说，在推广信息的投放过程中，考虑了用户在游戏社交圈的属性，即根据用户在游戏社交网络中的影响力进行推广信息投放对象的锁定，使得推广信息的投放对象得到准确的定位，进而有效地提高了推广信息投放的准确率。

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和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。

图1是根据一示例性实施例所涉及的实施环境的示意图；

图2是根据一示例性实施例示出的一种服务器的硬件结构框图；

图3是根据一示例性实施例示出的一种推广信息的投放方法的流程图；

图4是图3对应实施例中步骤330在一个实施例的流程图；

图5是图3对应实施例中步骤330在另一个实施例的流程图；

图6是图3对应实施例中步骤330在另一个实施例的流程图；

图7是图3对应实施例中步骤350在一个实施例的流程图；

图8是一应用场景中一种推广信息的投放方法的具体实现示意图；

图9是根据一示例性实施例示出的一种推广信息的投放装置的框图；

图10是图9对应实施例中影响力运算模块730在一个实施例的框图；

图11是图9对应实施例中影响力运算模块730在一个实施例的框图；

图12是图9对应实施例中影响力运算模块730在一个实施例的框图；

图13是图9对应实施例中影响力用户生成模块750在一个实施例的框图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如前所述，为了促进用户的活跃度，保证游戏平台的正常运营，游戏平台中针对用户的各类行为，将向用户进行推广信息的投放。其中，各类行为包括但不限于游戏互动行为等等。

如果仅是将游戏平台中的付费用户(例如会员)锁定为推广信息的投放对象，既不能判断其他用户的活跃度提升是否与该付费用户相关，也无法保证其他用户活跃度提升的原因就是由该付费用户带动的。

由此可知，现有技术中推广信息的投放方法由于无法明确推广信息的投放对象而仍存在投放准确率较低的缺陷。

基于此，本公开特提出了一种有效提高投放准确率的推广信息的投放方法。该方法由计算机程序实现，与之相对应的，所构建的推广信息的投放装置所对应的计算机可读指令存储于电子设备的存储器中，以便于向用户进行推广信息的投放。

图1是根据一示例性实施例所涉及的实施环境的示意图。该实施环境中包括服务器100和若干用户设备200。

其中，服务器100中安装部署有游戏平台，可供用户设备200接入，以使用户通过对该游戏平台进行的在线访问得到该游戏平台所提供的线上服务，例如，线上服务包括但不限于：虚拟场景中操控用户对应的虚拟对象，或者，游戏社交网络中与其他用户实施互动。

用户设备200可以是智能手机、平板电脑、计算机、或者其他任何可供游戏客户端运行的电子设备，在此并未加以限定。用户设备200将通过游戏客户端的运行接入服务器100中安装部署的游戏平台，进而得到服务器100投放的推广信息。

图2是根据一示例性实施例示出的一种服务器100的硬件结构框图。需要说明的是，该服务器100只是一个适配于本公开的示例，不能认为是提供了对本公开的使用范围的任何限制。该服务器100也不能解释为需要依赖于或者必须具有图2中示出的示例性的服务器100中的一个或者多个组件。

该服务器100的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，服务器100包括：电源110、接口130、至少一存储介质150、以及至少一中央处理器(CPU，Central Processing Units)170。

其中，电源110用于为服务器100上的各硬件设备提供工作电压。

接口130包括至少一有线或无线网络接口131、至少一串并转换接口133、至少一输入输出接口135以及至少一USB接口137等，用于与外部设备通信。

存储介质150作为资源存储的载体，可以是随机存储介质、磁盘或者光盘等，其上所存储的资源包括操作系统151、应用程序153及数据155等，存储方式可以是短暂存储或者永久存储。其中，操作系统151用于管理与控制服务器100上的各硬件设备以及应用程序153，以实现中央处理器170对海量数据155的计算与处理，其可以是Windows ServerTM、MacOS XTM、UnixTM、LinuxTM、FreeBSDTM等。应用程序153是基于操作系统151之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对服务器100的一系列操作指令。数据155可以是存储于磁盘中的照片、图片等等。

中央处理器170可以包括一个或多个以上的处理器，并设置为通过总线与存储介质150通信，用于运算与处理存储介质150中的海量数据155。

如上面所详细描述的，适用本公开的服务器100将通过中央处理器170读取存储介质150中存储的一系列操作指令的形式实现推广信息的投放方法。

此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本公开，因此，实现本公开并不限于任何特定硬件电路、软件以及两者的组合。

请参阅图3，在一示例性实施例中，一种推广信息的投放方法适用于图1所示实施环境的服务器100，该种推广信息的投放方法可以由服务器100执行，可以包括以下步骤：

步骤310，获取用户的社交行为数据。

如前所述，游戏平台被配置了相关的游戏社交网络，以通过游戏社交网络向用户提供线上服务，例如，游戏社交网络中与其他用户实施互动。

游戏社交网络可以通过游戏论坛的形式搭建，还可以通过游戏赛事直播间的形式搭建，以使用户通过在游戏论坛中浏览评论，或者是在游戏赛事直播间中观看直播的游戏赛事，而触发进行游戏社交网络中的各种社交行为，进而使得用户在游戏社交网络中具有影响力。

为此，社交行为数据是与用户在游戏社交网络中的影响力相关的各种数据。该各种数据针对用户所触发进行的社交行为的不同相应地具有不同的数据类型。

例如，社交行为可以是用户在游戏论坛中发帖，由此所产生的社交行为数据即为指向发帖用户所发表评论的链接，当该链接被引用的次数越多，则表明用户在游戏社交网络中的影响力越大。

又或者，社交行为可以是用户针对其所观看的游戏赛事发起评论，由此所产生的社交行为数据即为评论数据，当用户发起评论的次数越多，则表明用户在游戏社交网络中可能具有较大的影响力。

基于上述，当用户设备通过游戏客户端的运行接入游戏社交网络时，便会产生社交行为数据，对于服务器而言，用户通过游戏社交网络与其他用户实施互动即是对服务器安装部署的游戏平台所提供的线上服务进行在线访问，相应地，服务器便能够通过其所提供的线上服务获取到用户的社交行为数据。

步骤330，根据用户的社交行为数据进行用户的影响力属性值运算。

由于用户的社交行为数据是与用户在游戏社交网络中的影响力相关的各种数据，则根据社交行为数据进行的影响力属性值运算，便可得到用于表征用户在游戏社交网络中影响力的影响力属性值，以利于后续根据该影响力属性值进行推广信息投放对象的锁定。

步骤350，按照运算得到的影响力属性值确定候选用户，并根据候选用户生成影响力用户集合。

在运算得到影响力属性值之后，便可根据影响力属性值所表征的用户在游戏社交网络中的影响力进行候选用户的确定。

例如，以影响力属性值较高的若干用户，即游戏社交网络中影响力较大的若干用户，作为推广信息投放对象的若干候选用户，形成包含了该若干候选用户的影响力用户集合。

进一步地，由于社交应用数据针对用户所触发进行的社交行为的不同相应地具有不同的数据类型，使得由此运算得到的影响力属性值具有不同的属性类型。

由此，候选用户还可以按照影响力属性值的属性类型作进一步地筛选。

例如，用户A，针对属性类型A的影响力属性值较高，用户A作为该属性类型A对应的候选用户，而针对属性类型B的影响力属性值较低，用户A不能作为该属性类型B对应的候选用户，由此，在不同属性类型对应的候选用户中对候选用户进行取交集处理时，用户A被过滤，即不作为推广信息的投放对象。

步骤370，向影响力用户集合中候选用户所在的游戏客户端投放推广信息。

通过如上所述的过程，以影响力属性值进行候选用户的定义，并将候选用户作为推广信息的投放对象，使得推广信息的投放对象与用户在游戏社交网络中的影响力相关联，即使得推广信息投放对象的锁定具有算法支撑，以此保证了推广信息投放对象锁定的准确性，从而有效地提高了推广信息投放的准确率。

在一示例性实施例中，社交行为数据包括互动行为数据。

相应地，步骤310可以包括以下步骤：

侦听游戏社交网络中用户触发进行的游戏互动行为，得到游戏互动行为对应的互动行为数据。

如前所述，随着游戏平台的接入，用户将通过对游戏平台进行的在线访问得到游戏平台所提供的线上服务，即在游戏社交网络中与其他用户实施互动。例如，所实施的互动可以是在游戏论坛中发帖、顶贴，还可以是在游戏赛事直播间对直播的游戏赛事发起评论等等。

由此，用户在获取线上服务的过程中，针对上述任一线上服务所触发进行的社交行为即为游戏互动行为，进而能够得到由此产生的互动行为数据。

具体地，对于用户所在的游戏客户端而言，互动行为数据将通过用户行为日志文件进行记录，并向服务器反馈该用户行为日志文件，进而使得服务器通过该用户行为日志文件得到游戏互动行为对应的互动行为数据。

请参阅图4，在一示例性实施例中，互动行为数据包括用户入度数据。

首先需要说明的是用户的入度，用户在游戏论坛中发表了评论，该评论可以被其他用户顶贴，还可以被其他用户引用。其中，该评论被引用的次数即视为用户的入度。

由此，用户入度数据实质上包含了指向用户所发表评论的链接，通过该链接便可访问到用户所发表的评论。用户入度数据可通过爬虫技术由游戏论坛中获取。

当某个用户所发表的评论被其他用户顶贴，或者被其他用户引用，便形成了用户之间在游戏社交网络中的游戏互动行为，假设该某个用户所发表的评论被引用的次数越多，即表明该某个用户所发表的评论价值越大，亦即该某个用户在游戏社交网络中的影响力越大。

相应地，步骤330可以包括以下步骤：

步骤331，按照预设算法的数据格式对用户入度数据进行数据清洗，得到符合数据格式的用户入度数据。

预设算法可对用户的入度进行计算，按照该预设算法的数据格式对用户入度数据进行数据清洗，将使得用户入度数据的数据格式符合预设算法的数据格式，进而有利于后续以该用户入度数据作为预设算法的数据源进行用户入度的计算。

例如，预设算法的数据格式可以是矩阵的形式，第一列为指向发贴用户所发表评论的链接，第二列以及后续各列均为指向顶贴用户所发表评论的链接。相应地，预设算法可以是pagerank算法，通过pagerank算法即可根据上述数据格式的用户入度数据计算得到用户的入度。

步骤333，以符合数据格式的用户入度数据作为预设算法的输入，调用预设算法计算用户的入度，输出得到用户的影响力属性值。

在上述实施例的作用下，将计算得到的用户入度作为用户的影响力属性值，以通过用户所发表评论被引用的次数来反映用户在游戏社交网络中的影响力。

请参阅图5，在一示例性实施例中，互动行为数据包括评论数据。

其中，评论数据是指用户在游戏赛事直播间观看直播的游戏赛事时，针对直播的游戏赛事所发起的评论。该评论数据可以通过弹幕的形式展现在游戏赛事直播间所配置的直播界面上。

当若干用户针对同一游戏赛事发起评论，便促成了用户之间在游戏社交网络中的游戏互动行为，假设某个用户对游戏赛事发起评论的次数较多且评论质量较高，即可认为该某个用户在游戏社交网络中的影响力较大。

相应地，步骤330可以包括以下步骤：

步骤431，计算用户发起评论数据的频次，将计算得到的频次作为用户的活跃值。

可以理解，用户发起评论的次数越频繁，表明该用户越活跃。由此，用户的活跃值将通过对用户发起评论数据的频次进行统计得到。

进一步地，由于游戏赛事直播间中直播的游戏赛事很多，较优地，对直播的游戏赛事进行随机抽样，然后仅针对抽样得到的游戏赛事进行用户发起评论数据频次的统计，以此有效地减轻服务器所能承受的压力，有利于提高服务器的处理效率。

步骤433，根据存储的关键词字典库对评论数据中的评论内容进行关键词匹配，通过匹配确定用户的内容匹配值。

其中，关键词字典库由若干与游戏赛事相关的关键词存储形成。该关键词可以是基于用户搜索查找相关游戏赛事所输入的检索词统计分析得到，也可以由各类游戏网站对相关游戏赛事的热搜排名得到，还可以对由用户针对相关游戏赛事所发表的评论进行自然语言处理提取得到，在此并未加以限定。

将评论数据中的评论内容与关键词字典库中的关键词进行匹配，以此确定用户的内容匹配值，该内容匹配值越高，表明用户关于某项游戏赛事的评论质量越高。

具体地，将评论数据中的评论内容转换为字符串，然后与关键词字典库中关键词所对应的字符串进行逐一对比，如果评论内容对应的字符串包含关键词对应字符串的字符个数越多，则表明用户关于某项游戏赛事的评论与该项游戏赛事越相关，此时，用户的内容匹配值越高。

步骤435，将用户的活跃值和内容匹配值进行加权求和得到用户的影响力属性值。

通过对用户的活跃值和内容匹配值加权求和，便可判定该用户针对某项游戏赛事发起评论的次数是否足够多且评论质量是否足够高，进而判定该用户在游戏社交网络中的影响力是否足够大。

换而言之，在上述实施例的作用下，通过用户针对某项游戏赛事发起的评论来反映用户在游戏社交网络中的影响力。

请参阅图6，在一示例性实施例中，社交行为数据包括影响力指标数据。

其中，影响力指标数据反映了用户在游戏平台中的各种游戏行为。例如，游戏平台中，影响力指标数据可以是游戏等级、活跃天数、开黑游戏好友的费用、开黑游戏好友的次数、发出游戏比赛邀请的次数等等。

由此，当用户的游戏行为频繁时，相应的影响力指标数据将表明用户在游戏社交网络中具有较大的影响力。举例说明如下，当影响力指标数据是活跃天数时，活跃天数多的用户在游戏社交网络中所具有的影响力要高于活跃天数少的用户。

相应地，步骤330可以包括以下步骤：

步骤531，根据若干用户的影响力指标数据进行矩阵构建。

步骤533，在构建得到的矩阵中，对该矩阵所包含的影响力指标数据进行归一化处理，得到若干用户的影响力指标权重值。

步骤535，加权求和用户的影响力指标权重值，得到用户的影响力属性值。

举例来说，用户A1的影响力指标数据包括R_a1b1、R_a1b2、R_a1b3。用户A2的影响力指标数据包括R_a2b1、R_a2b2、R_a2b3。用户A3的影响力指标数据包括R_a3b1、R_a3b2、R_a3b3。其中，ai(i＝1,2,3)表示用户，bj(j＝1,2,3)表示影响力指标。

相应地，构建得到的矩阵其中，R_aibj(i＝1,2,3,j＝1,2,3)表示用户ai在影响力指标bj下的影响力指标数据。

归一化处理的公式为：其中，R’_aibj(i＝1,2,3,j＝1,2,3)表示影响力指标数据R_aibj对应的影响力指标权重值，R_min表示矩阵R中最小的影响力指标数据，R_max表示矩阵R中最大的影响力指标数据。

则，矩阵R进行归一化处理后得到的矩阵

最后，对每个用户的影响力指标权重值进行加权求和，公式为：其中，V_i(i＝1,2,3)表示用户ai的影响力属性值。

请参阅图7，在一示例性实施例中，步骤350可以包括以下步骤：

步骤351，针对同一属性类型的影响力属性值进行影响力属性值排序，将影响力属性值排序名次高的用户作为该属性类型对应的候选用户。

其中，影响力属性值的属性类型是按照社交行为数据的数据类型设定的。

如上所述，社交行为数据的数据类型包括互动行为数据和影响力指标数据，其中，互动行为数据又进一步地包括用户入度数据和评论数据。

相应地，影响力属性值也将分为三种属性类型，分别对应于用户入度数据、评论数据和影响力指标数据。

可以理解，由于不同属性类型的影响力属性值的运算方式不同，因此不同属性类型的影响力属性值所表征的用户在游戏社交网络中的影响力将有所差别。

基于此，在影响力属性值排序过程中，仅针对同一属性类型的影响力属性值进行排序，以此保证影响力属性值排序的一致性和有效性。

经过影响力属性值排序之后，影响力属性值排序名次高的用户即为该属性类型对应的候选用户。

同理，其余属性类型所对应的候选用户也通过影响力属性值排序得出。

步骤353，在不同属性类型对应的候选用户中对候选用户进行取交集处理，以候选用户的交集作为影响力用户集合。

举例来说，假设第一种属性类型对应的候选用户包括用户A、用户B和用户C，第二种属性类型对应的候选用户包括用户B、用户D和用户E，第三种属性类型对应的候选用户包括用户A、用户B和用户F。

则，通过候选用户的取交集处理之后，候选用户的交集为用户B，相应地，由用户B生成影响力用户集合，即影响力用户集合中的候选用户包含用户B。

在上述实施例的作用下，只有交集中的候选用户才会成为影响力用户集合中的候选用户，极有效地保证了候选用户的锁定准确率，以此保证了推广信息投放对象的锁定准确率，进而有利于提高推广信息的投放准确率。

在一示例性实施例中，步骤370之后，如上所述的方法还可以包括以下步骤：

获取被投放推广信息对应的投放执行结果，根据投放执行结果的指示对影响力用户集合中的候选用户进行更新处理。

其中，投放执行结果被用于指示推广信息的投放是否与候选用户相匹配。该投放执行结果由候选用户所在的游戏客户端实时反馈，该实时反馈可以通过定时上报的形式进行，在此并未加以限定。

具体地，候选用户与其周身用户在游戏社交网络中进行互动时，针对该互动所触发进行的互动行为将相应地产生互动行为数据。

对于游戏客户端而言，互动行为数据将通过用户行为日志文件进行记录，并向服务器实时反馈该用户行为日志文件，进而使得服务器通过该用户行为日志文件得到互动行为数据。

进一步地，服务器定期或不定期地对互动行为数据进行数据统计，以此得到被投放推广信息对应的投放执行结果。例如，该数据统计是对互动行为数据所对应互动行为的发生次数进行统计，相应地，投放执行结果包含了互动行为发生次数。

基于此，服务器便能够根据投放执行结果对候选用户与其周身用户之间所发生的互动行为进行校验。当投放执行结果中的互动行为发生次数相较于之前有所增长，则表明推广信息的投放促进了候选用户与其周身用户之间的互动，亦即，推广信息的投放对象是准确的。

换而言之，投放执行结果反映了推广信息的投放对象是否准确，即，如果推广信息的投放对象准确，则投放执行结果指示推广信息的投放与候选用户相匹配，反之，如果推广信息的投放对象不准确，则投放执行结果指示推广信息的投放与候选用户不匹配。

相应的，在投放执行结果的指示下，对影响力用户集合中的候选用户的更新处理具体为：在推广信息的投放与候选用户不匹配，即推广信息的投放对象不准确时，将推广信息被投放的候选用户由影响力用户集合中删除。

在上述实施例的配合下，实现了对推广信息投放对象的实时跟踪，使得影响力用户集合中的候选用户得以实时更新，保证了推广信息投放对象的可靠性，进一步地保证了推广信息投放的准确率。

图8是一应用场景中一种推广信息的投放方法的具体实现示意图，下面结合图1所示的实施环境和图8所示的应用场景对本公开各实施例中推广信息的投放方法加以描述。

对于服务器100而言，通过执行步骤601，获取数据类型为用户入度数据的社交行为数据，进而运算得到相应属性类型的影响力属性值，并通过执行步骤602，确定该属性类型所对应的候选用户。

通过执行步骤603，获取数据类型为评论数据的社交行为数据，进而运算得到相应属性类型的影响力属性值，并通过执行步骤604，确定该属性类型所对应的候选用户。

通过执行步骤605，获取数据类型为影响力指标数据的社交行为数据，进而运算得到相应属性类型的影响力属性值，并通过执行步骤606，确定该属性类型所对应的候选用户。

进一步地，通过执行步骤607，得到了上述三种属性类型对应的候选用户的交集，即影响力用户集合，并通过执行步骤608，向影响力用户集合中候选用户所在的游戏客户端投放推广信息，实现了推广信息投放对象的成功锁定，以此提高了推广信息投放的准确率。

对于用户设备200而言，当其上所运行的游戏客户端被实施了推广信息的投放，将向服务器100实时反馈被投放推广信息所对应的投放执行结果，以使服务器得以根据该投放执行结果对影响力用户集合中的候选用户进行更新处理，从而进一步保证了推广信息投放的准确率。

具体地，游戏运营场景中，以推广信息是活动赠送为例，某大型游戏活跃度下降，用户在月周期纬度跟踪时发现有中度流失趋势，游戏运营商为了拉动回流促进用户活跃度，将在其所运营的游戏平台上进行活动赠送，游戏平台则可以将游戏运营商投放的赠送活动向影响力用户集合中的候选用户推广，在候选用户被赠予时通过用户行为日志文件进行记录，并进一步地通过用户行为日志文件记录回流用户。游戏平台则可以定期地监控用户行为日志文件，以获知回流用户是否与候选用户紧密联系，例如，回流用户是候选用户的好友，以此确定该回流用户的回流原因即是由候选用户带动的，进而保证了投放对象锁定的准确率，有效地提高了推广信息投放的准确率。

在上述游戏运营场景中，考虑了用户在游戏社交圈的属性，即将用户在游戏社交网络中的影响力应用并干预游戏运营行为，通过用户的影响力属性值准确锁定候选用户，定向地向该候选用户投放包含运营活动、鼓励机制、宣传广告、活动赠送等的推广信息，有效地促进了候选用户及其周身用户之间的互动，使得游戏平台中用户的活跃度显著提升，用户的流失率明显降低，从而保证了游戏平台的正常运营。

下述为本公开装置实施例，可以用于执行本公开所涉及的推广信息的投放方法。对于本公开装置实施例中未披露的细节，请参照本公开所涉及的推广信息的投放方法实施例。

请参阅图9，在一示例性实施例中，一种推广信息的投放装置700包括但不限于：行为数据获取模块710、影响力运算模块730、影响力用户生成模块750和推广信息投放模块770。

其中，行为数据获取模块710用于获取用户的社交行为数据。用户的社交行为数据与用户在游戏社交网络中的影响力相关。

影响力运算模块730用于根据用户的社交行为数据进行用户的影响力属性值运算。

影响力用户生成模块750用于按照运算得到的影响力属性值确定候选用户，并根据候选用户生成影响力用户集合。

推广信息投放模块770用于向影响力用户集合中候选用户所在的游戏客户端投放推广信息。

在一示例性实施例中，社交行为数据包括互动行为数据。

相应地，行为数据获取模块710包括但不限于：互动行为侦听单元。

其中，互动行为侦听单元用于侦听游戏社交网络中用户触发进行的游戏互动行为，得到游戏互动行为对应的互动行为数据。

请参阅图10，在一示例性实施例中，互动行为数据包括用户入度数据。

相应地，影响力运算模块730包括但不限于：数据清洗单元731和入度计算单元733。

其中，数据清洗单元731用于按照预设算法的数据格式对用户入度数据进行数据清洗，得到符合数据格式的用户入度数据。

入度计算单元733用于以符合数据格式的用户入度数据作为预设算法的输入，调用预设算法计算用户的入度，输出得到用户的影响力属性值。

请参阅图11，在一示例性实施例中，互动行为数据包括评论数据。

相应地，影响力运算模块730包括但不限于：活跃值计算单元831、匹配值计算单元833和第一加权单元835。

其中，活跃值计算单元831用于计算用户发起评论数据的频次，将计算得到的频次作为用户的活跃值。

匹配值计算单元833用于根据存储的关键词字典库对评论数据中的评论内容进行关键词匹配，通过匹配确定用户的内容匹配值。

第一加权单元835用于将用户的活跃值和内容匹配值进行加权求和得到用户的影响力属性值。

请参阅图12，在一示例性实施例中，社交行为数据包括影响力指标数据。

相应地，影响力运算模块730包括但不限于：矩阵构建单元931、归一化单元933和第二加权单元935。

其中，矩阵构建单元931用于根据若干用户的影响力指标数据进行矩阵构建。

归一化单元933用于在构建得到的矩阵中，对该矩阵所包含的影响力指标数据进行归一化处理，得到若干用户的影响力指标权重值。

第二加权单元935用于加权求和用户的影响力指标权重值，得到用户的影响力属性值。

请参阅图13，在一示例性实施例中，影响力用户生成模块750包括但不限于：影响力排序单元751和交集单元753。

其中，影响力排序单元751用于针对同一属性类型的影响力属性值进行影响力属性值排序，将影响力属性值排序名次高的用户作为该属性类型对应的候选用户。影响力属性值的属性类型是按照社交行为数据的数据类型设定的。

交集单元753用于在不同属性类型对应的候选用户中对候选用户进行取交集处理，以候选用户的交集作为影响力用户集合。

在一示例性实施例中，如上所述的装置700还包括但不限于：候选用户更新模块。

其中，候选用户更新模块用于获取被投放推广信息所对应的投放执行结果，根据投放执行结果的指示对影响力用户集合中的候选用户进行更新处理。投放执行结果被用于指示推广信息的投放是否与候选用户相匹配。

需要说明的是，上述实施例所提供的推广信息的投放装置在进行推广信息的投放处理时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即推广信息的投放装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的推广信息的投放装置与推广信息的投放方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

在一示例性实施例中，一种电子设备，包括处理器及存储器。

其中，存储器上存储有计算机可读指令，该计算机可读指令被处理器执行时实现如上的各实施例中的推广信息的投放方法。

在一示例性实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上的各实施例中的推广信息的投放方法。

上述内容，仅为本公开的较佳示例性实施例，并非用于限制本公开的实施方案，本领域普通技术人员根据本公开的主要构思和精神，可以十分方便地进行相应的变通或修改，故本公开的保护范围应以权利要求书所要求的保护范围为准。

Claims (15)

1.一种推广信息的投放方法，其特征在于，包括：

获取用户的社交行为数据，所述社交行为数据与所述用户在游戏社交网络中的影响力相关；

根据所述用户的社交行为数据进行所述用户的影响力属性值运算；

按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合；

向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息。

2.如权利要求1所述的方法，其特征在于，所述社交行为数据包括互动行为数据，所述获取用户的社交行为数据，包括：

侦听所述游戏社交网络中所述用户触发进行的游戏互动行为，得到所述游戏互动行为对应的互动行为数据。

3.如权利要求2所述的方法，其特征在于，所述互动行为数据包括用户入度数据，所述根据所述用户的社交行为数据进行所述用户的影响力属性值运算，包括：

按照预设算法的数据格式对所述用户入度数据进行数据清洗，得到符合所述数据格式的用户入度数据；

以符合所述数据格式的用户入度数据作为所述预设算法的输入，调用所述预设算法计算所述用户的入度，输出得到所述用户的影响力属性值。

4.如权利要求2所述的方法，其特征在于，所述互动行为数据包括评论数据，所述根据所述用户的社交行为数据进行所述用户的影响力属性值运算，包括：

计算所述用户发起所述评论数据的频次，将计算得到的频次作为所述用户的活跃值；

根据存储的关键词字典库对所述评论数据中的评论内容进行关键词匹配，通过所述匹配确定所述用户的内容匹配值；

将所述用户的活跃值和内容匹配值进行加权求和得到所述用户的影响力属性值。

5.如权利要求1所述的方法，其特征在于，所述社交行为数据包括影响力指标数据，所述根据所述用户的社交行为数据进行所述用户的影响力属性值运算，包括：

根据若干所述用户的影响力指标数据进行矩阵构建；

在构建得到的矩阵中，对该矩阵所包含的影响力指标数据进行归一化处理，得到若干所述用户的影响力指标权重值；

加权求和所述用户的影响力指标权重值，得到所述用户的影响力属性值。

6.如权利要求1所述的方法，其特征在于，所述按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合，包括：

针对同一属性类型的影响力属性值进行影响力属性值排序，将所述影响力属性值排序名次高的用户作为该属性类型对应的候选用户，所述影响力属性值的属性类型是按照所述社交行为数据的数据类型设定的；

在不同属性类型对应的候选用户中对所述候选用户进行取交集处理，以所述候选用户的交集作为所述影响力用户集合。

7.如权利要求1至6任一项所述的方法，其特征在于，所述向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息之后，所述方法还包括：

获取被投放推广信息对应的投放执行结果，根据所述投放执行结果的指示对所述影响力用户集合中的候选用户进行更新处理，所述投放执行结果被用于指示所述推广信息的投放是否与所述候选用户相匹配。

8.一种推广信息的投放装置，其特征在于，包括：

行为数据获取模块，用于获取用户的社交行为数据，所述用户的社交行为数据与所述用户在游戏社交网络中的影响力相关；

影响力运算模块，用于根据所述用户的社交行为数据进行所述用户的影响力属性值运算；

影响力用户集合生成模块，用于按照运算得到的影响力属性值确定候选用户，并根据所述候选用户生成影响力用户集合；

推广信息投放模块，用于向所述影响力用户集合中候选用户所在的游戏客户端投放推广信息。

9.如权利要求8所述的装置，其特征在于，所述社交行为数据包括互动行为数据，所述行为数据获取模块包括：

互动行为侦听单元，用于侦听所述游戏社交网络中所述用户触发进行的游戏互动行为，得到所述游戏互动行为对应的互动行为数据。

10.如权利要求9所述的装置，其特征在于，所述互动行为数据包括用户入度数据，所述影响力运算模块包括：

数据清洗单元，用于按照预设算法的数据格式对所述用户入度数据进行数据清洗，得到符合所述数据格式的用户入度数据；

入度计算单元，用于以符合所述数据格式的用户入度数据作为所述预设算法的输入，调用所述预设算法计算所述用户的入度，输出得到所述用户的影响力属性值。

11.如权利要求9所述的装置，其特征在于，所述互动行为数据包括评论数据，所述影响力运算模块包括：

活跃值计算单元，用于计算所述用户发起所述评论数据的频次，将计算得到的频次作为所述用户的活跃值；

匹配值计算单元，用于根据存储的关键词字典库对所述评论数据中的评论内容进行关键词匹配，通过所述匹配确定所述用户的内容匹配值；

第一加权单元，用于将所述用户的活跃值和内容匹配值进行加权求和得到所述用户的影响力属性值。

12.如权利要求8所述的装置，其特征在于，所述社交行为数据包括影响力指标数据，所述影响力运算模块包括：

矩阵构建单元，用于根据若干所述用户的影响力指标数据进行矩阵构建；

归一化单元，用于在构建得到的矩阵中，对该矩阵所包含的影响力指标数据进行归一化处理，得到若干所述用户的影响力指标权重值；

第二加权单元，用于加权求和所述用户的影响力指标权重值，得到所述用户的影响力属性值。

13.如权利要求8所述的装置，其特征在于，所述影响力用户集合生成模块包括：

影响力排序单元，用于针对同一属性类型的影响力属性值进行影响力属性值排序，将所述影响力属性值排序名次高的用户作为该属性类型对应的候选用户，所述影响力属性值的属性类型是按照所述社交行为数据的数据类型设定的；

交集单元，用于在不同属性类型对应的候选用户中对所述候选用户进行取交集处理，以所述候选用户的交集作为所述影响力用户集合。

14.一种电子设备，其特征在于，包括：

处理器；及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至7中任一项所述的推广信息的投放方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的推广信息的投放方法。