CN108229989B - 一种确定用户属性的属性类别的方法及装置 - Google Patents
一种确定用户属性的属性类别的方法及装置 Download PDFInfo
- Publication number
- CN108229989B CN108229989B CN201611154970.2A CN201611154970A CN108229989B CN 108229989 B CN108229989 B CN 108229989B CN 201611154970 A CN201611154970 A CN 201611154970A CN 108229989 B CN108229989 B CN 108229989B
- Authority
- CN
- China
- Prior art keywords
- attribute
- user
- category
- target
- probability
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0256—User search
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例提供的一种确定用户属性的属性类别的方法及装置,获取目标用户的广告曝光记录;获取预设的类别结构;根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。根据目标用户真实的广告曝光记录,以及对真实数据进行统计得到的预设的类别结构,确定目标用户的用户属性是目标属性类别的概率,进而实现确定所述目标用户的用户属性的属性类别,不依赖于用户注册所填写的基本信息,从而实现用户的基本信息未知的情况下,也能够确定用户属性的属性类别。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种确定用户属性的属性类别的方法及装置。
背景技术
随着互联网技术的发展,为了提高互联网广告的投放效果,需要分析该互联网广告所针对的目标用户的用户属性所属的属性类别,用户属性是标识用户的参数,而属性类别则是标识用户属性的参数。例如,女士香水广告,主要针对的目标用户的性别是女性,用户属性是性别,属性类别是女性;互联网游戏,主要针对的目标用户的年龄是15至25岁,用户属性是年龄,属性类别是15至25岁,等等。
目前,主要是依据该用户在注册时所填写的基本信息,来确定用户属性的属性类别,但是,大部分情况下,由于用户未注册等其他原因,无法获知用户的基本信息,也就无法确定用户属性的属性类别。
发明内容
本发明解决的技术问题在于提供一种确定用户属性的属性类别的方法及装置,从而能够实现在用户的基本信息未知情况下,也能确定用户属性的属性类别。
为此,本发明解决技术问题的技术方案是:
一种确定用户属性的属性类别的方法,所述方法包括:
获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;
获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;
根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
可选的,
所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
可选的,所述方法还包括:
对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据进行归一化,获得第一广告曝光记录;
则所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述第一广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
可选的,所述方法还包括:
对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据取自然对数,获得第二广告曝光记录;
则所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述第二广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
可选的,所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述广告曝光记录与所述预设的类别结构,采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率。
可选的,所述采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率包括:
采用下述公式计算所述目标用户的所述用户属性是目标属性类别的概率:
其中,P(Ci|w1:k1,w2:k2,w3:k3,…,wn:kn,…wN:kN)是用户属性是目标属性类别的概率,Ci是目标属性类别,表示所述预设的属性类别中的第i个属性类别;w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是广告曝光记录,wn:f(kn)是广告曝光记录中第n个条件参数的记录,wn是第n个条件参数的标识,f(kn)是wn对应的曝光数据,P(Ci)是用户中Ci的概率,P(Cj)是Cj的概率,P(Cj|wn)是wn条件下Cj的概率,P(Ci|wn)是是wn条件下Ci的概率,N是条件参数的个数,n是不大于N的正整数,M是预设的属性类别的个数,j是所述预设的属性类别中非第i个属性类别的属性类别。
可选的,所述方法还包括:
获取用户总数;
根据所述用户总数,以及所述目标用户的所述用户属性是目标属性类别的概率,获得所述用户属性是所述目标属性类别的用户个数。
一种确定用户属性的属性类别的装置,所述装置包括:
第一获取单元,用于获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;
第二获取单元,用于获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;
确定单元,用于根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
可选的,
所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
可选的,所述装置还包括:
归一化单元,用于对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据进行归一化,获得第一广告曝光记录;
则所述确定单元,用于根据所述第一广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
可选的,所述装置还包括:
对数单元,用于对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据取自然对数,获得第二广告曝光记录;
则所述确定单元,用于根据所述第二广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
可选的,
所述确定单元,用于根据所述广告曝光记录与所述预设的类别结构,采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率。
可选的,
所述确定单元,用于采用下述公式计算所述目标用户的所述用户属性是目标属性类别的概率:
其中,P(Ci|w1:k1,w2:k2,w3:k3,…,wn:kn,…wN:kN)是用户属性是目标属性类别的概率,Ci是目标属性类别,表示所述预设的属性类别中的第i个属性类别;w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是广告曝光记录,wn:f(kn)是广告曝光记录中第n个条件参数的记录,wn是第n个条件参数的标识,f(kn)是wn对应的曝光数据,P(Ci)是用户中Ci的概率,P(Cj)是Cj的概率,P(Cj|wn)是wn条件下Cj的概率,P(Ci|wn)是是wn条件下Ci的概率,N是条件参数的个数,n是不大于N的正整数,M是预设的属性类别的个数,j是所述预设的属性类别中非第i个属性类别的属性类别。
可选的,所述装置还包括:
第三获取单元,用于获取用户总数;
获取单元,用于根据所述用户总数,以及所述目标用户的所述用户属性是目标属性类别的概率,获得所述用户属性是所述目标属性类别的用户个数。通过上述技术方案可知,本发明有如下有益效果:
本发明实施例提供的一种确定用户属性的属性类别的方法及装置,获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;获取预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。根据目标用户真实的广告曝光记录,以及对真实数据进行统计得到的预设的类别结构,确定目标用户的用户属性是目标属性类别的概率,进而实现确定所述目标用户的用户属性的属性类别,不依赖于用户注册所填写的基本信息,从而实现用户的基本信息未知的情况下,也能够确定用户属性的属性类别。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的一种确定用户属性的属性类别的方法流程图;
图2示出了本发明实施例提供的一种确定用户属性的属性类别的装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1为本发明实施例提供的一种确定用户属性的属性类别的方法流程图,包括:
101:获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数。
互联网的各个媒体都拥有大量的用户,采用用户标识(ID,identification)唯一识别一个用户。并且,本发明实施例中,以在各个媒体中,同一个用户的用户标识都相同为前提。对于不同的用户来说,用户属性的种类都相同,每种用户属性所包括的预设的属性类别也都相同。
其中,用户属性包括性别,年龄,学历,以及月收入,等等。
其中,用户属性为性别时,预设的属性类别包括男性,女性;用户属性为年龄时,预设的属性类别包括20岁以下,20~30岁,30~40岁,40~50岁,50~60岁,60岁以上;用户属性为学历时,预设的属性类别包括小学及以下,初中毕业,高中、中专或技校毕业,大专毕业,本科毕业,研究生毕业及以上;用户属性为月收入时,预设的属性类别包括0,1~500元,501~1000元,1001~1500元,1501~2000元,2001~2500元,2501~3000元,3001~5000元,5001~8000元,8001~12000元,12000以上。上述用户属性所划分的预设的属性类别,除用户属性为性别外,其他的用户属性可以根据实际情况,按照需求进行划分,并不仅限于上述划分的方法,这里不再一一赘述。
在分析某一用户的用户属性所属的预设的属性类别时,该被分析的用户即为目标用户,该用户属性所属的预设的属性类别即为目标属性类别。举例说明:分析用户A的性别是女性的概率,则用户A即为目标用户,性别是用户属性,女性是目标属性类别,并且,女性是用户属性性别的预设的属性类别中的一种。
根据广告给用户曝光的行为记录,分别统计各个用户的广告曝光记录。
当所分析的目标用户确定时,该目标用户的广告曝光记录包括媒体的标识与媒体的曝光记录的对应关系。其中,媒体的标识用于唯一标识一个媒体,媒体的曝光记录用于表征该目标用户对该媒体的广告的曝光数据。
举例说明,表1为用户A的广告曝光记录。其中,用户A的广告曝光记录包括优酷(媒体的标识),优酷的曝光数据是2,即用户A访问优酷时,广告对该用户A的曝光次数是2;腾讯视频(媒体的标识),腾讯视频的曝光数据是1,即用户A访问腾讯视频时,广告对该用户A的曝光次数是1。因此,用户A的广告曝光记录包括:优酷与2的对应关系,腾讯视频与1的对应关系。
表1、用户A的广告曝光记录
再举例说明,表2为用户B的广告曝光记录。其中,用户B的广告曝光记录包括今日头条(媒体的标识),今日头条的曝光数据是1,即用户B访问今日头条时,广告对用户B的曝光次数是1;爱奇艺(媒体的标识),爱奇艺的曝光数据是1,即用户B访问爱奇艺时,广告对用户B的曝光次数是1,优酷(媒体的标识),优酷的曝光数据是2,即用户B访问优酷时,广告对用户B的曝光次数是2。因此,用户B的广告曝光记录包括:今日头条与1的对应关系,爱奇艺与1的对应关系,优酷与2的对应关系。
其中,广告对用户的曝光次数,一般情况下,指的是广告显示给该用户的次数。这里需要说明的是,上述曝光给用户的广告,可以是相同的广告,也可以是不同的广告。
表2、用户B的广告曝光记录
用户ID | 媒体的标识 | 媒体的曝光数据 |
B | 今日头条 | 1 |
B | 爱奇艺 | 1 |
B | 优酷 | 2 |
不同用户的广告曝光记录中,媒体的标识可以完全相同,也可以完全不同,还可以部分相同部分不同。并且,同一媒体的标识对应的媒体的曝光数据可以相同,也可以不同。根据真实的数据分别进行统计即可。
这里需要说明的是,统计得到的各个用户的广告曝光记录,可以给每个用户单独生成一个表存储该用户的广告曝光记录,此时,可以仅记录媒体的标识与媒体的曝光数据的对应关系;也可以给所有用户生成一个表,存储所有用户的广告曝光记录,此时,需要记录用户标识,媒体的标识与媒体的曝光数据的对应关系。
在进行分析时,只需要获得目标用户的广告曝光记录即可。其中,目标用户可以是一个用户,也可以是多个用户。
102:获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率。
预设的类别结构是所分析的目标用户的用户属性的类别结构,是对大量的真实数据进行调研统计得到的,能够真实的反应该用户属性的分布情况。例如:性别的预设的类别结构,即能够反应性别的分布情况;年龄的预设的类别结构,即能够反应年龄的分布情况。
预设的类别结构包括媒体的标识与媒体的类别结构数据的对应关系,此时,预设的类别结构是对大量的媒体数据的统计结果。一种用户属性的预设的类别结构,主要是表征各个媒体中,该用户属性的每种预设的属性类别的用户分布情况,即各种预设的属性类别的用户在该媒体的所有用户中所占的比例。
举例说明,表3是性别的预设的类别结构,用户属性是性别,用户属性的预设的属性类别包括男性和女性,表3能够表征在各个媒体中男女的分布情况。其中,优酷中,男性对应的概率是0.4,女性对应的概率是0.6,即优酷的所有用户中,统计得到的男性用户所占的比例是0.4,女性用户所占的比例是0.6。腾讯视频中,男性对应的概率是0.35,女性对应的概率是0.65,即腾讯视频的用户中,男性用户所占的比例是0.35,女性用户所占的比例是0.65。今日头条中,男性对应的概率是0.59,女性对应的概率是0.41,即今日头条的用户中,男性用户所占的比例是0.59,女性用户所占的比例是0.41。爱奇艺中,男性对应的概率是0.45,女性对应的概率是0.55,即爱奇艺的用户中,男性用户所占的比例是0.45,女性用户所占的比例是0.55。
表3、性别的预设的类别结构
再举例说明,表4为年龄的预设的类别结构,用户属性是年龄,用户属性的预设的属性类别包括20岁以下,20~40岁,40岁以上,表4能够表征在各个媒体不同年龄段的用户的分布情况。其中,优酷中,20岁以下对应的概率是0.38,20~40岁对应的概率是0.5,40岁以上对应的概率是0.12,即优酷的所有用户中,统计得到的20岁以下的用户所占的比例是0.38,20~40的用户所占的比例是0.5,40岁以上的用户所占的比例是0.12。腾讯视频中,20岁以下对应的概率是0.54,20~40岁对应的概率是0.39,40岁以上对应的概率是0.07,即优酷的所有用户中,统计得到的20岁以下的用户所占的比例是0.54,20~40的用户所占的比例是0.39,40岁以上的用户所占的比例是0.07。今日头条中,20岁以下对应的概率是0.29,20~40岁对应的概率是0.57,40岁以上对应的概率是0.14,即优酷的所有用户中,统计得到的20岁以下的用户所占的比例是0.29,20~40的用户所占的比例是0.57,40岁以上的用户所占的比例是0.14。
表4、年龄的预设的类别结构
一般情况下,同一用户属性的不同媒体名称,对应的预设的类型结构不同。不同用户的同一媒体名称,对应的预设的类型结构也不同。用户属性的预设的类型结构,是对大量的真实数据的统计得到的结果,能够真实的反应每种用户属性的各个预设的属性类别,在各个媒体中各个不同的属性类别的用户分布情况。
这里需要说明的是,统计得到的各个用户属性的预设的类别结构,可以给每个用户属性单独生成一个表存储该用户属性的预设的类别结构,此时,可以仅记录媒体的标识与媒体的类别结构数据的对应关系;也可以给所有用户属性生成一个表,存储所有用户属性的预设的类别结构,此时,需要记录用户属性,媒体的标识与媒体的类别结构数据的对应关系。
在进行分析时,只需要获得所分析的用户属性的预设的类别结构即可。其中,用户属性可以是一个用户属性,也可以是多个用户属性。
这里需要说明的是,101和102执行的步骤不仅限于上述描述的顺序,可以先执行101,再执行102;也可以先执行102,再执行101;还可以同时执行101和102,这里不进行具体限定。
103:根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的用户属性是目标属性类别的概率,以便确定所述目标用户的所述用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
获得了目标用户的广告曝光纪录,以及用户属性的预设的类别结构后,确定该目标用户的用户属性是目标属性类别的概率。举例说明:确定用户A的年龄是20~40岁的概率,目标用户是用户A,用户属性是年龄,目标属性类别是20~40岁。
具体实现时,所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述广告曝光记录与所述预设的类别结构,采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率。
采用贝叶斯条件算法,该贝叶斯条件算法所采用的基本原理公式为:
其中,P(A|B)是事件B发生的条件下,事件A发生的概率;P(AB)是事件A和事件B同时发生的概率;P(B)是事件B发生的概率。
P(AB)=P(AB1)+P(AB2) (2);
其中,事件B发生时,可能发生子事件B1,也可能发生子事件B2,并且,B1与B1是B的完备事件组,P(AB1)是事件A和子事件B1同时发生的概率,P(AB2)是事件A和子事件B2同时发生的概率。
基于上述贝叶斯条件概率算法,获得公式(3),用来确定目标用户的用户属性是目标属性类别的概率:
其中,P(Ci|w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是用户属性是目标属性类别的概率,Ci是目标属性类别,表示所述预设的属性类别中的第i个属性类别;w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是广告曝光记录,wn:f(kn)是广告曝光记录中第n个条件参数的记录,wn是第n个条件参数的标识,f(kn)是wn对应的曝光数据,P(Ci)是用户中Ci的概率,P(Cj)是Cj的概率,P(Cj|wn)是wn条件下的Cj的概率,P(Ci|wn)是wn条件下的Ci的概率,N是条件参数的个数,n是不大于N的正整数,M是预设的属性类别的个数,j是所述预设的属性类别中非第i个属性类别的属性类别。
其中,wn:f(kn)是确定目标用户的用户属性是目标属性类别的概率时,广告曝光记录中的一个条件参数,wn可以是媒体的标识,还可以是地域的标识,f(kn)是wn对应的曝光数据,可以是媒体的曝光数据,也可以是地域的曝光数据。
P(Cj|wn)是预设的类别结构中的一个条件参数,P(Cj|wn)指的是预设的类别结构中,wn条件下的Cj的概率,即预设的类别结构中wn所对应的Cj的概率;P(Ci|wn)也是预设的类别结构中的一个条件参数,P(Ci|wn)是wn条件下的Ci的概率,即预设的类别结构中wn所对应的Ci的概率。
这里需要说明的是,公式(3)是根据贝叶斯条件算法推导出来的公式,不仅限于公式(3)的表述形式,其它根据贝叶斯条件算法推导出来的,能够用于计算目标用户的用户属性是目标属性类别的概率的公式都属于本发明的保护范围内。
根据广告曝光记录与预设的类别结构,采用公式(3)计算目标用户的用户属性是目标属性类别的概率。其中,公式(3)中的f(kn)是wn对应的曝光数据。其中,kn指的是广告曝光纪录中wn对应的曝光次数,f(kn)是kn的函数,则f(kn)可以是如下函数:
f(kn)=kn;
f(kn)=ln kn。
因此,f(kn)可以是广告的曝光次数,也可以是归一化之后的广告曝光次数,还可以是广告曝光次数的自然对数。当然,f(kn)并不仅限于上述函数,还可以是其它可用的函数,这里不再一一赘述。
在一个例子中,所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时对广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
为了进一步提高确定用户属性的属性类别的精度,还可以统计地域的标识与地域的曝光数据的对应关系。其中,地域标识可以唯一标识一个地域,该地域的范围可以根据实际情况具体设置,该地域的范围可以是城市,省,国家,等。地域的曝光数据用于表征所述目标用户位于所述地域时对广告的曝光次数。
举例说明:表5为用户A的广告曝光记录。其中,用户A的广告曝光记录不仅包括媒体的标识与媒体的曝光数据的对应关系,还包括地域的标识与地域的曝光数据的对应关系。其中,媒体的标识与媒体的曝光数据的对应关系如表1所示,这里不再赘述。地域的标识与地域的曝光数据的对应关系如表5所示,包括北京(地域的标识),北京的曝光数据是1,即用户A位于北京时广告的曝光次数是1;深圳(地域的标识),深圳的曝光数据是2,即用户A位于深圳时广告的曝光次数是2。因此,用户A的广告曝光记录包括:优酷与2的对应关系,腾讯视频与1的对应关系,北京与1的对应关系,深圳与2的对应关系。
表5、用户A的广告曝光记录
用户ID | 媒体的标识 | 媒体的曝光数据 | 地域的标识 | 地域的曝光数据 |
A | 优酷 | 2 | 北京 | 1 |
A | 腾讯视频 | 1 | 深圳 | 2 |
再举例说明:表6为用户B的广告曝光记录。其中,用户B的广告曝光记录不仅包括媒体的标识与媒体的曝光数据的对应关系,还包括地域的标识与地域的曝光数据的对应关系。其中,媒体的标识与媒体的曝光数据的对应关系如表2所示,这里不再赘述。地域的标识与地域的曝光数据的对应关系如表6所示,包括上海(地域的标识),上海的曝光数据是2,即用户B位于上海时广告的曝光次数是2;广州(地域的标识),广州的曝光数据是2,即用户B位于广州时广告曝光次数是2。因此,用户B的广告曝光记录包括:今日头条与1的对应关系,爱奇艺与1的对应关系,优酷与2的对应关系,上海与2的对应关系,广州与2的对应关系。
表6、用户B的广告曝光记录
用户ID | 媒体的标识 | 媒体的曝光数据 | 地域的标识 | 地域的曝光数据 |
B | 今日头条 | 1 | 上海 | 2 |
B | 爱奇艺 | 1 | 广州 | 2 |
B | 优酷 | 2 |
这里需要说明的是,当广告曝光记录中,既包括媒体的标识与媒体的曝光数据的对应关系,又包括地域的标识与地域的曝光数据的对应关系时,媒体与地域不进行交叉分析,即媒体和地域的统计数据相互独立,彼此不会互相影响。
不同用户的广告曝光记录中,媒体的标识可以完全相同,也可以完全不同,还可以部分相同部分不同。并且,同一媒体的标识对应的媒体的曝光数据可以相同,也可以不同。根据真实的数据分别进行统计即可。地域的标识可以完全相同,也可以完全不同,还可以部分相同部分不同。并且,同一地域的标识对应的地域曝光数据可以相同,也可以不同。
这里需要说明的是,统计得到的各个用户的广告曝光记录,可以给每个用户单独生成一个表存储该用户的广告曝光记录,此时,可以仅记录媒体的标识与媒体的曝光数据的对应关系,以及地域的标识与地域的曝光数据的对应关系;也可以给所有用户生成一个表,存储所有用户的广告曝光记录,此时,需要记录用户标识,媒体的标识与媒体的曝光数据的对应关系,以及地域的标识与地域的曝光数据的对应关系。
当广告曝光数据包括地域的标识与地域的曝光数据的对应关系时,预设的类别结构还包括地域的标识与地域的类别结构数据的对应关系。因此,一种用户属性的预设的类别结构不仅能够表征各个媒体中,该用户属性的每种预设的属性类别的用户分布情况,即各种预设的属性类别的用户在该媒体的所有用户中所占的比例;还能够表征在各个地域,该用户属性的每种预设的属性类别的用户分布情况,即各种预设的属性类别的用户在该地域的所有人口中所占的比例。
举例说明,表7是性别的预设的类别结构,不仅包括媒体的标识与媒体的类别结构数据的对应关系,还包括地域的标识与地域的类别结构数据的对应关系。其中,媒体的标识与媒体的类别结构数据的对应关系如表3所示,这里不再赘述。地域的标识与地域的类别结构数据的对应关系如表7所示,用户属性是性别,用户属性的预设的属性类别包括男性和女性,表7则能够表征各个媒体中男女的分布情况,也能够表征各个地域中男女的分布情况,包括:北京中,男性对应的概率是0.55,女性对应的概率是0.45。上海中,男性对应的概率是0.52,女性对应的概率是0.48。广州中,男性对应的概率是0.53,女性对应的概率是0.41。深圳中,男性对应的概率是0.54,女性对应的概率是0.46。
表7、性别的预设的类别结构
再举例说明:表8为年龄的预设的类别结构,不仅包括媒体的标识与媒体的类别结构数据的对应关系,还包括地域的标识与地域的类别结构数据的对应关系。其中,媒体的标识与媒体的类别结构数据的对应关系如表4所示,这里不再赘述。地域的标识与地域的类别结构数据的对应关系如表8所示,用户属性是年龄,用户属性的预设的属性类别包括20岁以下,20~40岁,40岁以上,表8能够表征各个年龄段在各个媒体的分布情况,也能够表征各个年龄段在各个地域的分布情况,包括:北京中,20岁以下对应的概率是0.2,20~40岁对应的概率是0.46,40岁以上对应的概率是0.34。广州中,20岁以下对应的概率是0.28,20~40岁对应的概率是0.4,40岁以上对应的概率是0.32。上海中,20岁以下对应的概率是0.23,20~40岁对应的概率是0.51,40岁以上对应的概率是0.26。
表8、年龄的预设的类别结构
这里需要说明的是,统计得到的各个用户属性的预设的类别结构,可以给每个用户属性单独生成一个表存储该用户属性的预设的类别结构,此时,可以仅记录媒体的标识与媒体的类别结构数据的对应关系,以及地域的标识与地域的类别结构数据的对应关系;也可以给所有用户属性生成一个表,存储所有用户属性的预设的类别结构,此时,需要记录用户属性,媒体的标识与媒体的类别结构数据的对应关系,以及地域的标识与地域的类别结构数据的对应关系。
本发明实施例中,广告曝光记录是针对用户统计的真实数据,是针对用户曝光广告的行为的统计。预设的结构类型,是针对用户属性统计的真实数据,是针对用户属性中各个预设的属性类别的分布情况的统计。其中,预设的结构类型中媒体的标识与媒体的类别结构数据的对应关系,是对各个媒体的用户属性中各个预设的属性类别的分布情况的统计;预设的结构类型中地域的标识与地域的类别结构数据的对应关系,是对各个地域中各个预设的属性类别的分布的统计。该预设的结构类型,可以利用官方公布的统计数据(例如各个城市的性别分布),也可以采用调研数据(各个媒体的性别分布)。进而,能够真实反映用户属性的各个预设的属性类别在各个媒体和/或地域的真实的分部情况。利用上述所统计的真实的数据,确定所述目标用户的所述用户属性是目标属性类别的概率,从而提高确定所述目标用户的用户属性的属性类别的精确度。
举例说明,表9是性别概率的真实值与计算值的比较,由表9可知,采用本发明实施例所提供的方法所得的性别概率,每种性别的误差仅有1.3%。
表9.性别概率的真实值与计算值的比较
性别 | 真实人数 | 真实概率 | 计算人数 | 计算概率 | 误差 |
男性 | 10163 | 45.78% | 9874.015 | 44.48% | 1.30% |
女性 | 12037 | 54.22% | 12325.99 | 55.52% | 1.30% |
总数 | 22200 | 100.00% | 22200 | 100.00% |
再举例说明,表10是年龄概率的真实值与计算值的比较,由表10可知,采用本发明实施例所提供的方法所得的年龄概率,在平均每个年龄段上的误差仅有3.68%。
表10.年龄概率的真实值与计算值的比较
年龄段 | 真实人数 | 真实概率 | 计算人数 | 计算概率 | 误差 |
14- | 420 | 9.00% | 397.3723 | 8.52% | 0.48% |
15-19 | 470 | 10.07% | 560.993 | 12.02% | 1.95% |
20-24 | 1049 | 22.48% | 798.5921 | 17.12% | 5.37% |
25-29 | 1216 | 26.06% | 683.9009 | 14.66% | 11.40% |
30-34 | 675 | 14.47% | 535.1602 | 11.47% | 3.00% |
35-39 | 347 | 7.44% | 525.7018 | 11.27% | 3.83% |
40-44 | 201 | 4.31% | 369.5888 | 7.92% | 3.61% |
45-49 | 111 | 2.38% | 288.8063 | 6.19% | 3.81% |
50-54 | 86 | 1.84% | 105.8415 | 2.27% | 0.43% |
55-59 | 33 | 0.71% | 90.21272 | 1.93% | 1.23% |
60+ | 58 | 1.24% | 309.8305 | 6.64% | 5.40% |
total | 4666 | 100.00% | 4666 | 100.00% |
在另一个例子中,所述方法还包括:
获取用户总数;
根据所述用户总数,以及所述目标用户的所述用户属性是目标属性类别的概率,获得所述用户属性是所述目标属性类别的用户个数。
获取用户总数,根据目标用户的用户属性是目标属性类别的概率,获得用户属性是目标属性类别的用户个数,从而能够推断所关注的群体的人数,进而可以预估广告投放的效果。
图2为本发明实施例提供的一种确定用户属性的属性类别的装置结构示意图,包括:
第一获取单元201,用于获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数。
第二获取单元202,用于获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率。
确定单元203,用于根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
在一个例子中,
所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
在一个例子中,所述装置还包括:
归一化单元,用于对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据进行归一化,获得第一广告曝光记录;
则所述确定单元,用于根据所述第一广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
在一个例子中,所述装置还包括:
对数单元,用于对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据取自然对数,获得第二广告曝光记录;
则所述确定单元,用于根据所述第二广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
在一个例子中,
所述确定单元,用于根据所述广告曝光记录与所述预设的类别结构,采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率。
在一个例子中,
所述确定单元,用于采用下述公式计算所述目标用户的所述用户属性是目标属性类别的概率:
其中,P(Ci|w1:k1,w2:k2,w3:k3,…,wn:kn,…wN:kN)是用户属性是目标属性类别的概率,Ci是目标属性类别,表示所述预设的属性类别中的第i个属性类别;w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是广告曝光记录,wn:f(kn)是广告曝光记录中第n个条件参数的记录,wn是第n个条件参数的标识,f(kn)是wn对应的曝光数据,P(Ci)是用户中Ci的概率,P(Cj)是Cj的概率,P(Cj|wn)是wn对应的Cj的概率,P(Ci|wn)是是wn对应的Ci的概率,N是条件参数的个数,n是不大于N的正整数,M是预设的属性类别的个数,j是所述预设的属性类别中非第i个属性类别的属性类别。
在一个例子中,所述装置还包括:
第三获取单元,用于获取用户总数;
获取单元,用于根据所述用户总数,以及所述目标用户的所述用户属性是目标属性类别的概率,获得所述用户属性是所述目标属性类别的用户个数。
图2所示的确定用户属性的属性类别的装置,是与图1所示的方法所对应的装置,具体实现方式与图1所示的方法类似,参考图1所示的方法的描述,这里不再赘述。
所述确定用户属性的属性类别的装置包括处理器和存储器,上述第一获取单元、第二获取单元和确定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来实现相应的功能。
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,通过调整内核参数来实现在用户的基本信息未知情况下,也能确定用户属性的属性类别。
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。
装置技术效果
本申请还提供了一种计算机程序产品,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:
获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;
获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;
根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种确定用户属性的属性类别的方法,其特征在于,所述方法包括:
获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;
获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;
根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
2.根据权利要求1所述的方法,其特征在于,
所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据进行归一化,获得第一广告曝光记录;
则所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述第一广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据取自然对数,获得第二广告曝光记录;
则所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述第二广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率包括:
根据所述广告曝光记录与所述预设的类别结构,采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率。
6.根据权利要求5所述的方法,其特征在于,所述采用贝叶斯条件概率算法计算所述目标用户的所述用户属性是目标属性类别的概率包括:
采用下述公式计算所述目标用户的所述用户属性是目标属性类别的概率:
其中,P(Ci|w1:k1,w2:k2,w3:k3,…,wn:kn,…wN:kN)是用户属性是目标属性类别的概率,Ci是目标属性类别,表示所述预设的属性类别中的第i个属性类别;w1:f(k1),w2:f(k2),w3:f(k3),…,wn:f(kn),…wN:f(kN)是广告曝光记录,wn:f(kn)是广告曝光记录中第n个条件参数的记录,wn是第n个条件参数的标识,f(kn)是wn对应的曝光数据,P(Ci)是用户中Ci的概率,P(Cj)是Cj的概率,P(Cj|wn)是wn条件下Cj的概率,P(Ci|wn)是wn条件下Ci的概率,N是条件参数的个数,n是不大于N的正整数,M是预设的属性类别的个数,j是所述预设的属性类别中非第i个属性类别的属性类别。
7.根据权利要求1-4任意一项所述的方法,其特征在于,所述方法还包括:
获取用户总数;
根据所述用户总数,以及所述目标用户的所述用户属性是目标属性类别的概率,获得所述用户属性是所述目标属性类别的用户个数。
8.一种确定用户属性的属性类别的装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标用户的广告曝光记录,所述广告曝光记录包括媒体的标识与媒体的曝光数据的对应关系,所述媒体的曝光数据用于表征所述目标用户访问所述媒体时广告的曝光次数;
第二获取单元,用于获取用户属性的预设的类别结构,所述预设的类别结构包括所述媒体的标识与媒体的类别结构数据的对应关系,所述媒体的类别结构数据包括统计媒体的数据所获得的预设的属性类别所对应的概率;
确定单元,用于根据所述广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率,以便确定所述目标用户的用户属性的属性类别,所述目标属性类别是所述预设的属性类别中的任意一种或多种。
9.根据权利要求8所述的装置,其特征在于,
所述广告曝光记录还包括地域的标识与地域的曝光数据的对应关系,所述地域的曝光数据用于表征所述目标用户位于所述地域时广告的曝光次数;
所述预设的类别结构还包括所述地域的标识与地域的类别结构数据的对应关系,所述地域的类别结构数据包括统计地域的数据所获得的所述预设的属性类别所对应的概率。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
归一化单元,用于对所述广告曝光记录中的媒体的曝光数据和地域的曝光数据进行归一化,获得第一广告曝光记录;
则所述确定单元,用于根据所述第一广告曝光记录与所述预设的类别结构,确定所述目标用户的所述用户属性是目标属性类别的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154970.2A CN108229989B (zh) | 2016-12-14 | 2016-12-14 | 一种确定用户属性的属性类别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154970.2A CN108229989B (zh) | 2016-12-14 | 2016-12-14 | 一种确定用户属性的属性类别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229989A CN108229989A (zh) | 2018-06-29 |
CN108229989B true CN108229989B (zh) | 2020-09-22 |
Family
ID=62650076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611154970.2A Active CN108229989B (zh) | 2016-12-14 | 2016-12-14 | 一种确定用户属性的属性类别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229989B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685626A (zh) * | 2019-10-17 | 2021-04-20 | 北京星选科技有限公司 | 一种对象类型的确定方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110048621A (ko) * | 2009-11-03 | 2011-05-12 | 김원규 | 웹페이지와 연동되는 가상 현실을 기반으로 마케팅의 효과를 올리는 방법 |
CN103136685A (zh) * | 2011-11-25 | 2013-06-05 | 北京百分通联传媒技术有限公司 | 一种基于移动终端的用户属性进行定向广告的方法和系统 |
CN103838884A (zh) * | 2014-03-31 | 2014-06-04 | 联想(北京)有限公司 | 信息处理设备以及信息处理方法 |
CN103971257A (zh) * | 2013-01-28 | 2014-08-06 | 北京思博途信息技术有限公司 | 一种互联网媒体组合投放效果的估计方法及系统 |
CN104281635A (zh) * | 2014-03-13 | 2015-01-14 | 电子科技大学 | 基于隐私反馈预测移动用户基础属性的方法 |
CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
CN106204083A (zh) * | 2015-04-30 | 2016-12-07 | 中国移动通信集团山东有限公司 | 一种目标用户分类方法、装置及系统 |
-
2016
- 2016-12-14 CN CN201611154970.2A patent/CN108229989B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110048621A (ko) * | 2009-11-03 | 2011-05-12 | 김원규 | 웹페이지와 연동되는 가상 현실을 기반으로 마케팅의 효과를 올리는 방법 |
CN103136685A (zh) * | 2011-11-25 | 2013-06-05 | 北京百分通联传媒技术有限公司 | 一种基于移动终端的用户属性进行定向广告的方法和系统 |
CN103971257A (zh) * | 2013-01-28 | 2014-08-06 | 北京思博途信息技术有限公司 | 一种互联网媒体组合投放效果的估计方法及系统 |
CN104281635A (zh) * | 2014-03-13 | 2015-01-14 | 电子科技大学 | 基于隐私反馈预测移动用户基础属性的方法 |
CN103838884A (zh) * | 2014-03-31 | 2014-06-04 | 联想(北京)有限公司 | 信息处理设备以及信息处理方法 |
CN106204083A (zh) * | 2015-04-30 | 2016-12-07 | 中国移动通信集团山东有限公司 | 一种目标用户分类方法、装置及系统 |
CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108229989A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551246B2 (en) | Methods and apparatus to analyze and adjust demographic information | |
CN110097066B (zh) | 一种用户分类方法、装置及电子设备 | |
US20200005343A1 (en) | Methods and apparatus to identify local trade areas | |
US20170011420A1 (en) | Methods and apparatus to analyze and adjust age demographic information | |
CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
CN108427690A (zh) | 信息投放方法及装置 | |
Huhe | Understanding the multilevel foundation of social trust in rural China: Evidence from the China General Social Survey | |
CN111259931B (zh) | 一种用户分组以及活跃度确定方法及系统 | |
CN109669995A (zh) | 数据存储、质量计算方法、装置、存储介质及服务器 | |
CN111090780A (zh) | 可疑交易信息的确定方法及装置、存储介质、电子设备 | |
CN112182391A (zh) | 一种用户画像方法与装置 | |
JP2021111421A (ja) | Tvcmの効果を評価するための装置、方法及びそのためのプログラム | |
CN112784168A (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN108229989B (zh) | 一种确定用户属性的属性类别的方法及装置 | |
US20240095765A1 (en) | Methods and apparatus to analyze and adjust demographic information | |
CN107391533A (zh) | 生成图形数据库查询结果的方法及装置 | |
US20220222752A1 (en) | Methods for analyzing insurance data and devices thereof | |
CN108241643B (zh) | 关键词的指标数据分析方法及装置 | |
CN111401969B (zh) | 用于提高用户留存率的方法、装置、服务器及存储介质 | |
CN111382343B (zh) | 一种标签体系生成方法及装置 | |
CN110148011B (zh) | 基于大数据的活跃量下降分析方法、装置、设备及介质 | |
CN112199269B (zh) | 一种数据处理的方法以及相关装置 | |
CN111127101A (zh) | 广告定向投放方法、装置及存储介质 | |
US20240046046A1 (en) | System and Method for Generating Subjective Wellbeing Analytics Score | |
CN116166879A (zh) | 分享业务处理方法、装置、计算机设备和存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 100080 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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |