CN110069708B - 一种跨媒介推广的推广效果预估方法、装置、介质和设备 - Google Patents
一种跨媒介推广的推广效果预估方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN110069708B CN110069708B CN201910262585.7A CN201910262585A CN110069708B CN 110069708 B CN110069708 B CN 110069708B CN 201910262585 A CN201910262585 A CN 201910262585A CN 110069708 B CN110069708 B CN 110069708B
- Authority
- CN
- China
- Prior art keywords
- medium
- arrival rate
- grp
- total
- reach
- 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
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种跨媒介推广的推广效果预估方法、装置、介质和设备。所述方法包括：接收目标投入项；针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据。用户可以参考预估的GRP和到达率数据决策采用何种媒介分配比例进行推广。
Description
技术领域
本发明涉及信息处理领域，具体涉及一种跨媒介推广的推广效果预估方法、装置、可读存储介质和计算机设备。
背景技术
随着近年网络，手机和网络电视的普及，人们接触媒介的方式正在经历一个飞速发展和洗牌的过程。传统TV(电视)市场正逐渐接近饱和，随之而来的是网络媒体，移动互联网媒体对传统TV用户的不断渗透。而当前市场上最重要的一个特征是：PC(个人计算机)、Mobile(移动终端)、TV、OTT(网络电视)用户间既有区分度，同时又有高度的重叠性。在这样的环境下，重新思考媒介到达以及营销策略就显得十分重要。
随着广告监测技术、互联网以及大数据技术的不断发展，研究机构对于营销效果已不再局限于入户调查或其它人为的估计。换言之，越来越多的广告位和媒介都处于可监测以及正在被监测的状态，因此通过合适的媒介直接收集到人们关于营销广告的收看行为已经成为了一种切实可行的选择。也正是在这种背景下，使得基于广告收看行为大数据的研究变成一种可能，比如OTT广告以及视频网站广告的加码监测。
然而，高度发展的互联网也带来了用户对于自身隐私以及行为数据的保护，长期看，从各个互联网公司或媒介公司直接获取到个体级行为数据的可能性正在降低，对数据的限制正在不断增加，一些公司甚至已经在计划只提供统计级数据而非个体级数据的出口。因此，在统计级数据的基础上研究广告收看行为以及媒介到达变得十分具有前瞻性以及更长远的实用性。
发明内容
本发明实施例提供一种跨媒介推广的推广效果预估方法、装置、可读存储介质和计算机设备，能够预估媒介推广效果。
一方面，本发明实施例提供了一种跨媒介推广的推广效果预估方法，所述方法包括：
接收目标投入项；
针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据。
可选地，所述目标投入项为总预算值；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总预算值和媒介分配比例确定当前媒介分配比例下每种媒介的预算值；根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP；或者，
所述目标投入项为总收视率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总收视率和媒介分配比例确定当前媒介分配比例下每种媒介的GRP。
可选地，所述目标投入项为总到达率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
预设初始总预算值，根据所述初始总预算值和媒介分配比例获得当前媒介分配比例下每种媒介的预算值，根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，判断所述当前媒介分配比例下到达率数据是否在所述目标投入项范围内，如果当前媒介分配比例下所述到达率数据不在所述目标投入项范围内，则按照预设迭代步长调整所述初始总预算值，重复上述步骤，直到当前媒介分配比例下所述到达率数据在所述目标投入项范围内。
可选地，所述根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
根据每种媒介的GRP与1+到达率拟合模型，预估每种媒介的1+到达率；根据每种媒介的n+到达率拟合模型，预估每种媒介的n+到达率；根据每种媒介的总n+到达率模型，预估每种媒介的总n+到达率；统计每种媒介的当前媒介分配比例下的到达率数据。
可选地，所述每种媒介的GRP与1+到达率拟合模型为：
其中，ya为1+到达率，xa为GRP值，a10为第一系数，a11为第二系数，a12为第三系数。
可选地，所述每种媒介的n+到达率拟合模型为：
其中，yb为n+到达率，xb为(n-1)+到达率，a20为第四系数，a21为第五系数，n为大于0的正整数。
可选地，所述每种媒介的总n+到达率模型为：
其中，yc为总n+到达率，xc为n个到达率数据组成的向量，a3为第六系数，b2为第七系数，ε3为随机项。
另一方面，本发明实施例还提供了一种跨媒介推广的推广效果预估装置，所述装置包括接收模块和计算模块，其中：
所述接收模块，用于接收目标投入项；
所述计算模块，用于针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据。
再一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上述方法的步骤。
再一方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
本发明实施例提供的跨媒介推广的推广效果预估方法和装置，根据用户输入的目标投入项，分别计算不同媒介分配比例下的GRP和到达率数据，用户可以参考预估的GRP和到达率数据决策采用何种媒介分配比例进行推广。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。本发明的其它特征和优点将在随后的说明书实施例中阐述，并且，部分地从说明书实施例中变得显而易见，或者通过实施本发明而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。附图中各部件的形状和大小不反映真实比例，目的只是示意说明本发明内容。
图1为本发明实施例1跨媒介推广的推广效果预估方法流程图；
图2为本发明实施例2推广效果预估装置结构示意图；
图3为一组测试数据的GRP与1+reach的散点图；
图4为一组测试数据的1+reach与2+reach的散点图；
图5为拟合过程的路线图；
图6为预测过程的路线图；
图7为媒介预算模块操作界面图；
图8为媒介预算模块计算结果导出图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。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任意组合。
实施例1
本实施例给出了一种跨媒介推广的推广效果预估方法，所述媒介包括但不限于以下一种或多种：PC、Mobile、TV、OTT，所述媒介也可称为渠道或媒体。
所述方法如图1所示，包括：
步骤11，接收目标投入项；
本步骤中所述接收是指接收用户设定的目标投入项，所述目标投入项可以是总预算值或者总收视率或者总到达率。
步骤12，针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据。
其中，媒介分配比例是指每种媒介的推广投入比例的组合。以推广至三种媒介为例进行说明，一种媒介分配比例包括：第一种媒介a％(表示将目标投入项的a％分配给第一种媒介)，第二种媒介b％(表示将目标投入项的b％分配给第二种媒介)，第三种媒体c％(表示将目标投入项的c％分配给第三种媒介)，其中a％+b％+c％＝100％。预设的媒介分配比例可以有多种，每种媒介分配比例包含了各个媒介的比例。如果媒介包括PC、Mobile、TV和OTT四种，则每种媒介分配比例包含这四种媒介各自所占的分配比例。
通过本实施例所述方法，根据用户输入的目标投入项，可以分别计算出不同种媒介分配比例下的GRP和到达率数据，为用户预估不同推广方式的推广效果，帮助用户选择最优的推广方式。
在一可选实施例中，所述目标投入项为总预算值；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总预算值和媒介分配比例确定当前媒介分配比例下每种媒介的预算值；根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP。
对于某一种媒介分配比例，其中包含了每种媒介的分配比例，当目标投入项为总预算值时，用总预算值与每种媒介的分配比例相乘，可以得出每种媒介的预算值，再用每种媒介的预算值除以该种媒介的CPM即可得到该种媒介的GRP，其中该种媒介的CPM可以由用户预设。
在一可选实施例中，所述目标投入项为总收视率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总收视率和媒介分配比例确定当前媒介分配比例下每种媒介的GRP。
对于某一种媒介分配比例，其中包含了每种媒介的分配比例，当目标投入项为总GRP时，用总GRP与每种媒介的分配比例相乘，可以得出每种媒介的GRP。
在一可选实施例中，所述目标投入项为总到达率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
预设初始总预算值，根据所述初始总预算值和媒介分配比例获得当前媒介分配比例下每种媒介的预算值，根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，判断所述当前媒介分配比例下到达率数据是否在所述目标投入项范围内即是否在用户设置的总到达率范围内，如果当前媒介分配比例下所述到达率数据不在所述目标投入项范围内，则按照预设迭代步长调整所述初始总预算值，重复上述步骤，直到当前媒介分配比例下所述到达率数据在所述目标投入项范围内。仅保留在目标投入项范围内的GRP和到达率数据。对下一种媒介分配比例重复上述步骤，最终得到每种媒介分配比例下的GRP和到达率数据。
在本实施例中，当目标投入项为总到达率时，采用倒推的方法获得每种媒介分配比例下的GRP和到达率数据。
上述实施例中，所述根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
根据每种媒介的GRP与1+到达率拟合模型，预估每种媒介的1+到达率；根据每种媒介的n+到达率拟合模型，预估每种媒介的n+到达率；根据每种媒介的总n+到达率模型，预估每种媒介的总n+到达率；统计每种媒介的1+到达率、n+到达率和总n+到达率得到当前媒介分配比例下到达率数据。
上述GRP与1+到达率拟合模型、n+到达率拟合模型、总n+到达率模型根据历史数据训练得到。
在一可选实施例中，每种媒介的GRP与1+到达率拟合模型为：
其中，ya为1+到达率，xa为GRP值，a10为第一系数，a11为第二系数，a12为第三系数。
在一可选实施例中，每种媒介的n+到达率拟合模型为：
其中，yb为n+到达率，xb为(n-1)+到达率，a20为第四系数，a21为第五系数，n为大于0的正整数。
在一可选实施例中，每种媒介的总n+到达率模型为：
其中，yc为总n+到达率，xc为n个到达率数据组成的向量，a3为第六系数，b2为第七系数，ε3为随机项。
本实施例方法可以在用户固定预算或固定总GRP的情况下为用户预估不同策略可以达到的各N+Reach；也可以在用户以固定的Total N+Reach为目标的前提下为用户优化预算分配。本方法模型可以在具备相关统计级数据的前提下，依照不同的目标对推广活动的预算在媒介的层次上进行分配，例如可以按当下流行的媒介分配方式：PC、Mobile、TV和OTT四种媒介分配媒介预算，以最大化营销投入的投资回报率(ROI)，可以帮助用户提供一键式自动化推广投入前策分析。
实施例2
本实施例提供一种实现实施例1方法的跨媒介推广的推广效果预估装置，如图2所示，所述装置包括接收模块21和计算模块22，其中：
所述接收模块21，用于接收目标投入项；
所述计算模块22，用于针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据。
在一个可选实施例中，所述接收模块21接收的目标投入项为总预算值；
所述计算模块22根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：所述计算模块22根据总预算值和媒介分配比例确定当前媒介分配比例下每种媒介的预算值；根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP。
在一个可选实施例中，所述接收模块21接收的目标投入项为总收视率；
所述计算模块22所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：所述计算模块22根据总收视率和媒介分配比例确定当前媒介分配比例下每种媒介的GRP。
在一个可选实施例中，所述接收模块21接收的目标投入项为总到达率；
所述计算模块22根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
所述计算模块22预设初始总预算值，根据所述初始总预算值和媒介分配比例获得当前媒介分配比例下每种媒介的预算值，根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，判断所述当前媒介分配比例下到达率数据是否在所述目标投入项范围内，如果当前媒介分配比例下所述到达率数据不在所述目标投入项范围内，则按照预设迭代步长调整所述初始总预算值，重复上述步骤，直到当前媒介分配比例下所述到达率数据在所述目标投入项范围内。
上述实施例中，计算模块22根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
所述计算模块22根据每种媒介的GRP与1+到达率拟合模型，预估每种媒介的1+到达率；根据每种媒介的n+到达率拟合模型，预估每种媒介的n+到达率；根据每种媒介的总n+到达率模型，预估每种媒介的总n+到达率；统计每种媒介的当前媒介分配比例下的到达率数据。
在一可选实施例中，每种媒介的GRP与1+到达率拟合模型为：
其中，ya为1+到达率，xa为GRP值，a10为第一系数，a11为第二系数，a12为第三系数。
在一可选实施例中，每种媒介的n+到达率拟合模型为：
其中，yb为n+到达率，xb为(n-1)+到达率，a20为第四系数，a21为第五系数，n为大于0的正整数。
在一可选实施例中，每种媒介的总n+到达率模型为：
其中，yc为总n+到达率，xc为n个到达率数据组成的向量，a3为第六系数，b2为第七系数，ε3为随机项。
通过本实施例装置，根据用户输入的目标投入项，可以分别计算出不同种媒介分配比例下的GRP和到达率数据，为用户预估不同推广方式的推广效果，帮助用户选择最优的推广方式。
下面对本发明实施例进行具体说明。首先对下文中出现的部分符号进行定义说明：
表1
| 定义 | 符号 |
| 媒介PC | X1 |
| 媒介Mobile | X2 |
| 媒介TV | X3 |
| 媒介OTT | X4 |
| Total(多媒介) | y |
| Uvr(n+) | pn |
其中，Uvr(n+)表示n+到达率，表示触达次数达到n次及n次以上的人的比例。下文中Total与total含义相同，Reach与reach含义相同，Budget与budget含义相同。n为大于0的正整数。
例：yp2代表2+total reach，x1p3代表PC 3+reach。
用户希望在给定一个总体预算或GRP或目标Total reach的情况下，找出最优的预算分配。即对于给定的一种媒介的预算，推导出其总GRP之后，需要推导出GRP对应的1+reach,2+reach…n+reach，等一系列reach数据。用这种方法对每种媒介的收视数据进行推算后，再推算出几种媒介放在一起时的total reach有多少。因此，关键问题是找到每种媒介GRP、n+reach和Total n+reach这几组数据之间的关系。对此，可以收集历史的监测数据并对其建模。实际的推算过程就是用学习到的模型进行预测的过程。
在得到模型之后，有几种不同的方式对其进行应用。在进行大媒介预算分配时可以设定三种不同的目标投入项，包括Total reach，Total GRP和Total Budget。下面分别对其进行描述。
1、目标投入项为Total Budget:对于输入的一个给定的Total Budget,预测过程是要找到在何种预算分配下达到的total reach最高；
2、目标投入项为Total GRP:对于输入的一个给定的Total GRP，预测过程是要找到在何种GRP分配下达到的total reach最好；
3、目标投入项为Total Reach：对于输入的一个指定的total n+reach值，预测过程是要找到在何种预算分配下达到此total reach时所需的总Budget最少。
显然，用户期待的结果是给定一个目标投入项之后，算法可以计算出不同媒体分配比例下的到达率数据，从而可以为用户选择出一个最优的媒体分配比例组合，使得在这种媒体分配比例组合下，当前预算能够达到最高的Total n+Reach，当目标投入项为TotalReach时则是：得到一个最优的媒体分配比例组合，使得在这种媒体分配比例组合下，为达到目标设定的Total n+Reach所需的预算最少。
然而，由于这是一个复杂的优化问题，当从某一种固定的媒介分配比例开始优化迭代时，很有可能陷入局部最优解。为了解决这个问题，我们在算法中预设了一个媒介分配比例表，以推广至四种媒介、最小颗粒度为10％为例，该媒介分配比例表遍历了以10％为最小颗粒度将预算分为四部分的所有组合。以推广至TV和OTT为例，最小颗粒度为10％时，媒介分配比例表中包含：从TV占100％、OTT占0％，TV占90％、OTT占10％，直到TV占0％、OTT占100％共11种比例组合。在实际计算中，分别用每一种媒介分配比例组合进行计算，然后选择ROI最高的组合当做近似最优解，这样可以解决局部最优解的问题。并且从长远看，只要缩小媒介分配比例的最小颗粒度，就能提高预测的颗粒度，而不用更改算法。
为了对各媒介的GRP和reach的关系进行拟合，需要获取一段时间内，一批活动中的各媒介的GRP和reach数据。训练数据字段含义如下表：
表2
| 字段名 | 字段含义 |
| Campaigned | 活动id |
| PC_GRP | PC的GRP |
| X1p1 | PC的1+reach |
| X1p2 | PC的2+reach |
| … | … |
| X1p15 | PC的15+reach |
| Mobile_GRP | Mobile的GRP |
| X2p1 | Mobile的1+reach |
| … | … |
| X2p15 | Mobile的15+reach |
| TV_GRP | TV的GRP |
| X3p1 | TV的1+reach |
| … | … |
| X3p15 | TV的15+reach |
| OTT_GRP | OTT的GRP |
| X4p1 | OTT的1+reach |
| … | … |
| X4p15 | OTT的15+reach |
| Total_GRP | Total的GRP |
| yp1 | Total的1+reach |
| … | … |
| yp15 | Total的15+reach |
以下实施例分别描述如何获得拟合模型算法
首先描述拟合流程，包括以下步骤：
Step1:对于每种媒介，先拟合出此媒介GRP与此媒介1+reach的线性模型，即得到单媒介的GRP与1+reach的拟合模型；
Step2:如果目标total reach为n+，则需要分别拟合出每种媒介1+reach与2+reach的线性模型、2+reach与3+reach的线性模型，直至(n-1)+reach与n+reach的线性模型；
当预测目标为budget或grp时，本实施例默认目标为total 5+reach，其他实施例中也可以是total 3+reach；
Step3：对于目标total reach，如果为total n+reach,则拟合出total 1+reach、total 2+reach，直至total n+reach的线性模型。
拟合过程的路线如图3所示。
下面分别介绍单媒介GRP与1+reach模型，(n-1)+reach与n+reach模型，total n+reach模型的获得方法。
1.单媒介GRP与1+reach的模型
图4是一组测试数据的GRP与1+reach的散点图。其中横轴代表GRP，纵轴代表1+reach。从数据中可以看出：
1)GRP与1+reach呈现单调递增的关系；
2)GRP数据范围是[0，+∞],1+reach的范围是[0，1]；
3)GRP与1+reach关系非线性。
基于以上几点，在进行GRP与1+reach拟合时有以下关键步骤：
1)需要对GRP和1+reach数据进行转换，将其数据范围转换到(-∞,+∞)上
2)采用多项式拟合(在算法中应用为最小二乘二次多项式拟合)。
由于reach接近1的点非常少，所以如果在预测中碰到了GRP非常大的点，其预测准确性会相对较低。
算法描述：
Step1：设样本中共有m个样本点，GRP数据为X＝{x1,x2,…xm}，1+reach数据为Y＝{y1,y2,…ym}；
Step2：将X与Y进行转换：
X＝log(X)
转换完成之后，X、Y的定义域都为(-∞,+∞)；
Step3：设要拟合的函数为一个二次多项式，即假设真实的GRP与1+reach的关系具有如下形式：
y＝f(x)＝a12*x2+a11*x+a10+ε1
其中，a10为第一系数、a11为第二系数和a12为第三系数，ε1为随机项(即误差)；
Step4:利用最小二乘法则可以得到最优解
Step5:拟合之后可以得到
Step6:假设现在要对新数据进行预测，由Step2的数据转换步骤即将步骤2中公式的反函数代入步骤5中公式可以得到最终的计算表达式为：
上述公式1’即前述实施例中公式1，公式1’中的y为公式1中的ya即为1+到达率，公式1’中的x为公式1中的xa即为GRP值。a10为第一系数，a11为第二系数，a12为第三系数。
通过多项式拟合可求出公式中的系数。
2.n+reach与(n+1)+reach的模型
图5是一组测试数据的1+reach与2+reach的散点图。图中可以得到的信息有：
1)(n-1)+reach与n+reach存在非常强的线性关系；
2)任意n+reach的定义域为[0,1]。
基于这些信息以及其它大量的n+reach与(n+1)+reach的散点图，可以做出假设:对于任意的uvr＝n,n+reach与(n+1)+reach之间服从线性关系。
记随机变量x为某媒介在任一活动中的n+reach，
记随机变量y为某媒介在任一活动中的(n+1)+reach。
则有公式：y＝b1*x+e
其中b1为常量，e为服从标准正态分布的随机变量。
对于每种媒介的每个n，都需要做一个线性拟合。
算法描述：
Step1：设样本中共有m个样本点。(n-1)+reach数据为X＝{x1,x2,…xm}.n+reach数据为Y＝{y1,y2,…ym}.
Step2：设X与Y服从一个线性关系：
y＝a21*x+a20+ε2其中ε2为随机项(即误差)
Step3：对X，Y进行一元线性回归，得到下式用于进行预测：
上述公式2’即前述实施例中公式2，公式2’中的y为公式2中的yb即为n+到达率，公式2’中的x为公式2中的xb即为(n-1)+到达率。a20为第四系数，a21为第五系数。
3.用单媒介reach拟合total n+reach模型
Total reach的主要问题是当将不同的媒介放在一起看时，由于每种媒介触达的人群有所重叠，因此不能简单地将各媒介的reach相加。
举例说明，当拟合total 3+reach时，各媒介的3+reach会做出直接贡献。但同时这些媒介的3+reach人群会有所重叠，这部分人就没有被考虑进来。另外，有一些total 3+reach来自于两种媒介的共同贡献，比如一个人在tv上达到了2+reach，在mobile媒介上达到了1+reach，则合起来也算total 3+reach人群之一。如何将这部分因素考虑在内是本算法的重要内容，而这个问题可以用线性回归的交叉项解释。
用单媒介reach拟合total n+reach时有以下关键点：
1)在本实施例中使用各媒介的(n-2),(n-1),n+reach来预测total n+reach，既保证准确性又不会过拟合。
2)由于在拟合过程中中会产生很多类的交叉项，但不是所有交叉项都同等重要，因此拟合过程通过逐步回归(Stepwise linear regression with both sides)解决交叉项的问题。先进行无系数回归，然后依据AIC准则逐个增加回归项，直到到达AIC准则的局部最优。
3)由于大部分广告都是多种媒介同时进行投放推广，所以总reach为多媒介重叠后的结果。因此历史数据无法直接反应出仅投单媒介时单媒介reach与total reach的恒等关系，而这一层的缺失会影响模型的解释性和准确性。因此需要对训练数据进行补充。本实施例才有以下方法：在历史数据中随机选择20％(可调整)的点，然后将四种媒介中的三种媒介的grp和reach数据调整为0，将total的grp和reach数据调整为与剩余的一媒介相同。这样就构造出了某一种媒介单媒介投放时的数据。然后再将同样的方法应用于其它三种媒介上，就构造出了所有的单媒介数据。最后将构造好的数据与原始训练数据做并集，得到最终的训练数据。
算法描述：
Step1：设样本中共有m个样本点。单媒介Reach数据为X＝{x1,x2,…xm}.Total N+reach数据为Y＝{y1,y2,…ym}.其中X中的每个点为一个各媒介的三个Reach组成的长为12的向量，xi＝{xi1,xi2,…xi12}＝{x1p1,x1p2,x1p3,x2p1,x2p2,x2p3,x3p1,x3p2,x3p3,x4p1,x4p2,x4p3}
我们最后希望得到如下模型：
y＝a3*x+b2+ε3公式3’
上述公式3’即前述实施例中公式3，公式3’中的y为公式3中的yc即为总n+到达率，公式3’中的x为公式3中的xc即为n个到达率数据组成的向量，由Reach数据中变量以及变量间的交叉项组成的向量，由下面的逐步回归得到；a3为第六系数，是一个向量，b2为第七系数，是一个截距，ε3为随机项。
Step2:补充数据：从历史数据中抽出一定比例的记录，对于PC、Mobile、TV、OTT四种媒介中的每一种，分别将其它三种媒介的数据调整为0，将各个total reach数据调整为与剩余的一种媒介相同。将数据与原始历史数据合并，得到补充后的训练数据。
Step3：构造拟合所用到的所有可能的项：
由于total reach为各媒介触达的人群和次数相互叠加的结果，所以在模型中需要考虑不同媒介的不同reach间的相互交叉的效果。经过反复试验，确定了如下方法：
假设需要拟合total 3+reach，记为yp3.则用到的数据包括：
x1p3,x1p2,x1p1 x2p3,x2p2,x2p1
x3p3,x3p2,x3p1 x4p3,x4p2,x4p1
在本算法中用到的单项和交叉项如下：(冒号代表两项交叉，即相乘)
3+reach项：x1p3,x2p3,x3p3,x4p3,x1p3:x2p3,x1p3:x3p3,x1p3:x4p3,x2p3:x3p3,x2p3:x4p3,x3p3:x4p3,x1p3:x2p3:x3p3,x1p3:x2p3:x4p3,x1p3:x3p3:x4p3,x2p3:x3p3:x4p3,x1p3:x2p3:x3p3:x4p3,
3+reach与2+reach交叉项：x1p3:x2p2,x1p3:x3p2,x1p3:x4p2,x2p3:x3p2,x2p3:x4p2,x3p3:x4p2,x2p3:x1p2,x3p3:x1p2,x4p3:x1p2,x3p3:x2p2,x4p3:x2p2,x4p3:x3p2，
3+reach与1+reach交叉项：x1p3:x2p1,x1p3:x3p1,x1p3:x4p1,x2p3:x3p1,x2p3:x4p1,x3p3:x4p1,x2p3:x1p1,x3p3:x1p1,x4p3:x1p1,x3p3:x2p1,x4p3:x2p1,x4p3:x3p1，
2+reach项：x1p2,x2p2,x3p2,x4p2,x1p2:x2p2,x1p2:x3p2,x1p2:x4p2,x2p2:x3p2,x2p2:x4p2,x3p2:x4p2,x1p2:x2p2:x3p2,x1p2:x2p2:x4p2,x1p2:x3p2:x4p2,x2p2:x3p2:x4p2,x1p2:x2p2:x3p2:x4p2，
2+reach与1+reach交叉项：x1p2:x2p1,x1p2:x3p1,x1p2:x4p1,x2p2:x3p1,x2p2:x4p1,x3p2:x4p1,x2p2:x1p1,x3p2:x1p1,x4p2:x1p1,x3p2:x2p1,x4p2:x2p1,x4p2:x3p1,
1+reach项：x1p1,x2p1,x3p1,x4p1,x1p1:x2p1,x1p1:x3p1,x1p1:x4p1,x2p1:x3p1,x2p1:x4p1,x3p1:x4p1,x1p1:x2p1:x3p1,x1p1:x2p1:x4p1,x1p1:x3p1:x4p1,x2p1:x3p1:x4p1,x1p1:x2p1:x3p1:x4p1；
Step4:对n+reach进行Stepwise(逐步)拟合。先不添加任何项，拟合yp3～yp1.然后，应用逐步回归的方法，在每次回归后，分别计算添加每一项后的模型AIC，挑选AIC下降最大的项加入模型。
Step5：重复Step4，直到模型AIC达到最小值，得到最终的模型。
下面以若干实施例来说明预测过程
在一个可选实施例中，当目标投入项为Budget时，用户输入总Budget，并确定投放的媒介类型(DeviceType)，每种媒介的CPM(千次曝光成本)；计算步骤如下：
1)将总Budget按媒介分配比例中的一种进行分配，得到每种媒介的budget；
2)将每种媒介的budget除以此媒介CPM得到每种媒介的GRP；
3)应用各媒介的GRP与1+reach拟合模型，预测各媒介能达到的1+reach；
4)依次应用各媒介的2+reach、3+reach、4+reach和5+reach模型，得到相应的到达率数据；
5)依次应用各媒介的1+,2+…和5+reach模型，得到相应的total n+reach；
在其他实施例中也可以只用1+、2+和3+reach模型进行拟合。
6)整合所有数据得到当前媒介分配比例下的到达率数据记录；
7)对其他媒介分配比例应用以上步骤，得到不同媒介分配比例下即不同预算下的GRP和reach数值表。
在一个可选实施例中，当目标投入项为GRP时，用户输入总GRP，并确定投放的媒介类型。
与上一实施例中目标投入项为Budget计算方法基本相同，唯一的区别是，后台预设的CPM为1，这意味着总Budget实际存储的数据就是总GRP，因此在步骤1)按照媒介分配比例分配各媒介预算时，分配得到的是CPM为1时各媒介的Budget，实际上就是各媒介的GRP，即无需执行上一实施例中的步骤2)。除此之外，在计算方法上完全相同。
在一个可选实施例中，当目标投入项为Total Reach时，用户输入目标到达率数据，算法中预设：Total Reach的目标uvr(total n+reach中的n是多少)，Total Reach的目标下限，各媒介CPM。
由于计算的核心步骤是在给出budget的情况下，根据比例和模型拆分预测出各媒介的GRP和Reach。所以在以达到特定的Reach为目标的情况下，只能利用函数逼近算法不断迭代提高Budget以逼近目标Total Reach。计算步骤如下：
1)选择一种媒介分配比例；
2)将总Budget设定为一个预设的初始值；
该初始值可以为一个较小的值，后续根据计算结果再决定是否增加。
3)将总Budget按步骤1)中选择的媒介分配比例进行分配，得到每种媒介的budget；
4)将每种媒介的budget除以此媒介CPM得到每种媒介的GRP；
5)应用各媒介的GRP与1+reach拟合模型，预测各媒介能达到的1+reach；
6)依次应用各媒介的2+reach、3+reach、4+reach和5+reach模型，得到相应的到达率数据；
本实施例中n＝5，其他实施例中，n也可以取其他值。
7)依次应用各媒介的total 1+,2+…n+reach模型，得到相应的total n+reach；
8)检查此total reach，如果达到了total reach的目标下限，则结束计算，返回步骤1)进行下一组媒介分配比例下的计算。如果没有达到total reach的目标下限，则按一个预设迭代步长提高总Budget，然后返回执行步骤3)–步骤7)，直到total reach达到目标下限为止；
在步骤8)中得到的total reach达到目标下限后，确定总budget不变。
9)对每一种预设的预算分配比例，应用以上步骤后，得到一张不同预算下的GRP和reach数值表；
由于每一次迭代过程都相当于将目标投入项为Budget或GRP时的预测过程计算一遍，所以，目标投入项为Reach的计算时间会显著长于另外两种情况。实践证明，前端发请求计算一次目标投入项为Budget或GRP的总时长最多需要数秒，而计算一次目标投入项为Reach则需要30s左右。
预测路线如图6所示。
上述各实施例给出的算法仅为示例，在其他实施例中，本领域技术人员可以根据需要对算法或参数进行调整。
输出数据示例
对于系统中预存的每一组预算分配比例，算法都会依此进行一次预测。如果满足输出条件，则会输出这条记录。输出数据中的字段列表如下：
表3
| 字段名 | 字段含义 |
| PC IGRP | 分配给PC的GRP |
| Mobile IGRP | 分配给Mobile的GRP |
| TV GRP | 分配给TV的GRP |
| OTT IGRP | 分配给OTT的GRP |
| PC IGRP％ | 分配给PC的GRP在总GRP中的占比 |
| Mobile IGRP％ | 分配给Mobile的GRP在总GRP中的占比 |
| TV GRP％ | 分配给TV的GRP在总GRP中的占比 |
| OTT IGRP％ | 分配给OTT的GRP在总GRP中的占比 |
| Total IGRP | 计划的总GRP |
| 1+％ | 当前分配策略下预计达到的1+Reach |
| 2+％ | 当前分配策略下预计达到的2+Reach |
| … | |
| N+％ | 当前分配策略下预计达到的n+Reach |
| PC Cost | 分配给PC的成本 |
| Mobile Cost | 分配给Mobile的成本 |
| TV Cost | 分配给TV的成本 |
| OTT Cost | 分配给OTT的成本 |
| PC Cost％ | 分配给PC的成本在总成本中的占比 |
| Mobile Cost | 分配给Mobile的成本在总成本中的占比 |
| TV Cost％ | 分配给TV的成本在总成本中的占比 |
| OTT Cost％ | 分配给OTT的成本在总成本中的占比 |
| Total Cost | 计划的总成本 |
计算结果如表4所示。
表4
上述推广效果预估产品的操作界面可以如图7所示，导出的计算结果如图8所示。
本发明实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序；所述计算机程序被执行后，能够实现前述一个或多个实施例提供的方法。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时能够实现前述一个或多个实施例提供的方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理单元的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
例如，本发明所属领域内的技术人员不经过创造性劳动对本发明权利要求中提到的公式所进行的变形也应属于本发明所限定的保护范围。
Claims (10)
1.一种跨媒介推广的推广效果预估方法，其特征在于，所述方法包括：
接收目标投入项；
针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据；
所述针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据之前，所述方法还包括：
根据设定的最小颗粒度以及推广的媒介的种类，遍历得出以最小颗粒度为单位的所有媒介分配比例的组合。
2.根据权利要求1所述的方法，其特征在于，
所述目标投入项为总预算值；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总预算值和媒介分配比例确定当前媒介分配比例下每种媒介的预算值；根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP；或者，
所述目标投入项为总收视率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，包括：根据总收视率和媒介分配比例确定当前媒介分配比例下每种媒介的GRP。
3.根据权利要求1所述的方法，其特征在于，
所述目标投入项为总到达率；所述根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
预设初始总预算值，根据所述初始总预算值和媒介分配比例获得当前媒介分配比例下每种媒介的预算值，根据每种媒介的预算值和每种媒介的千人成本CPM得到每种媒介的GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，判断所述当前媒介分配比例下到达率数据是否在所述目标投入项范围内，如果当前媒介分配比例下所述到达率数据不在所述目标投入项范围内，则按照预设迭代步长调整所述初始总预算值，重复上述步骤，直到当前媒介分配比例下所述到达率数据在所述目标投入项范围内。
4.根据权利要求1或2或3所述的方法，其特征在于，
所述根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下到达率数据，包括：
根据每种媒介的GRP与1+到达率拟合模型，预估每种媒介的1+到达率；根据每种媒介的n+到达率拟合模型，预估每种媒介的n+到达率；根据每种媒介的总n+到达率模型，预估每种媒介的总n+到达率；统计每种媒介的当前媒介分配比例下的到达率数据。
5.根据权利要求4所述的方法，其特征在于，
所述每种媒介的GRP与1+到达率拟合模型为：
其中，ya为1+到达率，xa为GRP值，a10为第一系数，a11为第二系数，a12为第三系数。
6.根据权利要求4所述的方法，其特征在于，
所述每种媒介的n+到达率拟合模型为：
其中，yb为n+到达率，xb为(n-1)+到达率，a20为第四系数，a21为第五系数，n为大于0的正整数。
7.根据权利要求1所述的方法，其特征在于，
所述每种媒介的总n+到达率模型为：
其中，yc为总n+到达率，xc为n个到达率数据组成的向量，a3为第六系数，b2为第七系数，ε3为随机项。
8.一种跨媒介推广的推广效果预估装置，其特征在于，所述装置包括接收模块和计算模块，其中：
所述接收模块，用于接收目标投入项；
所述计算模块，用于针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据：根据所述目标投入项和媒介分配比例获得当前媒介分配比例下每种媒介的总收视率GRP，根据每种媒介的GRP与到达率拟合模型，预估每种媒介的到达率，得到当前媒介分配比例下的到达率数据，还用于在针对每一种预设的媒介分配比例执行以下操作，得到不同媒介分配比例下的GRP和到达率数据之前，根据设定的最小颗粒度以及推广的媒介的种类，遍历得出以最小颗粒度为单位的所有媒介分配比例的组合。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910262585.7A CN110069708B (zh) | 2019-04-02 | 2019-04-02 | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910262585.7A CN110069708B (zh) | 2019-04-02 | 2019-04-02 | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110069708A CN110069708A (zh) | 2019-07-30 |
| CN110069708B true CN110069708B (zh) | 2022-04-08 |
Family
ID=67366957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910262585.7A Active CN110069708B (zh) | 2019-04-02 | 2019-04-02 | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110069708B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819534A (zh) * | 2021-02-01 | 2021-05-18 | 北京明略昭辉科技有限公司 | 基于媒体报价的广告投放组合方法、系统、设备及存储介质 |
| CN113177813A (zh) * | 2021-05-31 | 2021-07-27 | 上海苍苔信息技术有限公司 | 一种模块化广告投放系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106228385A (zh) * | 2016-07-12 | 2016-12-14 | 精硕世纪科技（北京）有限公司 | 互联网媒体组合投放方法与装置 |
| CN106412635A (zh) * | 2016-09-29 | 2017-02-15 | 北京赢点科技有限公司 | 一种智能化广告投放方法及系统 |
| CN108492127A (zh) * | 2018-02-14 | 2018-09-04 | 北京数字新思科技有限公司 | 媒体推广优化方法及计算机可读存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7949561B2 (en) * | 2004-08-20 | 2011-05-24 | Marketing Evolution | Method for determining advertising effectiveness |
| US20100057534A1 (en) * | 2008-08-27 | 2010-03-04 | Smart Channel, L.L.C. | Advertising-buying optimization method, system, and apparatus |
| CN104035926B (zh) * | 2013-03-05 | 2017-05-31 | 秒针信息技术有限公司 | 一种互联网信息的投放和系统 |
| US9552589B2 (en) * | 2013-03-15 | 2017-01-24 | The Nielsen Company (Us), Llc | Methods and apparatus to determine efficiencies of media delivery across platforms |
| CN104967878B (zh) * | 2014-11-19 | 2019-05-14 | 腾讯科技（北京）有限公司 | 一种数据处理方法及服务器 |
| KR20160062382A (ko) * | 2014-11-25 | 2016-06-02 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 광고 서비스 제공 방법 |
| CN106682930B (zh) * | 2015-11-11 | 2020-07-03 | 北京国双科技有限公司 | 数据处理方法和装置 |
| CN106101832B (zh) * | 2016-07-19 | 2020-07-03 | 东软集团股份有限公司 | 用于评价互联网媒体的指标的计算方法和装置 |
-
2019
- 2019-04-02 CN CN201910262585.7A patent/CN110069708B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106228385A (zh) * | 2016-07-12 | 2016-12-14 | 精硕世纪科技（北京）有限公司 | 互联网媒体组合投放方法与装置 |
| CN106412635A (zh) * | 2016-09-29 | 2017-02-15 | 北京赢点科技有限公司 | 一种智能化广告投放方法及系统 |
| CN108492127A (zh) * | 2018-02-14 | 2018-09-04 | 北京数字新思科技有限公司 | 媒体推广优化方法及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据仓库的收视数据统计分析系统的研究与应用;王思赟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215;I138-564 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110069708A (zh) | 2019-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104053023B (zh) | 一种确定视频相似度的方法及装置 | |
| CN110505165B (zh) | 一种基于双向拍卖机制的边缘计算任务卸载方法及装置 | |
| CN110069708B (zh) | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 | |
| CN105005582A (zh) | 多媒体信息的推荐方法及装置 | |
| CN109711871B (zh) | 一种潜在客户确定方法、装置、服务器及可读存储介质 | |
| JP2018537790A (ja) | エネルギー顧客の予測的セグメント化 | |
| Hassan et al. | Reputation and user requirement based price modeling for dynamic spectrum access | |
| Besbes et al. | Dynamic pricing with financial milestones: Feedback-form policies | |
| US20180108033A1 (en) | Content scheduling method and apparatus in multi-content reproducing apparatus environment | |
| US20230060432A1 (en) | Advertising material allocation system, advertising material allocation apparatus and program | |
| Ai et al. | The multi-shop ski rental problem | |
| US8654386B2 (en) | Method and system for enabling decentralized, trustworthy and collaborative sharing of services | |
| CN104967690A (zh) | 一种信息推送方法及装置 | |
| Kasbekar et al. | Dynamic contract trading in spectrum markets | |
| US20160125454A1 (en) | Systems and methods for managing advertising campaigns | |
| Kasbekar et al. | Dynamic contract trading in spectrum markets | |
| AU2007247995B2 (en) | Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising | |
| Simhon et al. | On the impact of information disclosure on advance reservations: A game-theoretic view | |
| Korcak et al. | Competition and regulation in a wireless operator market: An evolutionary game perspective | |
| CN111724176A (zh) | 店铺流量调节方法、装置、设备及计算机可读存储介质 | |
| CN113010869B (zh) | 用于管理数字内容的方法、装置、设备和可读存储介质 | |
| Connolly et al. | Adaptive reward allocation for participatory sensing | |
| CN112836085A (zh) | 一种权重调整方法及装置、存储介质 | |
| CN113538041A (zh) | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 | |
| WO2013117224A1 (en) | System and method for determining a reputation mechanism |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210122 Address after: Room 2020, 2 / F, building 27, No. 25, North Third Ring Road West, Haidian District, Beijing 100089 Applicant after: Beijing minglue Zhaohui Technology Co.,Ltd. Address before: 100012 Room 302, block B, Ruipu building, No.15, Hongjunying South Road, Beiyuan, Chaoyang District, Beijing Applicant before: BEIJING XINSIGHT TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |