CN108153797A - 目标对象的识别方法和装置 - Google Patents

目标对象的识别方法和装置 Download PDF

Info

Publication number
CN108153797A
CN108153797A CN201611112203.5A CN201611112203A CN108153797A CN 108153797 A CN108153797 A CN 108153797A CN 201611112203 A CN201611112203 A CN 201611112203A CN 108153797 A CN108153797 A CN 108153797A
Authority
CN
China
Prior art keywords
target object
user
level
layer
internet resources
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
Application number
CN201611112203.5A
Other languages
English (en)
Inventor
陈玉萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201611112203.5A priority Critical patent/CN108153797A/zh
Publication of CN108153797A publication Critical patent/CN108153797A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种目标对象的识别方法和装置。其中，该方法包括：选取一个目标对象作为起点用户；获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据；根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象；根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量；根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果。本发明解决了现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的技术问题。

Description

目标对象的识别方法和装置
技术领域
本发明涉及互联网领域，具体而言，涉及一种目标对象的识别方法和装置。
背景技术
在传统的网站监测工具中，仅能统计到网站的页面浏览量PV(Page View的简写)、独立访客UV(Unique Visitor的简写)、网络协议IP(Internet Protocol的简写)等基本流量信息，而无法充分挖掘深层次更有价值的东西。现今，随着智能手机的越来越普及，大量互联网聊天工具应运而生，以当下最热门的互联网聊天工具之一微信为例，随着微信用户的爆发式增长，微信营销作为新型的互联网营销方式发展的如火如荼。目前，有许多微信传播分析工具已可以分析微信营销的传播行为、传播层级、关键意见领袖KOL(Key OpinionLeader的简写)等更具有竞争价值的数据指标，以KOL为例，广告商普遍更愿意为广告投放选择影响力尽可能大的KOL，实现尽可能高的投资回报率。
现有技术对微信中KOL的评估主要是计算某个目标对象(例如，用户A)分享广告或文章页面后其直接下一层级带来的访问人数的数量，即该目标对象分享出该广告或文章的链接后，直接通过该目标对象分享出的文章或广告的链接进入阅读该广告或文章的访问人数的数量，根据该目标对象直接带来上述访问人数的数量识别出该目标对象是否为关键目标对象(例如，是否为KOL)，为以后是否对该目标对象投放广告提供一个参考。
但是，仅统计某个目标对象直接带来的访问量，比较片面，不能深入挖掘更具有潜力的关键目标对象，广告投放的受众准确度不高。
针对现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标对象的识别方法和装置，以至少解决现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种目标对象的识别方法，包括：选取一个目标对象作为起点用户；获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息；根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象；根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量；根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，其中，识别结果用于表征每个目标对象是否为关键目标对象。
进一步地，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量包括：获取每个目标对象所处的层级之后的预设层级数n；根据每个目标对象相较于起点用户的层级以及与每个目标对象相关的下一层级的目标对象，获取每个目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的目标对象的数量。根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，确定该目标对象分享网络资源后带来的访问量。
进一步地，根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，得到该目标对象分享网络资源后带来的访问量，包括：判断该目标对象相较于起点用户所处的层级是否大于等于预设层级数n；如果该目标对象相较于起点用户所处的层级大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：如果该目标对象相较于起点用户所处的层级小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：其中，m为该目标对象相较于起点用户所处的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
进一步地，根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，得到该目标对象分享网络资源后带来的访问量，包括：判断该目标对象相较于起点用户所处的层级是否大于等于预设层级数n；如果该目标对象相较于起点用户所处的层级大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：如果该目标对象相较于起点用户所处的层级小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：其中，m为该目标对象相较于起点用户所处的层级的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
进一步地，根据每个目标对象分享网络资源后带来的访问量，对每个目标对象进行识别，得到识别结果，包括：将每个目标对象分享网络资源后带来的访问量进行比较；从每个目标对象分享网络资源后带来的访问量中，获取最大访问量对应的目标对象；确定最大访问量对应的目标对象为关键目标对象。
进一步地，在选取一个目标对象作为起点用户之前，上述方法还包括：当网络资源被访问时，获取访问网络资源的标识信息和/或分享网络资源的标识信息；将访问网络资源的标识信息和/或分享网络资源的标识信息存储至网络日志中。
进一步地，在获取访问网络资源的标识信息之前，上述方法还包括：判断本地数据中是否存在访问网络资源的标识信息；如果本地数据中存在访问网络资源的标识信息，则获取访问网络资源的标识信息；如果本地数据中不存在访问网络资源的标识信息，则设置访问网络资源的标识信息。
进一步地，在选取一个目标对象作为起点用户之前，上述方法还包括：当网络资源被分享时，将分享网络资源的标识信息添加至网络资源的分享链接中；将分享网络资源的标识信息对应的分享行为数据存储至网络日志中。
根据本发明实施例的另一方面，还提供了一种目标对象的识别装置，包括：选取单元，用于选取一个目标对象作为起点用户；第一获取单元，用于获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息；第一确定单元，用于根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象；第二确定单元，用于根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量；识别单元，用于根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到每个目标对象的识别结果，其中，识别结果用于表征每个目标对象是否为关键目标对象。
进一步地，第二确定单元包括：第一获取模块，用于获取每个目标对象所处的层级之后的预设层级数n；第二获取模块，用于根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，获取每个目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的目标对象的数量；第一确定模块，用于根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，确定该目标对象分享网络资源后带来的访问量。
在本发明实施例中，选取一个目标对象作为起点用户，获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量，并根据每个目标对象分享网络资源后带来的访问量获取多个层级的访问数据，基于预设模型，对多个层级的访问数据进行处理，得到多个层级中每个目标对象的访问量，并根据每个目标对象的访问量，对每个目标对象进行识别，得到识别结果，从而实现通过多层级计算每个目标对象的影响力，来充分挖掘最具潜力的KOL。容易注意到的是，由于根据每个层级的访问数据，确定每个目标对象分享网络资源后带来的访问量根据预设模型对多个层级的访问数据进行处理，进一步得到识别结果，不仅计算了直接带来的PV量，也计算了间接带来的PV量，而且充分利用了微信这个新兴的社交媒体特有的信息流层级的特性，提高了识别准确度，解决了现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的技术问题。因此，采用本发明实施例所提供的方案，可以达到提高识别准确度，提高广告投放的受众准确度的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种目标对象的识别方法的流程图；
图2是根据本发明实施例的一种可选的多个层级的分享树的示意图；以及
图3是根据本发明实施例的一种目标对象的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
KOL：Key Opinion Leader，关键意见领袖，俗称“网络红人”，是指在现实或者网络生活中因为某个事件或者某个行为而被网民关注从而走红的人。他们的走红皆因为自身的某种特质在网络作用下被放大，与网民的审美、审丑、娱乐、刺激、偷窥、臆想以及看客等心理相契合，有意或无意间受到网络世界的追捧，成为“网络红人”。因此，“网络红人”的产生不是自发的，而是网络媒介环境下，网络红人、网络推手、传统媒体以及受众心理需求等利益共同体综合作用下的结果。而在本文中，KOL特指在微信中广告或文章页面后按照一定计算模型带来访问该分享广告或文章页面最多的主体。
PV：Page View，即页面浏览量，用户每一次对网站中的每一个网页访问均被记录1次。用户对同一页面的多次访问，访问量累计。
Cookie：指网站为了辨别用户身份，而存储在用户本地终端上的数据。
实施例1
根据本发明实施例，提供了一种目标对象的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种目标对象的识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，选取一个目标对象作为起点用户。
步骤S104，获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息。
具体的，上述的目标对象可以是访问网络资源的用户，用户可以通过网络资源的分享链接获取分享的网络资源；上述的网络资源可以是广告或者文章；上述的标识信息可以是唯一识别用户身份的标识符UserID。
在一种可选的方案中，在一个用户分享广告或文章的链接之后，其他用户可以通过链接进入阅读该广告或者文章，其他用户也可以分享该广告或者文章的链接，从而有另外的用户可以通过其他用户分享的该广告或者文章的链接进入阅读该广告或者文章，从而得到一种分享树形式的多层级访问数据，每个用户可以分享网络资源，下一层级与该用户相关的用户访问该用户分享的网络资源，之后每一层级上与该用户相关的用户访问上一层级上与该用户相关的用户分享的网络资源。如图2所示，图2中的每一个点可以代表一个用户，其中，实心点可以代表从所有的用户中选取的起点用户，将起点用户作为0层级，空心点可以代表第一层层级的用户，该层级包含3个用户，即用户1至用户3；横条纹点可以代表第二层层级的用户，该层级包含11个用户，即用户4至用户14；竖条纹点可以代表第三层层级的用户，该层级包含5个用户，即用户15至用户19；左斜条纹点可以代表第四层层级的用户，该层级包含2个用户，即用户20和用户21；右斜条纹点可以代表第五层层级的用户，该层级包含1个用户，即用户22。
步骤S106，根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象。
在一种可选的方案中，可以根据分享树形式的多层级访问数据，确定每个目标对象所处的层级以及每个目标对象相关的而下一层级的目标对象，如图2所示，在第一层层级上，与起点用户相关的用户为：用户1、用户2和用户3；在第二层级上，与用户1相关的用户为：用户4，与用户2相关的用户为：用户5至用户11，与用户3相关的用户为：用户12至用户14；在第三层层级上，不存在与用户4、用户5、用户7、用户9、用户11、用户13和用户14相关的用户，与用户6相关的用户为：用户15，与用户10相关的用户为：用户18，与用户12相关的用户为：用户19；在第四层层级上，不存在与用户15至用户17相关的用户，与用户18相关的用户为：用户20，与用户19相关的用户为用户21；在第五层层级上，与用户20相关的用户为：用户22，不存在与用户21相关的用户。
步骤S108，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量。
具体的，上述的访问量可以是分享广告或者文章的页面浏览量(PV量)。
在一种可选的方案中，在每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的用户之后，可以根据实际计算需要，统计每个用户分享广告或文章之后带来的所有层级的访问数据，得到每个用户带来的访问量，即每个用户带来的页面浏览量。
步骤S110，根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，其中，识别结果用于表征每个目标对象是否为关键目标对象。
具体的，上述的关键目标对象可以是KOL。
在一种可选的方案中，在统计出每个用户带来的访问量之后，可以根据每个用户带来的访问量，对每个用户进行识别，确定每个用户是否为KOL，从而得到每个用户的识别结果，进一步可以根据识别结果判断是否对该用户投放广告。
在另一种可选的方案中，在统计出每个用户带来的访问量之后，可以根据每个用户带来的访问量，对每个用户进行识别，确定多个层级的所有用户中是KOL的用户，进一步向该用户投放广告。
通过本发明上述实施例，选取一个目标对象作为起点用户，获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量，并根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，从而实现通过多层级计算每个目标对象的影响力，来充分挖掘最具潜力的KOL。容易注意到的是，由于根据每个层级的访问数据，确定每个目标对象分享网络资源后带来的访问量，进一步得到识别结果，不仅计算了直接带来的PV量，也计算了间接带来的PV量，而且充分利用了信息流层级的特性，提高了识别准确度，解决了现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的技术问题。因此，采用本发明上述实施例所提供的方案，可以达到提高识别准确度，提高广告投放的受众准确度的效果。
可选的，在本发明上述实施例中，步骤S108，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量包括：
步骤S1082，获取每个目标对象所处的层级之后的预设层级数n。
具体的，上述的预设层级数可以是最大间接层级数，可以根据需求任意配置，一般情况下，为了满足多层计算需求，预设层级数一般取大于等于2的整数。
步骤S1084，根据每个目标对象相较于起点用户的层级以及与每个目标对象相关的下一层级的目标对象，获取每个目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的目标对象的数量。
在一种可选的方案中，如果每个用户所在层级为m，则可以确定下一层级即m+1层级上与该用户相关的用户，从而确定m+1层上与该用户相关的用户的数量，进一步根据m+2层上与m+1层上用户相关的用户，可以确定m+2层上与该用户相关的用户的数量，从而可以确定m层之后m+1、m+2、……至m+n层上与该用户相关的用户的数量。例如，如图2所示，当n为2时，针对用户2，可以得到第三层层级上与用户2相关的用户数为7，第四层层级上与用户2相关的用户数为4。
步骤S1086，根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，确定该目标对象分享网络资源后带来的访问量。
在一种可选的方案中，可以根据n个层级中的每个层级上与每个用户相关的用户的数量，得到每个用户分享广告或者文章之后，直接带来或者间接带来的PV量。
可选的，在本发明上述实施例中，步骤S1086，根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，得到该目标对象分享网络资源后带来的访问量，包括：
步骤S10861，判断该目标对象相较于起点用户所处的层级是否大于等于预设层级数n。
步骤S10862，如果该目标对象相较于起点用户所处的层级大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
步骤S10863，如果该目标对象相较于起点用户所处的层级小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
其中，m为该目标对象相较于起点用户所处的层级的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
在一种可选的方案中，假设每个点所在层级为m，其中，起点用户所在层级数为0，即m＝0。m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献，即该层上每个点带来的PV＝(1-(1/n)*m)*(m+1)层上该点所带来的点数+(1/n)*[(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]；当m>＝n时，则该层上每个点的贡献，即该层上每个点带来的PV＝(1/n)*[(m+1)层上该点所带来的点数+(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]。
例如，以n＝2为例对本发明进行详细说明，如图2所示，起点用户的访问量，即起点用户的贡献＝第一层上起点用户带来的点数+1/2*第二层上起点用户带来的点数＝(用户1至用户3)+1/2*(用户4至用户14)＝3+1/2*11＝8.5；第一层上用户1的访问量＝(1-1/2)*第二层上用户1带来的点数+1/2*第三层上用户1带来的点数＝1/2*(用户4)＝1/2*1＝0.5；第一层上用户2的访问量＝(1-1/2)*第二层上用户2带来的点数+1/2*第三层上用户2带来的点数＝1/2*(用户5至用户11)+1/2*(用户15至用户18)＝1/2*7+1/2*4＝5.5；第一层上用户3的访问量＝(1-1/2)*第二层上用户3带来的点数+1/2*第三层上用户3带来的点数＝1/2*(用户12至用户14)+1/2*(用户19)＝1/2*3+1/2*1＝2；第二层上用户4的访问量＝(1/2)*(第三层上用户4带来的点数+第四层上用户4带来的点数)＝0；第二层上用户5的访问量＝(1/2)*(第三层上用户5带来的点数+第四层上用户5带来的点数)＝0；第二层上用户6的访问量＝(1/2)*(第三层上用户6带来的点数+第四层上用户6带来的点数)＝1/2*(用户15)＝1/2*1＝0.5；第二层上用户7的访问量＝(1/2)*(第三层上用户7带来的点数+第四层上用户7带来的点数)＝0；第二层上用户8的访问量＝(1/2)*(第三层上用户8带来的点数+第四层上用户8带来的点数)＝1/2*(用户16和用户17)＝1/2*2＝1；第二层上用户9的访问量＝(1/2)*(第三层上用户9带来的点数+第四层上用户9带来的点数)＝0；第二层上用户10的访问量＝(1/2)*(第三层上用户10带来的点数+第四层上用户10带来的点数)＝1/2*(用户18+用户19)＝1/2*2＝1；第二层上用户11的访问量＝(1/2)*(第三层上用户11带来的点数+第四层上用户11带来的点数)＝0；第二层上用户12的访问量＝(1/2)*(第三层上用户12带来的点数+第四层上用户12带来的点数)＝1/2*(用户19+用户21)＝1/2*2＝1；第二层上用户13的访问量＝(1/2)*(第三层上用户13带来的点数+第四层上用户13带来的点数)＝0；第二层上用户14的访问量＝(1/2)*(第三层上用户14带来的点数+第四层上用户14带来的点数)＝0；第三层上用户15的访问量＝(1/2)*(第四层上用户15带来的点数+第五层上用户15带来的点数)＝0；第三层上用户16的访问量＝(1/2)*(第四层上用户16带来的点数+第五层上用户16带来的点数)＝0；第三层上用户17的访问量＝(1/2)*(第四层上用户17带来的点数+第五层上用户17带来的点数)＝0；第三层上用户18的访问量＝(1/2)*(第四层上用户18带来的点数+第五层上用户18带来的点数)＝1/2*(用户20+用户22)＝1/2*2＝1；第三层上用户19的访问量＝(1/2)*(第四层上用户19带来的点数+第五层上用户19带来的点数)＝1/2*(用户21)＝1/2*1＝0.5；第四层上用户20的访问量＝(1/2)*(第五层上用户20带来的点数+第六层上用户20带来的点数)＝1/2*(用户22)＝1/2*1＝0.5；第四层上用户21的访问量＝(1/2)*(第五层上用户21带来的点数+第六层上用户21带来的点数)＝0；第五层上用户22的访问量＝(1/2)*(第六层上用户22带来的点数+第七层上用户22带来的点数)＝0。
可选的，在本发明上述实施例中，步骤S1086，根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，得到该目标对象分享网络资源后带来的访问量，包括：
步骤S10864，判断该目标对象相较于起点用户所处的层级m是否大于等于预设层级数n。
步骤S10865，如果该目标对象相较于起点用户所处的层级m大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
步骤S10866，如果该目标对象相较于起点用户所处的层级m小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
其中，m为该目标对象相较于起点用户所处的层级的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
在一种可选的方案中，假设每个目标对象所在层级为m，其中，起点用户所在层级数为0，即m＝0。m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献，即该层上每个点带来的PV＝{1-(em-1)/[(e-1)*em]}*(m+1)层上该点所带来的点数+(1/e)*(m+2)层上该点所带来的点数+(1/e2)*(m+3)层上该点所带来的点数+……+(1/e(n-1))*(m+n)层上该点所带来的点数；当m>＝n时，则该层上每个点的贡献，即该层上每个点带来的PV＝[1-(1/e+1/e2+……+1/e(n-1))]*(m+1)层上点数+(1/e)*(m+2)层上点数+(1/e2)*(m+3)层上点数+……+(1/e(n-1))*(m+n)层上点数。
例如，以n＝2为例对本发明进行详细说明，如图2所示，起点用户的访问量，即起点用户的贡献＝第一层上该点所带来的点数+1/e*第二层上该点所带来的点数＝(用户1至用户3)+1/e*(用户4至用户14)＝3+1/e*11＝7.05；第一层上用户1的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户1带来的点数+1/e*第三层上用户1带来的点数＝(1-1/e)*(用户4)＝1-1/e＝0.63；第一层上用户2的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户2带来的点数+1/e*第三层上用户2带来的点数＝(1-1/e)*(用户5至用户11)+1/e(用户15至用户18)＝(1-1/e)*7+1/e*4＝5.90；第一层上用户3的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户3带来的点数+1/e*第三层上用户3带来的点数＝(1-1/e)*(用户12至用户14)+1/e*(用户19)＝(1-1/e)*3+1/e*1＝2.26；第二层上用户4的访问量＝(1-1/e)*第三层上用户4带来的点数+(1/e)*第四层上用户4带来的点数＝0；第二层上用户5的访问量＝(1-1/e)*第三层上用户5带来的点数+(1/e)*第四层上用户5带来的点数＝0；第二层上用户6的访问量＝(1-1/e)*第三层上用户6带来的点数+(1/e)*第四层上用户6带来的点数＝(1-1/e)*(用户15)＝1-1/e＝0.63；第二层上用户7的访问量＝(1-1/e)*第三层上用户7带来的点数+(1/e)*第四层上用户7带来的点数＝0；第二层上用户8的访问量＝(1-1/e)*第三层上用户8带来的点数+(1/e)*第四层上用户8带来的点数＝(1-1/e)*(用户16和用户17)＝(1-1/e)*2＝1.26；第二层上用户9的访问量＝(1-1/e)*第三层上用户9带来的点数+(1/e)*第四层上用户9带来的点数＝0；第二层上用户10的访问量＝(1-1/e)*第三层上用户10带来的点数+(1/e)*第四层上用户10带来的点数＝(1-1/e)*(用户18)+(1/e)*(用户20)＝1-1/e+1/e＝1；第二层上用户11的访问量＝(1-1/e)*第三层上用户11带来的点数+(1/e)*第四层上用户11带来的点数＝0；第二层上用户12的访问量＝(1-1/e)*第三层上用户12带来的点数+(1/e)*第四层上用户12带来的点数＝(1-1/e)*(用户19)+(1/e)*(用户21)＝1-1/e+1/e＝1；第二层上用户13的访问量＝(1-1/e)*第三层上用户13带来的点数+(1/e)*第四层上用户13带来的点数＝0；第二层上用户14的访问量＝(1-1/e)*第三层上用户14带来的点数+(1/e)*第四层上用户14带来的点数＝0；第三层上用户15的访问量＝(1-1/e)*第四层上用户15带来的点数+(1/e)*第五层上用户15带来的点数＝0；第三层上用户16的访问量＝(1-1/e)*第四层上用户16带来的点数+(1/e)*第五层上用户16带来的点数＝0；第三层上用户17的访问量＝(1-1/e)*第四层上用户17带来的点数+(1/e)*第五层上用户17带来的点数＝0；第三层上用户18的访问量＝(1-1/e)*第四层上用户18带来的点数+(1/e)*第五层上用户18带来的点数＝(1-1/e)*(用户20)+(1/e)*(用户22)＝1-1/e+1/e＝1；第三层上用户19的访问量＝(1-1/e)*第四层上用户19带来的点数+(1/e)*第五层上用户19带来的点数＝(1-1/e)*(用户21)＝1-1/e＝0.63；第四层上用户20的访问量＝(1-1/e)*第五层上用户20带来的点数+(1/e)*第六层上用户20带来的点数＝(1-1/e)*(用户22)＝1-1/e＝0.63；第四层上用户21的访问量＝(1-1/e)*第五层上用户21带来的点数+(1/e)*第六层上用户21带来的点数＝0；第五层上用户22的访问量＝(1-1/e)*第六层上用户22带来的点数+(1/e)*第七层上用户22带来的点数＝0。
可选的，在本发明上述实施例中，步骤S110，根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，包括：
步骤S1102，将每个目标对象分享网络资源后带来的访问量进行比较。
步骤S1104，从每个目标对象分享网络资源后带来的访问量中，获取最大访问量对应的目标对象。
步骤S1106，确定最大访问量对应的目标对象为关键目标对象，所有层级中除最大访问量对应的目标对象之外的其它目标对象的识别结果为不是关键目标对象。
在一种可选的方案中，在得到每个目标对象的访问量，即每个用户的PV之后，可以将每个用户的PV进行比较，确定PV最大的用户为KOL。例如，以第一种算法为例，得到23个用户的PV分别为：起点用户的PV为8.5，用户1的PV为0.5，用户2的PV为5.5，用户3的PV为2，用户4的PV为0，用户5的PV为0，用户6的PV为0.5，用户7的PV为0，用户8的PV为1，用户9的PV为0，用户10的PV为1，用户11的PV为0，用户12的PV为1，用户13的PV为0，用户14的PV为0，用户15的PV为0，用户16的PV为0，用户17的PV为0，用户18的PV为1，用户19的PV为0.5，用户20的PV为0.5，用户21的PV为0，用户22的PV为0，由上可知，PV最大的为起点用户，因此可以确定起点用户为KOL。又例如，以第二种算法为例，得到23个用户的PV分别为：起点用户的PV为7.05，用户1的PV为0.63，用户2的PV为5.9，用户3的PV为2.26，用户4的PV为0，用户5的PV为0，用户6的PV为0.63，用户7的PV为0，用户8的PV为1.26，用户9的PV为0，用户10的PV为1，用户11的PV为0，用户12的PV为1，用户13的PV为0，用户14的PV为0，用户15的PV为0，用户16的PV为0，用户17的PV为0，用户18的PV为1，用户19的PV为0.63，用户20的PV为0.63，用户21的PV为0，用户22的PV为0，由上可知，PV最大的为起点用户，因此可以确定起点用户为KOL，其他用户1至用户22不是KOL。
可选的，在本发明上述实施例中，在步骤S102，选取一个目标对象作为起点用户之前，上述方法还包括：
步骤S112，当网络资源被访问时，获取访问网络资源的目标对象的标识信息和/或分享网络资源的目标对象的标识信息。
步骤S114，将访问网络资源的目标对象的标识信息和/或分享网络资源的目标对象的标识信息存储至网络日志中。
在一种可选的方案中，当用户A为起点用户打开广告或文章时，由于该广告或者文章未被分享，因此，可以只读取用户A的UserID(即上述的访问网络资源的标识信息)，并将UserID存储到服务器的网络日志中。
在另一种可选的方案中，当用户B打开A分享的广告或文章时，可以读取用户B的UserID(即上述的访问网络资源的标识信息)，同时读取用户A的UserID(即上述的分享网络资源的标识信息)，并将用户A的UserID(作为父级ID)和用户B的UserID(作为子级ID)同时存储到服务器的网络日志中。
在又一种可选的方案中，当用户C打开B分享的广告或文章时，可以读取用户C的UserID(即上述的访问网络资源的标识信息)，同时读取用户B的UserID(即上述的分享网络资源的标识信息)，并将用户B的UserID(作为父级ID)和用户C的UserID(作为子级ID)同时存储到服务器的网络日志中。
可选的，在本发明上述实施例中，在步骤S112，获取访问网络资源的目标对象的标识信息之前，上述方法还包括：
步骤S116，判断本地数据中是否存在访问网络资源的目标对象的标识信息。
具体的，上述的本地数据可以是本地cookie，cookie中存放有标识信息。
步骤S118，如果本地数据中存在访问网络资源的目标对象的标识信息，则获取访问网络资源的目标对象的标识信息。
步骤S120，如果本地数据中不存在访问网络资源的目标对象的标识信息，则设置访问网络资源的目标对象的标识信息。
在一种可选的方案中，当用户A打开广告或文章时，或当用户B打开A分享的广告或文章时，或当用户C打开B分享的广告或文章时，首先判断cookie中是否存在唯一识别用户身份的标识符UserID。若不存在，则设置用户A的UserID，或用户B的UserID，或用户C的UserID；若已存在，则读取用户A的UserID，或用户B的UserID，或用户C的UserID。
可选的，在本发明上述实施例中，在步骤S102，选取一个目标对象作为起点用户之前，上述方法还包括：
步骤S122，当网络资源被分享时，将分享网络资源的目标对象的标识信息添加至网络资源的分享链接中。
步骤S124，将分享网络资源的目标对象的标识信息对应的分享行为数据存储至网络日志中。
在一种可选的方案中，当用户A将打开的广告或文章分享出去的时候，在分享的链接中动态地添加用户A的UserID(即上述的分享网络资源的标识信息)，并将用户的分享行为数据存储到服务器的网络日志中，从而其他用户在打开该广告或者文章的时候，可以读取到用户A的UserID，并将用户A的UserID(作为父级ID)存储到服务器的网络日志中。
在另一种可选的方案中，当用户B将打开的广告或文章分享出去的时候，在分享的链接中动态地添加用户B的UserID，并将用户的分享行为数据存储到服务器的网络日志中，从而其他用户在打开该广告或者文章的时候，可以读取到用户B的UserID，并将用户B的UserID(作为父级ID)存储到服务器的网络日志中。
下面结合图2，对本发明中一种优选的实施例进行详细说明，可以包括如下步骤：
步骤1，当起点用户打开广告或文章时，先判断cookie中是否存在唯一识别用户身份的标识符UserID。若不存在，则设置起点用户的UserID；若已存在，则读取已存在的UserID。并将UserID存储到日志中。
步骤2，当起点用户将打开的广告或文章分享出去的时候，在分享的链接中动态地添加起点用户的UserID，并将用户的分享行为数据存储到日志中。
步骤3，当用户1至用户3中任意一个用户打开起点用户分享的广告或文章时，也先判断cookie中是否存在唯一识别用户身份的标识符UserID。若不存在，则设置用户1至用户3中任意一个用户的UserID；若已存在，则读取已存在的UserID。同时读取在分享链接中动态添加的起点用户的UserID，并将起点用户的UserID(作为父级ID)和用户1至用户3中任意一个的UserID(作为子级ID)同时存储到日志中。
步骤4，当用户1至用户3中任意一个用户将打开的广告或文章分享出去的时候，与步骤2一致，在分享的链接中动态地添加用户1至用户3中任意一个用户的UserID，并将用户的分享行为数据存储到日志中。
步骤5，当用户4至用户14中任意一个用户打开用户1至用户3中任意一个用户分享的广告或文章时，与步骤3一致，也先判断cookie中是否存在唯一识别用户身份的标识符UserID。若不存在，则设置用户4至用户14中任意一个用户的UserID；若已存在，则读取已存在的UserID。同时读取步骤4中在分享链接中添加的用户1至用户3中任意一个用户的UserID，并将用户1至用户3中任意一个用户的UserID(作为父级ID)和用户4至用户14中任意一个用户的UserID(作为子级ID)同时存储到日志中。
步骤6，重复以上步骤1-5，会形成一棵分享树，如图2所示。
步骤7，根据递归方式统计每个用户分享广告或文章之后带来的所有层级的访问数据。方案一：假设每个点所在层数为：m，且起点m＝0；对每个点计算的最大间接层级数可以根据需要自行配置，假设为n(n≥2)，m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献＝(1-(1/n)*m)*(m+1)层上该点所带来的点数+(1/n)*[(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]；当m>＝n时，则该层上每个点的贡献＝(1/n)*[(m+1)层上该点所带来的点数+(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]。方案二：假设每个点所在层数为：m，且起点m＝0；对每个点计算的最大间接层级数可以根据需要自行配置，假设为n(n≥2)，m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献＝{1-(em-1)/[(e-1)*em]}*(m+1)层上该点所带来的点数+(1/e)*(m+2)层上该点所带来的点数+(1/e2)*(m+3)层上该点所带来的点数+……+(1/e(n-1))*(m+n)层上该点所带来的点数；当m>＝n时，则该层上每个点的贡献＝[1-(1/e+1/e2+……+1/e(n-1))]*(m+1)层上点数+(1/e)*(m+2)层上点数+(1/e2)*(m+3)层上点数+……+(1/e(n-1))*(m+n)层上点数。
通过上述步骤1-7，提供了一种提高KOL评估准确度的方法，可以分层级计算每个用户带来的PV总量，不仅计算了直接带来的PV量，也计算了间接带来的PV量，充分利用了微信这个新兴的社交媒体特有的信息流层级的特性，全面深入地挖掘出更具有潜力的KOL，从而提高了广告投放的受众准确度。
实施例2
根据本发明实施例，提供了一种目标对象的识别装置的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图3是根据本发明实施例的一种目标对象的识别装置的示意图，如图3所示，该装置包括如下模块：
选取单元31，用于选取一个目标对象作为起点用户。
第一获取单元33，用于获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息。
具体的，上述的目标对象可以是访问网络资源的用户，用户可以通过网络资源的分享链接获取分享的网络资源；上述的网络资源可以是广告或者文章；上述的标识信息可以是唯一识别用户身份的标识符UserID。
在一种可选的方案中，在一个用户分享广告或文章的链接之后，其他用户可以通过链接进入阅读该广告或者文章，其他用户也可以分享该广告或者文章的链接，从而有另外的用户可以通过其他用户分享的该广告或者文章的链接进入阅读该广告或者文章，从而得到一种分享树形式的多层级访问数据，每个用户可以分享网络资源，下一层级与该用户相关的用户访问该用户分享的网络资源，之后每一层级上与该用户相关的用户访问上一层级上与该用户相关的用户分享的网络资源。如图2所示，图2中的每一个点可以代表一个用户，其中，实心点可以代表第一个分享该广告或文章的用户，即起点用户，将起点用户作为0层级，空心点可以代表第一层层级的用户，该层级包含3个用户，即用户1至用户3；横条纹点可以代表第二层层级的用户，该层级包含11个用户，即用户4至用户14；竖条纹点可以代表第三层层级的用户，该层级包含5个用户，即用户15至用户19；左斜条纹点可以代表第四层层级的用户，该层级包含2个用户，即用户20和用户21；右斜条纹点可以代表第五层层级的用户，该层级包含1个用户，即用户22。
第一确定单元35，用于根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象。
在一种可选的方案中，可以根据分享树形式的多层级访问数据，确定每个目标对象所处的层级以及每个目标对象相关的而下一层级的目标对象，如图2所示，在第一层层级上，与起点用户相关的用户为：用户1、用户2和用户3；在第二层级上，与用户1相关的用户为：用户4，与用户2相关的用户为：用户5至用户11，与用户3相关的用户为：用户12至用户14；在第三层层级上，不存在与用户4、用户5、用户7、用户9、用户11、用户13和用户14相关的用户，与用户6相关的用户为：用户15，与用户10相关的用户为：用户18，与用户12相关的用户为：用户19；在第四层层级上，不存在与用户15至用户17相关的用户，与用户18相关的用户为：用户20，与用户19相关的用户为用户21；在第五层层级上，与用户20相关的用户为：用户22，不存在与用户21相关的用户。
第二确定单元37，用于根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，确定每个所述目标对象分享所述网络资源后带来的访问量。
具体的，上述的访问量可以是分享广告或者文章的页面浏览量(PV量)。
在一种可选的方案中，在每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的用户之后，可以根据实际计算需要，通过递归方式统计每个用户分享广告或文章之后带来的所有层级的访问数据，得到每个用户带来的访问量，即每个用户带来的页面浏览量。
识别单元39，用于根据每个目标对象分享网络资源后带来的访问量，对每个目标对象进行识别，得到识别结果，其中，识别结果用于表征每个目标对象是否为关键目标对象。
具体的，上述的关键目标对象可以是KOL。
在一种可选的方案中，在统计出每个用户带来的访问量之后，可以根据每个用户带来的访问量，对每个用户进行识别，确定每个用户是否为KOL，从而得到每个用户的识别结果，进一步可以根据识别结果判断是否对该用户投放广告。
在另一种可选的方案中，在统计出每个用户带来的访问量之后，可以根据每个用户带来的访问量，对每个用户进行识别，确定多个层级的所有用户中是KOL的用户，进一步向该用户投放广告。
通过本发明上述实施例，获选取一个目标对象作为起点用户，获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量，并根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，从而实现通过多层级计算每个目标对象的影响力，来充分挖掘最具潜力的KOL。容易注意到的是，由于根据每个层级的访问数据，确定每个目标对象分享网络资源后带来的访问量，进一步得到识别结果，不仅计算了直接带来的PV量，也计算了间接带来的PV量，而且充分利用了信息流层级的特性，提高了识别准确度，解决了现有技术中目标对象的识别方法仅统计目标对象直接带来的访问量，识别准确度低的技术问题。因此，采用本发明上述实施例所提供的方案，可以达到提高识别准确度，提高广告投放的受众准确度的效果。
可选的，在本发明上述实施例中，第二确定单元包括：
第一获取模块，用于获取每个目标对象所处的层级之后的预设层级数。
具体的，上述的预设层级数可以是最大间接层级数，可以根据需求任意配置，一般情况下，为了满足多层计算需求，预设层级数一般取大于等于2的整数。
第二获取模块，用于根据每个目标对象相较于起点用户的层级以及与每个目标对象相关的下一层级的目标对象，获取每个目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的目标对象的数量。
在一种可选的方案中，如果每个用户所在层级为m，则可以确定下一层级即m+1层级上与该用户相关的用户，从而确定m+1层上与该用户相关的用户的数量，进一步m+2层上与m+1层上用户相关的用户，可以确定m+2层上与该用户相关的用户的数量，从而可以确定m层之后m+1、m+2、……至m+n层上与该用户相关的用户的数量。例如，如图2所示，当n为2时，针对用户2，可以得到第三层层级上与用户2相关的用户数为7，第四层层级上与用户2相关的用户数为4。
第一确定模块，用于根据n个层级中的每个层级上与该目标对象相关的目标对象的数量，确定该目标对象分享网络资源后带来的访问量。
在一种可选的方案中，可以根据n个层级中的每个层级上与每个用户相关的用户的数量，得到每个用户分享广告或者文章之后，直接带来或者间接带来的PV量。
可选的，在本发明上述实施例中，第一确定模块包括：
第一判断子模块，用于判断该目标对象相较于起点用户所处的层级是否大于等于预设层级数n。
第一处理子模块，用于如果该目标对象相较于起点用户所处的层级大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
第二处理子模块，用于如果该目标对象相较于起点用户所处的层级小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
其中，m为该目标对象相较于起点用户所处的层级的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
在一种可选的方案中，假设每个点所在层级为m，其中，起点用户所在层级数为0，即m＝0。m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献，即该层上每个点带来的PV＝(1-(1/n)*m)*(m+1)层上该点所带来的点数+(1/n)*[(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]；当m>＝n时，则该层上每个点的贡献，即该层上每个点带来的PV＝(1/n)*[(m+1)层上该点所带来的点数+(m+2)层上该点所带来的点数+(m+3)层上该点所带来的点数+……+(m+n)层上该点所带来的点数]。
例如，以n＝2为例对本发明进行详细说明，如图2所示，起点用户的访问量，即起点用户的贡献＝第一层上起点用户带来的点数+1/2*第二层上起点用户带来的点数＝(用户1至用户3)+1/2*(用户4至用户14)＝3+1/2*11＝8.5；第一层上用户1的访问量＝(1-1/2)*第二层上用户1带来的点数+1/2*第三层上用户1带来的点数＝1/2*(用户4)＝1/2*1＝0.5；第一层上用户2的访问量＝(1-1/2)*第二层上用户2带来的点数+1/2*第三层上用户2带来的点数＝1/2*(用户5至用户11)+1/2*(用户15至用户18)＝1/2*7+1/2*4＝5.5；第一层上用户3的访问量＝(1-1/2)*第二层上用户3带来的点数+1/2*第三层上用户3带来的点数＝1/2*(用户12至用户14)+1/2*(用户19)＝1/2*3+1/2*1＝2；第二层上用户4的访问量＝(1/2)*(第三层上用户4带来的点数+第四层上用户4带来的点数)＝0；第二层上用户5的访问量＝(1/2)*(第三层上用户5带来的点数+第四层上用户5带来的点数)＝0；第二层上用户6的访问量＝(1/2)*(第三层上用户6带来的点数+第四层上用户6带来的点数)＝1/2*(用户15)＝1/2*1＝0.5；第二层上用户7的访问量＝(1/2)*(第三层上用户7带来的点数+第四层上用户7带来的点数)＝0；第二层上用户8的访问量＝(1/2)*(第三层上用户8带来的点数+第四层上用户8带来的点数)＝1/2*(用户16和用户17)＝1/2*2＝1；第二层上用户9的访问量＝(1/2)*(第三层上用户9带来的点数+第四层上用户9带来的点数)＝0；第二层上用户10的访问量＝(1/2)*(第三层上用户10带来的点数+第四层上用户10带来的点数)＝1/2*(用户18+用户19)＝1/2*2＝1；第二层上用户11的访问量＝(1/2)*(第三层上用户11带来的点数+第四层上用户11带来的点数)＝0；第二层上用户12的访问量＝(1/2)*(第三层上用户12带来的点数+第四层上用户12带来的点数)＝1/2*(用户19+用户21)＝1/2*2＝1；第二层上用户13的访问量＝(1/2)*(第三层上用户13带来的点数+第四层上用户13带来的点数)＝0；第二层上用户14的访问量＝(1/2)*(第三层上用户14带来的点数+第四层上用户14带来的点数)＝0；第三层上用户15的访问量＝(1/2)*(第四层上用户15带来的点数+第五层上用户15带来的点数)＝0；第三层上用户16的访问量＝(1/2)*(第四层上用户16带来的点数+第五层上用户16带来的点数)＝0；第三层上用户17的访问量＝(1/2)*(第四层上用户17带来的点数+第五层上用户17带来的点数)＝0；第三层上用户18的访问量＝(1/2)*(第四层上用户18带来的点数+第五层上用户18带来的点数)＝1/2*(用户20+用户22)＝1/2*2＝1；第三层上用户19的访问量＝(1/2)*(第四层上用户19带来的点数+第五层上用户19带来的点数)＝1/2*(用户21)＝1/2*1＝0.5；第四层上用户20的访问量＝(1/2)*(第五层上用户20带来的点数+第六层上用户20带来的点数)＝1/2*(用户22)＝1/2*1＝0.5；第四层上用户21的访问量＝(1/2)*(第五层上用户21带来的点数+第六层上用户21带来的点数)＝0；第五层上用户22的访问量＝(1/2)*(第六层上用户22带来的点数+第七层上用户22带来的点数)＝0。
可选的，在本发明上述实施例中，第一确定模块包括：
第二判断子模块，用于判断该目标对象相较于起点用户所处的层级是否大于等于预设层级数n。
第三处理子模块，用于如果该目标对象相较于起点用户所处的层级大于等于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：
第四处理子模块，用于如果该目标对象相较于起点用户所处的层级小于预设层级数n，则通过如下公式计算得到该目标对象分享网络资源后带来的访问量xm：其中，m为该目标对象相较于起点用户所处的层级的层数，n为预设层级数，ym+i为m+i层上与该目标对象相关的目标对象的数量，i＝1,2,...,n。
在一种可选的方案中，假设每个目标对象所在层级为m，其中，起点用户所在层级数为0，即m＝0。m层上每个点带来的PV的计算方法为：当m<n时，则该层上每个点的贡献，即该层上每个点带来的PV＝{1-(em-1)/[(e-1)*em]}*(m+1)层上该点所带来的点数+(1/e)*(m+2)层上该点所带来的点数+(1/e2)*(m+3)层上该点所带来的点数+……+(1/e(n-1))*(m+n)层上该点所带来的点数；当m>＝n时，则该层上每个点的贡献，即该层上每个点带来的PV＝[1-(1/e+1/e2+……+1/e(n-1))]*(m+1)层上点数+(1/e)*(m+2)层上点数+(1/e2)*(m+3)层上点数+……+(1/e(n-1))*(m+n)层上点数。
例如，以n＝2为例对本发明进行详细说明，如图2所示，起点用户的访问量，即起点用户的贡献＝第一层上该点所带来的点数+1/e*第二层上该点所带来的点数＝(用户1至用户3)+1/e*(用户4至用户14)＝3+1/e*11＝7.05；第一层上用户1的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户1带来的点数+1/e*第三层上用户1带来的点数＝(1-1/e)*(用户4)＝1-1/e＝0.63；第一层上用户2的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户2带来的点数+1/e*第三层上用户2带来的点数＝(1-1/e)*(用户5至用户11)+1/e(用户15至用户18)＝(1-1/e)*7+1/e*4＝5.90；第一层上用户3的访问量＝{1-(e-1)/[(e-1)*e]}*第二层上用户3带来的点数+1/e*第三层上用户3带来的点数＝(1-1/e)*(用户12至用户14)+1/e*(用户19)＝(1-1/e)*3+1/e*1＝2.26；第二层上用户4的访问量＝(1-1/e)*第三层上用户4带来的点数+(1/e)*第四层上用户4带来的点数＝0；第二层上用户5的访问量＝(1-1/e)*第三层上用户5带来的点数+(1/e)*第四层上用户5带来的点数＝0；第二层上用户6的访问量＝(1-1/e)*第三层上用户6带来的点数+(1/e)*第四层上用户6带来的点数＝(1-1/e)*(用户15)＝1-1/e＝0.63；第二层上用户7的访问量＝(1-1/e)*第三层上用户7带来的点数+(1/e)*第四层上用户7带来的点数＝0；第二层上用户8的访问量＝(1-1/e)*第三层上用户8带来的点数+(1/e)*第四层上用户8带来的点数＝(1-1/e)*(用户16和用户17)＝(1-1/e)*2＝1.26；第二层上用户9的访问量＝(1-1/e)*第三层上用户9带来的点数+(1/e)*第四层上用户9带来的点数＝0；第二层上用户10的访问量＝(1-1/e)*第三层上用户10带来的点数+(1/e)*第四层上用户10带来的点数＝(1-1/e)*(用户18)+(1/e)*(用户20)＝1-1/e+1/e＝1；第二层上用户11的访问量＝(1-1/e)*第三层上用户11带来的点数+(1/e)*第四层上用户11带来的点数＝0；第二层上用户12的访问量＝(1-1/e)*第三层上用户12带来的点数+(1/e)*第四层上用户12带来的点数＝(1-1/e)*(用户19)+(1/e)*(用户21)＝1-1/e+1/e＝1；第二层上用户13的访问量＝(1-1/e)*第三层上用户13带来的点数+(1/e)*第四层上用户13带来的点数＝0；第二层上用户14的访问量＝(1-1/e)*第三层上用户14带来的点数+(1/e)*第四层上用户14带来的点数＝0；第三层上用户15的访问量＝(1-1/e)*第四层上用户15带来的点数+(1/e)*第五层上用户15带来的点数＝0；第三层上用户16的访问量＝(1-1/e)*第四层上用户16带来的点数+(1/e)*第五层上用户16带来的点数＝0；第三层上用户17的访问量＝(1-1/e)*第四层上用户17带来的点数+(1/e)*第五层上用户17带来的点数＝0；第三层上用户18的访问量＝(1-1/e)*第四层上用户18带来的点数+(1/e)*第五层上用户18带来的点数＝(1-1/e)*(用户20)+(1/e)*(用户22)＝1-1/e+1/e＝1；第三层上用户19的访问量＝(1-1/e)*第四层上用户19带来的点数+(1/e)*第五层上用户19带来的点数＝(1-1/e)*(用户21)＝1-1/e＝0.63；第四层上用户20的访问量＝(1-1/e)*第五层上用户20带来的点数+(1/e)*第六层上用户20带来的点数＝(1-1/e)*(用户22)＝1-1/e＝0.63；第四层上用户21的访问量＝(1-1/e)*第五层上用户21带来的点数+(1/e)*第六层上用户21带来的点数＝0；第五层上用户22的访问量＝(1-1/e)*第六层上用户22带来的点数+(1/e)*第七层上用户22带来的点数＝0。
可选的，在本发明上述实施例中，识别单元包括：
比较模块，用于将每个目标对象分享网络资源后带来的访问量进行比较。
第三获取模块，用于从每个目标对象分享网络资源后带来的访问量中，获取最大访问量对应的目标对象。
第二确定模块，用于确定最大访问量对应的目标对象为关键目标对象，所有层级中除最大访问量对应的目标对象之外的其它目标对象的识别结果为不是关键目标对象。
在一种可选的方案中，在得到每个目标对象的访问量，即每个用户的PV之后，可以将每个用户的PV进行比较，确定PV最大的用户为KOL。例如，以第一种算法为例，得到23个用户的PV分别为：起点用户的PV为8.5，用户1的PV为0.5，用户2的PV为5.5，用户3的PV为2，用户4的PV为0，用户5的PV为0，用户6的PV为0.5，用户7的PV为0，用户8的PV为1，用户9的PV为0，用户10的PV为1，用户11的PV为0，用户12的PV为1，用户13的PV为0，用户14的PV为0，用户15的PV为0，用户16的PV为0，用户17的PV为0，用户18的PV为1，用户19的PV为0.5，用户20的PV为0.5，用户21的PV为0，用户2的PV为0，由上可知，PV最大的为起点用户，因此可以确定起点用户为KOL。又例如，以第二种算法为例，得到23个用户的PV分别为：起点用户的PV为7.05，用户1的PV为0.63，用户2的PV为5.9，用户3的PV为2.26，用户4的PV为0，用户5的PV为0，用户6的PV为0.63，用户7的PV为0，用户8的PV为1.26，用户9的PV为0，用户10的PV为1，用户11的PV为0，用户12的PV为1，用户13的PV为0，用户14的PV为0，用户15的PV为0，用户16的PV为0，用户17的PV为0，用户18的PV为1，用户19的PV为0.63，用户20的PV为0.63，用户21的PV为0，用户2的PV为0，由上可知，PV最大的为起点用户，因此可以确定起点用户为KOL。
可选的，在本发明上述实施例中，上述装置还包括：
第二获取单元，用于当网络资源被访问时，获取访问网络资源的目标对象的标识信息和/或分享网络资源的目标对象的标识信息。
第一存储单元，用于将访问网络资源的目标对象的标识信息和/或分享网络资源的目标对象的标识信息存储至网络日志中。
在一种可选的方案中，当用户A为起点用户打开广告或文章时，由于该广告或者文章未被分享，因此，可以只读取用户A的UserID(即上述的访问网络资源的标识信息)，并将UserID存储到服务器的网络日志中。
在另一种可选的方案中，当用户B打开A分享的广告或文章时，可以读取用户B的UserID(即上述的访问网络资源的标识信息)，同时读取用户A的UserID(即上述的分享网络资源的标识信息)，并将用户A的UserID(作为父级ID)和用户B的UserID(作为子级ID)同时存储到服务器的网络日志中。
在又一种可选的方案中，当用户C打开B分享的广告或文章时，可以读取用户C的UserID(即上述的访问网络资源的标识信息)，同时读取用户B的UserID(即上述的分享网络资源的标识信息)，并将用户B的UserID(作为父级ID)和用户C的UserID(作为子级ID)同时存储到服务器的网络日志中。
可选的，在本发明上述实施例中，上述装置还包括：
判断单元，用于判断本地数据中是否存在访问网络资源的目标对象的标识信息。
具体的，上述的本地数据可以是本地cookie，cookie中存放有标识信息。
第二获取单元还用于如果本地数据中存在访问网络资源的目标对象的标识信息，则获取访问网络资源的目标对象的标识信息。
设置单元，用于如果本地数据中不存在访问网络资源的目标对象的标识信息，则设置访问网络资源的目标对象的标识信息。
在一种可选的方案中，当用户A打开广告或文章时，或当用户B打开A分享的广告或文章时，或当用户C打开B分享的广告或文章时，首先判断cookie中是否存在唯一识别用户身份的标识符UserID。若不存在，则设置用户A的UserID，或用户B的UserID，或用户C的UserID；若已存在，则读取用户A的UserID，或用户B的UserID，或用户C的UserID。
可选的，在本发明上述实施例中，上述装置还包括：
添加单元，用于当网络资源被分享时，将分享网络资源的目标对象的标识信息添加至网络资源的分享链接中。
第二存储单元，用于将分享网络资源的目标对象的标识信息对应的分享行为数据存储至网络日志中。
在一种可选的方案中，当用户A将打开的广告或文章分享出去的时候，在分享的链接中动态地添加用户A的UserID(即上述的分享网络资源的标识信息)，并将用户的分享行为数据存储到服务器的网络日志中，从而其他用户在打开该广告或者文章的时候，可以读取到用户A的UserID，并将用户A的UserID(作为父级ID)存储到服务器的网络日志中。
在另一种可选的方案中，当用户B将打开的广告或文章分享出去的时候，在分享的链接中动态地添加用户B的UserID，并将用户的分享行为数据存储到服务器的网络日志中，从而其他用户在打开该广告或者文章的时候，可以读取到用户B的UserID，并将用户B的UserID(作为父级ID)存储到服务器的网络日志中。
目标对象的识别装置包括处理器和存储器，上述选取单元、第一获取单元、第一确定单元、第二确定单元和识别单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元。上述第一预设模型和第二预设模型都可以存储在存储器中。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数解析文本内容。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：选取一个目标对象作为起点用户；获取起点用户分享网络资源后针对分享的网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息；根据每个层级的访问数据，确定每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象；根据每个目标对象相较于起点用户所处的层级以及与每个目标对象相关的下一层级的目标对象，确定每个目标对象分享网络资源后带来的访问量；根据每个目标对象分享网络资源后带来的访问量对每个目标对象进行识别，得到识别结果，其中，识别结果用于表征每个目标对象是否为关键目标对象。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。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。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种目标对象的识别方法，其特征在于，包括：
选取一个目标对象作为起点用户；
获取所述起点用户分享网络资源后针对分享的所述网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息；
根据所述每个层级的访问数据，确定每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象；
根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，确定每个所述目标对象分享所述网络资源后带来的访问量；
根据每个所述目标对象分享所述网络资源后带来的访问量对所述每个目标对象进行识别，得到识别结果，其中，所述识别结果用于表征所述每个目标对象是否为关键目标对象。
2.根据权利要求1所述的方法，其特征在于，根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，确定每个所述目标对象分享所述网络资源后带来的访问量包括：
获取每个所述目标对象所处的层级之后的预设层级数n；
根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，获取每个所述目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的所述目标对象的数量；
根据所述n个层级中的每个层级上与该目标对象相关的所述目标对象的数量，确定该目标对象分享所述网络资源后带来的访问量。
3.根据权利要求2所述的方法，其特征在于，根据所述n个层级中的每个层级上与该目标对象相关的所述目标对象的数量，得到该目标对象分享所述网络资源后带来的访问量，包括：
判断该目标对象相较于所述起点用户所处的层级是否大于等于所述预设层级数n；
如果该目标对象相较于所述起点用户所处的层级大于等于所述预设层级数n，则通过如下公式计算得到该目标对象分享所述网络资源后带来的访问量xm：
如果该目标对象相较于所述起点用户所处的层级小于所述预设层级数n，则通过如下公式计算得到该目标对象分享所述网络资源后带来的访问量xm：
其中，m为该目标对象相较于所述起点用户所处的层级的层数，n为所述预设层级数，ym+i为m+i层上与该目标对象相关的所述目标对象的数量，i＝1,2,...,n。
4.根据权利要求2所述的方法，其特征在于，根据所述n个层级中的每个层级上与该目标对象相关的所述目标对象的数量，得到该目标对象分享所述网络资源后带来的访问量，包括：
判断该目标对象相较于所述起点用户所处的层级是否大于等于所述预设层级数n；
如果该目标对象相较于所述起点用户所处的层级大于等于所述预设层级数n，则通过如下公式计算得到该目标对象分享所述网络资源后带来的访问量xm：
如果该目标对象相较于所述起点用户所处的层级小于所述预设层级数n，则通过如下公式计算得到该目标对象分享所述网络资源后带来的访问量xm：
其中，m为该目标对象相较于所述起点用户所处的层级的层数，n为所述预设层级数，ym+i为m+i层上与该目标对象相关的所述目标对象的数量，i＝1,2,...,n。
5.根据权利要求1所述的方法，其特征在于，根据每个所述目标对象分享所述网络资源后带来的访问量对所述每个目标对象进行识别，得到识别结果，包括：
将每个所述目标对象分享所述网络资源后带来的访问量进行比较；
从每个所述目标对象分享所述网络资源后带来的访问量中，获取最大访问量对应的目标对象；
确定所述最大访问量对应的目标对象的识别结果为所述关键目标对象。
6.根据权利要求1所述的方法，其特征在于，在选取一个目标对象作为起点用户之前，所述方法还包括：
当所述网络资源被访问时，获取访问所述网络资源的目标对象的标识信息和/或分享所述网络资源的目标对象的标识信息；
将访问所述网络资源的目标对象的标识信息和/或分享所述网络资源的目标对象的标识信息存储至网络日志中。
7.根据权利要求6所述的方法，其特征在于，在获取访问所述网络资源的目标对象的标识信息之前，所述方法还包括：
判断本地数据中是否存在访问所述网络资源的目标对象的标识信息；
如果所述本地数据中存在访问所述网络资源的目标对象的标识信息，则获取访问所述网络资源的目标对象的标识信息；
如果所述本地数据中不存在访问所述网络资源的目标对象的标识信息，则设置访问所述网络资源的目标对象的标识信息。
8.根据权利要求1所述的方法，其特征在于，在选取一个目标对象作为起点用户之前，所述方法还包括：
当所述网络资源被分享时，将分享所述网络资源的目标对象的标识信息添加至所述网络资源的分享链接中；
将分享所述网络资源的目标对象的标识信息对应的分享行为数据存储至网络日志中。
9.一种目标对象的识别装置，其特征在于，包括：
选取单元，用于选取一个目标对象作为起点用户；
第一获取单元，用于获取所述起点用户分享网络资源后针对分享的所述网络资源的所有层级的访问数据，其中，每个层级的访问数据至少包括该层级中每个目标对象的标识信息以及与该层级中每个目标对象相关的上一层级的目标对象的标识信息；
第一确定单元，用于根据所述每个层级的访问数据，确定每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象；
第二确定单元，用于根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，确定每个所述目标对象分享所述网络资源后带来的访问量；
识别单元，用于根据每个所述目标对象分享所述网络资源后带来的访问量对所述每个目标对象进行识别，得到所述每个目标对象的识别结果，其中，所述识别结果用于表征所述每个目标对象是否为关键目标对象。
10.根据权利要求9所述的装置，其特征在于，所述第二确定单元包括：
第一获取模块，用于获取每个所述目标对象所处的层级之后的预设层级数n；
第二获取模块，用于根据每个所述目标对象相较于所述起点用户所处的层级以及与每个所述目标对象相关的下一层级的目标对象，获取每个所述目标对象所处的层级之后的n个层级中的每个层级上与该目标对象相关的所述目标对象的数量；
第一确定模块，用于根据所述n个层级中的每个层级上与该目标对象相关的所述目标对象的数量，确定该目标对象分享所述网络资源后带来的访问量。
CN201611112203.5A 2016-12-02 2016-12-02 目标对象的识别方法和装置 Pending CN108153797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611112203.5A CN108153797A (zh) 2016-12-02 2016-12-02 目标对象的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611112203.5A CN108153797A (zh) 2016-12-02 2016-12-02 目标对象的识别方法和装置

Publications (1)

Publication Number Publication Date
CN108153797A true CN108153797A (zh) 2018-06-12

Family

ID=62467856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611112203.5A Pending CN108153797A (zh) 2016-12-02 2016-12-02 目标对象的识别方法和装置

Country Status (1)

Country Link
CN (1) CN108153797A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750721A (zh) * 2019-10-21 2020-02-04 秒针信息技术有限公司 资讯信息推送方法、装置、电子设备及可读存储介质
CN112929398A (zh) * 2019-12-06 2021-06-08 北京达佳互联信息技术有限公司 数据分享方法、装置、服务器及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034866A (zh) * 2011-09-29 2013-04-10 无锡物联网产业研究院 一种目标识别方法、装置及系统
CN104391955A (zh) * 2014-11-27 2015-03-04 北京国双科技有限公司 网页相关性检测方法及装置
CN104866586A (zh) * 2015-05-28 2015-08-26 中国科学院计算技术研究所 用于计算社会媒体中信息传播节点重要性的方法及系统
US20150278343A1 (en) * 2011-09-16 2015-10-01 Cisco Technology, Inc. Data Center Capability Summarization
CN106156230A (zh) * 2015-04-24 2016-11-23 阿里巴巴集团控股有限公司 一种生成内链的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150278343A1 (en) * 2011-09-16 2015-10-01 Cisco Technology, Inc. Data Center Capability Summarization
CN103034866A (zh) * 2011-09-29 2013-04-10 无锡物联网产业研究院 一种目标识别方法、装置及系统
CN103034866B (zh) * 2011-09-29 2016-02-10 无锡物联网产业研究院 一种目标识别方法、装置及系统
CN104391955A (zh) * 2014-11-27 2015-03-04 北京国双科技有限公司 网页相关性检测方法及装置
CN106156230A (zh) * 2015-04-24 2016-11-23 阿里巴巴集团控股有限公司 一种生成内链的方法及装置
CN104866586A (zh) * 2015-05-28 2015-08-26 中国科学院计算技术研究所 用于计算社会媒体中信息传播节点重要性的方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750721A (zh) * 2019-10-21 2020-02-04 秒针信息技术有限公司 资讯信息推送方法、装置、电子设备及可读存储介质
CN112929398A (zh) * 2019-12-06 2021-06-08 北京达佳互联信息技术有限公司 数据分享方法、装置、服务器及存储介质

Similar Documents

Publication Publication Date Title
US11314838B2 (en) System and method for analyzing user device information
CN104298719B (zh) 基于社交行为进行用户的类别划分、广告投放方法和系统
CN104077714B (zh) 访问网站的用户的偏好获取、广告推送方法和系统
CN103905532B (zh) 微博营销账号的识别方法及系统
CN108197331A (zh) 用户兴趣的探索方法和装置
CN106651458B (zh) 一种广告反作弊方法和装置
CN107341716A (zh) 一种恶意订单识别的方法、装置及电子设备
CN106919611A (zh) 产品信息推送方法和装置
CN104917739B (zh) 虚假账号的识别方法及装置
CN103198161A (zh) 微博水军识别方法与设备
CN103259805B (zh) 基于用户评价的域名访问控制方法及系统
CN106708841B (zh) 网站访问路径的聚合方法和装置
CN107688984A (zh) 产品信息推送方法、装置、存储介质和计算机设备
EP3848881A1 (en) System and method for analyzing user device information
CN104410907B (zh) 视频广告的监测方法及监测装置
CN108282450A (zh) 异常域名的检测方法及装置
CN106485529A (zh) 广告位的排序方法和装置
CN103780625B (zh) 用户兴趣发现方法和装置
CN110765374B (zh) 风险链接识别方法、装置及计算机设备
CN107592296A (zh) 垃圾账户的识别方法和装置
CN107368483A (zh) 信息推荐方法、装置及服务器
CN106874165A (zh) 网页检测方法和装置
CN110134879A (zh) 一种基于差分隐私保护的兴趣点推荐算法
CN108304452A (zh) 文章处理方法及装置、存储介质
CN107832444A (zh) 基于搜索日志的事件发现方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100083 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing

Applicant after: Beijing Guoshuang Technology Co.,Ltd.

Address before: 100086 Cuigong Hotel, 76 Zhichun Road, Shuangyushu District, Haidian District, Beijing

Applicant before: Beijing Guoshuang Technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180612