CN108156204B - 一种目标对象推送系统和方法 - Google Patents
一种目标对象推送系统和方法 Download PDFInfo
- Publication number
- CN108156204B CN108156204B CN201611109283.9A CN201611109283A CN108156204B CN 108156204 B CN108156204 B CN 108156204B CN 201611109283 A CN201611109283 A CN 201611109283A CN 108156204 B CN108156204 B CN 108156204B
- Authority
- CN
- China
- Prior art keywords
- target
- flow
- target object
- scene
- traffic
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种目标对象推送系统和方法,其中,该系统包括:分配服务器,用于获取为目标对象所请求的目标流量,并在预设的约束条件下,确定目标流量在各目标场景中的流量分配方案,约束条件包括以下至少之一:目标对象在各个目标场景中分配的流量小于等于在该目标场景为目标对象设置的流量上限、各个目标场景的流量损失小于等于为该场景预设的损失上限和目标对象在目标场景中分配的流量之和大于等于目标流量;推送服务器,用于根据流量分配方案,在各目标场景中推送目标对象。通过本申请的方案解决了现有的单一的目标对象仅会被推送至一个目标场景而导致的系统资源得不到合理利用的技术问题,达到了有效提高资源利用率的技术效果。
Description
技术领域
本申请属于互联网技术领域,尤其涉及一种目标对象推送系统和方法。
背景技术
随着互联网技术的不断发展,越来越多的网络产品或者是网站出现。用户流量是在互联网Web环境中,访问网站所产生的流量。互联网环境存在多种的场景,用于表征多种访问和使用环境。在不同的实施方式中,场景可以是内容浏览页面、管理页面、搜索页面、广告页面、购物操作页面、等。其中,在不同的场景下,流量可以有不同的解释,例如:可以是通过用户的点击(click)行为确定,也可以是通过PV(Page View,页面浏览量)确定的,也可以是根据UV(Unique Visitor,独立访客)确定的,即可以是用户点击一次链接算作一个流量,也可以是用户访问一次网页作为一个流量,也可以是一个不同身份的用户访问一次网页作为一个流量。具体采用哪种方式作为流量的统计标准,可以根据实际需要和情况选择。
对于一个网站而言,访问量的多少直接影响着网站的价值,对于一个商品而言,用户访问量的多少会直接影响该商品的成交数量,也就直接影响着商品的曝光率或者是购买转化率。
目前,平台会提供一定的方式为商家或者是产品提高曝光率,以便使得有曝光需求的商家或者是商品可以达到自己预期的曝光率。例如,百度搜索中,对产品搜索时候,最前面展现的几个产品一般是有提高曝光率需求的产品,通过置顶可以提高该产品被点击的次数,提升用户流量,从而可以有效提高这些产品的曝光率。
对于同一平台而言,目前如果有提高曝光率的请求,例如:提高某个目标对象的曝光率,往往是该目标对象仅在一个目标场景中进行推广。然而,一个平台往往有多个可以进行目标对象推广的场景,如何有效将这些目标场景结合起来进行目标对象的合理推广,目前尚未提出有效的解决方案。
发明内容
本申请目的在于提供一种目标对象推送系统和方法,可以实现多场景联动的目标对象推荐的目的。
本申请提供一种目标对象推送系统和方法,是这样实现的:
所述目标对象推送系统,包括:
分配服务器,用于获取为目标对象所请求的目标流量,并在预设的约束条件下,确定所述目标流量在所述各目标场景中的流量分配方案,其中,所述约束条件包括以下至少之一:目标对象在各个目标场景中分配的流量小于等于在该目标场景为所述目标对象设置的流量上限、各个目标场景的流量损失小于等于为该场景预设的损失上限和所述目标对象在所述目标场景中分配的流量之和大于等于所述目标流量;
推送服务器,与所述分类服务器耦合,用于从所述分配服务器获取分配结果,并根据所述流量分配方案,在所述各目标场景中推送所述目标对象。
所述目标对象推送方法,包括:
获取为目标对象所请求的目标流量,并在预设的约束条件下,确定所述目标流量在所述各目标场景中的流量分配方案,其中,所述约束条件包括以下至少之一:目标对象在各个目标场景中分配的流量小于等于在该目标场景为所述目标对象设置的流量上限、各个目标场景的流量损失小于等于为该场景预设的损失上限和所述目标对象在所述目标场景中分配的流量之和大于等于所述目标流量;
根据所述流量分配方案,在所述各目标场景中推送所述目标对象。
在本申请实施例中,通过预设约束条件,在约束条件之下,将为目标对象所请求的目标流量分配至多个目标场景,从而实现多场景下的联动部署,解决了现有的单一的目标对象仅会被推送至一个目标场景而导致的系统资源得不到合理利用的技术问题,达到了有效提高资源利用率的技术效果。
附图说明
为了更清楚地说明本申请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,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的目标对象推送系统的一种架构图;
图2是本申请实施例的目标场景显示示意图;
图3是本申请实施例的目标场景的另一显示示意图;
图4是本申请实施例的目标对象到目标场景的关联示意图;
图5是本申请实施例的目标流量分配装置的执行流程图;
图6是本申请实施例的管理平台的整体架构示意图;
图7是本申请实施例的自编码器进行模型参数初始化的流程示意图;
图8是本申请实施例的目标流量分配装置的执行流程图;
图9是本申请实施例的基于反馈控制的自适应流量调控示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
在对平台各个场景的流量进行规划时,可以将所有的场景作为一个整体进行考虑。在各个场景确定自身的流量目标之后,需要根据确定的流量目标执行调控。然而,在实际实现的时候,对于同一平台而言,场景往往有多个,而对于每个场景而言,吸引的流量及流量的引导效率是不同的,而且往往存在较大的差异。例如:对于购物平台而言:针对用户的不用喜好而进行个性化定制的“偏好推荐”场景,相较于基于购买记录推荐的场景,流量的引导效率要高很多。
因此,如果对所有的场景采用无差别的流量调控方式显然是不合理的,为此,申请人发现,可以调动多个场景,按照场景之间的差异、以及目标对象请求的流量目标,调动各个场景来完成目标对象请求的流量目标,并将场景的流量损失限定在预期的范围内。具体地,可以通过中央控制系统对所有的场景进行统一规划,使得多个场景之间的流量联动成为可能,统筹场景的整体流量,减少各个场景的损失,以便在提高目标对象曝光率的同时,提高整个平台的效率。
对于平台而言,输入的是目标对象的目标流量,输出是目标流量在各个场景之间的分配,最终以使得目标对象的目标流量可以完成。为此,本申请实施例提供了一种目标对象推送系统100,如图1所示,该系统可以包括:分配服务器101、推送服务器102和客户端103,所述分配服务器101与所述推送服务器102耦合。所述目标对象推送系统100中可以有多个客户端103。
在一个实施方式中,所述分配服务器101用于获取对应于目标对象的流量目标,并确定在各个场景中流量目标的分配比例。
在本实施方式中,分配服务器可以为一个具有运算和网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理和网络交互提供支持的软体。
在本实施方式中,分配服务器并不具体限定服务器的数量。分配服务器可以为一个服务器,还可以为几个服务器,或者,若干服务器形成的服务器集群。
在本实施方式中,分配服务器可以为电子商务网站平台的业务服务器。如此,分配服务器可以直接通过网络与客户端进行通信。
在本实施方式中,客户端可以为具有显示、运算和网络访问功能的电子设备。具体的,例如,客户端可以为台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备、导购终端、具有网络访问功能的电视机。或者,客户端也可以为能够运行于上述电子设备中的软体。具体的,例如,客户端可以为购物网站平台提供访问入口,例如当当网站、京东网站、亚马逊网站等;客户端还可以为购物网站平台提供的在智能手机中运行的应用。例如,手机当当、手机京东、手机亚马逊等。
在一个应用场景中,购物平台设置有三个可以响应于商家的流量请求的推广场景,在保证每个场景的流量都不低于各自对应的最低流量值的情况下,可以以平台的收益尽可能地最大化作为目的,将商家的流量请求(即流量目标)分配在这三个场景中,这里面就存在一个比例分配的问题。例如,商家希望有10万的点击量或者访问量,那么就需要确定一种较为合理的方式对这10万流量进行分配。例如,经过计算,场景A:5万,场景B:3万,场景C:2万,那么就可以按照这个数值比例进行目标流量的分配。
上述所列举的,仅是以一个商家的流量请求为例进行的说明,在实际实现的时候,每个平台的使用者是很多的,请求方也是很多的。仍旧以上述购物平台为例,有商家A、商家B和商家C,那么就可以将三个商家的请求和三个目标场景集中起来综合进行处理,以便得到对三个商家分别所请求的目标流量在三个目标场景进行分配。即,分别确定商家A、商家B和商家C所请求的目标流量,在目标场景A、目标场景B和目标场景C中的分配比例。
在一个实施方式中,目标对象所请求的目标流量的数值,可以是商家或者用户通过客户端输入的,可以是采用数字输入的方式,也可以采用对应目标流量值点选的方式,以输入目标流量。
以购物平台为例,上述目标对象可以是商家的店铺、也可以是店铺中的商品。在一个应用场景中,商家可以选择店铺需要多少流量目标,也可以是选择店铺中的某个商品需要多少流量目标。在选择完相应的流量目标之后,可以将该请求提供给平台,平台响应于该请求可以在多个场景中进行该店铺或者是商品的推送,从而使得店铺或商品的访问流量可以达到商家所请求的流量目标。
以微博等平台为例,上述目标对象可以是用户名片。在一个应用场景中,某用户可以选择对自己的微博账号进行推广,例如,用户发布自己的名片被2万人点击查看,那么可以将该请求发布至微博平台,微博平台可以将该用户的名片推送至微博的多个场景中,例如:你可能认识的人,大家都在关注的人等场景中,从而使得该用户的名片可以被推广,以便有更高的曝光度,从而可以达到用户所希望的名片点击率。
在一个实施方式中,在平台上有多个目标场景的情况下,所述分配服务器101可以从所有的目标场景的角度进行考量,在各个场景不同的容量及允许的上限内,调整目标对象在各个推荐场景中的流量投放。
上述的目标对象,可以是例如:产品、店家、新闻、品牌等等,上述的场景可以是一些个性化的推荐场景,例如:京东产品的个性化推荐、腾讯新闻推荐等等,也可以是专门用于进行目标对象相关性推荐的场景,例如:偏好推荐,猜你认识的人等等。即,确定一个目标推广对象的目标流量在各个场景中的分配。
考虑到对于平台而言,在某个场景下,如果是按照一般的匹配流程,进行无差别的推荐结果呈现,显然是流量最大的,因为这种结果是按照最优匹配结果呈现的。然而,当前如果需要满足某些商家的推广需求,例如:对商家进行推广、或者对某个商家的产品进行推广,那么这种操作将使得平台该场景的流量降低,这种流量降低的情况,可以成为场景的流量损失。为了保证平台该场景的正常运作的要求,可以设定一个流量损失上界,即,对目标对象的推广所产生的流量损失,不能超出该流量损失上界。
举例而言,如果是按照正常的最优化方式进行目标场景中的显示对象的显示,那么一小时内的流量值是20万,然后,如果第一个展位被用于进行推广,那么将会影响该场景的流量值,假设通过将第一个展位作为推广展位后,同时段同一情况下,该场景一个小时内的流量值为19万,那么就说明通过将第一个展位作为推广展位后,所导致的该目标场景的流量损失5%。可以预先设定一个目标场景的流量损失允许的上界,例如:10%,那么对于该目标场景而言,通过推广所导致的一个小时内的流量损失最多为2万。
如图2所示,在购物平台的“偏好推荐”的场景中,按照用户的浏览、搜索和购买记录自动匹配得到的产品推送界面如图2所示。如果如图3所示当前插入一个推广产品(该产品为某商家有目标流量的产品)在第三位,该推广产品可能是以前自动匹配所匹配不到的产品,也可能是以前排在第10位第20位的产品。因为这种为了达到商家的目标流量,进行的场景中产品排序的调整,将会降低场景的整体流量,这主要是因为原本的排序方法是不考虑推广进行的流量最大化的匹配方式,这种顺序的调整,必然会影响到场景的流量,这种场景中流量的损失可以称为流量损失。
在一个实施方式中,所述分配服务器101可以通过设定规则的方式,进行目标流量的分配,例如:可以给定约束条件,然后在约束条件的范围内寻找最小化或者最大化的解,作为最终的分配结果。即,分配服务器101可以通过最优化求解的方式确定流量分配策略,这样在获取了目标对象请求的目标流量之后,可以代入该设定规则,以确定目标流量在各个目标场景中的投放比例。
在本实施例中,所述分发服务器101还可以根据实时获取的数据进行自适应的流量调整,即,可以根据进行场景流量分配后的实际执行结果反馈至分配算法中,以便得到更为准确的流量分配结果。
考虑到在各个场景中进行目标对象的推广,以便可以达到目标对象所请求的目标流量,这样势必会导致各个场景的流量受到损失,从而也会导致平台的总体流量和效率受到影响。因此,在进行流量分配的时候,可以最小化总体流量损失作为最优化问题的求解目标(即,需要满足的条件)。限定规则可以是:分配至当前目标场景的流量目标不能超出该目标对象在该场景中所能获得的流量上限。在一个实施方式中,所述分配服务器101可以以所有场景的流量损失最小作为求解方向,确定达到目标对象请求的目标流量且保证每个场景的流量损失在可承受范围内的约束下,求解场景的流量损失最小时目标流量在各个场景中的分配策略。
其中,yi,j表示目标对象i分配在场景j的目标流量,ΔGi,j表示目标对象i在场景j中每单位流量导致的场景j的流量损失,表示场景j所能承载的损失上限,表示目标对象i的流量目标,Ii,j表示目标对象i在场景j中所能获得的流量上限。
通过上述线性规划问题的实现,可以在保证达到各个目标对象所请求的目标流量,且各个目标对象也不会长期占用目标场景的情况下,保证整个平台的总的流量损失可以最小,从而达到了在达到为目标对象所请求的曝光率的情况下,可以最少的减少系统损失的目的。
进一步的,考虑到实际运行的时候,每个场景也都有一个负载能力的问题,如果场景的流量损失过于严重,将会导致场景的负担增大,对场景的正常运行和推广会造成影响,为此,申请人考虑可以增加一个约束条件,例如,为了保证每个目标场景都可以稳定运行,可以为每个场景设置一个损失上限,从而使得场景的负荷在可以承受的范围内。即,分配服务器101可以在保证每个场景的流量总损失都限定在流量损失上界的情况下,确定各个目标对象的目标流量在各个场景中的投放比例,从而保证在推送目标对象的同时,也可以保证各个场景可以稳定安全地运行。
例如,分配服务器101可以形成如下的线性规划问题,即,在满足s.t.(约束条件)的情况下,求解使得最小时的yi,j,作为流量分配结果,相较于上述的最优化求解问题而言,在本例中,可以增加一个约束条件,即,每个场景的流量损失都限制在场景的可承受范围内:
其中,yi,j表示目标对象i分配在场景j的目标流量,ΔGi,j表示目标对象i在场景j中每单位流量导致的场景j的流量损失,ΔLi,j表示目标对象i在场景j中每单位流量导致的场景j的流量损失,表示场景j所能承载的损失上限,表示目标对象i的流量目标,Ii,j表示目标对象i在场景j中所能获得的流量上限。
通过上述线性规划问题的实现,可以在保证达到各个目标对象所请求的目标流量,且各个目标对象也不会长期占用目标场景,且保证每个目标场景的流量损失都可以达到自身能承受的范围的情况下,保证整个平台的总的流量损失可以最小,从而达到了在达到为目标对象所请求的曝光率的情况下,可以保证每个目标场景可以稳定运行,且系统损失较少的目标。
上述是以平台的总的流量损失作为最优化求解的目标,考虑到平台的服务对象是目标对象,在实现的时候,还可以以目标对象的收益作为最优化求解的目标,从而使得最终得到的流量分配结果可以更符合目标对象最大收益的要求,即,在满足约束条件的情况下,最大限度地提高目标对象的目标对象的曝光率,以提高目标对象的收益。
约束条件为分配至当前目标场景的流量目标不能超出该目标对象在该场景中所能获得的流量上限,且每个场景的损失都在该场景所允许的范围内。例如,分配服务器101可以形成如下的线性规划问题,即,在满足s.t.(约束条件)的情况下,求解使得最大时的yi,j,作为流量分配结果:
其中,yi,j表示目标对象i分配在场景j的目标流量,ΔGi,j表示目标对象i在场景j每单位流量的额外收益,可以通过对数据实时进行统计得到,ΔLi,j表示目标对象i在场景j下每单位流量带来的损失,也可以通过对数据实时进行统计对比得到,表示场景j所能承载的损失上限,表示目标对象i的流量目标,Ii,j表示目标对象i在场景j中所能获得的流量上限。
通过上述线性规划问题的实现,可以在保证达到各个目标对象所请求的目标流量,且各个目标对象也不会长期占用目标场景,且保证每个目标场景的流量损失都可以达到自身能承受的范围的情况下,保证目标对象的收益最大化,从而达到了在达到为目标对象所请求的曝光率的情况下,可以保证每个目标场景可以稳定运行,且目标对象可以获得最大的收益,以便提高整个平台的收益。
对于上述收益而言,不同类型的目标对象可以对应着不同的收益的含义,例如:当目标对象为商品时,收益可以指代商品被点击后的购买转换率,当目标对象为名片,收益可以指代名片被点击后的关注转换率,当目标对象为新闻链接时,收益可以指代新闻链接被点击后的转发转换率。以上所列举的目标对象仅是一种示意性描述,还可以适应于其它类型的目标对象和对应的收益。
在另一实施方式中,考虑到上述maximize的计算方式中,并没有限定流量投放的上限,这样求解的结果会在损失范围内尽可能多地投放,对损失及流量的估计误差容忍空间比较小,不利于真实环境的应用。在实际投放时,为了避免为目标对象请求的流量的过多而加重整体平台损失,可以基于流量超出与流量分布的倾斜情况引入惩罚项,且可以设置不同的目标对象的保障级别,具体地,可以通过加入权重参数Ri的方式,从而可以形成如下的规划问题:
其中,Dj表示按照场景流量占比期望分布下的总体流量,αi,βj表示惩罚项的调节参数,yi,j表示目标对象i分配在场景j的目标流量,ΔGi,j表示目标对象i在场景j每单位流量的额外收益,可以通过对数据实时进行统计得到,ΔLi,j表示目标对象i在场景j下每单位流量带来的损失,也可以通过对数据实时进行统计对比得到,表示场景j所能承载的损失上限,表示目标对象i的流量目标,Ii,j表示目标对象i在场景j中所能获得的流量上限。
通过上述线性规划问题的实现,增加了惩罚项,使得可以根据目标对象等级的不同分配不同的权重系数,从而使得整个平台可以对于不同等级的目标对象实现不同的保证级别,以便提高平台的灵活性和稳定性。
针对上述的优化目标,考虑到计算最小值比计算最大值的方便一些,因此,为了便于求解,可以转换为如下的线性规划形式:
si≥0
tj≥0
其中,将maximize调整为minimize,并通过引入额外的自变量si,tj,将绝对值惩罚项变换为不等式约束,从而可以形成标准的线性规划形式,αi,βj表示惩罚项的调节参数,yi,j表示目标对象i分配在场景j的目标流量,ΔGi,j表示目标对象i在场景j每单位流量的额外收益,可以通过对数据实时进行统计得到,ΔLi,j表示目标对象i在场景j下每单位流量带来的损失,也可以通过对数据实时进行统计对比得到,表示场景j所能承载的损失上限,表示目标对象i的流量目标,Ii,j表示目标对象i在场景j中所能获得的流量上限。
在具体变形成为标准形时,可以定义基本的解向量为:
x=[y11 y12...yM1...yMN s1...sM t1...tN]T
其中,M表示卖家数据,N表示场景数目。
在本实施方式中,推送服务器可以为一个具有运算和网络交互功能的电子设备;也可以为运行于该电子设备中,为数据处理和网络交互提供支持的软体。
在本实施方式中,推送服务器并不具体限定服务器的数量。推送服务器可以为一个服务器,还可以为几个服务器,或者,若干服务器形成的服务器集群。
在本实施方式中,推送服务器可以为电子商务网站平台的业务服务器。如此,推送服务器可以直接通过网络与客户端进行通信。
在一个实施方式中,所述推送服务器102可以用于从分配服务器101获取计算得到的分配结果,然后根据所述分配结果对目标对象进行推送。
在一个实施方式中,所述推送服务器102还可以实时检测目标对象是否已经达到所请求的流量值,如果确定达到了,则可以停止对该目标对象进行推送。如图4所示,所述推送服务器可以将N个目标对象推送至M个目标场景中,以使得N个目标对象都可以达到请求的目标流量值。
在一个实施方式中,所述推送服务器102进行推送后,推送的目标对象即可在目标场景中进行展示,用户通过客户端便可以实现对目标对象的访问,一次访问可以记为一个流量值,100个访问就是一百个流量值,通过对访问记录的统计即实现对流量的统计,以确定是否达到目标对象请求的目标流量。在推送后记录的时候,可以分别记录每个场景中目标对象的访问量,以确定在某个场景中的流量是否达到分配至该场景的流量值。
在一个实施方式中,分配服务器101还可以对大量的输入数据进行异常检测,以便剔除其中不合理的数据,对剔除异常数据后的数据再进行目标流量的分配。
在一个实施方式中,分配服务器101还可以获取目标对象的流量获取能力,以确定当前的目标对象是否具备获取流量的能力,以及获取流量的能力的强弱。
下面结合一个具体场景和实施例对上述系统进行说明,然而值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
为了使得更好地理解本申请,下面先对下例中出现的一些术语解释如下:
1)用户流量:在互联网Web环境中,访问网站的用户的数量体现平台的价值。一般情况下,用户量越大,则表示这个平台可能产生的网络访问流量越多,相应的平台也就有着更大的价值。
2)个性化推荐:通过分析每个用户行为数据,生成针对该用户的展示内容,以便提高流量效率。
3)推荐场景:在对用户进行产品推荐的时候,可以在多个场景中对同一产品或者目标对象进行推荐,例如:有一个目标商品需要推荐用户购买,那么可以在:偏好推荐的场景推荐,也可以在基于购买记录推荐的场景推荐。
4)最优化:是应用数学的一个分支,主要是研究一类形式的问题:给定一个函数,寻找一个元素在满足约束条件的情况下,使得函数结果取得最小值或最大值。其中,约束条件在最优化求解中,就是在约束条件的范围内寻找最小化或最大化的解,也称为“约束优化”。
5)自动控制:可以指代在不需要人直接参与的情况下,控制被控对象,使之达到预定状态或所要求的性能。
为了在用户流量调控的过程中,最优化完成商家的确定性流量目标,保障推荐场景的损失以及整体平台的效率,在本申请实施例中,通过多场景用户流量调控来协调多个个性化推荐场景的流量差异,以调动各个推荐场景来完成每个商家的总体流量目标,并将损失限制在预期的范围内。通过统一规划,使得多场景间的流量联动成为可能,以统筹推荐至各个目标场景的整体流量,减少各个目标场景的损失。通过平台级的流量规划与调控,可以有效降低重复建设成本,提升整体平台效益。
例如:可以通过输入每个商家总体的流量目标,输出最优化后的各个推荐子场景的流量目标。如图5所示,提供了一种目标流量分配装置可以包括:最优流量分配模块、自适应流量调控模块、流量测算模块与流量预估修正模块。
通过该目标流量分配装置从所有的目标场景的角度考虑,在各个场景不同的容量及损失范围内,调控各个推荐场景(例如:如偏好推荐、基于购买记录推荐等)的流量投放,进一步的,自适应流量调控模块可以基于最优流量分配后的目标流量,收集在线流量的反馈数据,自适应地调节控制参数,最终完成各个卖家的流量投放目标。
以购物平台上,2个目标场景2个卖家的例子来进行说明,假设目标场景分别为场景A和场景B,卖家分别为卖家1和卖家2。
各卖家的流量目标为:
整体流量目标 | |
卖家1 | 160 |
卖家2 | 90 |
各场景约定为5%的整体损失,因此通过计算后,可以得出场景A和场景B的损失上界:
场景损失上限 | |
场景A | 80 |
场景B | 100 |
假设单位收益、流量上限和单位损失为:
单位收益 | 场景A | 场景B |
卖家1 | 1.0 | 1.0 |
卖家2 | 2.0 | 2.0 |
流量上限 | 场景A | 场景B |
卖家1 | 110 | 90 |
卖家2 | 90 | 70 |
单位损失 | 场景A | 场景B |
卖家1 | 0.4 | 0.4 |
卖家2 | 0.5 | 0.5 |
由以上数据可以看出,卖家1相较于卖家2有更多的流量需求,而场景A相较于场景B的损失空间更少,即流量更少。卖家2的收益相较于卖家1更高,因而损失也会越高。在这样的需求目标与场景损失约束下,通过上述收益最大化的流量规划算法,可以得出最优的流量分配策略:
场景A | 场景B | |
卖家1 | 92(92.46) | 68(67.54) |
卖家2 | 58(57.54) | 32(32.46) |
进一步的,括号内为实际的求解结果。考虑到在真实的环境中,可以将求解结果整理为整数。从最终求解的结果可以看出,在达成商家流量目标和满足场景损失的范围内,系统可以根据收益最大化的原理计算得出最优的流量分配结果。
根据本公开的另一种替换性实现方式,下面结合一个具体场景对目标对象推送系统进行说明,然而值得注意的是,该具体实施例仅是为了更好地说明本公开的思想,并不构成对本申请的限定。以下所描述的实施例可以与上文的描述进行结合理解和/或替换性理解,并不对上文的描述产生限制性,也不应当被理解为对于上文的描述给出补充。
考虑到如何对平台上的活动商家的销售能力和用户购买需求进行预估,结合多目标的中央控制算法进行多目标场景的调控,以最大化平台的整体效率和转化率,从而给予活动商家稳定的支撑,同时满足用户的多目标场景的购物体验,从而构建平台、用户和商家共赢的生态结构。即,在个性化的用户体验最优、效率最优的大背景下,设定为目标对象请求的流量目标的约束条件,实现跨场景的综合调优。
对于购物、新闻等平台而言,平台有大量的触达用户场景,例如:搜索、推荐、PUSH、头条和直播等。这些场景相对独立,在算法目标上,每个场景都分别在优化自己的流量,以保持着各自效率的最大化、展现内容的多样性。在这些场景构成的整体平台之上,可以设置一个对全平台进行统一规划的系统做全局的最优。然而,在全站个性化的大背景下,个性化把每个目标场景的流量切得更细,如何提前预估个性化后能触达的用户数量,这个问题的难度就更加明显。
在本例中,构建一个各目标场景确定性管理平台,将各种场景的资源进行整合,并提供对触达用户进行提前预估和宏观调控的能力,最终在实现商家的请求的基础上,最大化平台的整体效率,达到通道联动、需求可预测、算法精准调控和分配的效果。
作为一个全平台的确定性调控项目,首先,用户来源于多个场景,包括搜索,推荐,PUSH等,跨场景的联合调控将多个目标场景整合到一起进行统一调控,这对控制系统和场景本身而言都很困难,其次,商家和用户本身存在不确定性,例如:行业的销售目标,商家的营销策略等,都给统一调控带来了诸多限制,如何实现稳定的调控,实现起来较为困难。
如图6所示,为该全平台确定性管理平台的整体架构示意图,主要是如何调配和优化全平台的流量,以及个性化推荐目标场景中控如何优化平台中各个目标场景的流量分配和利用自反馈控制系统执行流量调控。如图6所示,包括用于向用户提供展示界面的前台、提供多个目标场景的平台,进行离线销量预测和在线流量调控的中央控制系统,进行商家审核、数据监控等的后台,以及用于存储日志文件等的存储模块,和在线实时计算模块。
对于中控系统而言,中控(即,中央控制,也可以称为集中控制)目标是在全平台流量利用效率最大化基础上满足既定商家的确定性,可以包括两个核心模块:离线销量预测模块和在线流量调控模块。
其中,销量预测模块可以结合行业和商家的输入信息,对商家的目标进行评估,并能够提前预警风险,辅助进行决策。在线流量调控模块可以将整合的流量进行流量重分配,根据商家的目标、商家的流量效率、当前的完成进度以及每个目标场景的容量等信息,进行流量的合理分配和调控,从而最大化流量使用效率,并一定程度上满足商家的确定性需求。
在电商平台中,销量预测一直是技术上的难点。销量预测对于商家(平台)的备货,营销策略的开展都有很强的指导意义。在本例中,销量预测的作用是将准确的意见返回至中控系统。中控系统根据销量预测的结果,并结合当前行业内的流量分配情况进行重新优化。
在构建销量模型时,可以应用提升树模型(Boosting Tree Model)和深度学习模型,其中,提升树模型稳定性较好,适合在各类工业场景中应用,深度学习模型通过复杂的神经网络,可以提高预测的精度。在本例中,分别构建了提升树模型和深度学习模型,然后再对两个模型的结构进行融合处理。其中,提升树模型是一组回归树(Regression Tree)的线性加和,公式可以表示为:
其中,fM(x)表示第M个模型的预测结果,T表示一棵树模型,M表示树的棵数,x表示数据的特征向量,Θm表示第m棵数的模型参数,表示求取使得后面最小化时的Θm,i表示第i棵树(模型),L表示损失函数。每个T(x;Θm)是一个树模型,而整个模型是一系列树模型的加和。同时,在本例中,提升树模型不使用普通的均方差作为模型的损失函数,而是对损失函数进行了修改,修改的原则即根据泊松回归的原理,设计了针对于销量预测的标准化泊松损失函数。
在深度学习模型中,可以采用自编码器(Autoencoder)进行模型参数初始化,在其基础上构建深度的回归模型网络,其过程可表示如图7所示。在自编码过程中,通过无监督学习,将输入特征经过若干层网络的调整之后,再将调整后的特征经过对称的网络结构进行复原,并使得重构的损失最小,得到的网络配置作为整个监督回归模型的初始化状态,能在最终的销量预测中得到很好的效果,在图7中,FC表示full connected layer,即,全连通或全连接。
上述的在线流量分配其核心是根据商家的自然流量和目标流量进行多场景流量的重新分配,需要考虑不同场景下的行业流量容量,商家在不同场景的流量效率。在线流量分配是个多任务优化问题,在流量分配的过程中,算法希望能够最大化全场景的流量利用效率,同时满足部分商家的确定性流量需求。
在线流量分配过程中,可以根据目前的商家需求完成进度、全天的进度控制以及分场景的流量效率和当前状态下预测销量,进行目标的实时调整。
根据调整后的分小时目标,整体分配流量方案可以形式化为如下的最优化问题求解:
where[z]+isthe hingeloss
S(i,k)={Sj,k|i∈Nj}
and
其中,i表示商家,k表示场景,j表示行业,γ、η、λ和σ表示超参数,用于控制每一项的权重,c表示IPV价值,S(i,k)表示场景k对于商家i所在行业能提供的整体流量上限,pi,k表示商家i在场景k的自然流量分布,xi,k为求解目标,表示场景k中第i个商家分配的流量在行业内的占比,和分别是商家i在场景k内的调控流量上限和自然流量。wi表示第i个商家重要性参数,Oi表示第i个商家的需求,uk表示表示场景k的行业容量系数,vk表示场景k的商家容量系数,z表示某一损失函数,Nj表示第j个行业的商家集合。求解该优化问题的方法可以利用拉格朗日变换,并通过DR-splitting的方法使优化问题变成两个convex子问题,最后求得优化问题的解。
在实现在线流量分配的过程中,一个重要的输入参数便是在线IPV(商品详情页的浏览次数)价值。在电子商务网站中,一般会将商品进行分类,了解每一类商品的受关注度的高低,即,用户的点击量高低,从而有助于网站更好地把握顾客的需求,并做好相应的优化和资源配置。其中,IPV就表示商品类目的关注度,通过商品详情页的浏览次数度量。一般来说,IPV的价值便是利用引导成交金额除以IPV数量,代表单位流量带来的价值。但是,直接利用以上方法进行估计,得到的IPV价值结果极其不平稳,方差较大。为了对其进行改进,可以采用移动平均(moving average)的方法,即:
IPVi=(IPV{i-1}+IPV{i-2}+…IPV{i-N})/N
其中,i表示第i个时间段,N表示时间段的数目。
然后,直接使用移动平均方法,结果仍旧是不够平缓的。为此,可以采用更加稳健的median of means估计方法。Median of means计算IPV价值的内容是分时计算IPV的价值,然后在一个时间段内取mean,最后在一个整时间段内取median。用median of means的得到的结果更加平缓,在线预估的效果也更加稳健。
总中控在全局规划各场景的流量时,可以是将个性化推荐作为一个整体来考虑的。指标下达后,推荐场景可以依据目标执行调控。但是,个性化推荐二级场景众多,各场景容量及引导效率相差很大,尤其是为目标对象所请求的流量的介入对于整体个性化效果的影响也不一致。因此,对推荐各个二级场景无差别地进行流量调控显然是不合理的,而是需要根据场景本身的特性差异来进行调节。
具体地,中控系统中用于进行目标对象推荐的推荐中控(即,进行推荐的控制中心),可以协调多个推荐场景的流量差异,调动各个推荐场景来完成每个商家的总体流量目标,并将损失限制在预期的范围内。推荐中控的统一规划,使得多场景间的流量联动成为可能,统筹推荐场景的整体流量,减少各个场景的损失。另外,通过平台级的流量规划与调控,有助于降低重复建设成本,提升整体平台效益。
推荐中控可以如图8所示,输入是总的控制中心下发的每个商家总体流量目标,输出是各个推荐场景的流量投放控制参数。该推荐中控可以分为两个模块:最优流量分配模块与自适应流量调控模块,同时还可以包括:推荐场景的流量测算模块与流量预估修正模量等功能模块。
推荐场景最优流量分配的目标可以是在考虑推荐各场景业务特点的前提下,完成商家的确定性流量需求,同时控制各个场景的损失,最优化平台整体的收益与用户的个性化体验。因此,可以将其作为一个基本的线性规划问题来求解。
标准的线性规划形式可以表示为:
minimize cTx
s.t.Gx≤h
Ax=b
一般在求解线性规划问题时,会先将原始问题的描述表达为标准形式,再通过具体的求解算法来完成求解,对应的算法有很多,例如:单纯形、修正单纯形、内点法等,在很多科学计算套件中都有这种线性规划问题,例如:matlab、scipy、cvxopt,针对Java语言的有:Apache Commons Math、JOptimizer等。
在本例中,规划优化以流量分配yi,j作为求解目标,表示商家i在场景j所分配的目标流量,因此整个规划问题可描述为在流量确定性保证与损失上界的约束下,求解达到商家最大收益时的场景流量分配。因此,可以形成基本的线性规划问题如下:
其中:
ΔGi,j表示商家i在场景j每单位流量的额外收益,可以是对基准桶与测试桶的数据实时统计得出的;
ΔLi,j表示商家i在场景j每单位流量带来的损失,也可以是通过基准桶与测试桶的实时对比得出的;
Ii,j表示商家i在场景j中所能获得的流量上限,这些数据输入可以是通过实时数据统计后计算得出的。
在上述目标中,并不限定流量投放的上限,这样求解的结果会在损失范围内尽可能多地投放,对损失及流量的估计误差容忍空间很小,不利于真实环境的应用。在实际投放时,为避免为目标对象所请求的流量过多会加重整体平台的损失,进一步,可以对流量超出与流量分布的倾斜情况引入惩罚项。与此同时,为了区分不同的商家流量保障级别,可以加入权重参数Ri,从而形成规划问题如下:
其中:
Dj表示按照场景流量占比期望分布下的总体流量,αi,βj表示惩罚项的调节参数。
针对上述的优化目标,为了便于求解,可以将问题表述为如下的线性规划形式:
si≥0
tj≥0
其中,变maximize为minimize,并通过引入额外的自变量si,tj,将绝对值惩罚项变换为不等式约束,从而可以形成标准的线性规划形式最终求解得出。
在实际的生产环境应用中,为了求解的质量还可以做一些前期处理工作,例如:大量输入数据的异常检测,衡量各个商家在各目标场景中获取流量的能力等等。在具体求解时,所选取的优化求解算法最终对解的质量也有一定的影响。同时,还可以保留一定的外部参数,以应对不同的业务需求场景,也是在实际项目过程中的有效经验。
在求解完各目标场景的流量分配后,就需要联动各场景,依据目标具体执行流量调控。可以通过PID(比例-积分-微分)控制系统对流量分类方案实时进行调整,该PID控制系统是将目标值r(t)与实际输出值c(t)的偏差的比例(P)、积分(I)、微分(D)通过线性组合构成控制量,对控制对象进行控制。相应的微分方程可以表示为:
其中,P表示比例调节,即成比例地反应控制系统的偏差信号,偏差一旦产生,调节器立即产生控制作用以减小偏差,I表示积分控制,主要用于消除稳态误差,提高系统的无差度,D表示微分调节,该过程是针对偏差信号的变化趋势(变化速率)进行调节,在偏差信号的值变得太大之前,在系统中引入一个有效的早期的修正信号,从而加快系统的动作速度,从而减小调节时间。
同PID调控过程相类似,在本例中,如图9所示,调控过程是根据设定的卖家目标和真实实际完成值之间的偏差,在各个场景执行调控,最终使得真实完成值同设定的卖家目标逐步接近。
基于上述PID控制思想,对推荐各场景的商家流量按目标进行调控。商家的目标按小时进行获取,具体调控动作按分钟进行,具体的调控周期可以设定为例如:5分钟。在每次调控时,可以用dt-1表示上次设定的商家目标,同时,从反馈系统实时地获取上个5分钟商家已经完成的目标ct-1,假定上一次调控系数(控制量)是wt-1,那么下个5分钟的调控系数wt可以形式化表达为:
wt=f(wt-1,ct-1,dt-1)
其中,并没有考虑下个5分钟的目标dt,这是因为假定在目标确定的情况下,随着调控的进行,wt是会逐渐收敛的。因此,当将目标按照流量曲线“均匀”得分解到了每个5分钟的时间之后,只需要根据上个5分钟的调控情况更新wt即可。
上述调控方式类似于PID调控方式中的P调节,可能会产生稳态误差的问题,因此还会考虑误差累积的问题,在实际应用过程中,可以将这个累积误差叠加到为商家设定的目标上的,从而dt-1更改为PID控制器是一个线性控制器,但是控制量wt同偏差之间并不存在线性的关系,因而实际的调控过程会复杂很多。但是wt的更新公式,需要满足:a)能够收敛,即偏差会逐步趋向0;b)wt的调整同完成率(r=ct/dt)有如下的关系:完成率较低时,wt需要加权的更多;完成率接近100%时,保持wt不变;完成率过高(超过100%)时,减小wt。在本例中,给出两个符合条件的更新公式:
和
其中后一个更新公式相对于前一个更新公式而言,收敛速度更快,但是波动可能也会更严重。因此在实际使用时,还需要考虑是希望更加稳定还是希望收敛速度更快。此外,上述所列举的是以5分钟的时间窗口进行调节,但是在实际实现的时候,还可以采用更长的时间窗口,例如:一个小时等等。涉及较长的时间窗口可以是在一些特殊的情况下,例如:ct-1或者dt-1为0。
本申请中各个实施例所涉及的上述描述仅是本申请中的一些实施例中的应用,在某些标准、模型、方法的基础上略加修改后的实施方式也可以实行上述本申请各实施例的方案。当然,在符合本申请上述各实施例的中所述的处理方法步骤的其他无创造性的变形,仍然可以实现相同的申请,在此不再赘述。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然,也可以将实现某功能的模块由多个子模块或子单元组合实现。
本申请中所述的方法、装置或模块可以以计算机可读程序代码方式实现控制器按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或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。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (18)
1.一种目标对象推送系统,其特征在于,所述系统包括:
分配服务器,用于获取为目标对象所请求的目标流量,并在预设的约束条件下,确定所述目标流量在各目标场景中的流量分配方案,其中,所述约束条件包括以下至少之一:目标对象在各个目标场景中分配的流量小于等于在该目标场景为所述目标对象设置的流量上限、各个目标场景的流量损失小于等于为该目标场景预设的损失上限和所述目标对象在所述目标场景中分配的流量之和大于等于所述目标流量;
推送服务器,与所述分配服务器耦合,用于从所述分配服务器获取分配结果,并根据所述流量分配方案,在所述各目标场景中推送所述目标对象。
2.根据权利要求1所述的推送系统,其特征在于,所述分配服务器还用于在所述推送服务器根据所述流量分配方案,在所述各目标场景中推送所述目标对象时,根据实时获取的反馈结果,调整所述流量分配方案;
相应地,所述推送服务器用于根据调整后的流量分配方案,在所述各目标场景中推送所述目标对象。
3.根据权利要求2所述的推送系统,其特征在于,所述分配服务器具体还用于在所述推送服务器根据所述流量分配方案,在所述各目标场景中推送所述目标对象时,按照预设的时间间隔,根据实时获取的反馈结果,调整所述流量分配方案。
4.根据权利要求1所述的推送系统,其特征在于,所述目标对象包括多个目标对象。
5.根据权利要求4所述的推送系统,其特征在于,所述分配服务器具体用于为所述多个目标对象中各个目标对象分配权重系数,并以各目标场景允许的流量损失上界作为约束,根据各个目标对象的权重系数,确定所述各个目标对象所请求的目标流量在所述各目标场景中的流量分配方案。
6.根据权利要求1所述的推送系统,其特征在于,所述在该目标场景为所述目标对象设置的流量上限,是根据所述目标对象在该目标场景所能获取的流量上限确定的。
7.根据权利要求1所述的推送系统,其特征在于,所述分配服务器具体用于获取为目标对象所请求的目标流量,并在预设的约束条件下,通过最优化求解,确定所述目标流量在所述各目标场景中的流量分配方案。
8.根据权利要求7所述的推送系统,其特征在于,所述最优化求解所给定的线性化求解目标包括:平台总的流量损失最小,和/或,目标对象的收益最大。
9.根据权利要求1至8中任一项所述的推送系统,其特征在于,所述推送服务器还用于检测所述目标对象通过所述各个目标场景的推送所产生的流量是否达到为该目标场景分配的流量,并在确定达到的情况下,停止在该目标场景中推送所述目标对象。
10.一种目标对象推送方法,其特征在于,包括:
获取为目标对象所请求的目标流量,并在预设的约束条件下,确定所述目标流量在各目标场景中的流量分配方案,其中,所述约束条件包括以下至少之一:目标对象在各个目标场景中分配的流量小于等于在该目标场景为所述目标对象设置的流量上限、各个目标场景的流量损失小于等于为该目标场景预设的损失上限和所述目标对象在所述目标场景中分配的流量之和大于等于所述目标流量;
根据所述流量分配方案,在所述各目标场景中推送所述目标对象。
11.根据权利要求10所述的方法,其特征在于,在根据所述流量分配方案,在所述各目标场景中推送所述目标对象的过程中,还包括:
根据实时获取的反馈结果,调整所述流量分配方案;
相应地,根据所述流量分配方案,在所述各目标场景中推送所述目标对象,包括:
根据调整后的流量分配方案,在所述各目标场景中推送所述目标对象。
12.根据权利要求11所述的方法,其特征在于,根据实时获取的反馈结果,调整所述流量分配方案,包括:
按照预设的时间间隔,根据实时获取的反馈结果,调整所述流量分配方案。
13.根据权利要求10所述的方法,其特征在于,所述目标对象包括多个目标对象。
14.根据权利要求13所述的方法,其特征在于,在预设的约束条件下,确定所述目标流量在所述各目标场景中的流量分配方案,包括:
为所述多个目标对象中各个目标对象分配权重系数;
以各目标场景允许的流量损失上界作为约束,根据各个目标对象的权重系数,确定所述各个目标对象所请求的目标流量在所述各目标场景中的流量分配方案。
15.根据权利要求10所述的方法,其特征在于,所述在该目标场景为所述目标对象设置的流量上限,是根据所述目标对象在该目标场景所能获取的流量上限确定的。
16.根据权利要求10所述的方法,其特征在于,获取为目标对象所请求的目标流量,并在预设的约束条件下,确定所述目标流量在所述各目标场景中的流量分配方案,包括:
获取为目标对象所请求的目标流量,并在预设的约束条件下,通过最优化求解,确定所述目标流量在所述各目标场景中的流量分配方案。
17.根据权利要求16所述的方法,其特征在于,所述最优化求解所给定的线性化求解目标包括:平台总的流量损失最小,和/或,目标对象的收益最大。
18.根据权利要求10至17中任一项所述的方法,其特征在于,在根据所述流量分配方案,在所述各目标场景中推送所述目标对象之后,所述方法还包括:
检测所述目标对象通过所述各个目标场景的推送所产生的流量是否达到为该目标场景分配的流量,并在确定达到的情况下,停止在该目标场景中推送所述目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109283.9A CN108156204B (zh) | 2016-12-06 | 2016-12-06 | 一种目标对象推送系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611109283.9A CN108156204B (zh) | 2016-12-06 | 2016-12-06 | 一种目标对象推送系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108156204A CN108156204A (zh) | 2018-06-12 |
CN108156204B true CN108156204B (zh) | 2021-03-12 |
Family
ID=62467682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611109283.9A Active CN108156204B (zh) | 2016-12-06 | 2016-12-06 | 一种目标对象推送系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108156204B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949125A (zh) * | 2019-03-01 | 2019-06-28 | 泉州市优拓信息技术有限公司 | 一种线上商城多个商家商品销售信息整合方法和系统 |
CN111724176A (zh) * | 2019-03-18 | 2020-09-29 | 北京沃东天骏信息技术有限公司 | 店铺流量调节方法、装置、设备及计算机可读存储介质 |
CN109949089B (zh) * | 2019-03-18 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 一种确定展示率的方法、装置及终端 |
CN109936860B (zh) * | 2019-04-24 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 网络信息流量分配方法、流量分配模型训练方法及装置 |
CN110415123A (zh) * | 2019-06-06 | 2019-11-05 | 财付通支付科技有限公司 | 金融产品推荐方法、装置和设备及计算机存储介质 |
CN113572802B (zh) * | 2021-01-18 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 对象流量的控制方法、装置及介质 |
CN113240487A (zh) * | 2021-05-11 | 2021-08-10 | 北京沃东天骏信息技术有限公司 | 流量调控方法和装置 |
CN114786025B (zh) * | 2022-04-01 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 直播数据处理方法、装置、计算机设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030037703A (ko) * | 2001-11-05 | 2003-05-16 | 윤정갑 | 광고 표시 관리 시스템 |
CN104299151A (zh) * | 2014-09-28 | 2015-01-21 | 新浪网技术(中国)有限公司 | 网络广告流量分配系统和方法 |
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 |
CN106097045A (zh) * | 2016-06-02 | 2016-11-09 | 合网络技术(北京)有限公司 | 多媒体资源推送方法及装置 |
-
2016
- 2016-12-06 CN CN201611109283.9A patent/CN108156204B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030037703A (ko) * | 2001-11-05 | 2003-05-16 | 윤정갑 | 광고 표시 관리 시스템 |
CN104299151A (zh) * | 2014-09-28 | 2015-01-21 | 新浪网技术(中国)有限公司 | 网络广告流量分配系统和方法 |
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 |
CN106097045A (zh) * | 2016-06-02 | 2016-11-09 | 合网络技术(北京)有限公司 | 多媒体资源推送方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108156204A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108156204B (zh) | 一种目标对象推送系统和方法 | |
US9076156B2 (en) | Real-time adaptive binning through partition modification | |
CN109829116B (zh) | 一种内容推荐方法、装置、服务器及计算机可读存储介质 | |
Gharehchopogh et al. | A linear regression approach to prediction of stock market trading volume: a case study | |
KR102404511B1 (ko) | 인공지능 기반 사용자 맞춤형 상품 정보 추천 방법, 장치 및 시스템 | |
JP2017515184A (ja) | 一時的な取引制限の決定 | |
CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
WO2013071414A1 (en) | System, method and computer program for forecasting energy price | |
CN108921702A (zh) | 基于大数据的园区招商方法及装置 | |
Zhang et al. | LA-LMRBF: Online and long-term web service QoS forecasting | |
Zhang et al. | A dynamic trust based two-layer neighbor selection scheme towards online recommender systems | |
AU2020234710A1 (en) | Predictive RFM segmentation | |
US20220383324A1 (en) | Dynamic autoscaling of server resources using intelligent demand analytic systems | |
US11381635B2 (en) | Method of operating a server apparatus for delivering website content, server apparatus and device in communication with server apparatus | |
Choi et al. | Quality evaluation and best service choice for cloud computing based on user preference and weights of attributes using the analytic network process | |
Smithamol et al. | TMM: trust management middleware for cloud service selection by prioritization | |
CN112418258A (zh) | 一种特征离散化方法和装置 | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
Chen et al. | An incremental learning and integer-nonlinear programming approach to mining users’ unknown preferences for ubiquitous hotel recommendation | |
CN112288484A (zh) | 商品自动定价方法、装置、电子设备和存储介质 | |
Ran et al. | Cloud service selection based on QoS-aware logistics | |
KR102372432B1 (ko) | 클릭 및 노출 정보를 활용한 추천 콘텐츠 제공 방법, 장치 및 시스템 | |
Corredera et al. | Prescriptive selection of machine learning hyperparameters with applications in power markets: Retailer’s optimal trading | |
He | Study of economic management forecast and optimized resource allocation based on cloud computing and neural network | |
CN113781134A (zh) | 物品推荐方法、装置及计算机可读存储介质 |
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 |