CN107767164B - 推送信息订单的信息处理方法、分配方法及装置 - Google Patents
推送信息订单的信息处理方法、分配方法及装置 Download PDFInfo
- Publication number
- CN107767164B CN107767164B CN201610708108.5A CN201610708108A CN107767164B CN 107767164 B CN107767164 B CN 107767164B CN 201610708108 A CN201610708108 A CN 201610708108A CN 107767164 B CN107767164 B CN 107767164B
- Authority
- CN
- China
- Prior art keywords
- order
- inventory
- exposure
- dimension
- proportion
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
-
- 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
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种推送信息订单的信息处理方法,包括:获取历史用户数据,其包括各用户已发生的曝光数据;根据历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量以及一组曝光数量占比,其中,每个曝光数量占比对应一个频次;建立库存模型,其描述了每个供应节点及其对应的库存量及一组库存占比;其中,一个供应节点对应一个维度或一个维度组合,该供应节点对应的库存量为该维度或该维度组合对应的曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的一组曝光数量占比。本申请还公开了一种服务分配方法、询量方法以及相应的装置。采用这些技术方案能够改善信息推送服务。
Description
技术领域
本申请涉及互联网领域,特别涉及一种推送信息订单的信息处理方法、分配方法及相应的装置。
背景技术
随着互联网技术的发展,越来越多的数据(包括:文本、图片、音频、视频等)会通过互联网推送给各种用户。比如:用户在使用手机、PC等终端设备浏览网页时,会接收到网络侧推送的各种数据,比如:图片或视频格式的广告、公益宣传信息、新闻等。这样,用户可以及时获知时讯、感兴趣的内容等。这类数据可被称为推送信息或推送媒体内容等。
发明内容
本申请提供了一种推送信息订单的信息处理方法,包括:获取历史用户数据;其中,所述历史用户数据包括各用户已发生的曝光数据;根据所述历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次;根据每一维度或维度组合及其对应的所述曝光数量和所述一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比;其中,一个供应节点对应一个维度或一个维度组合,该供应节点对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比。
本申请还提供了一种推送信息订单的服务分配方法,包括:提取各订单的信息;提取上述的库存模型;根据所述各订单的信息和所述库存模型生成分配计划,所述分配计划包括各订单的服务比率,其中,每一订单的服务比率按如下方式确定:
利用所述库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比;及根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该订单的预订量,确定该订单的所述服务比率;
之后,提供所述分配计划给推送服务器,以使所述推送服务器根据所述分配计划中的所述服务比率进行选单处理。
本申请还提供了一种推送信息订单的询量方法,当从需求方收到针对一新订单的询量请求时,该方法包括:提取各已有订单的信息;提取上述的库存模型;根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序;按所述分配顺序,对该新订单之前的各已有订单依次执行如下处理:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制条件的一个库存占比;及根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及当前订单的预订量,确定当前订单的服务比率并更新当前预估的库存剩余量;
利用所述库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该新订单的频次限制的一个库存占比;根据与该新订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量以及所述一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值;按所述分配顺序,从该新订单开始依次对各订单执行如下处理,直到所述预订量下限大等于所述预订量上限:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制的一个库存占比;及根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调所述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值;其中,将所述预订量上限初始值作为所述可预订量探测值的初始值;
之后,将所述预订量上限的最终取值作为该新订单的可预订量最大值。
相应的,本申请提供了一种推送信息订单的信息处理装置,包括:数据提取模块,获取历史用户数据;其中,所述历史用户数据包括各用户已发生的曝光数据;计算模块,根据所述历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次;模型建立模块,根据每一维度或维度组合及其对应的所述曝光数量和所述一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比;其中,一个供应节点对应一个维度或一个维度组合,该供应节点对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比。
相应的,本申请提供了一种推送信息订单的服务分配装置,包括:数据提取模块,提取各订单的信息,提取上述的库存模型;分配计划模块,根据所述各订单的信息和所述库存模型生成分配计划,所述分配计划包括各订单的服务比率,其中,每一订单的服务比率按如下方式确定:利用所述库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比;及根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该订单的预订量,确定该订单的所述服务比率;还包括输出模块,提供所述分配计划给推送服务器,以使所述推送服务器根据所述分配计划中的所述服务比率进行选单处理。
相应的,本申请提供了一种推送信息订单的询量装置,当从需求方收到针对一新订单的询量请求时,该装置包括:数据提取模块,提取各已有订单的信息,提取上述的库存模型;分配计划模块,根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序;按所述分配顺序,对该新订单之前的各已有订单依次执行如下处理:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制的一个库存占比;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及当前订单的预订量,确定当前订单的服务比率并更新当前预估的库存剩余量;
该装置还包括:查询边界模块,利用所述库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该新订单的频次限制的一个库存占比;根据与该新订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量以及所述一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值;预订量探测模块,按所述分配顺序,从该新订单开始依次对各订单执行如下处理,直到所述预订量下限大等于所述预订量上限:利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制的一个库存占比;及根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调所述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值;其中,将所述预订量上限初始值作为所述可预订量探测值的初始值;所述预订量探测模块,将所述预订量上限的最终取值作为该新订单的可预订量最大值。
采用本申请提供的上述方案,在进行服务分配及订单的询量时能考虑到各种频次对应的订单库存占比,进而能更好的保证订单的预订曝光量并避免订单的过度曝光,进而改善信息推送效果、提高系统性能。
附图说明
为了更清楚的说明本申请中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实例,对于本领域普通技术人员来说,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它的附图。其中,
图1是本申请实例涉及的系统构架图;
图2示出了供应节点和需求节点之间的关系;
图3为本申请一实例中订单的信息处理方法流程图;
图4为本申请一实例中订单的服务分配方法流程图;
图5为本申请一实例中订单的询量方法流程图;
图6为本申请一实例中的库存模型建立装置示意图;
图7为本申请一实例中的服务分配装置示意图;
图8为本申请一实例中的询量装置示意图;及
图9为本申请实例中的计算设备组成结构示意图。
具体实施方式
为了描述上的简洁和直观,下文通过描述若干代表性的实施例来对本发明的方案进行阐述。但本文并未示出所有实施方式。实施例中大量的细节仅用于帮助理解本发明的方案,本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案,一些实施方式没有进行细致地描述,而是仅给出了框架。下文中,“包括”是指“包括但不限于”,“根据……”是指“至少根据……,但不限于仅根据……”。说明书和权利要求书中的“包括”是指某种程度上至少包括,应当解释为除了包括之后提到的特征外,其它特征也可以存在。
在基于互联网的信息推送技术中,在线的推送信息的展示服务(比如在线广告的展示)可以通过流量(即曝光数量)保证的订单来实现。其中,负责展示推送信息的媒体方(Publisher,也称为供应方)向需求方(如广告主 Advertiser)保证预定数量的满足订单定向(targeting predicates)的曝光(即库存量)。这里,所谓定向描述了该订单对应的推送信息的目标受众特征,该推送信息向用户的一次展示被称为一次曝光。
在流量保证的信息推送场景中,通常涉及两个阶段:一、售卖阶段,需求方从媒体方购买对于某一订单的预定数量的曝光(即购买针对一订单的预定流量或者说曝光数量);二、服务阶段,基于当前库存量,媒体方将各订单对应的推送信息推送给符合目标受众特征的用户,其中,订单中描述有媒体方与需求方约定好的目标受众特征。具体的,在售卖阶段,需要基于当前的库存预估结果来确定当前欲加入的新订单的预定量是否能满足;在服务阶段,需要基于当前的库存预估结果来选择准备曝光的订单并确定给各准备曝光的订单分配多少曝光量。因此,库存预估对于这两个阶段都会产生一定影响,库存预估结果的不准确、库存模型的不完善都可能造成某些订单的曝光流量不能保证或者某些订单被过度曝光(即实际曝光量超出订单的预定量)。
例如:在每千人成本(CPM,Cost Per Impressions)合约广告体系中最核心的问题是如何分配可供售卖的广告曝光,即对一组具有合约量和受众定向约束的订单在给定的预估库存下,对每个订单按照其受众定向约束和需求量分配广告库存,使得所有订单的不缺量或整体缺量最小。该分配方案可以用于:
1、指导投放(即上述第二阶段):提供一个基础的分配方案,指导投放引擎进行投放并根据实时的反馈数据及时调整分配方案。
2、辅助询量(即上述第一阶段):提供各种受众定向约束的剩余曝光信息,帮助广告主优化广告计划。
图1为本申请实例涉及的系统构架图。如图1所示,该系统至少包括:库存分配模块101、数据平台102、推送服务器103和订单管理模块104。其中,库存分配模块101可以包括:库存预估模块111、售卖分配模块121和服务分配模块131;数据平台102可以包括:离线数据模块112和实时数据模块122。
在互联网中,各个用户使用客户端访问一些网站,比如:浏览网页或者观看在线视频等,推送服务器103(例如:用于投放互联网广告的广告服务区)可以收集到当前有哪些用户访问了哪些页面(URL),进而确定需要向其中哪些用户推送信息以及推送什么样的信息。推送服务器103会针对当前访问网络的用户生成各个曝光请求返回给对应用户的客户端,并传递给数据平台102作为日志数据记录下来,比如传递给其中的实时数据模块122。实时数据模块122会将这些曝光请求传递给离线数据模块112作为历史曝光数据保存,也会基于这些曝光请求更新各订单当前的预订量(或者称为需求量) 并将各订单最新的推送量传递给库存分配模块101,比如传递给其中的服务分配模块131。
库存分配模块101(比如其中的库存预估模块111)可以根据从数据平台102(比如其中的离线数据模块112)获取的历史曝光数据对库存量进行预估得到预估的库存量,并基于预估的库存量和历史曝光数据建立库存模型。库存分配模块101(比如其中的服务分配模块131)可以从订单管理模块104 提取各订单的信息,从库存预估模块111提取库存模型,并基于库存模型以及各订单的信息确定分配计划。
库存分配模块101(比如其中的服务分配模块131),当从实时数据模块122收到各订单最新的推送量(即已曝光量,比如某广告的已播放量)时,可以更新各订单的预订量,进而可以更新分配计划。推送服务器103针对当前收到的多个用户的曝光请求,可以从订单管理模块104提取其定向与这些用户相符的多个订单的信息。根据从库存分配模块101获取的分配计划确定这些订单各自对应的服务比率,推送服务器103可以根据分配计划中的服务比率对这些订单进行选单处理,基于选单结果可以提供信息推送的服务(例如:广告服务器可以根据选单结果向各用户推送相应的广告,或者确定没有选中的订单而不必给用户推送广告)。
库存分配模块101(比如其中的售卖分配模块121),当从需求方(如广告主)收到针对一新订单的询量请求时,从订单管理模块104提取各已有订单的信息,从库存预估模块111提取库存模型,基于各已有订单的信息以及库存模型确定该新订单的可预订量最大值。在一实例中,需求方欲新加入一订单时,可通过订单管理模块104向库存分配模块101发出询量请求,之后需求方可以获知针对该订单可以设定的可预订量最大值,库存分配121也会针对该订单记录其可预订量最大值,当需求方正式加入该订单时,库存分配模块101会自动判断该订单的预订量(或者说预订曝光量或需求量)是否可接受。
在一些实例中,上述的库存模型描述了每个供应节点(supply node)及其对应的库存量,其中,一个供应节点(也称为一个流量单元)对应一个维度(dimension)或一个维度组合(combination of dimensions),该供应节点对应的库存量为该维度或该维度组合对应的曝光数量,供应节点的各种信息是根据历史曝光数据确定的(可以通过统计得到或者通过算法预估)。此外,一个订单也可由一个需求节点(demand node)来表征,一个需求节点对应该订单的定向以及需求量(即该订单的预订量)。
图2示出了供应节点和需求节点之间的关系。其中,供应节点有6个,它们有各自的维度/维度组合以及库存量,需求节点有N个,它们有各自的定向及需求量。比如:供应节点1的维度组合为{北京,体育},代表来自北京的访问体育频道的用户,其对应的库存量为8M,代表具有这种维度组合{北京,体育}的用户访问次数(即根据历史曝光数据统计出的曝光机会数量,也称为曝光数量)为8M。需求节点1的定向为{体育},代表访问体育频道的用户,其对应的预订量为15M,代表希望保证对应订单向访问体育频道的用户曝光的次数为15M。如图2所示,对于具有连线的任一对供应节点和需求节点,该供应节点的维度/维度组合与需求节点的定向相符,可以考虑向该供应节点对应的用户曝光该需求节点对应的订单。关于具体如何将各供应节点的库存量分配给各需求节点,且能满足需求节点的定向约束及预订量要求,以下将进行详细阐述。
本申请提出了一系列技术方案,旨在优化库存模型、服务分配及售卖分配的处理,以保证订单的曝光流量(即预订量)并避免过度曝光,进而提升信息推送系统的性能。
图3是本申请一实例中订单的信息处理方法流程图。该方法可应用于图 1中的库存分配模块101,具体的可应用于其中的库存预估模块111。如图3 所示,该方法可以包括以下步骤:
步骤301:获取历史用户数据;其中,历史用户数据包括各用户已发生的曝光数据。
这里,可从数据平台102获取历史用户数据,比如从其中的离线数据模块112获取历史用户数据,其中的曝光数据包括已发生的曝光机会数据,所谓针对某次用户访问的曝光机会就是指针对此次用户访问产生的曝光请求,但经过服务分配处理后不一定针对该曝光请求产生了实际的曝光。
在一些实例中,上述的曝光数据可包括页面曝光数据和媒体内容曝光数据(如广告曝光),页面曝光指的用户对页面的访问,而在用户的一次页面访问中可能发生多次媒体内容曝光。
步骤302:根据所获取的历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次。
这里,一个频次对应的曝光数量占比,可以是该频次的曝光数量占对应维度或维度组合的曝光总量的比率,也可以是将该频次作为频次限制时符合该频次限制的曝光数量占对应维度或维度组合的曝光总量的比率。
在一些实例中,针对每一维度或维度组合,上述确定一组曝光数量占比的处理,可以包括:针对每一维度或维度组合,确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,以得到该维度或维度组合对应的一组曝光数量占比。例如,根据历史用户数据可以确定在预定期间内该维度或维度组合下各用户的访问频次(可简称为频次)。比如:对于维度组合{北京,体育},可以确定,在五天内,来自北京的用户A访问体育频道1次,来自北京的用户B访问体育频道3次等。这样可以确定在五天内维度组合{北京,体育}下已发生的各种访问频次,包括:五天1次、五天3次、五天5次……。每一访问频次可对应一个曝光数量,比如:可确定五天1次的用户有100个(即有100个曝光),五天3次的用户有50个(即有50个曝光),等等。每一访问频次对应的曝光数量占该维度或维度组合下总曝光数量的比率就是该访问频次的曝光数量占比。进一步的,根据各个访问频次的曝光数量占比,可以计算得到将各访问频次作为频次限制时符合各频次限制的曝光数量占对应总曝光数量的比率。
步骤303:根据每一维度或维度组合及其对应的上述曝光数量和一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比。
其中,一个供应节点对应一个维度或一个维度组合,该供应节点对应的库存量为该维度或该维度组合对应的曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的一组曝光数量占比。这里,各供应节点及其对应的一组库存占比,也可称为库存的频次模型(例如称为频次限制比例模型,Frequency Capping Ratio Model),该频次模型可被视为库存模型的一部分,即上述实例中建立的库存模型为一种考虑了频次的库存模型,或者说是包含了频次模型的库存模型。
基于以上实例可以看出,所建立的库存模型不仅考虑到每个供应节点的库存量,还考虑到各个频次对应的库存占比,这样,在后续利用此库存模型进行服务分配或售卖分配时能够基于各频次的库存占比完成分配,使得分配结果更为准确、合理,能更好的保证订单的预订曝光量并避免订单的过度曝光,进而改善信息推送效果、提高系统性能。
步骤302中,上述确定某一维度或维度组合对应的各用户的曝光频次并为所确定的各曝光频次分别统计曝光数量占比的处理可以有若干种方式:
方式一:
1、确定预定时间段内该维度或维度组合对应的各用户及其页面访问频次。
2、确定预定时间段内该维度或维度组合对应的页面访问总次数。
3、针对每个页面访问频次,确定该页面访问频次对应的用户数量占上述页面访问总次数的第一比例,利用此第一比例计算满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将次第二比例作为曝光数量占比。
此种方式建立的频次模型可被称为静态的频次模型。
在一些实例中,在用户的一次页面访问(PV)中只允许出现一个媒体内容的曝光(CV,Content View),比如:一次PV中只允许出现一个广告的曝光(AV,AdvertisementView),即同一个广告最多占用同一个PV中的一个曝光。这样,可以确定各个频次的PV占比,即满足x天y次的PV数量占总PV数量的比例。可见,采用方式一可以解决同一PV中同一媒体内容的曝光限制的问题,并且统计PV占比的计算复杂度更低,还能保证数据精准度。
具体的,页面访问频次可表示为(n,k),其中,n为时间参数,k为次数。例如:给定连续n天历史曝光数据,该时间段内发生的总PV数表示为VPV(n),贡献k个PV的用户(可表示为UV)数目表示为VUV(n,k)。那么贡献k个PV的UV占总PV数的比例可表示为PUV(n,k)(即前述的第一比例),且可通过以下公式(1)计算得到:
假如一个订单的频次控制要求(即频次限制)表示为(x,y),其中, x为时间参数,y为次数,比如频次限制为x天y次,能够满足该频次控制要求的PV库存占比表示为QPV(x,y)(即前述的第二比例,表示在指定时间段 x天内用户的页面访问次数小于或小于等于y次的曝光数量占比),且可通过以下公式(2)计算得到:
频次模型(即各供应节点对应的一组库存占比)便可以描述为以下公式 (3):
QPV={QPV(x,y)|x≥1,y≥1} (3)
方式二:
1、确定该维度或维度组合对应的用户集合中每一用户的曝光数据。
2、针对每一用户的曝光数据,预估在每一剩余库存比例下消耗的曝光次数,并根据所预估的所述消耗的曝光次数更新该用户的曝光数据。
3、根据更新后的各用户的所述曝光数据,确定各用户的曝光频次。
4、针对每一曝光频次,根据更新后的各用户的所述曝光数据确定在每一剩余库存比例下该曝光频次对应的曝光数量占比。
其中,该维度或维度组合对应的用户集合U中每一用户u的曝光数据 VPV(u),可表示为集合:VPV(u)={V1 PV(u),V2 PV(u),...,Vk PV(u)},其中,第i 个页面访问上发生的曝光次数表示为Vi PV(u)。
上述步骤2中,根据每一用户u的曝光数据中的每一Vi PV(u),从历史数据中学习每一剩余库存比例r下消耗x个曝光的概率pPV(x,r),根据pPV(x,r) 更新该Vi PV(u)。
上述步骤4中,可采用前述方式一来统计曝光数量占比。具体的,上述步骤3中确定的曝光频次为在指定时间段各用户的页面访问频次,上述步骤4包括:确定在指定时间段内各用户的页面访问总次数;针对每个页面访问频次,确定每一剩余库存比例下该页面访问频次对应的用户数量占所述页面访问总次数的第一比例,利用所述第一比例计算每一剩余库存比例下满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将每一剩余库存比例下的所述第二比例作为每一剩余库存比例下该页面访问频次对应的曝光数量占比。
在一些实例中,上述方式二中,计算在每一剩余库存比例下消耗x个曝光的概率pPV(x)并根据pPV(x)计算该Vi PV(u)被扣减的曝光次数的期望,并根据计算出的被扣减的曝光次数的期望更新该Vi PV(u),可具体包括如下处理:
首先,进行初始化处理:
1)定义剩余库存比例的离散化区间数目l,离散化后的剩余库存比例可以表示为L={0,1/l,2/l,...,(l-1)/l,1}。
2)定义不同CV(例如AV)数目的PV在不同剩余库存比例时的消耗概率p*(n,m),即CV数为n的PV在剩余库存比例为m时CV消耗概率。研究发现,下述两种方式都能取得不错的效果:
一、仿造无频次限制的理论模型,假设CV按照等概率的方式被消耗,即p*(n,m)为常数。
二、采样不同剩余库存比例时不同CV数目的PV在推送日志中(比如广告的投放日志)的消耗数量,并建立回归算法来学习。
基于以上初始化处理,具体计算步骤如下:
1)令剩余库存比例r=100%。
a)对任意u∈U,执行如下操作:
ii.该概率的分布可以表示为如下公式(5):
iii.产生一个介于0-1之间的随机数r,当前PV应当扣减的CV个数v 表示为
v=y,r>QPV(y-1)且r≤QPV(y)
b)按照前述方式一统计出当前剩余库存比例下的各频次对应的曝光数目占比QPV(x,y),令qPV(x,y,r)=QPV(x,y)。
上述方式二所得到的qPV(x,y,r)便是考虑剩余库存比例影响的频次模型。这种频次模型可称为动态的频次模型(如动态的频次限制比例模型)。
采用上述方式二,能够模拟库存消耗情况下的频次变化,即根据历史日志数据还原库存结构,模拟库存消耗并学习出不同库存剩余比例下各频次对应的曝光数量占比,使得在后续进行服务分配和售卖分配时,根据库存模型预估的多个订单占用库存后各频次的曝光数量占比更加准确,进而能进一步优化分配结果,能更精准的分配订单的预订曝光量,更好的保证订单的预订曝光量并避免订单的过度曝光,进而改善信息推送效果、提高系统性能。
发明人在研究中还发现,各频次的曝光数量占比直接从每个供应节点i 统计,并运用到对应的订单定向对应的供应节点集合Γ(j)中会产生误差。因为通常Γ(j)包含多个供应节点,直接对各供应节点的曝光数量占比求和会产生流量重叠的问题,导致计算出的频次对应的曝光数量占比偏大。例如,对于频次7天3次,维度{电影}和{电视剧}对应的曝光数量占比均是20%,但订单定向为“电影+电视剧”时,必定有一部分用户既看电影,也看电视剧,因此对于订单定向“电影+电视剧”而言,频次7天3次实际对应的曝光数量占比会小于20%。精准的方法是对所有可能出现的Γ(j)分别从历史数据中学习各自的频次模型。然而,实际系统中的供应节点有千万个,Γ(j)的组合会相当之多,依次学习出频次模型的计算量非常大。
在一些实例中,针对上述问题,采用如下方法来获得上述预定的各维度或维度组合:
1、从历史用户数据中提取历史订单的多个定向。
2、对多个定向进行聚类计算以得到至少一个定向组。
3、将所述至少一个定向组作为所述预定的所述维度和/或维度组合。
采用这种方法,能够统计跨订单定向约束的曝光数据,解决多个流量单元UV重合的问题,既能提高统计的准确度,还能减少计算量,提高系统效率。
上述聚类计算的方法可具体如下:
首先,定义任两个订单a和b的定向相似度按以下公式(6)计算:
其中,V(x)表示针对供应节点x确定的页面访问次数(可被视为曝光数量),Γ(a)表示符合订单a的定向的供应节点集合。
其次,利用以上相似度的计算方法可以计算得到任两个订单之间的相似度,根据计算得到的各相似度以及任意聚类算法,可以将历史上所有出现过的定向分为多个定向组。
在一些实例中,对于每个定向组,确定一个定向作为该定向组的定向代表,如取组内各定向并集或选取其中一个定向作为定向代表,并将定向代表作为一个维度或维度组合,再根据历史数据学习该定向代表的频次模型,即将该定向代表作为一个维度或一个维度组合并按前述方法学习得到对应的频次模型。
最后,在售卖分配和服务分配时,对于任意一个订单,根据上述相似度公式(6)找到和该订单的定向最相似的定向组,并采用该定向组的频次模型作为该订单的频次模型。这里,如前文所述,建立的是各维度/维度组合对应的频次模型,在此基础之上可以确定各历史订单的定向对应的频次模型,其中,一订单的定向对应的频次模型为与该定向相符的维度或维度组合对应的频次模型。
上述方案解决了不同流量单元用户重合的问题,也通过损失少量订单的精准度来极大降低了算法复杂度与计算开销。数据显示,几十种定向便能精准服务历史全部订单;同时,越相似的定向,频次结构也越相似。因此,此方案对于系统精度的影响非常小。
在一些实例中,上述频次模型的建立可以离线计算,并将结果存储到缓存之中。在线使用时直接利用缓解结果即可,可以保证在线计算并无额外的时间开销。在另一些实例中,上述频次模型可以在线计算,使结算结果更具实时性,更为准确。
利用上述实例提供的建立库存模型(包含有频次模型)的方案,能够使得售卖分配中订单单次询量平均值提升20%,在服务分配中分配与投放的加权偏差下降35%,极大地提升了推送信息的订单在售卖与投放过程中的准确性。
此外,本申请还提出了基于以上考虑频次的库存模型的分配方法,包括订单的服务分配方法和订单的售卖分配方法。
图4是本申请一实例中的订单的服务分配方法流程图。该方法可应用于图1中的库存分配模块101,具体的可应用于其中的服务分配模块131。如图 4所示,该方法包括如下步骤:
步骤401:从订单管理模块104提取各订单的信息。
步骤402:从库存预估模块111提取按前述方法建立的库存模型。
步骤403:根据各订单的信息和库存模型生成分配计划,此分配计划包括各订单的服务比率(Service Rate)。
其中,针对每一个订单,执行如下处理来确定其服务比率:
1、利用库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比;
2、根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的一个库存占比以及该订单的预订量,确定该订单的服务比率。
步骤404:提供上述分配计划给推送服务器103,以使推送服务器103根据分配计划中的服务比率进行选单处理。
其中,当从推送服务器103收到针对多个用户的曝光请求时,从订单管理模块104提取其定向与这些用户相符的多个订单的信息,再根据从库存分配模块101获得的分配计划确定所提取的这些订单各自对应的服务比率,以对这些订单进行选单处理。推送服务器103基于选单结果可以提供信息推送服务,比如:根据选单结果,向相应的用户推送信息(如投放广告)或者确定选单失败不必向任何用户推送信息。
在一些实例中,在提取订单时,一是进行定向过滤,即提取定向与这些用户相符的各个订单,二是进行频次过滤,即从定向与这些用户相符的各订单中提取符合频次限制要求的订单,也就是说,针对其中每个订单,确定该订单对相应用户的曝光次数是否已达到频次限制次数,进而提取出还未达到频次限制次数的订单。
在上述实例中,在进行服务分配时,可以基于从库存模型中提取的考虑频次限制条件的库存占比来计算各订单的服务比率,使得服务比率更为精准,进而使得对于实时收到的曝光请求进行的选单结果更为准确、更能够满足信息推送的要求,能更好的保证订单流量及防止过度曝光。
在一些实例中,在生成分配计划时,可进一步根据库存模型确定各订单的与其定向相符的供应节点的库存量,并按库存量对各订单进行排序以确定分配顺序。之后,按此分配顺序,依次确定各订单的服务比率。
在一些实例中,对于订单j,其服务比率表示为αj,各个订单可按一定的分配顺序进行排序,之后按此顺序依次计算各订单的服务比率。此分配顺序有两种:
1、按与订单的定向相符的供应节点的库存量做升序排列,其中,订单j对应的相符的供应节点的库存量(不考虑频次模型的影响)可表示为 Sj(Sj=Σi∈Γ(j)si),如果考虑本申请提出的频次模型的影响,此库存量可表示为 S′j(S′j=Σi∈Γ(j)sifΓ(j))。
2、按订单需求量与上述相符的供应节点的库存量之间的比率做降序排列,其中,订单j的预订量(或者说需求量)表示为dj,此比率表示为dj/Sj。采用这种分配顺序,对于具有相同定向但具有不同预订量的订单,可以区分它们之间的优先级。
在一些实例中,上述库存模型描述的每个供应节点对应的一组库存占比包括:每个剩余库存比例下每个频次限制对应的库存占比。此时,上述步骤403 中每一订单j的服务比率按如下方式确定。
其中,定义每个供应节点i的预估剩余库存量为ri,为每一订单j确定其服务比率αj的具体处理流程如下:
1、初始化所有供应节点i的预估剩余库存量为ri=si,其中,si为库存模型中供应节点i的库存量。
2、按预定的分配顺序,对于每个订单j执行如下处理:
a)按以下公式(7)计算库存剩余比例(inventory remaining rate)p:
b)从之前建立的库存模型(包含频次模型)中提取确定与该订单j的定向相符的每个供应节点i(即每个维度和/或维度组合)的、符合该订单的频次限制条件的一个库存占比其中,给定一订单j及库存剩余比例p可以确定符合该订单j的频次限制条件(nj,mj)的库存占比f(Γ(j),nj,mj,p),其可以简化表示为f*(j,p)。在一些实例中,如果已将订单的定向进行聚类而产生了多个定向组,则可以确定与该订单j的定向最相似的定向组Γ′(j),并基于此Γ′(j) 来计算f*(j,p)=f(Γ′(j),nj,mj,p)。
c)按如下公式(8)确定该订单j的考虑上述库存占比的服务比率αj:
如果无法确定满足公式(8)的αj,则αj=1。
上述实例中,库存模型中考虑了不同库存剩余比例下各频次对应的库存占比,使得服务分配时,根据库存模型预估的多个订单占用库存后各频次的曝光数量占比更加准确,进而能进一步优化分配结果,能更精准的分配订单的预订曝光量,更好的保证订单的预订曝光量并避免订单的过度曝光,进而改善信息推送效果、提高系统性能。
上述确定各订单服务比率的处理可在离线时进行计算。在收到在线的曝光请求后,会提取与曝光请求相符的多个订单的信息,并根据已生成的分配计划确定这些订单的服务比率,从而推送服务器103可基于这些订单的服务比率进行在线的选单处理。这里,对于某一订单,根据分配计划确定的用于在线选单的该订单的服务比率与分配计划中包含的该订单的服务比率可能相同,也可能略小。也就是说,步骤403生成的分配计划中的服务比率代表订单在进行实际在线选单过程中可能选用的服务比率值,但实际在线选单时不一定使用分配计划中的服务比率,可能根据实际情况有调整。
在一些实例中,给定一个曝光请求i,J={c1,...,c|J|}为与该曝光请求相符的订单集合,其中,这些订单是经过定向匹配及频次控制等过滤而得到的,并且按分配顺序进行排列。如果这些订单的服务比率之和大于1,即则找到一个最大值l能使得重新计算在上述分配顺序中第l+1个订单的服务比率这样,α′l+1<αl+1。之后,从新的订单集合J ‘ ={c 1 ,… , c l } 选择一个订单j(j∈[1,l])。
图5是本申请一实例中的订单的询量方法流程图。此询量方法可属于订单的售卖分配流程。该方法可应用于图1中的库存分配模块101,具体的可应用于其中的售卖分配模块121。当从需求方收到针对一新订单的询量请求(如:最大可预订量查询请求)时,需要对此新订单进行可预订量最大值的查询处理,此处理属于售卖分配的一部分。其中,需求方指的是欲购买某一订单的一方(比如:欲购买一广告订单的广告主),在确定购买之前需要进行可预订量查询,以确定该订单的可预订量最大值,此时会通过订单管理模块103向库存分配模块 101发出询量请求,该请求携带欲购买的新订单的信息。
如图5所示,该方法分三个阶段,包括如下步骤:
(第一阶段:分配新订单之前的各订单应占的库存)
步骤501:从订单管理模块103提取各已有订单的信息,从库存预估模块 111提取按前述方法建立的库存模型。
步骤502:根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序。
在一些实例中,确定分配顺序的处理可包括:根据库存模型确定各订单的与其定向相符的供应节点的库存量,并按库存量对各订单进行排序以确定分配顺序。比如:根据各订单的定向可按前述第一种方式来确定分配顺序,即按与订单j的定向相符的供应节点i的库存量S′j(S′j=Σi∈Γ(j)sifΓ(j))做升序排列。
步骤503:针对所确定的分配顺序中该新订单之前的每一已有订单,执行如下处理:
1)利用库存模型,确定与该已有订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制的一个库存占比。
2)根据与该已有订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该已有订单的预订量,确定该已有订单的服务比率并更新当前预估的库存剩余量。
(第二阶段:定义查询边界)
步骤504:利用库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比。
步骤505:根据与该新订单的定向相符的每个供应节点对应的库存量以及一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值(比如设为0)。
(第三阶段:探测预订量最大值)
步骤506:按分配顺序,从该新订单开始依次对各订单执行如下处理,直到预订量下限大于等于预订量上限:
1)利用库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制条件的一个库存占比。
2)根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、上述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调上述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值。其中,将预订量上限初始值作为可预订量探测值的初始值。
步骤507:将预订量上限的最终取值作为该新订单的可预订量最大值。
之后,利用此预订量最大值可以确定该新订单的预订量是否可被接受。
这里,可将此预订量最大值作为售卖分配模块121作为输出参数而反馈给订单管理模块104,进而订单管理模块104可以确定新订单的预订量是否可被允许;或者,售卖分配模块121直接根据此预订量最大值确定新订单的预订量是否可被允许,并将判断结果作为输出参数而反馈给订单管理模块 104。
在上述实例中,在需求方就一新订单进行可预订量查询(即询量)时,可以基于从库存模型中提取的考虑频次限制条件的库存占比来分配新订单之前的各订单应占的库存、定义查询边界、探测得到可预订量最大值,使得探测得到的可预订量最大值更为精准,更能够满足订单售卖分配的要求,能更好的限制订单售卖中的预订量(即订单流量或订单曝光量),防止订单流量的过度售卖或售卖不足,进而能够更好的保证信息推送中的订单流量,改善信息推送服务的性能。
在一些实例中,库存模型描述的与某定向相符的所有供应节点对应的一组库存占比可以包括:每个剩余库存比例下每个频次限制对应的库存占比,此时,步骤503中第1)点中确定的当前订单对应的一个库存占比可包括:库存模型中的与当前订单j的定向相符的所有供应节点的、在当前预估的剩余库存比例p下符合该订单j的频次限制的库存占比其中,Γ(j)为与订单j的定向相符的供应节点集合,频次限制表示为(nj,mj), nj为时间参数,mj为次数。
在一些实例中,定义每个供应节点i的预估剩余库存量为ri,新订单为订单 x。
步骤503的具体处理如下:
1、初始化所有供应节点i的预估剩余库存量为ri=si,其中,si为库存模型中供应节点i的库存量。
2、按分配顺序,对于订单x之前的每一个订单j,执行如下处理:
a)按公式(7)计算库存剩余比例p:
b)从之前建立的库存模型(包含频次模型)中提取确定与该订单j的定向相符的所有供应节点i(即与订单j的定向相符的供应节点集合Γ(j))的、符合该订单的频次限制条件的一个库存占比关于f*(j,p)前文已有详述,这里不再赘述。
c)按公式(8)确定该订单j的考虑上述库存占比的服务比率αj:
如果无法确定满足公式(8)的αj,则αj=1。
步骤504具体包括处理:
1、按公式(7)计算该新订单x的库存剩余比例p:
步骤505中,设置预订量下限dlower初始值为0,预订量上限dupper的初始值可按如下公式(9)来确定:
步骤506的具体处理包括:
1、保存所有供应节点i的当前预估剩余库存量r′i,即r′i=ri。
2、设置预订量探测值dx的初始值dx=dupper。
3、重复执行以下步骤,直到dlower≥dupper:
a)针对分配顺序中该新订单x以及其后的各已有订单中的每一个订单j,执行如下处理:
i.按公式(7)计算订单j的库存剩余比例p:
iii.按公式(8)确定该订单j的考虑上述库存占比的服务比率αj:
如果无法确定满足公式(8)的αj,则令dupper=dx并执行以下步骤c)
b)令dlower=dx,即,将预订量下限上调。
c)令即将预订量探测值dx下调到上限值和下限值的均值。同时,将所有供应节点i的当前预估剩余库存量ri恢复为步骤1保存的r′i。之后,返回执行步骤a),以重新该新订单x以及其后的各已有订单中的每一个订单j 进行上述步骤a)中i~iv的处理。
上述实例中,库存模型中考虑了不同库存剩余比例下各频次对应的库存占比,使得订单询量时,根据库存模型预估的多个订单占用库存后各频次的曝光数量占比更加准确,使得探测得到的预订量最大值更为精准,更能够满足订单售卖分配的要求,能更好的限制订单售卖中的预订量(即订单流量或订单曝光量),防止订单流量的过度售卖或售卖不足,进而能够更好的保证信息推送中的订单流量,改善信息推送服务的性能。
基于以上实例,本申请还提出了一种推送信息订单的信息处理装置。该装置可位于库存分配模块101(比如其中的库存预估模块111)中。如图6 所示,该信息处理装置600包括:
数据提取模块601,获取历史用户数据;其中,所述历史用户数据包括各用户已发生的曝光数据。比如:从数据平台102(如离线数据模块112)获取历史用户数据。
计算模块602,根据数据提取模块601获取的历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次。
模型建立模块603,根据计算模块602确定的每一维度或维度组合及其对应的所述曝光数量和所述一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比。
其中,一个供应节点对应一个维度或一个维度组合,该供应节点对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比。
在一些实例中,计算模块602,针对每一维度或维度组合,确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,以得到该维度或维度组合对应的一组曝光数量占比。
在一些实例中,计算模块602,确定在指定时间段内该维度或维度组合对应的各用户及其页面访问频次;确定在指定时间段内该维度或维度组合对应的页面访问总次数;针对每个页面访问频次,确定该页面访问频次对应的用户数量占所述页面访问总次数的第一比例,利用所述第一比例计算满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将所述第二比例作为曝光数量占比。
在一些实例中,计算模块602,确定该维度或维度组合对应的用户集合中每一用户的曝光数据;针对每一用户的曝光数据,预估在每一剩余库存比例下消耗的曝光次数,并根据所预估的所述消耗的曝光次数更新该用户的曝光数据;根据更新后的各用户的所述曝光数据,确定各用户的曝光频次;针对每一曝光频次,根据更新后的各用户的所述曝光数据确定在每一剩余库存比例下该曝光频次对应的曝光数量占比。
在一些实例中,该装置600进一步包括:
聚类模块604,从数据提取模块601获取的历史用户数据中提取历史订单的多个定向;对所述多个定向进行聚类计算以得到至少一个定向组;将所述至少一个定向组作为所述预定的所述维度和/或所述维度组合。
基于以上实例,本申请还提出了一种推送信息订单的服务分配装置。该装置可位于库存分配模块101(比如其中的服务分配模块131)中。如图7所示,该服务分配装置700包括:
数据提取模块701,提取各订单的信息,提取前述的库存模型。比如:从订单管理模块104提取各订单的信息,从库存预估模块111提取库存模型。
分配计划模块702,根据数据提取模块701提取的所述各订单的信息和所述库存模型生成分配计划,所述分配计划包括各订单的服务比率,其中,每一订单的服务比率按如下方式确定:
利用所述库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比;及
根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该订单的预订量,确定该订单的所述服务比率。
输出模块703,提供分配计划模块702生成的分配计划给推送服务器103,以使推送服务器103根据此分配计划中的服务比率进行选单处理。
在一些实例中,分配计划模块702,在生成分配计划时,进一步根据库存模型确定各订单的与其定向相符的供应节点的库存量,并按所述库存量对各订单进行排序以确定分配顺序;之后,按此分配顺序,依次确定各订单的服务比率。
基于以上实例,本申请还提出了一种推送信息订单的询量装置,该装置可位于库存分配模块101(比如其中的售卖分配模块121)中。当从需求方收到针对一新订单的询量请求时,如图8所示,该询量装置800包括:
数据提取模块801,提取各已有订单的信息,提取上述的库存模型。比如:从订单管理模块104提取各订单的信息,从库存预估模块111提取库存模型。
分配计划模块802,根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序;按所述分配顺序,对该新订单之前的各已有订单依次执行如下处理:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制的一个库存占比;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及当前订单的预订量,确定当前订单的服务比率并更新当前预估的库存剩余量。
查询边界模块803,利用所述库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该新订单的频次限制的一个库存占比;根据与该新订单的定向相符的每个供应节点对应的库存量以及所述一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值。
预订量探测模块804,按所述分配顺序,从该新订单开始依次对各订单执行如下处理,直到所述预订量下限大等于所述预订量上限:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制的一个库存占比;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调所述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值;其中,将
所述预订量上限初始值作为所述可预订量探测值的初始值。
最后,预订量探测模块804,将预订量上限的最终取值作为该新订单的可预订量最大值。预订量探测模块804可以将该新订单的可预订量最大值反馈给订单管理模块104,以供需求方设定该新订单的预订量时做参考。
以上各模块的实现原理在前文具有详述,这里不再赘述。
本申请还提出了一种推送信息的订单分配系统。该系统可包括图1所示的库存分配模块101。其中,库存分配模块101可以包括:库存预估模块111、售卖分配模块121和服务分配模块131。
在一些实例中,库存预估模块111包括上述的库存模型建立装置600。
进一步的,在一些实例中,服务分配模块131包括上述的服务分配装置 700。
进一步的,在一些实例中,售卖分配模块121包括上述的询量装置800。
库存分配模块101中的各模块通过与数据平台102、推送服务器103和订单管理模块104的交互,可以实现前述各种实例中的处理。具体实现原理,前文已有描述,这里不再赘述。
另外,在本申请各个实例中的装置以及各模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上装置或模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
在一些实施例中,上述的各种装置可运行在各种计算设备中,并加载在该计算设备的存储器中。
本申请提出了一种计算设备,可运行上述装置中的任一种或任意组合。如图9所示,该设备包括:该计算设备包括一个或者多个处理器(CPU)902、通信模块904、存储器906、用户接口910,以及用于互联这些组件的通信总线908。
处理器902可通过通信模块904接收和发送数据以实现网络通信和/或本地通信。
用户接口910包括一个或多个输出设备912,其包括一个或多个扬声器和/或一个或多个可视化显示器。用户接口910也包括一个或多个输入设备 914,其包括诸如,键盘,鼠标,声音命令输入单元或扩音器,触屏显示器,触敏输入板,姿势捕获摄像机或其他输入按钮或控件等。
存储器906可以是高速随机存取存储器,诸如DRAM、SRAM、DDR RAM、或其他随机存取固态存储设备;或者非易失性存储器,诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备,或其他非易失性固态存储设备。
存储器906存储处理器902可执行的指令集,至少包括:
操作系统客户端916,包括用于处理各种基本系统服务和用于执行硬件相关任务的程序。
应用918,包括用于实现上述各实例中任一者或任意组合的处理流程的应用程序。
在一些实例中,应用918可包括图6所示装置600、图7所示装置700和/ 或图8所示装置800,装置600、700和/或800中的各模块可以存储有机器可执行指令。处理器902通过执行存储器906中各模块中的机器可执行指令,进而能够实现各模块的功能。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施例中的硬件模块可以以硬件方式或硬件平台加软件的方式实现。上述软件包括机器可读指令,存储在非易失性存储介质中。因此,各实施例也可以体现为软件产品。
各例中,硬件可以由专门的硬件或执行机器可读指令的硬件实现。例如,硬件可以为专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或 ASIC)用于完成特定的操作。硬件也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。
图中的模块对应的机器可读指令可以使计算机上操作的操作系统等来完成这里描述的部分或者全部操作。非易失性计算机可读存储介质可以是插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器。安装在扩展板或者扩展单元上的CPU等可以根据指令执行部分和全部实际操作。
非易失性计算机可读存储介质包括软盘、硬盘、磁光盘、光盘(如CD-ROM、 CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
综上所述,权利要求的范围不应局限于以上描述的例子中的实施方式,而应当将说明书作为一个整体并给予最宽泛的解释。
Claims (28)
1.一种推送信息订单的信息处理方法,其特征在于,包括:
获取历史用户数据;其中,所述历史用户数据包括各用户已发生的曝光数据;
根据所述历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次;
根据每一维度或维度组合及其对应的所述曝光数量和所述一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比;
其中,一个供应节点对应一个维度或一个维度组合,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征。
2.根据权利要求1所述的方法,其中,针对每一维度或维度组合,所述确定一组曝光数量占比,包括:
针对每一维度或维度组合,确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,以得到该维度或维度组合对应的一组曝光数量占比。
3.根据权利要求2所述的方法,其中,
所述确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,包括:
确定在指定时间段内该维度或维度组合对应的各用户及其页面访问频次;
确定在指定时间段内该维度或维度组合对应的页面访问总次数;
针对每个页面访问频次,确定该页面访问频次对应的用户数量占所述页面访问总次数的第一比例,利用所述第一比例计算满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将所述第二比例作为曝光数量占比。
6.根据权利要求2所述的方法,其中,所述确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,包括:
确定该维度或维度组合对应的用户集合中每一用户的曝光数据;
针对每一用户的曝光数据,预估在每一剩余库存比例下消耗的曝光次数,并根据所预估的所述消耗的曝光次数更新该用户的曝光数据;
根据更新后的各用户的所述曝光数据,确定各用户的曝光频次;及
针对每一曝光频次,根据更新后的各用户的所述曝光数据确定在每一剩余库存比例下该曝光频次对应的曝光数量占比。
7.根据权利要求6所述的方法,其中,所述用户集合中每一用户u的曝光数据VPV(u)包括:VPV(u)={V1 PV(u),V2 PV(u),...,Vk PV(u)},其中,第i个页面访问上发生的曝光次数表示为Vi PV(u);
所述预估在每一剩余库存比例下消耗的曝光次数,并根据所预估的所述消耗的曝光次数更新该用户的曝光数据,包括:
根据每一用户u的VPV(u)中的每一Vi PV(u),从历史数据中学习每一剩余库存比例r下消耗x个曝光的概率pPV(x,r),并根据pPV(x,r)更新该Vi PV(u)。
8.根据权利要求6所述的方法,其中,所述确定各用户的曝光频次,包括:确定在指定时间段内各用户的页面访问频次;
所述根据更新后的各用户的所述曝光数据确定在每一剩余库存比例下该曝光频次对应的曝光数量占比,包括:
确定在指定时间段内各用户的页面访问总次数;
针对每个页面访问频次,确定每一剩余库存比例下该页面访问频次对应的用户数量占所述页面访问总次数的第一比例,利用所述第一比例计算每一剩余库存比例下满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将每一剩余库存比例下的所述第二比例作为每一剩余库存比例下该页面访问频次对应的曝光数量占比。
9.根据权利要求1所述的方法,进一步包括:
从所述历史用户数据中提取历史订单的多个定向;
对所述多个定向进行聚类计算以得到至少一个定向组;及
将所述至少一个定向组作为所述预定的所述维度和/或所述维度组合。
10.根据权利要求9所述的方法,其中,所述将所述至少一个定向组作为所述预定的所述维度和/或所述维度组合,包括:
对于每一个定向组,确定一个定向作为该定向组的定向代表,并将该定向代表作为一个维度或维度组合。
11.一种推送信息订单的服务分配方法,其特征在于,该方法包括:
提取各订单的信息;
提取根据权利要求1所述的库存模型;
根据所述各订单的信息和所述库存模型生成分配计划,所述分配计划包括各订单的服务比率,其中,每一订单的服务比率按如下方式确定:
利用所述库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征;及
根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该订单的预订量,确定该订单的所述服务比率;
提供所述分配计划给推送服务器,以使所述推送服务器根据所述分配计划中的所述服务比率进行选单处理。
12.根据权利要求11所述的方法,其中,在生成所述分配计划时,进一步包括:
根据所述库存模型确定各订单的与其定向相符的供应节点的库存量,并按所述库存量对各订单进行排序以确定分配顺序;
其中,按所述分配顺序,依次确定各订单的所述服务比率。
13.根据权利要求12所述的方法,其中,与订单j的定向相符的供应节点的库存量Sj按以下公式(3)确定:
Sj=∑i∈Γ(j)sifΓ(j) (3)
其中,Γ(j)为与订单j的定向相符的供应节点的集合,si为从所述库存模型中提取的供应节点i的库存量,fΓ(j)为Γ(j)中所有供应节点的、符合订单j的频次限制的库存占比。
14.根据权利要求11所述的方法,其中,所述库存模型描述的每个供应节点对应的一组库存占比包括:每个剩余库存比例下每个频次限制对应的库存占比;
其中,每一订单j的服务比率按如下方式确定:
按以下公式(4)计算库存剩余比例p:
其中,Γ(j)为与订单j的定向相符的供应节点集合,ri为供应节点i的当前预估的库存剩余量,si为从所述库存模型中提取的供应节点i的库存量;
按以下公式(5)计算订单j的服务比率αj:
其中,dj为订单j的所述预订量;若无法获得αj则αj=1;及
按以下公式(6)更新Γ(j)中供应节点i的当前预估的库存剩余量ri:
15.一种推送信息订单的询量方法,其特征在于,当从需求方收到针对一新订单的询量请求时,该方法包括:
提取各已有订单的信息;
提取根据权利要求1所述的库存模型;
根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序;
按所述分配顺序,对该新订单之前的各已有订单依次执行如下处理:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制条件的一个库存占比,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及当前订单的预订量,确定当前订单的服务比率并更新当前预估的库存剩余量;
利用所述库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该新订单的频次限制的一个库存占比;
根据与该新订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量以及所述一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值;
按所述分配顺序,从该新订单开始依次对各订单执行如下处理,直到所述预订量下限大等于所述预订量上限:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制的一个库存占比;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调所述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值;其中,将所述预订量上限初始值作为所述可预订量探测值的初始值;将所述预订量上限的最终取值作为该新订单的可预订量最大值。
16.根据权利要求15所述的方法,其中,所述确定该新订单和已有各订单的分配顺序,包括:
根据所述库存模型确定各订单的与其定向相符的供应节点的库存量,并按所述库存量对各订单进行排序以确定分配顺序。
18.根据权利要求17所述的方法,其中,当前订单j的服务比率αj按以下方式确定:
按以下公式(7)计算库存剩余比例p:
其中,ri为供应节点i的当前预估的库存剩余量,si为从所述库存模型中提取的供应节点i的库存量;
按以下公式(8)计算订单j的服务比率αj:
其中,dj为订单j的预订量;若无法获得αj则αj=1;及
按以下公式(9)更新Γ(j)中供应节点i的预估库存剩余量ri:
其中,所述预订量上限dupper初始值按以下公式(10)确定:
其中,从该新订单开始依次对各订单执行所述处理之前,保存所述库存模型中所有供应节点i的当前预估的剩余库存量r′i,令ri′=ri;设置所述可预订量探测值dx的初始值dx=dupper;
19.一种推送信息订单的信息处理装置,其特征在于,包括:
数据提取模块,获取历史用户数据;其中,所述历史用户数据包括各用户已发生的曝光数据;
计算模块,根据所述历史用户数据,针对预定的每一维度或维度组合,确定对应的曝光数量,并确定一组曝光数量占比,其中,每个曝光数量占比对应一个频次;
模型建立模块,根据每一维度或维度组合及其对应的所述曝光数量和所述一组曝光数量占比,建立库存模型,该库存模型描述了每个供应节点及其对应的库存量及一组库存占比;
其中,一个供应节点对应一个维度或一个维度组合,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征。
20.根据权利要求19所述的装置,其中,所述计算模块,针对每一维度或维度组合,确定该维度或维度组合对应的各用户的曝光频次,并为所确定的各曝光频次分别确定曝光数量占比,以得到该维度或维度组合对应的一组曝光数量占比。
21.根据权利要求20所述的装置,其中,所述计算模块,确定在指定时间段内该维度或维度组合对应的各用户及其页面访问频次;确定在指定时间段内该维度或维度组合对应的页面访问总次数;针对每个页面访问频次,确定该页面访问频次对应的用户数量占所述页面访问总次数的第一比例,利用所述第一比例计算满足该页面访问频次限制的页面访问次数占页面访问总次数的第二比例,并将所述第二比例作为曝光数量占比。
22.根据权利要求20所述的装置,其中,所述计算模块,确定该维度或维度组合对应的用户集合中每一用户的曝光数据;针对每一用户的曝光数据,预估在每一剩余库存比例下消耗的曝光次数,并根据所预估的所述消耗的曝光次数更新该用户的曝光数据;根据更新后的各用户的所述曝光数据,确定各用户的曝光频次;针对每一曝光频次,根据更新后的各用户的所述曝光数据确定在每一剩余库存比例下该曝光频次对应的曝光数量占比。
23.根据权利要求22所述的装置,进一步包括:
聚类模块,从所述历史用户数据中提取历史订单的多个定向;对所述多个定向进行聚类计算以得到至少一个定向组;将所述至少一个定向组作为所述预定的所述维度和/或所述维度组合。
24.一种推送信息订单的服务分配装置,其特征在于,包括:
数据提取模块,提取各订单的信息,提取根据权利要求1所述的库存模型;
分配计划模块,根据所述各订单的信息和所述库存模型生成分配计划,所述分配计划包括各订单的服务比率,其中,每一订单的服务比率按如下方式确定:
利用所述库存模型,确定与该订单的定向相符的所有供应节点对应的、符合该订单的频次限制的一个库存占比,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征;及
根据与该订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及该订单的预订量,确定该订单的所述服务比率;
输出模块,提供所述分配计划给推送服务器,以使所述推送服务器根据所述分配计划中的所述服务比率进行选单处理。
25.根据权利要求24所述的装置,其中,所述分配计划模块,在生成所述分配计划时,进一步根据所述库存模型确定各订单的与其定向相符的供应节点的库存量,并按所述库存量对各订单进行排序以确定分配顺序;其中,按所述分配顺序,依次确定各订单的所述服务比率。
26.一种推送信息订单的询量装置,其特征在于,当从需求方收到针对一新订单的询量请求时,该装置包括:
数据提取模块,提取各已有订单的信息,提取根据权利要求1所述的库存模型;
分配计划模块,根据该新订单以及各已有订单的定向,确定该新订单和已有各订单的分配顺序;按所述分配顺序,对该新订单之前的各已有订单依次执行如下处理:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合该已有订单的频次限制的一个库存占比,该供应节点为用于保证预定数量的满足订单定向的库存量的流量单元,其对应的库存量为该维度或该维度组合对应的所述曝光数量,该供应节点对应的一组库存占比包括该维度或该维度组合对应的所述一组曝光数量占比,所述订单定向用于描述订单对应的推送信息的目标受众特征;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所确定的所述一个库存占比以及当前订单的预订量,确定当前订单的服务比率并更新当前预估的库存剩余量;
查询边界模块,利用所述库存模型,确定与该新订单的定向相符的所有供应节点对应的、符合该新订单的频次限制的一个库存占比;根据与该新订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量以及所述一个库存占比,确定预订量上限初始值,并设置预订量下限初始值为预设数值;
预订量探测模块,按所述分配顺序,从该新订单开始依次对各订单执行如下处理,直到所述预订量下限大等于所述预订量上限:
利用所述库存模型,确定与当前订单的定向相符的所有供应节点对应的、符合当前订单的频次限制的一个库存占比;及
根据与当前订单的定向相符的每个供应节点对应的库存量、当前预估的库存剩余量、所述一个库存占比以及当前可预订量探测值,尝试确定当前订单的服务比率,更新当前预估的库存剩余量,根据是否能确定当前订单的服务比率而上调所述预订量下限或下调所述预订量上限的取值,并根据所述预订量下限和所述预订量上限调整所述可预订量探测值;其中,将所述预订量上限初始值作为所述可预订量探测值的初始值;
所述预订量探测模块,将所述预订量上限的最终取值作为该新订单的可预订量最大值。
27.一种计算设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-18任一项所述的方法。
28.一种计算机可读存储介质,其特征在于,存储有指令,所述指令包括:一个或多个指令,当由计算机的一个或多个处理器执行所述一个或多个指令时,可以使所述一个或多个处理器执行如权利要求1-18任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610708108.5A CN107767164B (zh) | 2016-08-23 | 2016-08-23 | 推送信息订单的信息处理方法、分配方法及装置 |
PCT/CN2017/093510 WO2018036307A1 (zh) | 2016-08-23 | 2017-07-19 | 推送信息订单的信息处理方法、分配方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610708108.5A CN107767164B (zh) | 2016-08-23 | 2016-08-23 | 推送信息订单的信息处理方法、分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107767164A CN107767164A (zh) | 2018-03-06 |
CN107767164B true CN107767164B (zh) | 2020-09-11 |
Family
ID=61245409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610708108.5A Active CN107767164B (zh) | 2016-08-23 | 2016-08-23 | 推送信息订单的信息处理方法、分配方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107767164B (zh) |
WO (1) | WO2018036307A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197388B (zh) * | 2018-04-20 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 数据显示的方法和装置、存储介质及电子装置 |
CN108769167A (zh) * | 2018-05-17 | 2018-11-06 | 北京奇艺世纪科技有限公司 | 一种业务数据的推送分配方法和装置 |
CN109064244B (zh) * | 2018-06-19 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 一种订单选择方法、装置及服务器 |
CN109978221A (zh) * | 2019-01-02 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 一种广告库存预分配方法和装置 |
CN110009383A (zh) * | 2019-01-02 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种广告库存预分配方法和装置 |
CN110990677B (zh) * | 2019-12-13 | 2023-03-31 | 北京搜狐新媒体信息技术有限公司 | 信息存储量的询量方法及装置 |
CN113360540A (zh) * | 2020-03-04 | 2021-09-07 | 上海分泽时代软件技术有限公司 | 一种实时查询和分配户外分时广告库存的方法 |
CN113516425A (zh) * | 2020-04-10 | 2021-10-19 | 北京京东振世信息技术有限公司 | 一种追踪库存的方法和装置 |
CN111523939B (zh) * | 2020-04-23 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 一种推广内容的投放方法、装置、存储介质和电子设备 |
CN111724208B (zh) * | 2020-06-23 | 2024-03-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种数据发送方法、装置、设备和系统 |
CN111985914B (zh) * | 2020-08-19 | 2024-04-12 | 北京百度网讯科技有限公司 | 结算方法、装置、节点及可读存储介质 |
CN112598447B (zh) * | 2020-12-28 | 2023-10-10 | 加和(北京)信息科技有限公司 | 订单信息的处理方法及装置、电子设备及处理器 |
CN113554458B (zh) * | 2021-07-13 | 2023-09-01 | 北京奇艺世纪科技有限公司 | 一种对象推送方法和装置、电子设备和存储介质 |
CN113538054B (zh) * | 2021-07-20 | 2023-09-01 | 深圳市爱易讯数据有限公司 | Ott信息呈现位的价值计算分类方法、系统及存储介质 |
CN115034824A (zh) * | 2022-06-17 | 2022-09-09 | 北京奇艺世纪科技有限公司 | 一种广告订单检测方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819804A (zh) * | 2011-06-07 | 2012-12-12 | 阿里巴巴集团控股有限公司 | 一种商品信息的推送方法及设备 |
CN103716351A (zh) * | 2012-09-29 | 2014-04-09 | 阿里巴巴集团控股有限公司 | 信息展现方法及服务器 |
CN103970893A (zh) * | 2014-05-27 | 2014-08-06 | 合一信息技术(北京)有限公司 | 一种服务信息发布方法及系统 |
CN105550366A (zh) * | 2016-01-20 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 库存信息处理方法和装置 |
CN105791157A (zh) * | 2016-04-20 | 2016-07-20 | 腾讯科技(深圳)有限公司 | 一种流量的分配方法、分配系统、及服务器 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2372600A (en) * | 1998-12-23 | 2000-07-31 | Net Perceptions, Inc. | System, method and article of manufacture for producing item compatible recommendations |
KR100926878B1 (ko) * | 2007-06-01 | 2009-11-16 | 엔에이치엔비즈니스플랫폼 주식회사 | 광고를 제공하는 방법 및 시스템, 그리고 광고 제공에 대한학습 데이터 수집 방법 및 시스템 |
CN102831124B (zh) * | 2011-06-16 | 2015-08-05 | 北京亿赞普网络技术有限公司 | 基于跨网通信网络报文的用户行为关联分析方法 |
CN103578007A (zh) * | 2012-07-20 | 2014-02-12 | 三星电子(中国)研发中心 | 用于智能设备的混合推荐系统及其方法 |
CN103108049B (zh) * | 2013-02-20 | 2015-08-19 | 杭州东信北邮信息技术有限公司 | 一种为移动终端用户提供个性化页面的方法 |
-
2016
- 2016-08-23 CN CN201610708108.5A patent/CN107767164B/zh active Active
-
2017
- 2017-07-19 WO PCT/CN2017/093510 patent/WO2018036307A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819804A (zh) * | 2011-06-07 | 2012-12-12 | 阿里巴巴集团控股有限公司 | 一种商品信息的推送方法及设备 |
CN103716351A (zh) * | 2012-09-29 | 2014-04-09 | 阿里巴巴集团控股有限公司 | 信息展现方法及服务器 |
CN103970893A (zh) * | 2014-05-27 | 2014-08-06 | 合一信息技术(北京)有限公司 | 一种服务信息发布方法及系统 |
CN105550366A (zh) * | 2016-01-20 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 库存信息处理方法和装置 |
CN105791157A (zh) * | 2016-04-20 | 2016-07-20 | 腾讯科技(深圳)有限公司 | 一种流量的分配方法、分配系统、及服务器 |
Also Published As
Publication number | Publication date |
---|---|
WO2018036307A1 (zh) | 2018-03-01 |
CN107767164A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767164B (zh) | 推送信息订单的信息处理方法、分配方法及装置 | |
CN108428144B (zh) | 推送信息订单的流量分配方法、服务分配方法及装置 | |
Candas et al. | Benefits of considering inventory in service parts logistics network design problems with time-based service constraints | |
US9886705B2 (en) | Advertisement opportunity bidding | |
KR20150070283A (ko) | 동적 컨텐츠 아이템 생성 | |
US10318985B2 (en) | Determining bidding strategies | |
US20150073909A1 (en) | Systems and Methods for Automatic Creation, Optimization, Targeting, and Delivery of Real-Time Advertising | |
US20140200995A1 (en) | Temporal budget optimization in online advertising | |
US20150081425A1 (en) | Multiple-entity temporal budget optimization in online advertising | |
KR20190086245A (ko) | Sns를 이용한 광고 제공 장치, 방법 및 컴퓨터 프로그램 | |
US20150039418A1 (en) | Content item distribution based on user interactions | |
US20210090125A1 (en) | Native Advertisements | |
CN111932314A (zh) | 推荐内容的推送方法、装置、设备及可读存储介质 | |
US20210150585A1 (en) | Artificial intelligence techniques for bid optimization used for generating dynamic online content | |
CN110210922B (zh) | 信息展示资源分配方法、装置、计算机设备及存储介质 | |
CN110914854B (zh) | 联合传输承诺模拟 | |
US20100299209A1 (en) | Advertisement allocation based on user population frequency capping | |
US10672040B1 (en) | Ordering of fill requests to send to online ad networks to fill an ad unit in an electronic publisher application with an online advertising impression | |
CN110196949A (zh) | 信息推送方法、装置、电子设备及计算机可读介质 | |
US20140379464A1 (en) | Budget distribution in online advertising | |
JP2010182314A (ja) | 電子ネットワーク内でトランスポート構造を効果的に利用するためのシステム及び方法 | |
US10970751B2 (en) | Cross-platform proposal creation, optimization, and deal management | |
US20130173384A1 (en) | Methods and systems for ad placement planning | |
CN109685561B (zh) | 基于用户行为的电子凭证推送方法、装置及电子设备 | |
EP3013055A1 (en) | Video frame set processing cost management method, apparatus and related computer program product |
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 |