CN108319612A - 受众媒体推荐方法和系统 - Google Patents

受众媒体推荐方法和系统 Download PDF

Info

Publication number
CN108319612A
CN108319612A CN201710035440.4A CN201710035440A CN108319612A CN 108319612 A CN108319612 A CN 108319612A CN 201710035440 A CN201710035440 A CN 201710035440A CN 108319612 A CN108319612 A CN 108319612A
Authority
CN
China
Prior art keywords
product
audient
media
behavior
competing
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
CN201710035440.4A
Other languages
English (en)
Inventor
杨帆
何维
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.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710035440.4A priority Critical patent/CN108319612A/zh
Publication of CN108319612A publication Critical patent/CN108319612A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/487—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种受众媒体推荐方法和系统，该方法包括：接收本品信息；基于所述本品信息确定本品受众在本品所属行业的关键消费阶段；确定本品受众在所述关键消费阶段下的媒体分布；以及根据所述媒体分布选取本品的推荐行业媒体。应用本发明，通过精准定位的本品所属行业的关键消费阶段，可有利于精准定位确定本品的目标受众，从而在推荐行业媒体上进行精准投放，增强本品的媒体投放效果。

Description

受众媒体推荐方法和系统
技术领域
本公开一般涉及互联网技术领域，具体涉及受众媒体推荐方法和系统。
背景技术
目前，在针对某种物品或服务做媒体广告推广的过程中，一般会遇到两个问题：一是产品是否适合投放在某个媒体上；二是某个媒体的推广效果是否足够好，是否能覆盖客户所期望的目标人群。
现有技术中，一般采用简单的人工分类方法，比如汽车产品就投放到汽车频道的媒体，女性产品就投放到女性频道的媒体等。由此可以看出，目前媒体与客户产品之间的匹配关系尚停留在人工经验阶段，媒体推广效率较低，且产品的媒体投放效果不佳；而且，现有的人工经验方法不具有系统性，无法大面积使用，并且，不同人员的经验会有不同，无法给出一个统一标准，也没有数据支撑。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种能够提供客观精准的媒体投放推荐策略，有效增强本品的媒体投放效果。
第一方面，本申请实施例提供了一种受众媒体推荐方法，所述方法包括：
接收本品信息；
基于所述本品信息确定本品受众在本品所属行业的关键消费阶段；
确定本品受众在所述关键消费阶段下的媒体分布；以及
根据所述媒体分布选取所述本品的推荐行业媒体。
第二方面，本申请实施例还提供了一种受众媒体推荐系统，所述系统包括：
本品接收模块，配置用于接收本品信息；
关键阶段确定模块，配置用于基于所述本品信息确定本品受众在本品所属行业的关键消费阶段；
媒体分布确定模块，配置用于确定本品受众在所述关键消费阶段下的媒体分布；以及
推荐媒体选取模块，配置用于根据本品受众在所述关键消费阶段下的媒体分布，选取所述本品的推荐行业媒体。
第三方面，本申请实施例还提供了一种计算机设备，包括一个或多个处理器以及存储器，所述存储器包含可由所述处理器执行的指令以使得所述处理器执行本申请实施例提供的受众媒体推荐方法。
本申请实施例提供的受众媒体推荐的方案，将待推广的物品或服务作为本品，精准定位本品受众在本品所属行业的关键消费阶段所接触的媒体及媒体分布；进而根据精准定位的媒体分布，选取本品的推荐行业媒体；通过关键消费阶段的定位可便于进一步定位本品的目标受众；进而在确定出的最佳推荐行业媒体上实现本品的精准投放，有效增强本品的媒体投放效果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了其中可以应用本申请实施例的示例性系统架构；
图2示出了根据本申请实施例的受众媒体推荐方法的示例性流程图；
图3示出了根据本申请另一实施例的受众媒体推荐方法的示例性流程图；
图4示出了根据本申请一个实施例的受众媒体推荐系统的示例性结构框图；
图5a出了根据本申请另一个实施例的关键阶段确定模块的示例性结构框图；
图5b出了根据本申请另一个实施例的媒体分布确定模块的示例性结构框图；以及
图6示出了适于用来实现本申请实施例的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，其示出了可以应用本申请实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、网络103和服务器104、105、106和107。网络103用以在终端设备101、102和服务器104、105、106、107之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102通过网络103与服务器104、105、106、107交互，以访问服务器104提供的各种服务。
终端设备101、102可以是各种电子设备，包括但不限于个人电脑、智能手机、智能电视、平板电脑、个人数字助理、电子书阅读器等等。
服务器104、105、106、107可以是提供各种服务的服务器。服务器可以响应于用户的服务请求而提供服务。可以理解，一个服务器可以提供一种或多种服务，同一种服务也可以由多个服务器来提供。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
如背景技术中所提到的，现有技术针对待推广的物品或服务的媒体推荐过程中存在定位不够精准的问题，导致本品的媒体投放效果不佳。
鉴于现有技术的上述缺陷，本申请实施例提供了一种受众媒体推荐方案。在本申请提供的受众媒体推荐方案中，可通过大数据精准定位本品受众在本品所属行业的关键消费阶段；并进一步精准定位本品受众在关键消费阶段下的媒体分布；根据关键消费阶段下的媒体分布选取出本品的推荐行业媒体，可实现本品的精准投放，有效增强本品的媒体推广效果。
为了便于描述，待推荐的物品或服务在本申请中可称为本品；本品信息包括但不限于本品、本品所属行业等相关信息。同一行业内，可将本品的竞争对手称为竞品；而将本品所属的细分类型称为产品。例如，汽车行业下，如果本品是品牌奇骏，奇骏所属的细分类型是紧凑型SUV(Sport Utility Vehicle，运动型多用途汽车)，那么，品牌观致3可以为本品的竞品，紧凑型SUV为本品的产品。
实际应用中，当用户关注了本品，则可以称该用户为本品受众。相应地，当用户关注了竞品，则可以称该用户为竞品受众；当用户关注了产品，则可以称该用户为产品受众。本申请实施例中，将基于用户的行为来判断用户是否关注了本品(或竞品、产品)。
本发明的发明人考虑到，待推广的物品或服务的广告主在营销投放中最为迫切的问题是如何找到目标受众、以及目标受众偏好的媒体进行广告投放。而现有的媒体营销投放未对消费者的需求和意愿进行阶段的划分，这导致在媒体上的投放效果相对粗放。当消费者有可能在某个行业下产生实际的购买行为之前，他们往往是经历了不同的阶段，在这些阶段上他们的需求和意愿都是不同，如果能有效的区分出这些阶段，并结合消费者在不同阶段上的需求选择媒体，就能使媒体的投放更加精细化。
因此，本发明提供的方案中，为了实现推荐媒体的精准定位，以便在本品投放中能够因循受众的不同需求和消费意愿分阶段分群体的进行精细化的投放，可预先基于全量的标签化的用户行为数据，对不同行业的消费者决策阶段进行划分；并针对用户的每个行为数据进一步进行阶段标签的标记。关于行业的消费者决策阶段的划分方案将在后续举例说明。
本申请实施例提供的受众媒体推荐方案，将基于标签化的用户行为数据来实现，其中，用户行为数据上的标签包括但不限于：品牌标签、阶段标签、属性标签。对于一个用户，该用户具有对应的行为序列，行为序列中可包括多个行为，每个行为上具有相应的一个或多个标签。
当用户的行为序列中存在至少一个含有本品的标签的行为，则可以称该用户为本品受众。相应地，当用户的行为序列中存在至少一个含有本品的竞品的标签的行为，则可以称该用户为竞品受众；当用户的行为序列中至少存在一个含有本品的产品的标签的行为，则可以称该用户为产品受众。实际应用中，若用户的行为序列中既存在含有本品的标签的行为，也存在含有竞品的标签的行为，那该用户既是本品受众也是竞品受众。
下面将结合附图来描述本申请的方案。
参考图2，其示出了根据本申请一个实施例的受众媒体推荐方法的示例性流程图。图2所示的方法可以在图1中的终端设备执行，或者在服务器执行。
如图2所示，本申请一个实施例的受众媒体推荐方法包括如下步骤：
210：接收本品信息。
220：基于所接收的本品信息确定本品受众在本品所属行业的关键消费阶段。
230：确定本品受众在关键消费阶段下的媒体分布。
240：根据本品受众在关键消费阶段下的媒体分布选取本品的推荐行业媒体。
在步骤210中，可以接收由本品的广告主输入或者通过其他方式发送的本品信息。其中，本品信息包括：待推广的本品和本品所属行业等相关信息。
在步骤220中，根据所接收的本品信息，确定出本品所属行业所包含的各个消费阶段；继而，通过如下方式从中确定出本品受众在本品所属行业的关键消费阶段：
计算本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值；根据本品受众在不同消费阶段的行为分布占比，以及本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，选取本品受众在行业的关键消费阶段。
通过关键消费阶段的确定算法体现出关键消费阶段是本品相对于竞品和产品的优势阶段。因而，实际应用中，在确定出本品受众在行业的关键消费阶段之后，可从本品受众中筛选出用户行为的标签包括关键消费阶段的用户，筛选出处于本品的优势阶段的用户。
步骤220中，针对本品所属行业的每个消费阶段，可执行如下操作：
分别计算本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比；以及选取如下三个数中的最大值为本品受众在该消费阶段相对竞品受众和产品受众的行为分布占比优势值：
本品受众与竞品受众在该消费阶段下的行为分布占比差值、本品受众与产品受众在该消费阶段下的行为分布占比差值、零。
这样，若针对某一消费阶段，本品受众与竞品受众在该消费阶段下的行为分布占比差值小于零，且本品受众与产品受众在该消费阶段下的行为分布占比差值小于零，则本品受众在该消费阶段相对竞品受众和产品受众的行为分布占比优势值将取值为零。
继而，根据本品受众在不同消费阶段的行为分布占比，选取行为分布占比高的前N个消费阶段；根据本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，选取行为分布占比优势值大的前M个消费阶段；对选取出的(M+N)个消费阶段进行去重，保留没有重复的消费阶段作为本品所属行业的关键消费阶段；其中，M、N均为自然数。
比如，对本品受众在不同消费阶段的行为分布占比进行降序排列，选取靠前的N个消费阶段；对本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值进行降序排列，选取靠前的M个消费阶段；对选取出的(M+N)个消费阶段进行去重，保留没有重复的消费阶段作为本品所属行业的关键消费阶段。
或者，对本品受众在不同消费阶段的行为分布占比进行升序排列，选取最后的N个消费阶段；对本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值进行升序排列，选取最后的M个消费阶段；对选取出的(M+N)个消费阶段进行去重，保留没有重复的消费阶段作为本品所属行业的关键消费阶段。
本发明实施例中，本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比可根据如下方式计算：针对本品受众、竞品受众、产品受众中的任一类受众，执行如下操作：统计预设时间内该类受众在不同消费阶段的初始行为占比；根据该类受众在不同消费阶段的导流率，对初始行为占比进行调整，得到该类受众在不同消费阶段的行为分布占比。
本发明实施例中，针对本品受众、竞品受众、产品受众中的任一类受众，该类受众在不同消费阶段的导流率，可通过如下方式确定：针对每个消费阶段，执行如下操作：确定该类受众在该消费阶段的各目标转化过程的转化率，其中目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；以及汇总该类受众在该消费阶段的所有目标转化过程的转化率，形成该类受众在该消费阶段的导流率。
步骤220中，在计算出指定受众在不同消费阶段的导流率后，可对初始行为占比进行调整。例如，针对本品所属行业的每个消费阶段，将指定受众在该消费阶段的导流率加1后，乘以指定受众在该消费阶段的初始行为占比，得到指定受众在该消费阶段的调优行为占比；将指定受众在各消费阶段的调优行为占比进行归一化处理，得到指定受众在不同消费阶段的行为分布占比。指定受众可以为本品受众、竞品受众、产品受众中任意一类受众。
步骤220中，针对本品受众、竞品受众、产品受众中的任一类受众，该类受众在任一消费阶段的各目标转化过程的转化率，可通过如下方式计算：
针对该消费阶段的每个目标转化过程，执行如下操作：
统计该类受众中处于该目标转化过程的起始阶段的用户总量；统计处于该目标转化过程的起始阶段的所有用户中完成转化的用户量；将完成转化的用户量占处于该目标转化过程的起始阶段的用户总量的比率，确定为该类受众在该消费阶段的该目标转化过程的转化率。
实际应用中，可根据如下方式确定处于目标转化过程的起始阶段的用户是否完成该目标转化过程的转化：
处于目标转化过程的起始阶段的用户的行为序列中，从包含起始阶段标签的行为起，保留后续所有包含有阶段标签的行为，形成该用户在当前起始阶段下的阶段序列；若阶段序列中与包含起始阶段标签的行为相邻的后续行为中包含该目标转化过程的终止阶段标签，则判定该用户完成转化。
实际应用中，确定关键消费阶段的核心是通过分析用户在行为序列中的表现，判断一个用户是否完成了某两个阶段之间的转化，进而计算不同受众在不同阶段之间的转化率，并将这个转化率作为调整不同阶段分布占比的指标。
具体地，首先提取出本品、竞品、产品受众的用户及其行为序列数据，之后在限定时间范围内，从用户行为序列中仅抽取出包含不同阶段标签的行为，供后续分析计算使用。
继而，支持以本品所属行业的消费阶段中除最后一个以外的每一个消费阶段作为某个目标转化过程的起始状态，统计行为中包含该消费阶段的阶段标签的用户总量。
如用户关注的消费阶段是S1-->S2-->S3-->S4，那么S1～S3这3个消费阶段都可以作为某个目标转化过程的起始阶段。若以S1-->S3作为一个目标转化过程，那么行为中包含S1的用户就都是处于该目标转化过程的起始阶段的用户。
接着，针对某个目标转化过程，从指定受众的用户列表中选取处于该目标过程的起始阶段的用户，如果其后续行为中直接出现目标转化过程的终止阶段，就认为该用户完成了该转化过程。如果前后两个行为包含的阶段标签完全相同，则不判定为转化；如果后续在包含终止阶段的行为之前有介于起始和终止阶段之间的行为，则不认为是直接出现终止阶段，即不认为是完成了该目标转化过程。
例如，S1-->S3是目标转化过程，用户的行为序列中行为A1包含消费阶段S1和S3、行为A2包含S2、行为A3包含S1和S3、行为A4包含S3、行为A5包含S4、行为A6包含S1和S4，即行为序列可变为(S1&S3)-->(S2)-->(S1&S3)-->(S3)-->(S4)-->(S1&S4)，此时由于行为A1中包含S1，所以该用户处于该目标转化过程的起始阶段；虽然行为A3中包含S3但由于其阶段标签与行为A1完全相同，故不认为完成转化过程；虽然行为A4中包含S3且与行为A1标签不完全相同，但由于并非直接从S1到S3，其中有行为A2上包含S2，所以也不能以此判定完成转化过程；而行为A3包含S1，之后直接出现了包含S3的行为A4，故因此判定该用户完成了该转化过程。
将判定完成最终转化的用户量占处于目标转化过程的起始阶段的用户总量的比率，计算得到该目标转化过程的转化率。以此类推可计算所有可能的目标转化过程的转化率，有S1-->S2、S1-->S3、S1-->S4、S2-->S3、S2-->S4、S3-->S4这6种目标转化过程。
接着，以某个消费阶段作为起始阶段，汇总从该消费阶段到不同消费阶段的转化率，形成该消费阶段的导流率，作为对该消费阶段的量化评价指标。
之后，利用不同消费阶段的导流率作为评价指标，将受众在不同消费阶段上行为的初始分布占比(可简称为初始行为占比)进行调整，最终得到一个最佳的行为分布占比。后续可依照这个行为分布占比重点查看某些消费阶段上的媒体，以及通过筛选机制找出关键消费阶段。
具体地，本品、竞品、产品受众分别作为指定受众，查看指定受众的用户行为中被打上不同阶段标签的初始行为占比。继而，利用导流率，对初始行为占比进行调整，得到该类受众在不同消费阶段的行为分布占比。
例如，可以将指定受众在指定消费阶段的导流率加1后，乘以指定受众在该消费阶段的初始行为占比，得到指定受众在该消费阶段的行为分布占比。将本品、竞品、产品受众的所有消费阶段分别做如上计算，可得到受众不同阶段的分布占比矩阵，矩阵每列是某个受众在不同消费阶段的不同行为分布占比；每个元素是某一受众在某一消费阶段的行为分布占比。按列进行归一化处理，使得每列的占比加总是100％。归一化方法为每列中每个元素除以该列所有元素的总和，形成新的元素。
继而，根据调整后本品、竞品、产品受众分别在不同消费阶段的行为分布占比，分别按照本品受众在不同消费阶段的行为分布占比降序的前3位，和本品受众在不同消费阶段相对竞品受众、产品受众的行为分布占比优势值降序的前3位；对选取出的6个消费阶段进行去重，保留没有重复的消费阶段作为本品所属行业的关键消费阶段。
其中，本品受众在某一消费阶段S相对竞品受众、产品受众的行为分布占比优势值计算方式为：
MAX((本品受众在消费阶段S的占比-竞品受众在消费阶段S的占比)，(本品受众在消费阶段S的占比-产品受众在消费阶段S的占比)，0)。
在步骤230中，确定本品受众在关键消费阶段下的媒体分布。具体地，统计预设时间内各媒体在本品受众的不同消费阶段下的初始媒体分布；确定各媒体在本品受众的不同消费阶段下的媒体影响率；以及根据媒体影响率，对初始媒体分布进行调整，得到本品受众在关键消费阶段下的媒体分布。
步骤230中，各媒体在本品受众的不同消费阶段下的媒体影响率可通过如下方式确定：确定该消费阶段的所有目标转化过程；针对每个目标转化过程，从本品受众中抽取该目标转化过程的转化用户和该目标转化过程的未转化用户；根据所有目标转化过程的转化用户与未转化用户各自对该媒体的访问量，计算该媒体在本品受众的该消费阶段下的媒体影响率。其中，该消费阶段的目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段。
实际应用中，确定媒体影响率的方法中旨在通过分析同一受众完成转化和未完成转化的两组用户之间浏览媒体的差异，来找出哪些媒体更有利于促进指定阶段之间的转化，进而形成一个量化的媒体评价指标。
具体地，可以从转化用户的行为序列中，抽取转化影响因素行为片段；针对转化影响因素行为片段中访问涉及的每个媒体，将转化用户在转化影响因素行为片段针对该媒体的访问量，确定为转化用户访问该媒体的转化访问量。并从未转化用户的行为序列中，抽取未转化影响因素行为片段；针对未转化影响因素行为片段中访问涉及的每个媒体，将未转化用户在未转化影响因素行为片段针对该媒体的访问量，确定为未转化用户访问媒体的未转化访问量。
继而，针对每个媒体，将所有目标转化过程中各转化用户访问该媒体的转化访问量的总和，与各未转化用户访问该媒体网站的未转化访问量的总和之间的差值，确定为浏览量差值；将浏览量差值占所有目标转化过程中所有媒体网站的浏览量的比率，确定为该媒体网站在本品受众的该消费阶段下的媒体影响率。
实际应用中，可通过如下方式抽取转化影响因素行为片段、未转化影响因素行为片段：
从转化用户的行为序列中，抽取自包含目标转化过程的起始阶段的阶段标签的行为，到直接包含终止阶段的阶段标签的行为的上一个行为的所有行为，作为该目标转化过程中该转化用户的转化影响因素行为片段；而从未转化用户的行为序列中，抽取自包含目标转化过程的起始阶段的阶段标签的行为，到预设时间内最后一个行为的所有行为，作为该目标转化过程中未转化用户的未转化影响因素行为片段。
例如，根据用户关注的消费阶段的阶段标签，支持以其中除最后一个以外的每一个消费阶段作为某个目标转化过程的起始阶段，以另一个顺序在其之后的消费阶段作为终止阶段。如本品所属行业的消费决策阶段按顺序划分为S1-->S2-->S3-->S4，那么可以用S1～S3中的任何一个作为某个目标转化过程的起始阶段，以在其顺序之后的消费阶段作为终止阶段。
继而，找出本品受众中每个用户的所有行为，当某个用户在某个包含起始阶段的阶段标签的行为后直接出现包含终止阶段的阶段标签的行为，则认为该用户完成了某个转化过程；若两个行为包含的阶段标签完全相同，则不作为判定转化的条件；当某个用户的任意两个行为都不能按顺序包含对应的两个阶段标签，且后置行为也不包含更靠后的阶段标签时，则判定该用户在该转化过程中未发生转化。从同一批受众中针对不同的目标转化过程分别抽取发生转化和未发生转化的用户，以供后续分析计算。
如目标转化过程是S1-->S3，本品受众中某个用户1在时间范围内的所有行为是：A1-->A2-->A3-->A4-->A5-->A6-->A7-->A8-->A9，其中，A1包含S1和S3，A2包含S2，A3包含S1和S3，A5包含S2和S3，A6包含S1，A7包含S4，A9包含S2和S3，该用户的行为序列中虽然A1和A3分别顺序出现了S1和S3，但由于中间有A2行为上的S2，并非直接出现的S3，所以不能以此判定该用户1完成转化；而由于A3中包含S1，之后在A5上直接出现了S3，就可以此判定该用户1完成了该转化过程。
如果同样条件下本品受众中的某个用户2在设定时间范围内的行为是B1-->B2-->B3-->B4-->B5-->B6，其中B1包含S1、B4包含S4，虽然没有两个先后顺序的行为各自包含S1和S3标签，但B4行为上包含了相对S3更靠后的阶段S4，所以也不判定用户2是S1-->S3这个转化过程中的未转化用户。
如果同样条件下某个用户3的行为是C1-->C2-->C3-->C4-->C5，其中C2包含S1、C3包含S2、C5包含S1，则该用户3由于既没有先后两个行为分别包含S1和S3，又在C1之后没有任何行为包含相对S3更靠后的阶段S4，所以该用户3被判定为S1-->S3这个转化过程中的未转化用户。
继而，针对不同的目标转化过程，从转化用户中提取自包含起始阶段的阶段标签的行为、到直接包含终止阶段的阶段标签行为的上一个行为的所有行为，作为该转化过程中转化用户的转化影响因素行为片段；从未转化用户中提取自包含起始阶段的阶段标签的行为、到时间范围内最后一个行为的所有行为，作为该转化过程中未转化用户的未转化影响因素行为片段。如上述举例中，以S1-->S3为目标转化过程，那么用户1是转化用户，用户3是未转化用户。对应的，用户1的转化影响因素行为片段是A3～A4这2个行为，用户3的未转化影响因素行为片段是C2～C5这4个行为。
继而，针对不同的目标转化过程，统计转化用户在转化影响因素行为片段中涉及的媒体的访问量，以及未转化用户在未转化影响因素行为片段中涉及的媒体的访问量。
最后，针对指定受众，以某个消费阶段作为起始阶段的情况下，计算并加总在不同目标转化过程中，转化用户和未转化用户在不同媒体上的访问量，并汇总的所有网站的访问量，计算转化用户和未转化用户各自访问的不同媒体的分布占比情况。针对每一个媒体，用转化用户的访问量占比减去未转化用户的访问量占比，作为该媒体在该受众和起始阶段下的媒体影响率。
步骤230中，确定各媒体在本品受众的不同消费阶段下的媒体影响率之后，可根据媒体影响率对预设时间内各媒体在本品受众的不同消费阶段下的初始媒体分布进行调整，得到本品受众在各消费阶段下的媒体分布，从而确定出本品受众在关键消费阶段下的媒体分布。
例如，可针对每个消费阶段，将各媒体在本品受众的该消费阶段下的媒体影响率加1后，乘以各自在该消费阶段下的初始媒体分布，得到调优后的媒体分布；针对每个消费阶段，将调优后的媒体分布进行归一化处理，得到本品受众在该消费阶段下的媒体分布。
这样，通过步骤220确定出本品所属行业的关键消费阶段之后，可通过步骤230得到本品受众在关键消费阶段下的媒体分布。
在步骤240中，根据本品受众在关键消费阶段下的媒体分布选取本品的推荐行业媒体。
实际应用中，某一媒体在关键消费阶段下的媒体分布越高，说明该媒体在关键消费阶段下的影响越大，因此，可以按照需求选取媒体分布高的若干个媒体作为本品的推荐行业媒体。
实际应用中，进一步地，还可以统计本品受众在设定时间内在全网所访问的所有媒体；从全网内所访问的所有媒体中去除行业媒体，针对余下的非行业媒体，计算各非行业媒体的分布占比；根据各非行业媒体的分布占比，选择分布占比高的前L个非行业媒体作为本品受众在非消费阶段的推荐非行业媒体。这些推荐非行业媒体可以作为受众在上网生活休闲时本品的广告主触达他们的主要途径。
从上面描述可以看出，在本申请的一些实施例中，针对现有定位不够精准，媒体推广效果不佳的问题，提出精准定位本品受众在本品所属行业的关键消费阶段；继而，精准定位本品受众在关键消费阶段下的媒体分布，并从中选出最佳的推荐行业媒体，以便在选出的推荐行业媒体对本品进行精准投放，增强媒体推广效果。
图3示出了根据本申请另一实施例的受众媒体推荐方法的示例性流程图。图3所示的方法可以在图1中的终端设备执行，或者终端设备与服务器配合执行。
如图3所示，本申请一个实施例的受众媒体推荐方法包括如下步骤：
310：接收本品信息。
320：基于所接收的本品信息确定本品受众在本品所属行业的关键消费阶段。
330：确定本品受众在关键消费阶段下的媒体分布。
340：根据本品受众在关键消费阶段下的媒体分布选取本品的推荐行业媒体。
350：从本品受众中筛选出用户行为的标签包括关键消费阶段的用户，并作为本品的目标受众。
360：在选取出的推荐行业媒体上对目标受众进行本品的推广。
图3所示实施例中，步骤310-步骤340可以参考图2所示实施例中的步骤210-步骤240，此处不再详述。
在步骤350中，可根据本品受众的用户行为数据中的阶段标签，筛选出含有关键消费阶段的阶段标签的行为，从而确定出用户行为的标签包括关键消费阶段的用户。由于关键消费阶段是本品相对于竞品和产品的优势阶段，因此，将处于关键消费阶段的用户作为本品的目标受众，更有利于受众的转化，提高投放效果。
接着，步骤360中，可以在步骤340选出的推荐行业媒体上对目标受众进行本品的推广。
通过步骤350、360，可帮助广告主自动化找到目标受众和最佳媒体推荐组合，实现自动化媒体推荐。
实际应用中，进一步地，还可以统计本品受众在设定时间内在全网所访问的所有媒体；从全网内所访问的所有媒体中去除行业媒体，针对余下的非行业媒体，计算各非行业媒体的分布占比；根据各非行业媒体的分布占比，选择分布占比高的前L个非行业媒体作为本品受众在非消费阶段的推荐非行业媒体。这些推荐非行业媒体可以作为受众在上网生活休闲时本品的广告主触达他们的主要途径。
从上面描述可以看出，在本申请的一些实施例中，针对现有定位不够精准，媒体推广效果不佳的问题，提出精准定位本品受众在本品所属行业的关键消费阶段之后，进一步定位处于优势阶段的目标受众；而且，精准定位本品受众在关键消费阶段下的媒体分布，从中选出最佳的推荐行业媒体，进一步在选出的推荐行业媒体上对本品的目标受众进行本品的精准投放，增强了媒体推广效果。
图3的实施例相比于图2的实施例，增加了目标受众的选取，并结合选出的推荐行业媒体，对目标受众进行本品的推广，使得本品的定位和推广更加精准，增强本品投放效果。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。例如，实施例3中的步骤330和步骤350可以交换顺序或同时进行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本申请的方案中，可根据本品信息，确定潜在竞品；分析每个潜在竞品的竞争强度；基于竞争强度，从潜在竞品中选取本品的竞品；以及将用户行为的标签中包含所选取的竞品的用户确定为竞品受众。
实际应用中，竞品的可采用本领域常用技术手段来选取，也可以采用本发明发明人提供的基于内容、位置、频次、顺序四个维度来识别本品的竞品的方案。
本发明发明人发现，现有技术对竞品识别的最大不足在于对用户行为数据的不完备利用；竞品的内容、位置、频次、顺序等能在不同程度上反应出竞品与本品之间的竞争关系，以及竞争强度，因此，可以考虑基于内容、位置、频次、顺序四个维度，对用户行为数据进行合理利用，识别竞品。
从内容角度，某个用户在关注了本品的同时，还关注了哪些其他品牌，是计算不同竞争对手的基础条件。
从位置角度，如果竞品所在的行为越靠近本品所在的行为，那么两者之间的竞争强度就越强。当竞品与本品出现在同一个行为上时，可以认为两者之间具有强竞争关系。
从次数角度，如果某个用户在行为序列中多次关注某个竞争对手品牌，那么该品牌就应该具有更高的竞争强度。
从顺序角度，当用户在关注了本品之后再去关注其他竞品，相对于关注了一些竞品之后再去关注本品，前者情况下竞品的竞争强度更高。
因此，当综合利用上述4个维度的信息，可保证在消费者行为序列表中，竞品与本品的位置越接近、竞品出现的次数越多、竞品更多出现在本品之后，那么该竞品相对本品的竞争强度就越强。
具体地，首先，可以结合本品信息，在行业内相应的层级下找到其竞品的范围。例如本品是品牌这个层级，那么潜在的竞品就是该行业下所有的品牌；如果本品是产品这个层级，那么潜在的竞品就是该行业下所有的具体产品。
继而，针对本品受众中的每个用户(可简称为本品用户)，构建该用户的品牌序列；计算该本品用户的品牌序列所包含的不同潜在竞品的竞争强度分值；针对每个潜在竞品，汇总该潜在竞品在不同本品用户上的竞争强度分值，得到该潜在竞品的竞争强度；以及根据各潜在竞品的竞争强度，选取本品的竞品，并将包含有竞品标签的用户确定为竞品受众。
其中，本品用户的品牌序列可通过如下方式进行构建：针对每个本品用户，从该本品用户的行为序列中筛选出包含有本品标签和/或竞品标签的行为；对筛选后相邻且包含的品牌标签相同的行为进行合并，得到该本品用户的品牌序列。
例如，找出行为中包含本品标签的所有用户，针对这些用户，只保留包含本品标签、竞品标签中的任一标签的行为，并对相邻且完全相同的两个行为进行合并，最终形成一个只含有品牌信息的行为序列。比如，本品用户的原始的行为序列列表是A1-->A2-->A3-->A4-->A5-->A6-->A7-->A8-->A9，其中只有A1、A2、A4、A6和A9这5个行为中包含本品和/或竞品标签，那么就首先将该用户的行为序列精简成A1-->A2-->A4-->A6-->A9。如果进一步发现，A1和A2行为上包含的品牌完全相同，则需进一步将两个行为合并成一个(不论两个行为之间间隔多长时间)，最终形成的品牌序列为A1&A2-->A4-->A5-->A6。
关于每个潜在竞品的竞争强度可通过如下方式确定：若用户的行为序列中存在包含本品的标签的行为，则确定该用户为本品用户；针对每个本品用户，确定该本品用户的行为中所出现的潜在竞品、潜在竞品与本品在该用户的行为序列上的出现情况；其中，出现情况包括如下至少一项：出现顺序、出现位置、出现频次；根据确定出的出现情况，确定潜在竞品相对该本品用户的竞争强度分值；针对每个潜在竞品，汇总该潜在竞品相对各本品用户的竞争强度分值，得到该潜在竞品的竞争强度。
由于一个用户的行为序列中，本品可能在多个行为上出现，为保证后续计算不出现重叠和逻辑上的自洽，将一个用户的行为序列按照本品出现的位置拆分成若干序列，供计算竞争强度。
具体地，根据该本品用户的品牌序列中本品所在行为的出现位置，对品牌序列进行拆分，得到一个前置品牌序列和若干个后续品牌序列。继而，根据潜在竞品所在行为与本品所在行为的间隔和预设的前置计算公式，计算前置品牌序列中潜在竞品相对本品的竞争强度分值；根据潜在竞品所在行为与本品所在行为的间隔和预设的后续计算公式，计算后续品牌序列中潜在竞品相对本品的竞争强度分值。
其中，品牌序列可通过如下方式进行拆分：从用户品牌序列中最早开始的行为开始，到第一次出现本品标签的行为的上一个行为，确定为用户的品牌序列的唯一的前置品牌序列；从第i次出现本品标签的行为开始，到第i+1次出现本品标签的行为的上一个行为，确定为用户的品牌序列的第i个后续品牌序列，其中，i为自然数，i大于等于1。该用户最后一个出现本品标签的行为，到支持的计算时间范围内的最后一个行为，也作为后续品牌序列。
其中，前置计算公式、后续计算公式可由本领域技术人员根据经验进行设定。例如，前置计算公式可设置为：
Q＝100*(0.6+0.4e-0.4n) (公式1)
其中，n为潜在竞品所在行为与本品所在行为的间隔，n大于等于1；Q为潜在竞品相对本品的竞争强度分值。
后续计算公式可设置为：
Q＝100*(0.7+0.3e-0.3n) (公式2)
其中，n为潜在竞品所在行为与本品所在行为的间隔，n大于等于0；Q为潜在竞品相对本品的竞争强度分值。
当得到每个本品用户行为序列上不同潜在竞品的竞争强度分值后，按照竞品名称分别汇总加合形成该潜在竞品对本品的竞争强度。
继而，根据竞争强度高低，从潜在竞品中选取出若干个本品的竞品。
本发明的方案中，在确定出本品的竞品之后，可以根据用户行为数据中所含的标签，确定出本品受众、竞品受众和产品受众；并进一步根据本品受众、竞品受众和产品受众在用户行为的各个属性标签上的差异以确定本品受众相对于竞品受众和产品受众的优势属性标签；以及基于优势属性标签，筛选出本品的潜在受众。
其中，属性标签包括如下至少一类：固有属性类、兴趣属性类。固有属性类中包括一个或多个固有属性标签；兴趣属性类中包括一个或多个兴趣属性标签。
本品受众相对于竞品受众和产品受众的优势属性标签可通过如下方式确定：计算本品受众、竞品受众和产品受众分别在各个属性标签上的UV(unique visitor，独立访客)占比和TGI(Target Group Index，目标群体指数)数值；选择本品受众的属性标签中TGI数值超过预定值的显著属性标签；从显著属性标签中选取本品受众相对于竞品受众和产品受众的UV占比差异大的前R个固有属性标签和前T个兴趣属性标签作为优势属性标签。其中，R、T均为自然数。
具体地，首先按照本品在百度标签上的TGI数值，筛选出大于100的固有属性标签/兴趣属性标签，以此找出本品受众相对于全网随机人群的显著属性特征。
其次，在本品TGI大于100的显著属性标签中，计算本品受众在各个标签的UV占比与竞品和产品受众UV占比之差的最大值。计算过程中，如果差值小于0则用0代替，即MAX((本品UV占比-竞品UV占比)，(本品UV占比-产品UV占比)，0)。
继而，将显著属性标签按照UV占比之差进行排列，选取其中UV占比之差大的若干个标签作为优势属性标签；若UV占比差异均为0，即本品在标签上UV占比均小于竞品和产品受众，则仅按照本品受众在显著属性标签上的TGI进行排列，选取其中TGI数值大的若干个标签作为优势属性标签。
最后，对优势属性标签中的固有属性标签按照“与”逻辑进行组合；对优势属性标签中的兴趣属性标签按照“或”逻辑进行组合；以及将组合后的两大类标签按照“与”逻辑组合，作为本品的潜在受众的筛选条件，筛选出本品的潜在受众。
比如，筛选出的优势属性标签中的固有属性标签包括A1～A3标签，兴趣属性标签包括B1～B5，则最终本品的潜在受众的筛选条件为：(A1∩A2∩A3)∩(B1∪B2∪B3∪B4∪B5)。
实际应用中，固有属性可包括婚姻状态、教育程度、年龄、所在行业、性别这5大类别。在选择优势属性标签中的固有属性标签时需要注意，按照UV占比差异降序排列的靠前的若干个(比如，TOP3)固有属性标签中有标签来自同一个类别，那么就按照降序向下合并TOP3中来自相同类别的固有属性标签成一个标签，即同类标签间用「或」逻辑，直到找到3个来自不同类别的标签为止。例如固有属性标签降序排列为：“年龄<18、教育程度＝高中中专及一下、年龄＝18～24、年龄＝25～29、所在行业＝建筑、性别＝男”，那么就应该合并“年龄<18”、“年龄＝18～24”、“年龄＝25～29”这3个标签成为“年龄<18或年龄＝18～24或年龄＝25～29”，之后按顺序选取教育程度和所在行业的标签。即最终固有属性标签为“年龄<18或年龄＝18～24或年龄＝25～29、教育程度＝高中中专及一下、所在行业＝建筑”。
进一步地，关于上述实施例中提及的行业的消费决策阶段的划分标准主要来自于行业专家的知识输入，结合全量的标签化的用户行为数据，就能通过标签组合的形式定义出不同的行为，而这些行为能够反应消费者不同的需求和意愿。
下面仅以汽车行业举例说明如何通过标签来定义不同的消费阶段，以及汽车行业所包括的消费阶段。
表1-汽车行业的消费阶段定义
以上述表格-表1为例，汽车行业下通过行为标签与意图标签的组合，再排除掉一些标签就能定义出不同的阶段，这些阶段粗粒度为3个阶段，细粒度为10个阶段。以「产品对比」阶段为例，当消费者产生的行为被标记上「汽车品牌」或「汽车系列」行为标签，且同时被标记上「对比」或「获取评价」意图标签，但该行为未被标记上「询价」、「销售活动」、「试驾」、「购车渠道」中的任何一个时，就判断消费者的该行为处于「产品对比」阶段。这种阶段的定义有助于后续在不同消费阶段上分析消费者的行为特征，以便提升媒体推荐的精准性。
进一步参考图4，其示出了根据本申请一个实施例的受众媒体推荐系统400的示例性结构框图。
如图4所示，受众媒体推荐系统400可以包括：本品接收模块401、关键阶段确定模块402、媒体分布确定模块403、推荐媒体选取模块404。
其中，本品接收模块401配置用于接收本品信息。
关键阶段确定模块402配置用于基于本品接收模块401接收的本品信息确定本品受众在本品所属行业的关键消费阶段。媒体分布确定模块403配置用于确定本品受众在关键消费阶段下的媒体分布。推荐媒体选取模块404配置用于根据本品受众在关键消费阶段下的媒体分布，选取本品的推荐行业媒体。
可选地，受众媒体推荐系统400还可以进一步包括：竞品确定模块。
竞品确定模块配置用于根据本品信息，确定潜在竞品；分析每个潜在竞品的竞争强度；基于竞争强度，从潜在竞品中选取本品的竞品；以及将用户行为的标签中包含所选取的竞品的用户确定为竞品受众。
具体地，竞品确定模块配置用于若用户的行为序列中存在包含本品的标签的行为，则确定该用户为本品用户；针对每个本品用户，确定该本品用户的行为中所出现的潜在竞品、潜在竞品与本品在该用户的行为序列上的出现情况；出现情况包括如下至少一项：出现顺序、出现位置、出现频次；根据确定出的出现情况，确定潜在竞品相对该本品用户的竞争强度分值；针对每个潜在竞品，汇总该潜在竞品相对各本品用户的竞争强度分值，得到该潜在竞品的竞争强度。
进一步地，受众媒体推荐系统400还可以包括：潜在受众挖掘模块。
潜在受众挖掘模块配置用于根据本品受众、竞品受众和产品受众在用户行为的各个属性标签上的差异以确定本品受众相对于竞品受众和产品受众的优势属性标签；以及基于优势属性标签，筛选出本品的潜在受众。
其中，属性标签包括如下至少一类：固有属性类、兴趣属性类。
固有属性类中包括一个或多个固有属性标签；兴趣属性类中包括一个或多个兴趣属性标签。
潜在受众挖掘模块配置用于计算本品受众、竞品受众和产品受众分别在各个属性标签上的独立访客UV占比和目标群体指数TGI数值；选择本品受众的属性标签中TGI数值超过预定值的显著属性标签；从显著属性标签中选取本品受众相对于竞品受众和产品受众的UV占比差异大的前R个固有属性标签和前T个兴趣属性标签作为优势属性标签；R、T均为自然数。
具体地，潜在受众挖掘模块配置用于对优势属性标签中的固有属性标签按照“与”逻辑进行组合；对优势属性标签中的兴趣属性标签按照“或”逻辑进行组合；以及将组合后的两大类标签按照“与”逻辑组合，作为本品的潜在受众的筛选条件。
可选地，受众媒体推荐系统400还可以进一步包括：目标受众推广模块。
目标受众推广模块配置用于从本品受众中筛选出用户行为的标签包括关键消费阶段的用户，作为本品的目标受众；以及在选取出的推荐行业媒体上对目标受众进行本品的推广。
可选地，受众媒体推荐系统400还可以进一步包括：推荐非行业媒体选取模块。
推荐非行业媒体选取模块配置用于统计本品受众在设定时间内在全网所访问的所有媒体；从全网内所访问的所有媒体中去除行业媒体，针对余下的非行业媒体，计算各非行业媒体的分布占比；根据各非行业媒体的分布占比，选择分布占比高的前L个非行业媒体作为本品受众在非消费阶段的推荐非行业媒体。
应当理解，受众媒体推荐系统400中记载的诸模块的功能可参考图2和图3描述的方法中的相关步骤的具体实现。由此，上文针对方法描述的操作和特征同样适用于受众媒体推荐系统400及其中包含的模块，在此不再赘述。
如图5a所示，关键阶段确定模块402可具体包括：占比优势计算单元501和关键阶段选取单元502。
占比优势计算单元501配置用于计算本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值。
关键阶段选取单元502配置用于根据本品受众在不同消费阶段的行为分布占比，以及本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，选取本品受众在行业的关键消费阶段。
优选地，占比优势计算单元501配置用于针对每个消费阶段，执行如下操作：分别计算本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比；以及选取如下三个数中的最大值为本品受众在该消费阶段相对竞品受众和产品受众的行为分布占比优势值：
本品受众与竞品受众在该消费阶段下的行为分布占比差值、本品受众与产品受众在该消费阶段下的行为分布占比差值、零。
优选地，占比优势计算单元501配置用于针对本品受众、竞品受众、产品受众中的任一类受众，执行如下操作：统计预设时间内该类受众在不同消费阶段的初始行为占比；根据该类受众在不同消费阶段的导流率，对初始行为占比进行调整，得到该类受众在不同消费阶段的行为分布占比。
优选地，占比优势计算单元501配置用于对于本品受众、竞品受众、产品受众中的任一类受众，针对每个消费阶段，执行如下操作：确定该类受众在该消费阶段的各目标转化过程的转化率，其中目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；以及汇总该类受众在该消费阶段的所有目标转化过程的转化率，形成该类受众在该消费阶段的导流率。
优选地，占比优势计算单元501配置用于对于本品受众、竞品受众、产品受众中的任一类受众，针对每个消费阶段的每个目标转化过程，执行如下操作：统计该类受众中处于该目标转化过程的起始阶段的用户总量；统计处于该目标转化过程的起始阶段的所有用户中完成转化的用户量；将完成转化的用户量占处于该目标转化过程的起始阶段的用户总量的比率，确定为该类受众在该消费阶段的该目标转化过程的转化率。
如图5b所示，媒体分布确定模块403可以具体包括：初始媒体分布统计单元510、媒体影响率确定单元520和媒体分布确定单元530。
其中，初始媒体分布统计单元510配置用于统计预设时间内各媒体在本品受众的不同消费阶段下的初始媒体分布。
媒体影响率确定单元520配置用于各媒体在本品受众的不同消费阶段下的媒体影响率。
媒体分布确定单元530配置用于根据媒体影响率确定单元确定出的媒体影响率，对初始媒体分布进行调整，得到本品受众在不同消费阶段下的媒体分布。
优选地，媒体影响率确定单元520配置用于确定该消费阶段的所有目标转化过程，其中目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；针对每个目标转化过程，从本品受众中抽取该目标转化过程的转化用户和该目标转化过程的未转化用户；根据所有目标转化过程的转化用户与未转化用户各自对该媒体的访问量，计算该媒体在本品受众的该消费阶段下的媒体影响率。
应当理解，关键阶段确定模块402中记载的诸单元，以及媒体分布确定模块403中记载的各单元的功能可参考图2和图3描述的方法中的相关步骤的具体实现。由此，上文针对方法描述的操作和特征同样适用于模块402、403及其中包含的单元，在此不再赘述。
进一步地，本申请实施例还提供了一种计算机设备，包括一个或多个处理器以及存储器，存储器包含可由处理器执行的指令以使得处理器执行本申请实施例提供的受众媒体推荐方法。
下面参考图6，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图6所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考图2-图3描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行图2-图3的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种存储有计算机程序的非易失性计算机可读存储介质，该非易失性计算机可读存储介质可以是上述实施例中所述系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (31)

1.一种受众媒体推荐方法，其特征在于，所述方法包括：
接收本品信息；
基于所述本品信息确定本品受众在本品所属行业的关键消费阶段；
确定本品受众在所述关键消费阶段下的媒体分布；以及
根据所述媒体分布选取本品的推荐行业媒体。
2.根据权利要求1所述的推荐方法，其特征在于，所述确定本品受众在本品所属行业的关键消费阶段包括：
计算本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值；
根据本品受众在不同消费阶段的行为分布占比，以及本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，选取本品受众在所述行业的关键消费阶段。
3.根据权利要求2所述的推荐方法，其特征在于，所述计算本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，包括：
针对每个消费阶段，执行如下操作：
分别计算本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比；以及
选取如下三个数中的最大值为本品受众在该消费阶段相对竞品受众和产品受众的行为分布占比优势值：
本品受众与竞品受众在该消费阶段下的行为分布占比差值、本品受众与产品受众在该消费阶段下的行为分布占比差值、零。
4.根据权利要求3所述的推荐方法，其特征在于，计算本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比，包括：
针对本品受众、竞品受众、产品受众中的任一类受众，执行如下操作：
统计预设时间内该类受众在不同消费阶段的初始行为占比；
根据该类受众在不同消费阶段的导流率，对所述初始行为占比进行调整，得到该类受众在不同消费阶段的行为分布占比。
5.根据权利要求4所述的推荐方法，其特征在于，所述该类受众在不同消费阶段的导流率通过如下方式确定：
针对每个消费阶段，执行如下操作：
确定该类受众在该消费阶段的各目标转化过程的转化率，其中所述目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；以及
汇总该类受众在该消费阶段的所有目标转化过程的转化率，形成该类受众在该消费阶段的导流率。
6.根据权利要求5所述的推荐方法，其特征在于，所述确定该类受众在该消费阶段的各目标转化过程的转化率，包括：
针对该消费阶段的每个目标转化过程，执行如下操作：
统计该类受众中处于该目标转化过程的起始阶段的用户总量；
统计处于该目标转化过程的起始阶段的所有用户中完成转化的用户量；
将完成转化的用户量占处于该目标转化过程的起始阶段的用户总量的比率，确定为该类受众在该消费阶段的该目标转化过程的转化率。
7.根据权利要求2所述的推荐方法，其特征在于，根据如下方式确定本品的竞品受众：
根据所述本品信息，确定潜在竞品；
分析每个潜在竞品的竞争强度；
基于所述竞争强度，从所述潜在竞品中选取本品的竞品；以及
将用户行为的标签中包含所选取的竞品的用户确定为竞品受众。
8.根据权利要求7所述的推荐方法，其特征在于，分析每个潜在竞品的竞争强度包括：
若用户的行为序列中存在包含本品的标签的行为，则确定该用户为本品用户；
针对每个本品用户，确定该本品用户的行为序列中所出现的潜在竞品、潜在竞品与本品在所述行为序列上的出现情况；所述出现情况包括如下至少一项：出现顺序、出现位置、出现频次；
根据所述出现情况，确定潜在竞品相对该本品用户的竞争强度分值；
针对每个潜在竞品，汇总该潜在竞品相对各本品用户的竞争强度分值，得到该潜在竞品的竞争强度。
9.根据权利要求1-8任一所述的推荐方法，其特征在于，确定所述本品受众在所述关键消费阶段下的媒体分布包括：
统计预设时间内各媒体在本品受众的不同消费阶段下的初始媒体分布；
确定各媒体在本品受众的不同消费阶段下的媒体影响率；以及
根据所述媒体影响率，对所述初始媒体分布进行调整，得到本品受众在关键消费阶段下的媒体分布。
10.根据权利要求9所述的推荐方法，其特征在于，所述确定各媒体在本品受众的不同消费阶段下的媒体影响率，包括：
确定该消费阶段的所有目标转化过程，其中所述目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；
针对每个目标转化过程，从本品受众中抽取该目标转化过程的转化用户和该目标转化过程的未转化用户；
根据所有目标转化过程的转化用户与未转化用户各自对该媒体的访问量，计算该媒体在本品受众的该消费阶段下的媒体影响率。
11.根据权利要求1-10任一所述的推荐方法，其特征在于，还包括：
根据本品受众、竞品受众和产品受众在用户行为的各个属性标签上的差异以确定本品受众相对于竞品受众和产品受众的优势属性标签；以及
基于所述优势属性标签，筛选出本品的潜在受众。
12.根据权利要求11所述的推荐方法，其特征在于，所述属性标签包括如下至少一类：固有属性类、兴趣属性类；
固有属性类中包括一个或多个固有属性标签；兴趣属性类中包括一个或多个兴趣属性标签；以及
所述确定本品受众相对于竞品受众和产品受众的优势属性标签包括：
计算本品受众、竞品受众和产品受众分别在各个属性标签上的独立访客UV占比和目标群体指数TGI数值；
选择本品受众的属性标签中TGI数值超过预定值的显著属性标签；
从所述显著属性标签中选取本品受众相对于竞品受众和产品受众的UV占比差异大的前R个固有属性标签和前T个兴趣属性标签作为所述优势属性标签；R、T均为自然数。
13.根据权利要求12所述的推荐方法，其特征在于，所述基于所述优势属性标签，筛选出本品的潜在受众，包括：
对所述优势属性标签中的固有属性标签按照“与”逻辑进行组合；
对所述优势属性标签中的兴趣属性标签按照“或”逻辑进行组合；以及
将组合后的两大类标签按照“与”逻辑组合，作为本品的潜在受众的筛选条件。
14.根据权利要求1-13任一所述的推荐方法，其特征在于，所述根据所述媒体分布选取本品的推荐行业媒体之后，还包括：
从本品受众中筛选出用户行为的标签包括所述关键消费阶段的用户，作为所述本品的目标受众；以及
在所述推荐行业媒体上对所述目标受众进行本品的推广。
15.根据权利要求1-14任一所述的推荐方法，其特征在于，还包括：
统计本品受众在设定时间内在全网所访问的所有媒体；
从全网内所访问的所有媒体中去除行业媒体，针对余下的非行业媒体，计算各非行业媒体的分布占比；
根据各非行业媒体的分布占比，选择分布占比高的前L个非行业媒体作为本品受众在非消费阶段的推荐非行业媒体，L为自然数。
16.一种受众媒体推荐系统，其特征在于，所述系统包括：
本品接收模块，配置用于接收本品信息；
关键阶段确定模块，配置用于基于所述本品信息确定本品受众在本品所属行业的关键消费阶段；
媒体分布确定模块，配置用于确定本品受众在所述关键消费阶段下的媒体分布；以及
推荐媒体选取模块，配置用于根据本品受众在所述关键消费阶段下的媒体分布，选取所述本品的推荐行业媒体。
17.根据权利要求16所述的推荐系统，其特征在于，所述关键阶段确定模块，包括：
占比优势计算单元，配置用于计算本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值；
关键阶段选取单元，配置用于根据本品受众在不同消费阶段的行为分布占比，以及本品受众在不同消费阶段相对竞品受众和产品受众的行为分布占比优势值，选取本品受众在所述行业的关键消费阶段。
18.根据权利要求17所述的推荐系统，其特征在于，
所述占比优势计算单元配置用于针对每个消费阶段，执行如下操作：分别计算本品受众、竞品受众、产品受众在该消费阶段下的行为分布占比；以及选取如下三个数中的最大值为本品受众在该消费阶段相对竞品受众和产品受众的行为分布占比优势值：
本品受众与竞品受众在该消费阶段下的行为分布占比差值、本品受众与产品受众在该消费阶段下的行为分布占比差值、零。
19.根据权利要求18所述的推荐系统，其特征在于，
所述占比优势计算单元配置用于针对本品受众、竞品受众、产品受众中的任一类受众，执行如下操作：统计预设时间内该类受众在不同消费阶段的初始行为占比；根据该类受众在不同消费阶段的导流率，对所述初始行为占比进行调整，得到该类受众在不同消费阶段的行为分布占比。
20.根据权利要求19所述的推荐系统，其特征在于，
所述占比优势计算单元配置用于对于本品受众、竞品受众、产品受众中的任一类受众，针对每个消费阶段，执行如下操作：确定该类受众在该消费阶段的各目标转化过程的转化率，其中所述目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；以及汇总该类受众在该消费阶段的所有目标转化过程的转化率，形成该类受众在该消费阶段的导流率。
21.根据权利要求20所述的推荐系统，其特征在于，
所述占比优势计算单元配置用于对于本品受众、竞品受众、产品受众中的任一类受众，针对每个消费阶段的每个目标转化过程，执行如下操作：统计该类受众中处于该目标转化过程的起始阶段的用户总量；统计处于该目标转化过程的起始阶段的所有用户中完成转化的用户量；将完成转化的用户量占处于该目标转化过程的起始阶段的用户总量的比率，确定为该类受众在该消费阶段的该目标转化过程的转化率。
22.根据权利要求17所述的推荐系统，其特征在于，还包括：
竞品确定模块，配置用于根据所述本品信息，确定潜在竞品；分析每个潜在竞品的竞争强度；基于所述竞争强度，从所述潜在竞品中选取本品的竞品；以及将用户行为的标签中包含所选取的竞品的用户确定为竞品受众。
23.根据权利要求22所述的推荐系统，其特征在于，
所述竞品确定模块配置用于若用户的行为序列中存在包含本品的标签的行为，则确定该用户为本品用户；针对每个本品用户，确定该本品用户的行为中所出现的潜在竞品、潜在竞品与本品在所述行为序列上的出现情况；所述出现情况包括如下至少一项：出现顺序、出现位置、出现频次；根据所述出现情况，确定潜在竞品相对该本品用户的竞争强度分值；针对每个潜在竞品，汇总该潜在竞品相对各本品用户的竞争强度分值，得到该潜在竞品的竞争强度。
24.根据权利要求16-23任一所述的推荐系统，其特征在于，所述媒体分布确定模块，包括：
初始媒体分布统计单元，配置用于统计预设时间内各媒体在本品受众的不同消费阶段下的初始媒体分布；
媒体影响率确定单元，配置用于各媒体在本品受众的不同消费阶段下的媒体影响率；以及
媒体分布确定单元，配置用于根据所述媒体影响率确定单元确定出的媒体影响率，对所述初始媒体分布进行调整，得到本品受众在不同消费阶段下的媒体分布。
25.根据权利要求24所述的推荐系统，其特征在于，
所述媒体影响率确定单元配置用于确定该消费阶段的所有目标转化过程，其中所述目标转化过程以该消费阶段为起始阶段，以该消费阶段之后的任一消费阶段为终止阶段；针对每个目标转化过程，从本品受众中抽取该目标转化过程的转化用户和该目标转化过程的未转化用户；根据所有目标转化过程的转化用户与未转化用户各自对该媒体的访问量，计算该媒体在本品受众的该消费阶段下的媒体影响率。
26.根据权利要求16-25任一所述的推荐系统，其特征在于，还包括：
潜在受众挖掘模块，配置用于根据本品受众、竞品受众和产品受众在用户行为的各个属性标签上的差异以确定本品受众相对于竞品受众和产品受众的优势属性标签；以及基于所述优势属性标签，筛选出本品的潜在受众。
27.根据权利要求26所述的推荐系统，其特征在于，所述属性标签包括如下至少一类：固有属性类、兴趣属性类；
固有属性类中包括一个或多个固有属性标签；兴趣属性类中包括一个或多个兴趣属性标签；以及
所述潜在受众挖掘模块配置用于计算本品受众、竞品受众和产品受众分别在各个属性标签上的独立访客UV占比和目标群体指数TGI数值；选择本品受众的属性标签中TGI数值超过预定值的显著属性标签；从所述显著属性标签中选取本品受众相对于竞品受众和产品受众的UV占比差异大的前R个固有属性标签和前T个兴趣属性标签作为所述优势属性标签；R、T均为自然数。
28.根据权利要求27所述的推荐系统，其特征在于，所述潜在受众挖掘模块配置用于对所述优势属性标签中的固有属性标签按照“与”逻辑进行组合；对所述优势属性标签中的兴趣属性标签按照“或”逻辑进行组合；以及将组合后的两大类标签按照“与”逻辑组合，作为本品的潜在受众的筛选条件。
29.根据权利要求16-28任一所述的推荐系统，其特征在于，还包括：
目标受众推广模块，配置用于从本品受众中筛选出用户行为的标签包括所述关键消费阶段的用户，作为所述本品的目标受众；以及在选取出的推荐行业媒体上对所述目标受众进行本品的推广。
30.根据权利要求16-29任一所述的推荐系统，其特征在于，还包括：
推荐非行业媒体选取模块，配置用于统计本品受众在设定时间内在全网所访问的所有媒体；从全网内所访问的所有媒体中去除行业媒体，针对余下的非行业媒体，计算各非行业媒体的分布占比；根据各非行业媒体的分布占比，选择分布占比高的前L个非行业媒体作为本品受众在非消费阶段的推荐非行业媒体。
31.一种计算机设备，包括一个或多个处理器以及存储器，其特征在于：
所述存储器包含可由所述处理器执行的指令以使得所述处理器执行权利要求1-15任一所述的方法。
CN201710035440.4A 2017-01-17 2017-01-17 受众媒体推荐方法和系统 Pending CN108319612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710035440.4A CN108319612A (zh) 2017-01-17 2017-01-17 受众媒体推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710035440.4A CN108319612A (zh) 2017-01-17 2017-01-17 受众媒体推荐方法和系统

Publications (1)

Publication Number Publication Date
CN108319612A true CN108319612A (zh) 2018-07-24

Family

ID=62892127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710035440.4A Pending CN108319612A (zh) 2017-01-17 2017-01-17 受众媒体推荐方法和系统

Country Status (1)

Country Link
CN (1) CN108319612A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533447A (zh) * 2019-06-06 2019-12-03 浙江口碑网络技术有限公司 数据筛选方法及装置、存储介质、电子装置
CN110555164A (zh) * 2019-07-23 2019-12-10 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN110909246A (zh) * 2019-12-03 2020-03-24 恩亿科(北京)数据科技有限公司 一种资源投放方法、装置、电子设备及可读存储介质
CN111127095A (zh) * 2019-12-20 2020-05-08 秒针信息技术有限公司 目标受众兴趣分析方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050165644A1 (en) * 2003-08-01 2005-07-28 Gil Beyda Audience matching network with performance factoring and revenue allocation
CN102164133A (zh) * 2010-03-30 2011-08-24 微软公司 控制媒体消费隐私设定
CN102999497A (zh) * 2011-09-09 2013-03-27 腾讯科技（北京）有限公司 一种媒体信息位推荐方法及系统
CN104992356A (zh) * 2015-07-30 2015-10-21 北京工商大学 一种基于多维标签的数字标牌广告选屏方法
CN106095867A (zh) * 2016-06-03 2016-11-09 北京奇虎科技有限公司 一种基于行业分析的图书推荐方法及装置
CN106169140A (zh) * 2016-02-02 2016-11-30 华扬联众数字技术股份有限公司 广告投放方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050165644A1 (en) * 2003-08-01 2005-07-28 Gil Beyda Audience matching network with performance factoring and revenue allocation
CN102164133A (zh) * 2010-03-30 2011-08-24 微软公司 控制媒体消费隐私设定
CN102999497A (zh) * 2011-09-09 2013-03-27 腾讯科技（北京）有限公司 一种媒体信息位推荐方法及系统
CN104992356A (zh) * 2015-07-30 2015-10-21 北京工商大学 一种基于多维标签的数字标牌广告选屏方法
CN106169140A (zh) * 2016-02-02 2016-11-30 华扬联众数字技术股份有限公司 广告投放方法和系统
CN106095867A (zh) * 2016-06-03 2016-11-09 北京奇虎科技有限公司 一种基于行业分析的图书推荐方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110533447A (zh) * 2019-06-06 2019-12-03 浙江口碑网络技术有限公司 数据筛选方法及装置、存储介质、电子装置
CN110555164A (zh) * 2019-07-23 2019-12-10 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
WO2021012482A1 (zh) * 2019-07-23 2021-01-28 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN110555164B (zh) * 2019-07-23 2024-01-05 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN110909246A (zh) * 2019-12-03 2020-03-24 恩亿科(北京)数据科技有限公司 一种资源投放方法、装置、电子设备及可读存储介质
CN111127095A (zh) * 2019-12-20 2020-05-08 秒针信息技术有限公司 目标受众兴趣分析方法、装置、设备及存储介质
CN111127095B (zh) * 2019-12-20 2023-05-30 秒针信息技术有限公司 目标受众兴趣分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109190044A (zh) 个性化推荐方法、装置、服务器和介质
CN111080413A (zh) 电商平台商品的推荐方法、装置、服务器和存储介质
Golder et al. Will it ever fly? Modeling the takeoff of really new consumer durables
Gatignon et al. Modeling multinational diffusion patterns: An efficient methodology
CN109615487A (zh) 基于用户行为的产品推荐方法、装置、设备及存储介质
CN109741146A (zh) 基于用户行为的产品推荐方法、装置、设备及存储介质
KR102297669B1 (ko) 제조사 및 유통사 간 연결을 위한 매칭 서비스 제공 시스템
Alexandrova Connecting economic models to the real world: Game theory and the FCC spectrum auctions
CN108319612A (zh) 受众媒体推荐方法和系统
CN112365283B (zh) 一种优惠券发放方法、装置、终端设备及存储介质
Tyrväinen et al. A systematic literature review and analysis of mobile retailing adoption
Kobiela et al. ARIMA vs LSTM on NASDAQ stock exchange data
CN110852785A (zh) 用户分级方法、装置及计算机可读存储介质
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN113744020A (zh) 一种商品文案处理方法、装置、电子设备和存储介质
CN113781149A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN112132634A (zh) 虚拟馈赠资源发放方法、装置、计算机设备和存储介质
Cesaret et al. A behavioral study of capacity allocation in revenue management
CN116089745A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN113744009B (zh) 目标对象输出方法、装置、计算机可读介质及电子设备
Beck The role of artificial intelligence in robo-advisory
CN116091242A (zh) 推荐产品组合生成方法及装置、电子设备和存储介质
Zhang et al. A Feature Engineering and Ensemble Learning Based Approach for Repeated Buyers Prediction
Wasilewski et al. Clustering methods for adaptive e-commerce user interfaces
CN113379511A (zh) 用于输出信息的方法和装置

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

Application publication date: 20180724