CN108293046A - 通用标识 - Google Patents

通用标识 Download PDF

Info

Publication number
CN108293046A
CN108293046A CN201680067303.2A CN201680067303A CN108293046A CN 108293046 A CN108293046 A CN 108293046A CN 201680067303 A CN201680067303 A CN 201680067303A CN 108293046 A CN108293046 A CN 108293046A
Authority
CN
China
Prior art keywords
data
client
processor
channel
memory
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
CN201680067303.2A
Other languages
English (en)
Inventor
史密斯·法德里
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.)
Mms American Holdings Ltd
Original Assignee
Mms American Holdings 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 Mms American Holdings Ltd filed Critical Mms American Holdings Ltd
Publication of CN108293046A publication Critical patent/CN108293046A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

通用标识图算法将跨计算装置和数字信道的标识连接到一个客户。通用标识在装置之间和所有数字信道之间移动允许营销人员以相关品牌体验来吸引客户。通用标识图算法可映射穿越多个不同标识的客户行程，允许基于整个客户行程中的行为、习惯和偏好进行深度个性化，帮助创建更全面的客户配置文件，使营销人员能够在正确的时间和通过正确的信道以相关内容来定位客户，并可使客户迅速选择退出。

Description

通用标识
相关申请的交叉引用
本申请要求2015年9月18日提交的美国临时申请No.62/220，727和2016年1月29日提交的美国临时申请No.62/288，763的优先权。本申请还涉及2016年9月19日同时提交的题为“微瞬间分析”(Atty.Docket No.216964-40001)的专利合作条约申请No.________。上述三个申请的全部内容被纳入此处作为参考。
技术领域
本公开涉及使用机器学习和其他人工智能算法对数据进行分析，并将该数据传递给由所述算法识别的最终用户。
背景技术
在此提供的背景描述是为了说明本公开的上下文。对于本背景部分中所述的范围，既未明确也未默示为针对本公开的现有技术，发明人的发明内容与说明的一些方面一样，不应被视为是提交时的现有技术。
目前正处于赋予客户权力的时代，客户期望品牌能够相互连接以及相关，并在每一次互动中满足他们的需求。要做到这一点，领先的营销人员正在采取一种以客户为导向的方式，通过投资于数据、人才、工具和战略来改变其业务，以满足相关客户的需求。
今天，许多品牌都在努力跟上数据的量、速度和多样性，以满足客户的期望。根据Gartner研究，数据的可用性导致了对数据使用的期望，以实现相关的个性化体验。仅仅收集和构造数据是不够的，必须对其采取行动。消费者期待及时、相关和无缝的品牌体验。因此，品牌必须预知和预测客户的需求、习惯、趋势和偏好，以便在正确的决策时刻与客户进行1：1的对话。
随着互联经济的加速推进，数据被证明是市场营销中最有价值的货币。物联网(loT)产生的大量数据将放大问题和机会。但是，如果其他数据不能转化为有用的洞察力以告知独特的差异化的品牌体验，那么其将缺乏价值。
一种被描述为“数据瘫痪”的现象使大部分数据无法使用。虽然机会是巨大的，但随着连接经济产生的数据的量、种类和速度急剧增长，数字营销变得越来越困难。从某种程度上看，存储的信息量比世界经济增长快四倍，而计算机的处理能力则增长了九倍。因此营销人员正努力克服信息超载，问题是，这使他们陷入了数据瘫痪的境地，而数据带来的好处从未得到充分实现。在某种程度上，这种情况源于缺乏正确的算法和技术组合，无法将大数据转化为可操作的智能。
发明内容
本内容中所描述的特征和优点和下面的详细说明并不是全部。本领域的普通技术人员根据附图，具体说明，和权利要求可容易地发现许多额外的特征和优点。另外，本内容中描述的一个或多个(或全部)特征和优点在其他实施例中可以被省略。
机器智能平台提供一种摆脱数据瘫痪的方法。机器智能平台可以从数据驱动的营销转向智能营销，在智能营销中，每天的决策都由潜在的数十亿个数据点决定，而不是猜测和假设。该平台可以利用大量的结构化、半结构化和非结构化数据，可以吸收、分析和比较这些数据。机器学习算法可以基于过去发生的相似模式来提供一些可能是错误的或正确的统计性证据。
用于数据分析的“微瞬间”策略可以提供进一步的洞察力。当客户消费内容、相互交流、同时进行多个对话时，营销人员面临的挑战是如何确定参与的最佳时机。在这些被称为“微瞬间”的最佳机会中，买家可能决定继续或放弃与品牌的关系。该微瞬间是实时的、意图驱动的活动，是品牌塑造客户决定和偏好的关键机会。
机器智能平台可以绘制穿越装置和信道的整个客户行程图，以预测消费者希望如何与品牌进行交互，并为消费者设置个性化的每个时刻。随着数据量的增长，使用微瞬间值算法提取的情报可以从多个源中摄取和激活数据，从而提供洞察力，使我们能够挖掘出消费者行程中的微瞬间。
实时识别商务可以使营销人员通过支持个别调整的商品销售、产品推荐、个性化搜索和导航来定制购物体验。机器学习可以支持针对性和动态的定价和促销的传达。算法可以实时学习购物行为，以便在发生时更新客户体验的相关性。
机器学习可以释放数据量，提供高度定制的体验。在一些实施例中，机器智能平台可以使用实时客户洞察力和客户级别属性，在适当的时候确定最佳可用资产、正确的创意、消息、供应和呼叫行动。数据驱动的受众群体可以在营销人员的商务、媒介和客户参与信道中被动态创建和激活。
在机器智能平台中，高频智能中心可以处理数百万信号和个性化数据流，以定制和激活跨信道的针对性通信，让营销人员与被示出最能接受信息的客户接触。这使得营销人员和品牌能够使用智能服务在提供洞察力和情报的同时为媒介、商务、CRM和客户体验提供信息。在一些实施例中，高频智能集中心可以执行实时解析，用于物联网(“IoT”)解决方案，每秒数百万次活动，穿越多个数据流的相关性，并以可预测的结果高速度处理数据流且无数据损失。
此外，通用标识图算法可以帮助营销人员将穿越装置和信道的标识连接至客户。通用标识可以让营销人员无缝和安全地与装置之间和所有数字触点之间移动的品牌体验相关的客户接触。例如，在一些实施例中，通用标识图算法可以与各种数字管理平台(“DMPs”)集成，来映射穿越多个不同标识的客户行程，允许基于整个客户行程中的行为、习惯和偏好进行深度个性化，帮助创建更全面的客户配置文件，使营销人员能够在适当的时间和通过正确的信道以相关内容来定位客户，并可使客户迅速选择退出。
微瞬间值算法可以使高频智能中心使用通用标识图算法在正确的时间向正确的人传递正确的信息。微瞬间是客户行程中的“触点”，用来确定行程的结束方式。微瞬间值算法可以预测客户行程中客户清楚地展示其意图的关键时刻，从而在行程中提供最引人注目的机会来吸引客户。例如，在一些实施例中，微瞬间值算法可以预测以意图驱动微瞬间吸引客户的合适时间，在正确的时间以相关的广告和/或内容来吸引客户，通过屏幕和频道连接“点”，并映射客户行程中的所有微瞬间。
计算机实施系统可以创建和匹配跨多个计算机网络装置和信道的单个用户的通用标识，该系统可以包括数字营销平台服务器，包括一个或多个处理器、与一个或多个处理器耦合的存储器，以及用于创建和分析贝叶斯网络的多种模块。聚类模块可以包括存储在存储器中并可在处理器上操作的处理器可执行指令，在对应于多个客户的数据执行一个或多个聚类方法。该数据可以识别用于客户的装置和通道。回归模块可以包括存储在存储器中并可在处理器上操作的处理器可执行指令，在对应于多个客户的数据执行回归分析。多类分类模块可以包括存储在存储器中并可在处理器上操作的处理器可执行指令，以便创建用于装置和通道中的一个或多个的多类分类器，异常检测模块可以包括存储在存储器中并可在处理器上操作的处理器可执行指令，以接收对应于多个客户的数据中的数据类所对应的培训数据，并迭代装置和通道用以确定多个通用IDs的所有可能的组合。二进制分类模块可以包括存储在存储器中并可在处理器上操作的处理器可执行指令，创建二进制分类器来用于对应多个客户的数据，所述二进制分类器可标识与客户的一组装置和信道数据相匹配的通用ID。
在进一步的实施例中，计算机实施的方法可基于存储在计算装置的存储器中并可在计算装置的处理器上操作的指令，从对应于多个客户的数据中创建通用ID，在一些实施例中，该方法可基于对应于多个客户的数据创建贝叶斯网络。贝叶斯网络可示出对应于多个客户的数据之间的概率关系，该方法还可以在贝叶斯网络上执行条件查询和最大查询，查询包括后验边际、证据概率、最可能的解释和最大后验假设，该方法还可以基于贝叶斯网络发现对应于多个客户的数据中的跨装置和跨信道变量。以及基于贝叶斯网络在对应于多个客户的数据中查找匹配的行为和数据点。
附图说明
图1示出用于在多个计算机网络装置和信道之间创建和匹配通用ID的系统；
图2示出示例性通用ID图模型；
图3示出示例性有向无环图(“DAG”)；
图4示出包括通用ID元素的示例性数据结构；
图5示出创建通用ID的示例性流程；
图6A和6B示出创建通用ID的进一步示例性流程；
图7示出DAG的另一个示例；
图8A、8B、8C和8D示出模式识别的示例性图表；
图9示出用于在多个计算机网络设备和信道之间创建和匹配通用ID的系统的示例性结构；以及
图10示出系统中使用的示例性计算装置，用于跨多个计算机网络装置和信道的通用ID匹配以及执行在此所述的各种算法、处理流程或方法。
附图中示出的优选实施例仅为了举例说明。本领域的技术人员从以下说明中可以容易地识别并在不偏离所述的思想范围下采用在此示出的结构和方法的其他实施例。
具体实施方式
图1示出用于在多个计算机网络装置和信道之间创建和匹配通用ID的系统100的一个实施例。系统100可以包括前端组件102(例如，商家数字内容系统104、客户数字内容浏览器106等)和后端组件1 10(例如，数字营销平台112)。前端部件102和后端组件110可以通过通信链路111相互通信(例如，计算机网络、因特网连接等)。系统100可以包括各种软件或计算机可执行指令以及利用该软件和指令的专用硬件组件或模块，向使用客户数字内容浏览器106的客户提供针对性营销内容。各种模块可以被执行作为包含计算机可读指令(即软件)的计算机可读存储器，在专用或独特的计算装置内由计算机系统100的处理器执行。如本文所述，模块可以执行与创建和使用通用ID相关的各种任务以及在此所述的其他功能。计算机系统100还可以包括硬件和软件应用程序，以及用于在各种专用或独特的前端102和后端110硬件和软件组件之间的通信数据的各种数据通信信道。
数字营销平台112可以包括一个或多个指令模块，该指令模块包括控制模块114，其通常可以包括指令，使数字营销平台服务器118的处理器116与多个其他计算机可执行步骤或模块114-E进行功能通信。这些模块114A-E可以包括指令，被加载到服务器存储器120并由一个或多个计算机服务器116执行，生成在此所述的通用ID。第一数据储存库122可以包括第一方数据122A，其包括各种数据片，用于描述在客户计算装置138上执行的客户数字内容浏览器106的客户用户。在一些实施例中，第一方数据122A包括来自一个或多个与数字营销平台112链接的商家的数据124。.第一方数据122A可以包括客户配置文件、偏好、习惯和行为、信道等。例如，客户配置文件可以包括商家数字内容系统104中特定商家的客户名称和帐户信息。偏好可以包括客户与商家的购买历史记录、意愿列表、Cookie数据、投标请求或响应，客户与商家之间的社交喜好等。习惯和行为可以包括客户和/或商家位置、Wi-FiSSID或商家对客户数据进行的数据分析。信道数据可以包括客户/商家商业数据、客户关系管理(“CRM”)数据和社交媒体数据。第二数据储存库123可以包括第三方数据123A。例如，其他服务可以收集、共享或销售与特定客户相关的数据。在一些实施例中，第三方数据123A可能包括App市场数据(例如，IOS或安卓数据，包括docs.appfigres.com、www.appannie.com和Distmo的应用程序数字)。也可能是第三方数据的源，以及DataExchange和Facebook。
模块114A-E可以包括多个指令，以实施图算法来创建和使用通用ID128。通用ID128和图算法可以帮助营销人员将跨设备和信道的标识连接到单个客户。简单参考图2，控制模块114可以使用图模型200(图2)无缝和安全地与装置之间和所有数字触点之间移动的品牌体验相关的客户接触。模型200和算法可允许通过分段与数据管理平台集成，并允许穿过客户在不同平台上使用的各种标识进行客户行程映射。通用ID和图算法还可允许基于整个客户行程中行为、习惯、偏好以及数据122A,123A的其他源进行深度个性化。此外模型200可以帮助建立更全面的客户配置文件，使营销人员能够在正确的时间和通过正确的信道，以相关的数字内容130来定位客户，同时也允许客户简单及完全地选择退出。在使用中，通用ID128和算法可应用于客户行程映射、社交情感分析、个性化、每个客户的完整配置文件、广告活动和目标营销、属性分析、推荐引擎和游戏化的忠诚度方案。
重要的是，属性被附加到模型200的顶点或节点(例如202)和弧或边缘(例如204)。模型200可以表示由有向无环图(“DAG”)和条件概率分布(“CPD”)组成的贝叶斯网络(“BN”)。贝叶斯概率表示活动中的可信程度，且分类概率或“频率”方法处理活动的真实或物理概率，贝叶斯网络特别适合于不完整的数据集，例如在此描述的作为第一方数据122A和第三方数据123A的数据集。节点202可以包括典型的二进制或离散的随机变量，但也可以是连续的。网络还允许学习因果性网络以及域知识和数据的组合，同时避免数据的“过度拟合”。边缘204可表示节点之间的概率依赖，其中缺少链接可表示条件独立。CPD可以指示出模型200的一个或多个节点上的条件概率，并且可以存储为条件概率表(“CPT”)。此外，对模型200的查询可以将边缘遍历与属性访问和特定结构结合起来，以改善遍历。例如，模型200可以同时索引每个节点的边缘和近邻。在一些实施例中，可以使用对象标识符(“OIDs”)代替复杂对象来减少内存需求。
模块114A-E可以包括在处理器116上执行的指令，以挖掘第一方数据122A和第三方数据123A，用于创建模型200和通用ID128。例如，模块114A-E可以包括对电子邮件、社交媒体ID、装置IDs和cookie IDs进行标记的指令，以及使用第一方数据122A和第三方数据123A执行地理定位聚类。同样，模块114A-E可以包括用于识别第一方数据122A、第三方数据123A和非结构化数据之间的意义结构关系的指令。在一些实施例中，模块包括异常检测模块114A、聚类模块114B、多类分类模块114C、二进制分类模块114D和回归模块114E。
参照图3，模型200可以包括各种元素300，包括顶点302、边缘IDs304、边缘标签306和元素属性308。
参照图4，通用ID 128可以存储在多个数据结构(例如字符串、链表、数组、文件、记录、表、树等)中的任意一个中，并包含从模型200确定的各种信息。在一些实施例中，通用ID128可以包括多个字符(即字母和/或数字)的序列，其包括多个字符集合402，分别表示从模型200确定的信息。例如，集合402可以包括用户ID 402A、年份402B、客户ID 402C、装置ID402D、操作系统前缀402E和溢位402F、选择退出前缀402G等。集合402的分组可以指示由模型200确定或表示的其他信息。营销人员前缀404可由ID402A和年度402B的分组表示，客户边缘406可由客户ID 402C表示，装置边缘408可由装置ID 402D、OS前缀402E、溢位402F和选择退出前缀402G的分组表示。边缘410，例如模型200中箭头示出的边缘204，可以由客户边缘406和装置边缘408的分组来指示。当然，其他信息可以在通用ID128中被示出，例如联系信息、网络信息、产品、购买历史记录，或者可以使用模型200或从中被确定的任何其他信息。
参照图5，控制模块114执行存储在存储器120中并在处理器116上执行的指令，以创建模型200和通用ID128。在一些实施例中，控制模块114可以包括存储在存储器120中的多个子模块，包括异常检测模块114A、聚类模块114B、多类分类模块114C，二进制分类模块114D和回归模块114E。子模块114A-E可以包括存储在存储器120中并在处理器116上执行的指令，以创建模型200和通用ID128。
聚类模块114B可以包括用于初始化模型200和分析数据的指令，在一些实施例中，模块114B可以包括用于分析第一数据储存库122和第二数据储存库123中的一个或多个的指令。例如，聚类模块114B可以包括用于分析第一方数据122A和第三方数据123A中的一个或多个的指令。聚类模块114B可以对数据执行各种聚类方法，以确定是否可以从数据中预测通用ID128，例如，聚类模块114B可以对第一方数据122A和第三方数据123A中的一个或多个执行K-均值聚类处理502。
然后，回归模块114E可以使用第一方数据122A和第三方数据123A中的一个或多个来执行数据的回归分析，在一些实施例中，回归分析可以包括有序回归504、神经网络回归506、贝叶斯线性回归508、决策林回归510和K-均值回归512中的一个或多个。在一些实施例中，回归模块114E还可以包括：用于将来自非结构化数据集的ID属性和/或来自多个数据源的其他唯一概率值合并的指令，方法是确定每个数据源对回归函数的贡献，以便将唯一数据块匹配到单个通用ID128。非结构化数据集和概率值可以包括Wi-Fi SSID、客户和/或商家位置，或其他数据。当数据经回归模块114E和聚类模块114B中的一个或多个被训练后，模块114E还可以预测数据实例的标签。
控制模块114可以包括指令514，基于聚类模块114B和回归模块114E中的一个或多个分析来预测装置和信道类别以及通用ID 128值中的一个或多个。
多类分类模块114C可以包括指令，在控制模块114执行指令514之前，创建用于第一方数据122A和第三方数据123A描述的装置和信道中的一个或多个的多类分类器，以预测匹配的装置和/或信道的值。在一些实施例中，多类分类模块114C包括：多类神经网络模块516中的一个或多个至基于数据122A、123A创建和遍历多类神经网络的一个或多个、多类决策林模块518至基于数据122A、123A创建和遍历多类决策林的一个或多个，以及贝叶斯网络模块520至基于数据122A、123A创建和遍历贝叶斯网络的一个或多个。
异常检测模块114A可以包括指令，用于从数据122A、123A的一个特定类(例如Wi-Fi SSID、客户ID等)获取跨装置和/或信道训练数据，以及扫掠ID参数来迭代所有可能的组合以确定数据122A、123A的通用ID。在一些实施例中，异常检测模块114A包括单类支持向量机(“SVM”)522。
当指令514基于第一方数据122A和第三方数据123A中一个或多个的分析，确定大于或等于两个通用IDs128可匹配特定装置或信道时，则控制模块114可以执行多类分类模块114C的模块516、518和520中的一个或多个。当基于第一方数据122A和第三方数据123A中一个或多个的分析，多类分类模块114C的模块516、518和520中的一个或多个确定小于或等于两个(但不完全是一个)通用IDs128，仍然可以匹配特定装置或信道时，则控制模块114可以执行异常检测模块114A的单类SVM模块522，对结果进行细化。
二进制分类模块114D可以包括用于为数据122A、123B创建二进制分类器的指令，其中指令514确定与数据122A、123B中的一组数据匹配的确切的通用ID128。在一些实施例中，二进制分类模块114D可以包括两类SVM模块524、局部深度SVM模块526和两类神经网络模块528中的一个或多个。
参照图6A，计算机实施的方法600可以通过使用第一方数据122A和第三方数据123A中的一个或多个创建通用ID128。方法600的每一步都可以在服务器(例如服务器118等)或其他计算装置上被执行，其中包括由处理器执行的指令，执行在此所述的功能块(“块”)的动作。在块602处，方法600可创建用于跨装置/信道匹配的模型200或图，通用ID128可帮助营销人员在算法上映射客户行程，通过数字信道和已连接装置将来自数据122A、123A中的一个或多个的唯一标识符连接至一个客户。在使用中，通过扩展第一方数据122A和第三方数据123A，通用ID128允许营销人员通过屏幕和装置无缝地接触客户。通用ID128还可以使用深度个性化通过所有触点提供及时和相关的品牌体验，并创建全面的客户角色。在一些实施例中，系统100和方法600可采用基于图的表示和已知的推理算法的组合，即确定性和概率性图模型，基于第一方数据122A和第三方数据123A的结构化和非结构化数据在装置和信道上建立用户标识。
确定性图模型依赖于个人可识别的信息，以实现装置匹配，例如个人登录到移动应用程序和/或网站的电子邮件地址。在一些实施例中，该方法可以使用类似SHA-256的安全散列技术来散列第一方数据122A。
概率性图模型可以在算法上分析大型非结构化数据集和匿名数据点，如装置类型、操作系统、位置数据、时间和第三方数据123A的其他类型。这种分析可以在连接的装置和其他IDs或客户在线“人物”之间创建基于图的表示和相似的匹配。参照图5在此所述的贝叶斯网络和SVMs通过系统100和方法600被使用，通过图模型200来表示通用ID128上的概率信息。
一般来说，贝叶斯网络可以是描述一组变量之间的概率关系的图模型，能够清晰直观地显示关系。贝叶斯网络(“BN”)可以通过建立的概率理论来处理不确定性。BN还可以编码模型200的结构中变量之间的条件独立性关系。BN还可以提供变量的联合概率分布的压缩表示。在一些实施例中，问题域可以通过变量列表被建模，关于域的知识可以通过联合概率来表示。BN中的有向链路(例如边缘204)可以表示因果直接影响，且各节点202可以具有条件概率表来量化来自上代节点的影响。例如，在具有上代节点A和B的图中，都指向目标节点T，其中T和配偶节点C都指向子节点D，该图的联合概率表可以使用以下方程1被制表：
P(A,B,C,D)＝P(T|A,B)*P(D|T,C)*P(D|C)*P(A)*P(B)*P(C)
方程1
方程1可推广应用到所有图，n成为方程2。
参照图6B，方法650可以创建用于通用ID 128的贝叶斯网络。方法650的各步骤都可以在服务器或其他计算装置(例如，服务器118等)上被执行，其中包括由处理器执行的指令，执行在此所述的功能块(“块”)的动作。在块652处方法650可以处理由BN分析的数据。在一些实施例中，数据包括第一方数据122A和第三方数据123A中的一个或多个，但也可以包括其他结构化和非结构化数据集，这些数据集可以提供通用ID128。此外，由块652处理的数据可以包括分类值，也可以是“被”绑定或分组的数据。其中数据包括一些或多或少的连续值，在较小数量的“垃圾箱”。例如，如果您有一组人的数据，您可能希望将他们的年龄安排成较小的年龄间隔。同时也可以在多个维度中使用binning。这些数据也可以转换为因子。
在块654中，方法650可以在数据122A、123A之间创建关系。在一些实施例中，块654可以包括使用评分函数Φ(Phi)的BN拟合，并在给定数据122A、123A和评分函数Φ的情况下，查找网络，使Φ的值最大化。此外，块654还可以包括尝试添加和去除弧的各种置换的指令。以数据122A、123A为条件，使最终BN在可能的网络上具有最大后验概率分布。
在块656处，方法650可以建立条件概率表(CPTs)最终拟合的BN。在一些实施例中，在学习BN时，方法650可以创建联合概率分布，用于数据集122A 123A中的所有变量。块656还可以将联合概率分布转换成用于各因变量的条件概率。CPTs可以用来解决数据所产生的各种分析问题。
在块658处，方法650可记录模型200。在一些实施例中，模型200及其相关的CPTs可由机器学习或其他分析程序被分析，以形成关于数据122A、123A的假设，并验证形成BN的计算。
参照图7和表1，示例性有向无环图(DAG)700和条件概率表可以将来自第一方数据122A的可能ID类型作为节点和第三方数据123A和其他非结构化数据中的一个或多个的相关条件依赖关系结合起来。在一些实施例中，ID类型可以包括客户ID702，应用程序ID704、装置ID706、操作系统类型708、社交媒体配置文件710以及匹配的ID和装置712。DAG700的各节点可以包括条件概率表，例如，表1示出用于有向图700的节点710的条件概率：
B C F P(F|B,C)
伪 伪 真 0.1
真 伪 真 0.9
伪 真 真 0.8
真 真 真 0.95
表1
用于有向图700的节点710的条件概率表
其中，由DAG700和表1的CPT组合所代表的BN可由方程式3表示：
P(A,B,C,D,F,G)＝P(A)*P(B|A)*P(C|A)*P(D|B,A)*P(F|C,B)*P(G|F)
方程3
参照图6A，块604可对方法650结果中的BN执行条件和最大概率查询，其中BN可由方程4表示：
β＝(X,D,PG,Π)
方程4
给定的证据E＝e，其中E是证据变量，e是其赋值，对于BN的主要查询可以查找以下4个量：
1.后验边际或“可信度更新”由方程5示出：
对于不在E中的每一Xi,可信度被定义为∶
bel(Xi)＝Pβ(Xi|e)
其中
2.证据概率由方程6示出：
Pβ(E＝e)在先
3.最可能的解释(mpe)由方程7示出：
mpe＝Pβ(x0)＝赋值满足
4.最大后验假设(边际mpe)，给定一组假设的变量 找出赋值例如
在块606处，方法600可以发现和分析目标ID变量和影响，在一些实施例中，方法600可以经BN发现跨设备/信道ID变量和其他影响变量。例如，块606可以查找对目标变量影响最大的变量的值，以便最大化/最小化所需的目标变量类。当紧密结合，使用目标变量的马尔可夫覆盖，这些变量使目标变量独立于网络的其余部分。对于第一级马尔可夫覆盖变量，来自第一方数据122A的确定性数据，如客户配置文件、社交数据、商业数据和cookie ID可以与类似应用程序市场数据的第三方数据123A以及类似和数据的其他数据相结合。对于第二级马尔可夫覆盖变量，第三方数据123A以及类似投标/响应数据的一些第三方数据122A可以与类似行为和习惯和/或网页及搜索数据的概率数据相结合。
在块608处，方法600可以查找用于通用ID的匹配行为和数据点，在一些实施例中，块608可以包括具支持向量机(SVMs)的模式识别，这些SVMs可以是具相关学习算法的监督学习模型，用于分析数据和识别模式，并可用于分类和回归分析。块608可使用SVM将行为分类至线性分类器，以预测各数据点。例如，方法600可以如图800(图8A)中所示，在块608处对确定性客户数据进行分类。块608还可以分类非结构化第三方数据123A，最匹配客户行为和模式或确定性客户数据。例如，图825(图8B)可以使用时间序列用于异常检测，如模块114A中用于模块114C和114D的分类。此外，块608可以通过最大化边际来优化模式识别。例如，图850(图8C)示出查找支持向量，这些支持向量表示边际向上推的可能行为数据点，被评估为可能匹配。如图875(图8D)中进一步说明的，识别通用ID的目的是正确地分类训练数据并使边际最大化，由方程9示出：
当yi＝+1，wx1+b≥1且当yi＝-1，wx1+b≤1其中yi(wx1+b)≥1用于所有的i
方程9
在一些实施例中，系统100可以包括用于确定各客户值的模块，其中通用ID被发现并分配。例如，算法可确定出客户是否将盈利，以及持续多长时间。此外，算法还可以预测与客户关系相关的货币价值。方程10示出客户寿命值(“CLV”)算法的一个示例：
在方程10中，m＝微瞬间指数；c＝客户指数；p＝一段时间内的总购买数；t＝计算CLV的时间段数；CL＝客户忠诚度指数。方程10的CLV算法允许从过去观察不同个体层次的购买模式，并在数据集中查找不同的客户案例。其还允许理解哪些模式对应于具价值的客户，哪些模式对应于选择退出的客户。当新客户加入执行方程10的CLV算法的系统时，系统(例如，系统100)可以将新客户匹配至CLV算法所识别的模式。
在一些实施例中，系统100还可以包括用于确定哪些印象最符合广告性能度量的模块。例如，算法可以优化商家网站内对于客户印象的实时投标(“RTB”)的时间。例如，广告活动的预算约束可以作为印象交付目标qj。印象组i可以定义为(配置、用户)元组，其中由方程11表示的点击率(“CTR”)预测pij和库存控制的级别可如以下被执行：
鉴于上述情况，由于印象来自库存，成本项wi将为零。因此，收入提升和CTR提升可以如以下由方程式12和13表示：
RTB的时间也可以通过以下伪码被优化：
在一些实施例中，系统100还可以包括基于其预测概率来评估各客户印象的模块，以实现广告活动的目标。例如，模块可以计算以下方程14和15。
其中Cpanic＝在应急期间赢得的印象数；Cexploit＝在开发期间赢得的印象数；Cexplore＝在探索期间赢得的印象数。每千人的成本(“CPM”)也可以通过以下伪码进行分析：
其中优化的每日或其他定期预算更新可以被计算和通告，根据需要以满足各活动目标。
图9是系统100的各种组件的高级别框图。
图10是在此所述的系统和方法的示例性计算环境1000的高级别框图，用于生成及匹配跨多个计算机网络装置和信道的单个用户的通用ID128。计算装置1001可以包括服务器(例如，数据处理服务器118)、移动计算装置(例如计算装置128、蜂窝电话、平板计算机、支持Wi-Fi的装置或其他能够无线或有线通信的个人计算装置)、瘦客户端或其他已知类型的计算装置。本领域的技术人员应认识到，根据在此公开和示教的，可以使用具有不同架构的其他类型的计算装置。与示例性系统和方法类似或相同的处理器系统可用来实施和执行图中的示例性系统。尽管以下描述的示例性系统1000包括多个外围设备、界面、芯片、存储器等，但可以省略用于实施和执行用于生成及匹配跨多个计算机网络装置和信道的通用ID的示例性系统的其他示例性处理器系统中的一个或多个元素。此外，还可以添加其他组件。
如图10所示，计算装置1001包括耦合到互连总线的处理器1002。处理器1002包括寄存器集或寄存器空间1004，其在图10中被示出完全位于芯片上，但也可以完全或部分地位于芯片外，并通过专用电气连接和/或通过互连总线直接耦合到处理器1002。处理器1002可以是任何合适的处理器、处理单元或微处理器。虽然没有在图10中示出，但是计算装置1001可以是多处理器装置，因此可以包括与处理器1002相同或类似并且通信地耦合到互连总线的一个或多个附加处理器。
图10的处理器1002耦合到芯片集1006，其包括存储控制器1008和外围输入/输出(I/O)控制器1010。众所周知，芯片集通常提供I/O和存储器管理功能，以及多个通用和/或特殊用途寄存器、定时器等，其可通过与芯片集1006耦合的一个或多个处理器被存取或使用。存储控制器1008执行使处理器1002(如果有多个处理器)能够存取系统存储器1012和大容量存储器1014的功能，其可以包括内存缓存(例如，存储器1012内的缓存)或磁盘上缓存(例如，大容量存储器1014内的缓存)中的一个或两者。
系统存储器1012可以包括任何所需类型的易失性和/或非易失性存储器，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、闪存、只读存储器(ROM)等。大容量存储器1014可以包括任何所需类型的大容量存储装置。例如，当计算装置1001用于实施模块1016(例如，各个模块将动态信息(例如照片)链接到支付装置交易记录，并创建在此所述的动态交易记录和其他模块)。大容量存储器1014可以包括硬盘驱动器、光驱动器、磁带储存装置、固态存储器(例如，闪存、RAM存储器等)、磁性存储器(例如硬盘驱动器)或任何其他适于大容量储存的存储器。在这里使用的术语模块、块、功能、操作、过程、例程、步骤和方法涉及将指定功能的有形计算机程序逻辑或有形计算机可执行指令提供给计算装置1001和系统100。因此，模块、块、功能、操作、过程、例程、步骤和方法可以在硬件、固件和/或软件中被实施。在一个实施例中，程序模块和存储在大容量存储器1014中的例程，被加载到系统存储器1012中，并由处理器1002执行，或者可以从存储在有形计算机可读存储介质(例如RAM、硬盘、光/磁介质等)的计算机程序产品中被提供。
外围I/O控制器1010通过外围I/O总线执行使处理器1002与外围输入/输出(I/O)装置1024、网络界面1026、本地网络收发器1028(通过网络界面1026)通信的功能。I/O装置1024可以是任何所需类型的I/O装置，例如键盘、显示器(例如液晶显示器(LCD)、阴极射线管(CRT)显示器等)、导航装置(例如鼠标、跟踪球、电容触控板、操纵杆等)。I/O装置1024可与模块1016等一起使用，从收发器1028中接收数据，将数据发送到系统100的后端组件，并执行与在此所述的方法有关的任何操作。本地网络收发器1028可以包括支持Wi-Fi网络、蓝牙、红外、蜂窝或其他无线数据传输协议。在其他实施例中，一个元素可以同时支持计算装置1001所使用的各种无线协议中的每一个。例如，软件定义的无线电可以通过下载的指令支持多个协议。在操作中，计算装置1001可以周期性地轮询可视无线网络发射机(蜂窝和本地网络)。即使在计算装置1001上支持正常的无线通信时也可执行该轮询。网络界面1026可以是例如以太网装置、异步传输模式(ATM)装置、802.1 1无线接口装置、DSL调制解调器、电缆调制解调器、蜂窝调制解调器等，使系统100能够与至少具有与系统100相关的元素的另一计算机系统通信。
虽然存储控制器1008和I/O控制器1010在图10中被示出为芯片集1006内的独立功能块时，但由这些块执行的功能也可以被集成在单个集成电路中，或者可以使用两个或多个独立集成电路被实施。计算环境1000还可以在远程计算装置1030上实施模块1016。远程计算装置1030可以通过以太网链路1032与计算装置1001通信。在一些实施例中，计算装置1001可以通过因特网1036从云计算服务器1034检索模块1016。当使用云计算服务器1034时，检索到的模块1016可以以编程方式链接到计算装置1001。模块1016可以是包括人工智能软件和文档创建软件在内的各种软件平台的集合，也可以是驻留在计算装置1001或远程计算装置1030中Java虚拟机(JVM)环境内所执行的Java applet。在一些实施例中，模块1016可以通过因特网1036与后端组件1038(例如图1的后端组件110)通信。
系统1000可以包括LAN、MAN、WAN、移动、有线或无线网络、专用网络、或虚拟专用网络的任何组合，但不局限于此。此外，尽管图10中只示出一个远程计算装置1030使描述简化及更清楚，但应理解，可支持任意数量的客户计算机并且可以在系统1000内进行通信。
此外，在此所述的一些实施例包括逻辑或多个组件、模块或机制。模块可以构成软件模块(例如，在机器可读介质上或传输信号中体现的代码或指令，其中指令由处理器执行)或硬件模块。硬件模块是能够执行一些操作的有形单元，并且能够以一定方式配置或安排。在示例实施例中，一个或多个计算机系统(例如，独立的、客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可以由软件(例如，应用程序或应用部分)配置为硬件模块，以执行在此所述的一些操作或“块”。
在各种实施例中，硬件模块可以机械地或电子地被实施。例如，硬件模块可以包括永久配置的专用电路或逻辑(例如，作为专用处理器，例如现场可编程门阵列(FPGA)或专用集成电路(ASIC))来执行一些操作。硬件模块还可以包括由软件临时配置以执行一些操作的可编程逻辑或电路(例如，包括在通用处理器或其他可编程处理器中)。应理解，可以考虑成本和时间来决定在专用和永久配置的电路中或在临时配置的电路(例如，由软件配置)中机械地实施硬件模块。
因此，“硬件模块”应理解为包括有形实体，即被物理构造、永久配置(例如硬连线)或临时配置(例如编程)，以一定方式操作或执行在此所述的一些操作。在此使用的“硬件实施模块”是指硬件模块。考虑到硬件模块被临时配置(例如，编程)的实施例，各硬件模块不需要在某一时间内被配置或实体化。例如，硬件模块包括被配置使用软件的通用处理器的情况下，通用处理器可以在不同时间被配置为各自的不同硬件模块。相应地，软件可以配置处理器，例如，在某一时刻构成特定的硬件模块，并在不同的时间内构成不同的硬件模块。
硬件模块可以向其他硬件模块提供信息并从中接收信息。因此，所述硬件模块可视为被通信耦合。在多个该硬件模块同时存在的情况下，可以通过连接硬件模块的信号传输(例如，通过适当的电路和总线)来实现通信。当实施例中多个硬件模块在不同时间被配置或实体化时，该硬件模块之间的通信，例如可以通过在多个硬件模块能够访问的存储器结构中存储和检索信息被实现。例如，一个硬件模块可以执行操作并将该操作的输出存储在其被通信耦合的存储装置中。随后，进一步的硬件模块可以存取存储装置以检索和处理所存储的输出。硬件模块还可以启动与输入或输出装置的通信，并且可以在资源(例如，信息集合)上操作。
在此所述的示例方法的各种操作可以由被临时配置(例如，软件)或永久配置执行相关操作的一个或多个处理器执行或至少部分地执行。无论是临时配置还是永久配置，这些处理器都可以构成处理器实施的模块，以执行一个或多个操作或功能。在一些示例实施例中在此涉及的模块可以包括处理器实施的模块。
同样，在此所述的方法或例程可以至少部分地由处理器实施。例如，方法的至少一些操作可以由一个或多个处理器或处理器实施的硬件模块被执行。一些操作的性能可以分布在一个或多个处理器之间，不仅驻留在一个机器中，而且部署在多个机器上。在一些示例性实施例中，处理器可以位于单个位置(例如，在家庭环境、办公环境或服务器场中)，而在其他实施例中，处理器可以分布在多个位置。
一个或多个处理器也可以操作来支持在“云计算”环境或“作为服务器的软件”(SaaS)中的相关操作的性能。例如，至少一些操作可以由一组计算机(例如包括处理器的机器)执行，这些操作可通过网络(例如因特网)和一个或多个适当的界面(例如，应用程序界面(APIs))被存取。
一些操作的性能可以分布在一个或多个处理器之间，不仅驻留在一台机器中，而且部署在多台机器上。在一些示例实施例中，一个或多个处理器或处理器实现的模块可以位于单个地理位置(例如，在家庭环境、办公环境或服务器场中)。在其他示例实施例中，一个或多个处理器或处理器实现的模块可以分布在多个地理位置。
本说明书中的一些部分以对存储在机器存储器(例如计算机存储器)中的比特或二进制数字信号的数据运算的算法或符号表示被说明。这些算法或符号表示是本数据处理技术中普通技术人员使用的技术示例，以将其工作的实质传达给其他精通该技术的人。在此所使用的“算法”是一种自相容的操作序列或类似的处理，以实现所需的结果。在这种情况下，算法和操作涉及物理量的物理操作。通常这些量可以采取电子、磁或光信号的形式，能够由机器存储、存取、传输、组合、比较或以其他方式操作，但不是必须的。有时是出于普遍使用的原因使用“数据”、“内容”、“比特”、“值”、“元素”、“符号”、“字符”、“术语”、“数字”、“数字符号”之类的词语较为方便。然而，这些词语只是方便来与适当的物理量相关联。
除非另有具体说明，此处使用诸如“处理”、“电脑计算”、“计算”、“确定”、“表示”、“显示”等词语进行的说明，可涉及机器(例如计算机)的动作或处理，在一个或多个存储器(例如，易失性存储器、非易失性存储器或其组合)、寄存器或接收、存储、传输或显示信息的其他机器部件中操作或转换以物理(例如，电子、磁或光学)量被表示的数据。
如此处所使用的“一些实施例”或“实施例”或“示教”的任何引用都表示被包括在至少一个实施例中与实施例相关联的特定元素、特征、结构或特征。“在一些实施例中”或“示教”一词在本说明书的不同地方的出现不一定都是指同一实施例。
一些实施例可以通过使用“耦合”和“连接”的表达及其衍生物被描述。例如，可以使用术语“耦合”来描述一些实施例，以指示两个或多个元件处于直接物理或电接触中。然而，“耦合”一词也可能意味着两个或多个元素之间没有直接联系，但仍然相互操作或相互作用。实施例在这种情况下是不受限制的。
此外，附图仅为了说明优选实施例被示出。本领域的技术人员从以下说明中可容易地认识到，在不脱离本文所述的原则下使用在此所示出的结构和方法的替代实施例。
根据本公开，本领域的技术人员应理解通过此处公开的原则为此处描述的系统和方法提供额外的选择性结构和功能设计。因此，虽然已经说明和描述了特定的实施例和应用，但应该理解，所公开的实施例不限于在此公开的精确结构和组件。对于本领域的技术人员来说，在不脱离权利要求中定义的任何精神和范围下可以在此处公开的系统和方法的配置、操作和细节中进行各种修改、更改和改变。

Claims (25)

1.一种为跨多个计算机网络装置和信道的单个用户创建和匹配通用标识的系统，包括：
数字营销平台服务器，包括一个或多个处理器、与所述一个或多个处理器耦合的存储器；
聚类模块，包括存储在所述存储器中并在所述处理器上操作的处理器可执行指令，在对应于多个客户的数据上执行一个或多个聚类方法、所述数据识别用于客户的装置和信道；
回归模块，包括存储在所述存储器中并在所述处理器上操作的处理器可执行指令，执行对应于所述多个客户的所述数据的回归分析；
多类分类模块，包括存储在所述存储器中并在所述处理器上操作的处理器可执行指令，为所述装置和信道中的一个或多个创建多类分类器；
异常检测模块，包括存储在所述存储器中并在所述处理器上操作的处理器可执行指令，接收对应于所述多个客户的数据中数据类的训练数据，并迭代所述装置和信道所有可能的组合以确定多个通用ID；以及
二进制分类模块，包括存储在所述存储器中并在处理器上操作的处理器可执行指令，为对应于所述多个客户的数据创建二进制分类器，所述二进制分类器识别一个通用ID，匹配用于所述客户的所述装置和信道数据集。
2.根据权利要求1所述的系统，其中对应于多个客户的所述数据包括第一方数据和第三方数据中的一个或多个。
3.根据权利要求2所述的系统，其中所述第一方数据包括客户配置文件、偏好、习惯和行为、以及信道数据中的一个或多个，所述客户配置文件包括用于商家数字内容系统中特定商家的客户名称和帐户信息中的一个或多个，所述偏好包括客户与商家的购买历史记录、意愿列表、Cookie数据、投标请求或响应、以及客户和商家之间的社交喜好中的一个或多个，所述习惯和行为包括客户和/或商家位置、Wi-Fi SSID、以及商家对客户数据进行的数据分析中的一个或多个，且所述信道数据包括客户/商家商业数据、客户关系管理CRM数据、以及社交媒体数据中的一个或多个，所述第三方数据包括应用程序市场数据和社交媒体数据中的一个或多个。
4.根据权利要求3所述的系统，其中所述一个或多个聚类方法包括K-均值聚类过程。
5.根据权利要求4所述的系统，其中所述回归分析包括：一个或多个回归函数，包括有序回归、神经网络回归、贝叶斯线性回归、决策森林回归和K-均值回归中的至少一个。
6.根据权利要求5所述的系统，其中所述回归模块包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，从对应于多个客户的所述数据中合并来自非结构化数据集的ID属性。
7.根据权利要求6所述的系统，其中所述回归模块还包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，确定对应于所述多个客户的所述数据的各数据源对于所述一个或多个回归函数的贡献，以便将对应于所述多个客户的所述数据中的唯一数据片与单个通用ID相匹配。
8.根据权利要求7所述的系统，其中所述多类分类模块包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，以预测匹配的装置和信道的一个或多个值。
9.根据权利要求8所述的系统，其中所述多类分类模块还包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，来执行所述指令从而在预测匹配的装置和信道的值之前，为所述数据描述的所述装置和信道中的一个或多个创建多类分类器。
10.根据权利要求9所述的系统，其中所述多类分类模块还包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，执行以下中的一个或多个：基于所述数据创建和穿越多类神经网络、基于所述数据创建和穿越多类决策林、以及基于所述数据创建和穿越贝叶斯网络。
11.根据权利要求10所述的系统，其中迭代所述装置和信道所有可能的组合以确定所述异常检测模块的所述通用ID的所述指令包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令以执行单类支持向量机。
12.根据权利要求11所述的系统，其中所述二进制分类模块包括存储在所述存储器中并在所述处理器上操作的进一步处理器可执行指令，实施两类支持向量机、局部深度支持向量机和两类神经网络中的一个或多个。
13.一种基于存储在计算装置的存储器中并在所述计算装置的处理器上操作的指令，从对应于多个客户的数据中创建通用ID的方法，所述方法包括：
基于对应于多个客户的所述数据创建贝叶斯网络，所述贝叶斯网络显示对应于所述多个客户的所述数据之间的概率关系；
在所述贝叶斯网络上执行条件查询和最大查询，所述查询包括后验边际、概率证据、最可能的解释和最大后验假设；
基于所述贝叶斯网络在对应于所述多个客户的所述数据中发现跨装置和跨信道变量；以及
基于所述贝叶斯网络在对应于所述多个客户的所述数据中查找匹配的行为和数据点。
14.根据权利要求13所述的方法，其中对应于所述多个客户的所述数据包括第一方数据和第三方数据中的一个或多个，所述第一方数据包括客户配置文件、偏好、习惯和行为、以及信道数据中的一个或多个，所述客户配置文件包括商家数字内容系统中特定商家的客户名称和帐户信息中的一个或多个，所述偏好包括客户与商家的购买历史记录、意愿列表、Cookie数据、投标请求或响应、以及客户和商家之间的社交喜好中的一个或多个，所述习惯和行为包括客户和/或商家位置、Wi-Fi SSID、以及商家对客户数据进行的数据分析中的一个或多个，且所述信道数据包括客户/商家商业数据、客户关系管理CRM数据、以及社交媒体数据中的一个或多个，所述第三方数据包括应用程序市场数据和社交媒体数据中的一个或多个。
15.根据权利要求14所述的方法，其中所述贝叶斯网络包括有向无环图DAG，所述DAG包括多个边缘和节点，各节点由来自公共源的数据集组成，且各节点包括条件概率表。
16.根据权利要求13所述的方法，其中所述DAG的联合概率被表示为：
17.根据权利要求16所述的方法，其中创建所述DAG包括绑定对应于多个客户的所述数据。
18.根据权利要求17所述的方法，其中所述DAG包括在所有可能的网络上的最大后验概率分布，条件是对应于所述多个客户的所述数据。
19.根据权利要求18所述的方法，其中创建所述DAG包括为各节点建立条件概率表CPTs，所述CPTs包括对应于所述多个客户的所述数据中的所有变量的联合概率分布，并将所述联合概率分布转换成对应于所述多个客户的所述数据的各因变量的条件概率。
20.根据权利要求19所述的方法，进一步包括记录所述DAG和相关的CPTs，使用机器学习程序分析所述DAG和CPTs，并形成关于对应于所述多个客户的所述数据的假设。
21.根据权利要求20所述的方法，其中对于不在对应于所述多个客户的所述数据中的每个Xi的后验边际，可信度被定义为
bel(Xi)＝Pβ(Xi|e)
其中
22.根据权利要求21所述的方法，其中所述概率证据包括：
Pβ(E＝e)在先
23.根据权利要求22所述的方法，其中所述最可能的解释mpe包括：
mpe＝Pβ(x0)＝赋值
满足
24.根据权利要求23所述的方法，其中所述最大后验假设包括：
赋值鉴于对应于所述多个客户的所述数据A＝{A1,…,AK}, 以及
25.根据权利要求24所述的方法，其中基于所述贝叶斯网络在对应于所述多个客户的所述数据中查找匹配的行为和数据点，包括以下中的一个或多个：使用支持向量机识别与对应于所述多个客户的所述数据中的一个或多个模式，使用所述支持向量机来分类对应于所述多个客户的所述数据中的确定性客户数据，以及对最匹配所述确定性客户数据的概率数据进行分类。
CN201680067303.2A 2015-09-18 2016-09-19 通用标识 Pending CN108293046A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562220727P 2015-09-18 2015-09-18
US62/220,727 2015-09-18
US201662288763P 2016-01-29 2016-01-29
US62/288,763 2016-01-29
PCT/US2016/052509 WO2017049298A1 (en) 2015-09-18 2016-09-19 Universal identification

Publications (1)

Publication Number Publication Date
CN108293046A true CN108293046A (zh) 2018-07-17

Family

ID=58282653

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201680067303.2A Pending CN108293046A (zh) 2015-09-18 2016-09-19 通用标识
CN201680066970.9A Pending CN108369433A (zh) 2015-09-18 2016-09-19 微瞬间分析

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201680066970.9A Pending CN108369433A (zh) 2015-09-18 2016-09-19 微瞬间分析

Country Status (6)

Country Link
US (2) US10789612B2 (zh)
EP (2) EP3350975A4 (zh)
CN (2) CN108293046A (zh)
HK (2) HK1258510A1 (zh)
MA (2) MA42846A (zh)
WO (2) WO2017049310A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11418488B2 (en) * 2019-12-13 2022-08-16 Vmware, Inc. Dynamic variance mechanism for securing enterprise resources using a virtual private network

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190279236A1 (en) * 2015-09-18 2019-09-12 Mms Usa Holdings Inc. Micro-moment analysis
CN108293046A (zh) 2015-09-18 2018-07-17 Mms美国控股有限公司 通用标识
US10783535B2 (en) 2016-05-16 2020-09-22 Cerebri AI Inc. Business artificial intelligence management engine
US11868916B1 (en) * 2016-08-12 2024-01-09 Snap Inc. Social graph refinement
US10762563B2 (en) 2017-03-10 2020-09-01 Cerebri AI Inc. Monitoring and controlling continuous stochastic processes based on events in time series data
US10402723B1 (en) 2018-09-11 2019-09-03 Cerebri AI Inc. Multi-stage machine-learning models to control path-dependent processes
US10581980B2 (en) * 2017-06-01 2020-03-03 Xandr Inc. Device identification techniques using shared device graph
US10963819B1 (en) * 2017-09-27 2021-03-30 Amazon Technologies, Inc. Goal-oriented dialog systems and methods
US10657229B2 (en) 2017-11-21 2020-05-19 Fair Isaac Corporation Building resilient models to address dynamic customer data use rights
CN108390883B (zh) * 2018-02-28 2020-08-04 武汉斗鱼网络科技有限公司 刷人气用户的识别方法、装置及终端设备
CN108421216B (zh) * 2018-03-30 2023-08-22 广东工业大学 确定用户运动速度和运动方向的系统及应用该系统的能实现万向的位移运动装置
CN108596370A (zh) * 2018-03-30 2018-09-28 校宝在线（杭州）科技股份有限公司 一种基于咨询环境的度量分析预测报名成功率的方法
US11074635B2 (en) 2018-05-25 2021-07-27 Target Brands, Inc. Real-time recommendation monitoring dashboard
US11132733B2 (en) * 2018-05-25 2021-09-28 Target Brands, Inc. Personalized recommendations for unidentified users based on web browsing context
US11068942B2 (en) 2018-10-19 2021-07-20 Cerebri AI Inc. Customer journey management engine
CA3123945A1 (en) * 2018-12-21 2020-06-25 Odaia Intelligence Inc. Accurate and transparent path prediction using process mining
US11593510B1 (en) * 2019-05-01 2023-02-28 Meta Platforms, Inc. Systems and methods for securely sharing and processing data between parties
US11334680B1 (en) 2019-05-01 2022-05-17 Meta Platforms, Inc. Systems and methods for securely sharing and processing data between parties
US11403649B2 (en) 2019-09-11 2022-08-02 Toast, Inc. Multichannel system for patron identification and dynamic ordering experience enhancement
CN111091409B (zh) * 2019-10-31 2022-08-09 支付宝(杭州)信息技术有限公司 客户标签的确定方法、装置和服务器
AU2021328261A1 (en) * 2020-08-18 2023-03-16 Edera L3C Change management system and method
US20220198491A1 (en) * 2020-12-23 2022-06-23 Lucas GC Limited Deep Learning Model on Customer Lifetime Value (CLV) for Customer Classifications and Multi-Entity Matching
US20220300972A1 (en) * 2021-03-22 2022-09-22 Finicity Corporation Trust root system for verification of user consents
US11829418B2 (en) 2021-08-12 2023-11-28 Liveramp, Inc. Identity graph data structure with entity-level opt-ins
US20230306448A1 (en) * 2022-03-28 2023-09-28 Verizon Patent And Licensing Inc. System and method for persona generation

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103368921A (zh) * 2012-04-06 2013-10-23 三星电子（中国）研发中心 用于智能设备的分布式用户建模系统和方法
US20130317993A1 (en) * 2012-05-25 2013-11-28 24/7 Customer, Inc. Method and apparatus for linking user sessions and establishing identity across channels
CN104199836A (zh) * 2014-08-04 2014-12-10 浙江工商大学 一种基于子兴趣划分的标注用户模型建构方法
US20150081597A1 (en) * 2011-09-23 2015-03-19 24/7 Customer, Inc. Customer Journey Prediction and Resolution
CN105069666A (zh) * 2015-09-14 2015-11-18 浙江工商大学 一种融入用户隐性信息的电子商务个性化推荐方法

Family Cites Families (88)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2517410B2 (ja) 1989-05-15 1996-07-24 三菱電機株式会社 学習機能付集積回路装置
US5172204A (en) 1991-03-27 1992-12-15 International Business Machines Corp. Artificial ionic synapse
KR0170505B1 (ko) 1995-09-15 1999-03-30 양승택 다층퍼셉트론 신경회로망의 n비트 데이타 표현에 의한 학습방법
US6714975B1 (en) 1997-03-31 2004-03-30 International Business Machines Corporation Method for targeted advertising on the web based on accumulated self-learning data, clustering users and semantic node graph techniques
GB2363650A (en) 1999-01-15 2002-01-02 Cybuy Llc System and method for transaction enabled advertising
KR100306848B1 (ko) 1999-06-19 2001-09-24 윤덕용 신경회로망을 이용한 선택적 주의집중 방법
US7822636B1 (en) 1999-11-08 2010-10-26 Aol Advertising, Inc. Optimal internet ad placement
CA2409995C (en) 2000-05-24 2010-01-12 Overture Services, Inc. Online media exchange
US6904408B1 (en) 2000-10-19 2005-06-07 Mccarthy John Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators
US7233933B2 (en) * 2001-06-28 2007-06-19 Microsoft Corporation Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability
AU2002355530A1 (en) * 2001-08-03 2003-02-24 John Allen Ananian Personalized interactive digital catalog profiling
US8095589B2 (en) 2002-03-07 2012-01-10 Compete, Inc. Clickstream analysis methods and systems
US20110071900A1 (en) 2009-09-18 2011-03-24 Efficient Frontier Advertisee-history-based bid generation system and method for multi-channel advertising
US8706551B2 (en) 2003-09-04 2014-04-22 Google Inc. Systems and methods for determining user actions
US20050144069A1 (en) * 2003-12-23 2005-06-30 Wiseman Leora R. Method and system for providing targeted graphical advertisements
US8768766B2 (en) 2005-03-07 2014-07-01 Turn Inc. Enhanced online advertising system
US20070033098A1 (en) 2005-08-05 2007-02-08 International Business Machines Corporation Method, system and storage medium for creating sales recommendations
US20080126108A1 (en) 2005-10-11 2008-05-29 Hodgin C Reed System and method for implementing a meteorological network for improved atmospheric modeling
CN101310294A (zh) 2005-11-15 2008-11-19 伯纳黛特·加纳 神经网络的训练方法
US20150154632A1 (en) 2007-04-30 2015-06-04 Deepak Jindal Determining a number of view-through conversions for an online advertising campaign
US7948400B2 (en) 2007-06-29 2011-05-24 Microsoft Corporation Predictive models of road reliability for traffic sensor configuration and routing
US20090106734A1 (en) * 2007-10-23 2009-04-23 Riesen Michael J Bayesian belief network query tool
US8744917B2 (en) 2007-11-02 2014-06-03 Buysafe, Inc. Method, system and components for obtaining, evaluating and/or utilizing seller, buyer and transaction data
US20090198579A1 (en) 2008-02-01 2009-08-06 Lewis Robert C Keyword tracking for microtargeting of mobile advertising
US20100042496A1 (en) 2008-08-13 2010-02-18 Disney Enterprises, Inc. Advertising inventory management system and method
US20150220951A1 (en) * 2009-01-21 2015-08-06 Truaxis, Inc. Method and system for inferring an individual cardholder's demographic data from shopping behavior and external survey data using a bayesian network
US8655821B2 (en) * 2009-02-04 2014-02-18 Konstantinos (Constantin) F. Aliferis Local causal and Markov blanket induction method for causal discovery and feature selection from data
JP5662446B2 (ja) 2009-08-14 2015-01-28 データシュー インコーポレイテッド リアルタイム広告入札に対して競争評価モデルを使用するための学習システム
US8689136B2 (en) 2010-02-03 2014-04-01 Yahoo! Inc. System and method for backend advertisement conversion
AU2010349015B2 (en) 2010-03-23 2015-07-16 Amara, Ashok Babu Conversion path performance measures and reports
US20110320395A1 (en) 2010-06-29 2011-12-29 Uzair Dada Optimization of Multi-channel Commerce
US11042897B2 (en) 2010-08-30 2021-06-22 Adap.Tv, Inc. System and method for determining effects of multi-channel media sources on multi-channel conversion events
US20120078708A1 (en) 2010-09-23 2012-03-29 Kate Taylor System and Method for Recording and Analyzing Internet Browser Traffic Independent of Individual or Specific Digital Platforms or Websites
US8396822B2 (en) * 2010-12-23 2013-03-12 Yahoo! Inc. Clustering cookies for identifying unique mobile devices
US8620933B2 (en) 2011-04-11 2013-12-31 Google Inc. Illustrating cross channel conversion paths
US20120259851A1 (en) 2011-04-11 2012-10-11 Google Inc. Aggregation of conversion paths utilizing user interaction grouping
US20120259854A1 (en) 2011-04-11 2012-10-11 Google Inc. Conversion Path Based Segmentation
US20120260185A1 (en) 2011-04-11 2012-10-11 Google Inc. Path length selector
US8510326B2 (en) 2011-04-11 2013-08-13 Google Inc. Priority dimensional data conversion path reporting
US8788339B2 (en) 2011-05-27 2014-07-22 Google Inc. Multiple attribution models with return on ad spend
US8655907B2 (en) 2011-07-18 2014-02-18 Google Inc. Multi-channel conversion path position reporting
US20180308123A1 (en) 2011-08-01 2018-10-25 Google Inc. System and method for fractional attribution utilizing aggregated advertising information
US20160027041A1 (en) 2011-08-01 2016-01-28 Google Inc. System, method and computer program product for fractional attribution using online advertising information
US20130041748A1 (en) 2011-08-09 2013-02-14 Google Inc. Conversion type to conversion type funneling
US8959450B2 (en) 2011-08-22 2015-02-17 Google Inc. Path explorer visualization
US20130124299A1 (en) 2011-09-06 2013-05-16 Epic Media Group, INC. Optimizing Communication of Content Through Networked Media
US10127564B2 (en) 2011-09-15 2018-11-13 Stephan HEATH System and method for using impressions tracking and analysis, location information, 2D and 3D mapping, mobile mapping, social media, and user behavior and information for generating mobile and internet posted promotions or offers for, and/or sales of, products and/or services
CN102346899A (zh) * 2011-10-08 2012-02-08 亿赞普(北京)科技有限公司 一种基于用户行为的广告点击率预测方法和装置
US8737599B2 (en) 2011-11-23 2014-05-27 24/7 Customer, Inc. Interaction management
US20130173382A1 (en) 2012-01-03 2013-07-04 Tal Hasson Conversion attribution for earned media
US9547832B2 (en) 2012-01-10 2017-01-17 Oracle International Corporation Identifying individual intentions and determining responses to individual intentions
US20130253969A1 (en) 2012-03-20 2013-09-26 International Business Machines Corporation Broadcast Messaging of Incentives Based on Value
US10616782B2 (en) 2012-03-29 2020-04-07 Mgage, Llc Cross-channel user tracking systems, methods and devices
CN102663519A (zh) * 2012-04-01 2012-09-12 浙江盘石信息技术有限公司 网络广告投放中媒体选择的优化系统及方法
US9275342B2 (en) 2012-04-09 2016-03-01 24/7 Customer, Inc. Method and apparatus for intent modeling and prediction
US10204343B2 (en) 2012-05-18 2019-02-12 [24]7.ai, Inc. Multi-channel customer identification
US9208432B2 (en) 2012-06-01 2015-12-08 Brain Corporation Neural network learning and collaboration apparatus and methods
US9652797B2 (en) 2013-01-18 2017-05-16 24/7 Customer, Inc. Intent prediction based recommendation system using data combined from multiple channels
US20160034948A1 (en) 2013-02-28 2016-02-04 Google Inc. System and method for fractional attribution utilizing user-level data and aggregate level data
US10574766B2 (en) 2013-06-21 2020-02-25 Comscore, Inc. Clickstream analysis methods and systems related to determining actionable insights relating to a path to purchase
CN103345512A (zh) * 2013-07-06 2013-10-09 北京品友互动信息技术有限公司 一种基于用户属性的网络广告点击率预测方法和装置
US20160267521A1 (en) 2013-11-06 2016-09-15 Yume, Inc. Systems and methods for electronically monitoring audience attentiveness and receptiveness
CN104636940A (zh) * 2013-11-07 2015-05-20 深圳市腾讯计算机系统有限公司 广告投放方法及系统、广告筛选方法及装置、服务器
US20150163311A1 (en) 2013-11-26 2015-06-11 Martin Charles Heath Systems and methods for capturing, managing, and triggering user journeys associated with trackable digital objects
US9858586B2 (en) 2013-12-05 2018-01-02 Google Llc Methods and systems for creating rules for assigning attribution credit across a plurality of events
US20150235240A1 (en) * 2014-02-18 2015-08-20 24/7 Customer, Inc. Method and apparatus for improving customer interaction experiences
US20150262217A1 (en) 2014-03-17 2015-09-17 Google Inc. User path abandonment analysis
US10706432B2 (en) 2014-09-17 2020-07-07 [24]7.ai, Inc. Method, apparatus and non-transitory medium for customizing speed of interaction and servicing on one or more interactions channels based on intention classifiers
US20160098735A1 (en) 2014-10-07 2016-04-07 Adobe Systems Incorporated Marketing channel attribution
WO2016065417A1 (en) 2014-10-27 2016-05-06 Flamingo Ventures Pty Ltd Customer experience personalisation management platform
US20160210656A1 (en) 2014-12-31 2016-07-21 Anto Chittilappilly System for marketing touchpoint attribution bias correction
US9336483B1 (en) 2015-04-03 2016-05-10 Pearson Education, Inc. Dynamically updated neural network structures for content distribution networks
US20160342911A1 (en) 2015-05-19 2016-11-24 24/7 Customer, Inc. Method and system for effecting customer value based customer interaction management
US10311443B2 (en) 2015-06-19 2019-06-04 [24]7.ai, Inc. Method and apparatus for managing customer interactions on multiple interaction channels
EP3326119A4 (en) 2015-07-22 2018-08-08 Wisdo Ltd. Methods and systems for dynamically generating real-time recommendations
US20170046732A1 (en) 2015-08-14 2017-02-16 International Business Machines Corporation Training a machine to dynamically determine and communicate customized, product-dependent promotions with no or limited historical data over a network
US9842365B2 (en) 2015-09-15 2017-12-12 Google Inc. Guided purchasing via smartphone
CN108293046A (zh) 2015-09-18 2018-07-17 Mms美国控股有限公司 通用标识
US20190279236A1 (en) 2015-09-18 2019-09-12 Mms Usa Holdings Inc. Micro-moment analysis
US9674362B2 (en) 2015-09-29 2017-06-06 Nice Ltd. Customer journey management
US10785371B2 (en) 2015-12-21 2020-09-22 Avaya, Inc. Optimal resource and channel selection
US10692099B2 (en) 2016-04-11 2020-06-23 International Business Machines Corporation Feature learning on customer journey using categorical sequence data
US10546313B2 (en) 2016-08-09 2020-01-28 International Business Machines Corporation Determining sensor placement and a reward sharing mechanism based on shared energy forecasting information
US20180053199A1 (en) 2016-08-22 2018-02-22 Adobe Systems Incorporated Auto-segmentation
US9866695B1 (en) 2016-08-30 2018-01-09 Genesys Telecommunications Laboratories, Inc. System and method for predictive routing based on a customer journey patience
US10558985B2 (en) 2016-11-23 2020-02-11 Impact Radius, Inc. Pathing and attribution in marketing analytics
US20180300748A1 (en) 2017-04-14 2018-10-18 Vladyslav Flaks Technologies for granular attribution of value to conversion events in multistage conversion processes
US20190266622A1 (en) 2018-02-27 2019-08-29 Thinkcx Technologies, Inc. System and method for measuring and predicting user behavior indicating satisfaction and churn probability

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150081597A1 (en) * 2011-09-23 2015-03-19 24/7 Customer, Inc. Customer Journey Prediction and Resolution
CN103368921A (zh) * 2012-04-06 2013-10-23 三星电子（中国）研发中心 用于智能设备的分布式用户建模系统和方法
US20130317993A1 (en) * 2012-05-25 2013-11-28 24/7 Customer, Inc. Method and apparatus for linking user sessions and establishing identity across channels
CN104199836A (zh) * 2014-08-04 2014-12-10 浙江工商大学 一种基于子兴趣划分的标注用户模型建构方法
CN105069666A (zh) * 2015-09-14 2015-11-18 浙江工商大学 一种融入用户隐性信息的电子商务个性化推荐方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11418488B2 (en) * 2019-12-13 2022-08-16 Vmware, Inc. Dynamic variance mechanism for securing enterprise resources using a virtual private network

Also Published As

Publication number Publication date
HK1258510A1 (zh) 2019-11-15
CN108369433A (zh) 2018-08-03
EP3350664A4 (en) 2019-04-17
EP3350664A1 (en) 2018-07-25
MA42847A (fr) 2018-07-25
US20170083916A1 (en) 2017-03-23
WO2017049298A1 (en) 2017-03-23
EP3350975A4 (en) 2019-04-17
WO2017049310A1 (en) 2017-03-23
EP3350975A1 (en) 2018-07-25
US20170083937A1 (en) 2017-03-23
HK1258539A1 (zh) 2019-11-15
MA42846A (fr) 2018-07-25
US10789612B2 (en) 2020-09-29

Similar Documents

Publication Publication Date Title
CN108293046A (zh) 通用标识
Hwang et al. Big-data analytics for cloud, IoT and cognitive computing
JP7492541B2 (ja) 機械学習サービスを提供するための方法及びシステム
Hasan et al. Fischer linear discrimination and quadratic discrimination analysis–based data mining technique for internet of things framework for Healthcare
Shahriari et al. Taking the human out of the loop: A review of Bayesian optimization
Corominas-Murtra et al. On the origins of hierarchy in complex networks
WO2019169756A1 (zh) 产品推荐方法、装置及存储介质
US11188950B2 (en) Audience expansion for online social network content
US11587143B2 (en) Neural contextual bandit based computational recommendation method and apparatus
Arora et al. A novel chaotic interior search algorithm for global optimization and feature selection
CN109451757A (zh) 在保持用户匿名的同时使用机器学习从行为数据预测心理度量简档
US10102503B2 (en) Scalable response prediction using personalized recommendation models
CN107111652A (zh) 基于设备被链接的概率来选择设备内容的系统与方法
CN102067119A (zh) 电子资料开发、存储、使用以及基于其采取行动的系统
US20150356658A1 (en) Systems And Methods For Serving Product Recommendations
de Freitas Taking the human out of the loop: A review of bayesian optimization
Ghazal Fischer linear discrimination and quadratic discrimination analysis–based data mining technique for internet of things framework for healthcare
US10528959B2 (en) Micro-moment analysis
Wang et al. Efficient ordered combinatorial semi-bandits for whole-page recommendation
Hsieh et al. A keyword-aware recommender system using implicit feedback on Hadoop
US20230020864A1 (en) Social network for merchants
Singu et al. An IOT based Home Automation System (HAS)
Rogić et al. Customer response model in direct marketing: solving the problem of unbalanced dataset with a balanced support vector machine
US20190087879A1 (en) Marketplace listing analysis systems and methods
CN118043802A (zh) 一种推荐模型训练方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1258510

Country of ref document: HK

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180717