CN110197386B - 媒体资源推送方法和装置、存储介质及电子装置 - Google Patents
媒体资源推送方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN110197386B CN110197386B CN201810326308.3A CN201810326308A CN110197386B CN 110197386 B CN110197386 B CN 110197386B CN 201810326308 A CN201810326308 A CN 201810326308A CN 110197386 B CN110197386 B CN 110197386B
- Authority
- CN
- China
- Prior art keywords
- account
- user account
- professional
- user
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种媒体资源推送方法和装置、存储介质及电子装置。其中,该方法包括:获取使用目标应用的第一用户账号的职业操作记录;根据职业操作记录提取第一用户账号的职业交互特征;将职业交互特征输入账号识别模型,其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。本发明解决了由于相关技术提供的媒体资源推送方式存在推送对象范围较大所导致的推送精准度较低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种媒体资源推送方法和装置、存储介质及电子装置。
背景技术
为了更广泛地传递产品信息,很多产品开发者会选择通过互联网投放与产品相关的媒体资源,以达到宣传该产品的目的。其中,在向各个客户端或网页链接推送被投放的媒体资源时,通常是向所有用户账号推送相同的媒体资源,或根据大数据统计结果向用户账号推送与其使用习惯相匹配的媒体资源。
然而,在采用上述方式推送媒体资源时,存在推送对象范围较大所导致的推送精准度较低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种媒体资源推送方法和装置、存储介质及电子装置,以至少解决由于相关技术提供的媒体资源推送方式存在推送对象范围较大所导致的推送精准度较低的技术问题。
根据本发明实施例的一个方面,提供了一种媒体资源推送方法,包括:获取使用目标应用的第一用户账号的职业操作记录,其中,上述职业操作记录为基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成,上述职业关系链用于指示与上述第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;根据上述职业操作记录提取上述第一用户账号的职业交互特征;将上述职业交互特征输入账号识别模型,其中,上述账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;在上述账号识别模型所输出的识别结果指示上述第一用户账号与上述目标职业标签相关联的情况下,向上述第一用户账号推送与上述目标职业标签所指示的目标职业相匹配的媒体资源。
根据本发明实施例的另一方面,还提供了一种媒体资源推送装置,包括:第一获取单元,用于获取使用目标应用的第一用户账号的职业操作记录,其中,上述职业操作记录为基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成,上述职业关系链用于指示与上述第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;提取单元,用于根据上述职业操作记录提取上述第一用户账号的职业交互特征;输入单元,用于将上述职业交互特征输入账号识别模型,其中,上述账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;推送单元,用于在上述账号识别模型所输出的识别结果指示上述第一用户账号与上述目标职业标签相关联的情况下,向上述第一用户账号推送与上述目标职业标签所指示的目标职业相匹配的媒体资源。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述媒体资源推送方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的媒体资源推送方法。
在本发明实施例中,在获取使用目标应用的第一用户账号的职业操作记录之后,根据上述职业操作记录提取上述第一用户账号的职业交互特征,其中,上述职业操作记录为基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成,上述职业关系链用于指示与上述第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号。然后,将上述职业交互特征输入利用多个样本对象账号的样本职业交互特征通过机器训练所得到的账号识别模型;在上述账号识别模型所输出的识别结果指示上述第一用户账号与上述目标职业标签相关联的情况下,向上述第一用户账号推送与上述目标职业标签所指示的目标职业相匹配的媒体资源。也就是说,基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度,进而解决了由于相关技术提供的媒体资源推送方式存在推送对象范围较大所导致的推送精准度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种媒体资源推送方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的媒体资源推送方法的流程示意图;
图3是根据本发明实施例的一种可选的媒体资源推送方法的示意图;
图4是根据本发明实施例的另一种可选的媒体资源推送方法的示意图;
图5是根据本发明实施例的又一种可选的媒体资源推送方法的示意图;
图6是根据本发明实施例的又一种可选的媒体资源推送方法的示意图;
图7是根据本发明实施例的又一种可选的媒体资源推送方法的示意图;
图8是根据本发明实施例的又一种可选的媒体资源推送方法的示意图;
图9是根据本发明实施例的一种可选的媒体资源推送装置的结构示意图;
图10是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种资源推送方法,可选地,作为一种可选的实施方式,上述资源推送方法可以但不限于应用于如图1所示的应用环境中。
服务器106通过网络104从终端102中获取使用目标应用的第一用户账号的职业操作记录,其中,职业操作记录为基于与第一用户账号相匹配的职业关系链执行的交互操作而生成,职业关系链用于指示与第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号。服务器106在获取到上述职业操作记录后,根据职业操作记录提取第一用户账号的职业交互特征,并经职业交互特征输入账号识别模型中。其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到。在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,服务器106向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。
需要说明的是,通过上述方法,可以基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度,进而解决了由于相关技术提供的媒体资源推送方法存在推送对象范围较大所导致的推送精准度低的技术问题。
可选地,上述媒体资源推送方法可以但不限于应用于可以计算数据的服务器上,例如笔记本电脑、PC机等终端上,上述网络可以包括但不限于无线网络或有线网络。其中,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述终端可以包括但不限于以下至少之一:手机、平板电脑、笔记本电脑、PC机等。
可选地,作为一种可选的实施方式,如图2所示,上述资源推送方法包括:
S202,获取使用目标应用的第一用户账号的职业操作记录,其中,职业操作记录为基于与第一用户账号相匹配的职业关系链执行的交互操作而生成,职业关系链用于指示与第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;
S204,根据职业操作记录提取第一用户账号的职业交互特征;
S206,将职业交互特征输入账号识别模型,其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
S208,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。
可选地,上述媒体资源推送方法可以但不限于应用于推送广告、推送新闻消息、推送活动资源的过程中。以下结合推送广告的过程进行说明。
例如,上述第二用户账号为汽车销售员的账号,上述职业操作记录为第一用户账号与汽车销售员的账号之间转发文章的数量,上述职业交互特征可以为转发文章时间、转发文章数量等。在向第一用户账号推送广告时,获取第一用户账号与汽车销售员的账号之间转发文章的数量,并将转发文章时间、转发文章的数量等数据输入到账号识别模型中如果识别模型识别出第一用户账号与汽车销售员的账号之间存在联系,则向第一用户账号推送与汽车相关的广告。
需要说明的是,由于相关技术中在投放媒体资源的过程中,通常是向所有的用户账号推送相同的媒体资源,或者根据大数据统计结果向用户账号推送与其使用习惯相匹配的媒体资源,因此存在投放媒体资源时推送对象范围过大,推送精准度低的问题。而在本申请实施例中,在获取使用目标应用的第一用户账号的职业操作记录之后,根据上述职业操作记录提取上述第一用户账号的职业交互特征,其中,上述职业操作记录为基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成,上述职业关系链用于指示与上述第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号。然后,将上述职业交互特征输入利用多个样本对象账号的样本职业交互特征通过机器训练所得到的账号识别模型;在上述账号识别模型所输出的识别结果指示上述第一用户账号与上述目标职业标签相关联的情况下,向上述第一用户账号推送与上述目标职业标签所指示的目标职业相匹配的媒体资源。也就是说,基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度。
可选地,上述目标职业标签可以但不限于用于标识用户账号的职业,该职业可以但不限于用于指示对应的行业,例如,职业标签“媒体人”可以用于指示广告媒体行业,职业标签“汽车中介”可以用于指示汽车销售行业,职业标签“幼师”可以用于指示幼儿教育行业、职业标签“房屋中介”可以用于指示房屋销售行业等。
可选地,上述职业操作记录可以但不限于为第一用户账号与具有目标职业标签的第二用户账号之间的交互记录,例如第一用户账号与第二用户账号确定好友关系的时间、是否为单向好友关系,是否屏蔽好友、是否是黑名单好友、是否是同城好友、是否是同校好友、是否是同公司好友、第一用户账号与第二用户账号存在共同好友、第一用户账号与第二用户账号存在于一个群中、第一用户账号与第二用户账号间有转发消息或点赞等。
可选地,以下结合图3对上述第一用户账号与第二用户账号之间的关系进行说明。如图3所示,存在用户1、用户2、用户3、用户4四名用户。图3中的箭头表示单向的交互关系。可以看出,用户1与用户2为双向交互关系,但是用户1与用户3、用户4、用户2与用户4都是单向的交互关系,且用户4屏蔽了用户3,用户3无法与用户4主动发起交互。且用户1与用户2处于同一群中,且用户2与用户4为好友关系。通过图3,可以直观地显示出整理后的各个用户之间的关系。
可选地,根据职业操作记录提取第一用户账号的职业交互特征包括:将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;将多个操作子记录分别转化为对应的特征向量,得到职业交互特征。
例如,继续结合图3进行说明。在得到上述多个用户之间的多项关系之后,可以根据不同的交互类型将上述多个用户间的交互整合成不同的分类。以好友关系为例,得到多个用户之间的好友关系记录:用户1与用户2之间为非好友关系;用户1与用户3之间为非好友关系;用户1与用户4之间为非好友关系;用户2与用户3之间为非好友关系;用户2与用户4之间为好友关系;用户3与用户4之间为非好友关系。在得到上述多个用户之间的好友关系记录后,将上述获取到的好友关系记录转化成特征向量,上述特征向量可以但不限于用于指示职业交互特征。
可选地,在将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录包括以下至少之一:将对第一用户账号及第二用户账号之间的关系执行调整操作的操作数据整合为第一操作子记录;将第一用户账号与第二用户账号所共同拥有的关联账号的账号信息整合为第二操作记录;将第一用户账号与第二用户账号共同所在的群账号中的交互频率数据整合为第三操作子记录;将第一用户账号与第二用户账号在与目标应用匹配的社区空间中的交互数据整合为第四操作子记录;将第一用户账号转发第二用户账号所发布的数据的数量整合为第五操作子记录。
例如,结合图3与图4进行说明。在得到多个用户之间的交互关系之后,根据不同的交互类型,将上述交互关系分成不同的分类。其中可以包括:关系类型、关联账号的账号信息、共同群账号中的交互频率数据、社区空间中的交互数据、转发数据的次数等。如图4所示,根据图3所示的交互关系,在图4的关系类型中存储有用户间的关系。其中包括好友关系,非好友关系,黑名单关系等。存储有用户之间的关联账号信息,如共同好友数等。存储有共同群账号交互频率数据,例如用户1与用户2在一个群中发消息的频率。存储有社区空间中的点赞的数量,例如用户1为用户2与用户3点赞的数量。存储有转发记录,例如用户1转发了用户3与用户4的消息的数量等。
可选地,在本实施例中,上述第一用户账号与目标职业标签相关联可以但不限于用于指示第一用户账号为与该目标职业标签所指示的行业中的潜在用户账号。例如,在目标职业标签为汽车中介,且确定出第一用户账号与该目标职业标签相关联的情况下,则可以将第一用户账号确定为标签“汽车中介”所指示的汽车销售行业中的潜在用户账号。进一步,可以像该第一用户账号推送与标签“汽车中介”所指示的汽车销售行业匹配的媒体资源,如汽车销售广告。
可选地,上述账号识别模型可以但不限于为经过深度学习的神经网络模型,其中,上述账号识别模型可以但不限于为通过输入样本数据进行训练得到。其中,所输入的样本数据可以包括但不限于:正样本对象账号、负样本对象账号。上述正样本对象账号为与目标职业标签相关联的账号,上述负样本对象账号为与目标职业标签无关联的账号。获取账号识别模型可以包括但不限于:根据正样本对象与负样本对象,对初始化账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。
可选地,可以通过以下公式完成对上述账号识别模型的机器训练。
t=w0+w1x1+w2x2+w3x3+...+wkxk (1)
其中,x1、x2、x3、…、xk表示样本对象账号的职业交互特征,t表示训练结果,用于指示样本对象账号是否与目标职业标签所指示的职业相关联。其中,样本对象账号包括正样本对象账号与负样本对象账号。w0、w1、w2、w3、…、wk表示账号识别模型中的参数。在对账号识别模型进行机器训练之后,可确定参数w0、w1、w2、w3、…、wk,k为非零自然数。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。获取职业标签为“房屋中介”的正样本对象账号,及职业标签为非房屋中介的负样本对象账号。将上述正样本对象账号与负样本对象账号输入上述账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。如通过训练确定账号识别模型中上述参数w0、w1、w2、w3、…、wk的值。
可选地,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源包括:获取账号识别模型所输出的识别结果,其中,识别结果用于指示第一用户账号与目标职业标签相关联的概率;在识别结果指示第一用户账号与目标职业标签相关联的概率大于第一阈值,且第一用户账号满足推送条件的情况下,向第一用户账号推送与目标职业相匹配的媒体资源,其中,推送条件用于指示与目标职业相匹配的媒体资源的推送范围。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。在从目标应用中与第一用户账号具有绑定关系的好友列表中,获取第一用户账号与标签为“房屋中介”的第二用户账号执行交互操作而生成的职业操作记录,并从中提取第一用户账号的职业交互特征;将上述职业交互特征输入到上述已完成训练的账号识别模型中,得到识别结果。在识别结果指示第一用户账号与目标职业标签相关联的概率大于阈值的情况下,确定该第一用户账号为标签为“房屋中介”所指示的房屋销售行业的潜在用户账号,可以向该第一用户账号推送与标签为“房屋中介”所指示的房屋销售行业相匹配的媒体资源,如房屋销售广告。
可选地,可以将上述账号识别模型看作一个二分类的分类问题来处理,通过以下公式训练一个逻辑回归模型。
其中,σ(t)表示第一用户账号为与目标职业标签相关联的第一用户账号的概率,σ(t)属于[0,1]。
可选地,在通过账号识别模型获取到对第一用户账号的识别结果之后,通过上述逻辑回归模型,将对第一用户账号的识别结果转化概率。概率越接近1,则表示第一用户账号为与目标职业标签相关联的第一用户账号的概率越大。可以提前设置一个阈值,在上述概率大于阈值的情况下,则认为第一用户账号是与目标职业标签相关联的第一用户账号。
需要说明的是,上述训练逻辑回归模型的公式仅为示例,本实施例对此不做具体限定。例如,上述训练逻辑回归模型的公式可以替换为:
经过上述账号识别模型的识别与逻辑回归模型的训练后,可以有效地识别出与目标职业标签相关联的第一用户账号。
具体结合图5进行说明,图5为第一用户账号“小华”的显示界面。右侧为第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“小红”与“小明”设置有标签,上述标签表示“小红”与“小明”从事的行业为房屋销售行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“小红”的账号及“小明”的账号的职业操作记录。例如,“小红”的账号为第一用户账号“小华”在社区空间所发布的数据点赞,或者小明转发了第一用户账号“小华”在社区空间发布的数据。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与房屋销售行业是否有关联。如果第一用户账号“小华”与房屋销售行业存在关联,则可以向第一用户账号“小华”推送与房屋销售行业相匹配的媒体资源。
图6为第一用户账号“小华”的另一个显示界面。右侧为与第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“甲”与“丙”设置有标签。上述标签表示“甲”与“丙”从事的行业为手机服务行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“甲”及“丙”的账号的职业操作记录。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与手机服务行业是否存在关联。如果第一用户账号“小华”与手机服务行业存在关联,则向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
其中,在判断上述第一用户账号“小华”与手机服务行业是否存在关联的过程中,由于“乙”从事行业不是手机服务行业。因此,虽然第一用户账号“小华”与“乙”之间有职业操作记录,但是并不根据上述第一用户账号“小华”与“乙”的账号之间的职业操作记录判断第一用户账号“小华”是否与手机服务行业存在关联。
具体的推送结果如图7和图8所示。图7和图8是第一用户账号“小华”社区空间的展示界面,图7中在社区空间有第一用户账号“小华”发布的数据。根据第一用户账号“小华”与房屋销售行业的关联关系,在向第一用户账号“小华”推送媒体资源时,推送与房屋销售行业匹配的媒体资源。
如图8所示,图8中在社区空间有第一用户账号“小华”发布的数据,根据第一用户账号“小华”与手机服务行业的关联关系,向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
需要说明的是,上述媒体资源可以为文字媒体资源、图像媒体资源、音频媒体资源中的任意一种或多种。
可选地,在向第一用户账号推送与目标职业相匹配的媒体资源之前,还包括:获取推送条件,其中,推送条件包括以下至少之一:媒体资源被推送的地域信息、媒体资源被推送的时间信息、媒体资源被推送的账号集合中账号的基础属性信息。
例如,在经过上述账号识别模型与逻辑回归模型得到与目标职业标签相关联的第一用户账号之后,还可以对第一用户账号进行筛选。筛选出特定区域的第一用户账号,或者是特定年龄的第一用户账号,或者是特定性别的第一用户账号,或者是特定性格、习惯的第一用户账号,并对筛选后的第一用户账号投放媒体资源。
例如,在向第一用户账号推送媒体资源前,先根据地区对第一用户账号进行筛选,筛选出位于北京的第一用户账号,并向位于北京的第一用户账号推送媒体资源,或者是筛选出特定年龄段的第一用户账号,并向特定年龄段的第一用户账号推送媒体资源等。
通过本实施例,基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度。
作为一种可选的实施方案,根据职业操作记录提取第一用户账号的职业交互特征包括:
S1,将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;
S2,将多个操作子记录分别转化为对应的特征向量,得到职业交互特征。
例如,继续结合图3进行说明。在得到上述多个用户之间的多项关系之后,可以根据不同的交互类型将上述多个用户间的交互整合成不同的分类。以好友关系为例,得到多个用户之间的好友关系记录:用户1与用户2之间为非好友关系;用户1与用户3之间为非好友关系;用户1与用户4之间为非好友关系;用户2与用户3之间为非好友关系;用户2与用户4之间为好友关系;用户3与用户4之间为非好友关系。在得到上述多个用户之间的好友关系记录后,将上述获取到的好友关系记录转化成特征向量,上述特征向量可以但不限于用于指示职业交互特征。
通过本实施例,通过将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;将多个操作子记录分别转化为对应的特征向量,得到职业交互特征,从而可以使用账号识别模型对上述职业交互特征进行识别,得到第一用户账号的识别结果,进而可以根据识别结果投放媒体资源,提高了媒体资源推送的精确度。
作为一种可选的实施方案,将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录包括以下至少之一:
(1)将对第一用户账号及第二用户账号之间的关系执行调整操作的操作数据整合为第一操作子记录;
(2)将第一用户账号与第二用户账号所共同拥有的关联账号的账号信息整合为第二操作记录;
(3)将第一用户账号与第二用户账号共同所在的群账号中的交互频率数据整合为第三操作子记录;
(4)将第一用户账号与第二用户账号在与目标应用匹配的社区空间中的交互数据整合为第四操作子记录;
(5)将第一用户账号转发第二用户账号所发布的数据的数量整合为第五操作子记录。
例如,结合图3与图4进行说明。在得到多个用户之间的交互关系之后,根据不同的交互类型,将上述交互关系分成不同的分类。其中可以包括:关系类型、关联账号的账号信息、共同群账号中的交互频率数据、社区空间中的交互数据、转发数据的次数等。如图4所示,根据图3所示的交互关系,在图4的关系类型中存储有用户间的关系。其中包括好友关系,非好友关系,黑名单关系等。存储有用户之间的关联账号信息,如共同好友数等。存储有共同群账号交互频率数据,例如用户1与用户2在一个群中发消息的频率。存储有社区空间中的点赞数量,例如用户1为用户2与用户3点赞的数量。存储有转发记录,例如用户1转发了用户3与用户4的消息的数量等。
通过本实施例,过将职业操作记录按照执行的交互操作的操作类型进行整合,从而得到多个操作子记录,达到了根据多个操作子记录灵活识别第一用户账号的目的。进一步提高了媒体资源的推送精确度。
作为一种可选的实施方案,在获取使用目标应用的第一用户账号的职业操作记录之前,还包括:
S1,获取正样本对象账号与负样本对象账号,其中,正样本对象账号为与目标职业标签相关联的账号,负样本对象账号为与目标职业标签无关联的账号;
S2,根据正样本对象与负样本对象,对初始化账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。
可选地,可以通过以下公式完成对上述账号识别模型的机器训练。
t=w0+w1x1+w2x2+w3x3+...+wkxk (4)
其中,x1、x2、x3、…、xk表示样本对象账号的职业交互特征,t表示训练结果,用于指示样本对象账号是否与目标职业标签所指示的职业相关联。其中,样本对象账号包括正样本对象账号与负样本对象账号。w0、w1、w2、w3、…、wk表示账号识别模型中的参数。在对账号识别模型进行机器训练之后,可确定参数w0、w1、w2、w3、…、wk,k为非零自然数。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。获取职业标签为“房屋中介”的正样本对象账号,及职业标签为非房屋中介的负样本对象账号。将上述正样本对象账号与负样本对象账号输入上述账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。如通过训练确定账号识别模型中上述参数w0、w1、w2、w3、…、wk的值。
此时,即按成了对账号识别模型的训练,训练后的账号识别模型可以用作对第一用户账号的识别。
通过本实施例,通过在识别第一用户账号之前,对账号识别模型进行训练,从而可以准确对第一用户账号进行识别,提高了媒体资源的推送精确度。
作为一种可选的实施方案,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源包括:
S1,获取账号识别模型所输出的识别结果,其中,识别结果用于指示第一用户账号与目标职业标签相关联的概率;
S2,在识别结果指示第一用户账号与目标职业标签相关联的概率大于第一阈值,且第一用户账号满足推送条件的情况下,向第一用户账号推送与目标职业相匹配的媒体资源,其中,推送条件用于指示与目标职业相匹配的媒体资源的推送范围。
可选地,可以将上述账号识别模型看作一个二分类的分类问题来处理,通过以下公式训练一个逻辑回归模型。
其中,σ(t)表示第一用户账号为与目标职业标签相关联的第一用户账号的概率,σ(t)属于[0,1]。
可选地,在通过账号识别模型获取到对第一用户账号的识别结果之后,通过上述逻辑回归模型,将对第一用户账号的识别结果转化概率。概率越接近1,则表示第一用户账号为与目标职业标签相关联的第一用户账号的概率越大。可以提前设置一个阈值,在上述概率大于阈值的情况下,则认为第一用户账号是与目标职业标签相关联的第一用户账号。
需要说明的是,上述训练逻辑回归模型的公式仅为示例,本实施例对此不做具体限定。例如,上述训练逻辑回归模型的公式可以替换为:
经过上述账号识别模型的识别与逻辑回归模型的训练后,可以有效地识别出与目标职业标签相关联的第一用户账号。
具体结合图5进行说明,图5为第一用户账号“小华”的显示界面。右侧为第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“小红”与“小明”设置有标签,上述标签表示“小红”与“小明”从事的行业为房屋销售行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“小红”的账号及“小明”的账号的职业操作记录。例如,“小红”的账号为第一用户账号“小华”在社区空间所发布的数据点赞,或者小明转发了第一用户账号“小华”在社区空间发布的数据。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与房屋销售行业是否有关联。如果第一用户账号“小华”与房屋销售行业存在关联,则可以向第一用户账号“小华”推送与房屋销售行业相匹配的媒体资源。
图6为第一用户账号“小华”的另一个显示界面。右侧为与第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“甲”与“丙”设置有标签。上述标签表示“甲”与“丙”从事的行业为手机服务行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“甲”及“丙”的账号的职业操作记录。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与手机服务行业是否存在关联。如果第一用户账号“小华”与手机服务行业存在关联,则向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
其中,在判断上述第一用户账号“小华”与手机服务行业是否存在关联的过程中,由于“乙”从事行业不是手机服务行业。因此,虽然第一用户账号“小华”与“乙”之间有职业操作记录,但是并不根据上述第一用户账号“小华”与“乙”的账号之间的职业操作记录判断第一用户账号“小华”是否与手机服务行业存在关联。
具体的推送结果如图7和图8所示。图7和图8是第一用户账号“小华”社区空间的展示界面,图7中在社区空间有第一用户账号“小华”发布的数据。根据第一用户账号“小华”与房屋销售行业的关联关系,在向第一用户账号“小华”推送媒体资源时,推送与房屋销售行业匹配的媒体资源。
如图8所示,图8中在社区空间有第一用户账号“小华”发布的数据,根据第一用户账号“小华”与手机服务行业的关联关系,向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
需要说明的是,上述媒体资源可以为文字媒体资源、图像媒体资源、音频媒体资源中的任意一种或多种。
通过本实施例,通过将对第一用户账号的识别结果以概率的形式表现,从而可以直观地看到第一用户账号是否为与标记有目标职业标签的第二账号相关联的,从而提高了第一用户账号的识别精确度,进一步提高了媒体资源的推送精确度。
作为一种可选的实施方案,在向第一用户账号推送与目标职业相匹配的媒体资源之前,还包括:
S1,获取推送条件,其中,推送条件包括以下至少之一:媒体资源被推送的地域信息、媒体资源被推送的时间信息、媒体资源被推送的账号集合中账号的基础属性信息。
例如,在经过上述账号识别模型与逻辑回归模型得到与目标职业标签相关联的第一用户账号之后,还可以对第一用户账号进行筛选。筛选出特定区域的第一用户账号,或者是特定年龄的第一用户账号,或者是特定性别的第一用户账号,或者是特定性格、习惯的第一用户账号,并对筛选后的第一用户账号投放媒体资源。
例如,在向第一用户账号推送媒体资源前,先根据地区对第一用户账号进行筛选,筛选出位于北京的第一用户账号,并向位于北京的第一用户账号推送媒体资源,或者是筛选出特定年龄段的第一用户账号,并向特定年龄段的第一用户账号推送媒体资源等。
通过本实施例,通过获取推送条件,从而可以灵活地选择推送的第一用户账号,提高了推送媒体资源的灵活性,进一步提高了推送媒体资源的精确度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
根据本发明实施例的另一个方面,还提供了一种用于实施上述资源推送方法的资源推送装置。作为一种可选的实施方式,如图9所示,该装置包括:
(1)第一获取单元902,用于获取使用目标应用的第一用户账号的职业操作记录,其中,职业操作记录为基于与第一用户账号相匹配的职业关系链所执行的交互操作而生成,职业关系链用于指示与第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;
(2)提取单元904,用于根据职业操作记录提取第一用户账号的职业交互特征;
(3)输入单元906,用于将职业交互特征输入账号识别模型,其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
(4)推送单元908,用于在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。
可选地,上述媒体资源推送装置可以但不限于应用于推送广告、推送新闻消息、推送活动资源的过程中。以下结合推送广告的过程进行说明。
例如,上述第二用户账号为汽车销售员的账号,上述职业操作记录为第一用户账号与汽车销售员的账号之间转发文章的数量,上述职业交互特征可以为转发文章时间、转发文章数量等。在向第一用户账号推送广告时,获取第一用户账号与汽车销售员的账号之间转发文章的数量,并将转发文章时间、转发文章的数量等数据输入到账号识别模型中如果识别模型识别出第一用户账号与汽车销售员的账号之间存在联系,则向第一用户账号推送与汽车相关的广告。
需要说明的是,由于相关技术中在投放媒体资源的过程中,通常是向所有的用户账号推送相同的媒体资源,或者根据大数据统计结果向用户账号推送与其使用习惯相匹配的媒体资源,因此存在投放媒体资源时推送对象范围过大,推送精准度低的问题。而在本申请实施例中,在获取使用目标应用的第一用户账号的职业操作记录之后,根据上述职业操作记录提取上述第一用户账号的职业交互特征,其中,上述职业操作记录为基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成,上述职业关系链用于指示与上述第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号。然后,将上述职业交互特征输入利用多个样本对象账号的样本职业交互特征通过机器训练所得到的账号识别模型;在上述账号识别模型所输出的识别结果指示上述第一用户账号与上述目标职业标签相关联的情况下,向上述第一用户账号推送与上述目标职业标签所指示的目标职业相匹配的媒体资源。也就是说,基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度。
可选地,上述目标职业标签可以但不限于用于标识用户账号的职业,该职业可以但不限于用于指示对应的行业,例如,职业标签“媒体人”可以用于指示广告媒体行业,职业标签“汽车中介”可以用于指示汽车销售行业,职业标签“幼师”可以用于指示幼儿教育行业、职业标签“房屋中介”可以用于指示房屋销售行业等。
可选地,上述职业操作记录可以但不限于为第一用户账号与具有目标职业标签的第二用户账号之间的交互记录,例如第一用户账号与第二用户账号确定好友关系的时间、是否为单向好友关系,是否屏蔽好友、是否是黑名单好友、是否是同城好友、是否是同校好友、是否是同公司好友、第一用户账号与第二用户账号存在共同好友、第一用户账号与第二用户账号存在于一个群中、第一用户账号与第二用户账号间有转发消息或点赞等。
可选地,以下结合图3对上述第一用户账号与第二用户账号之间的关系进行说明。如图3所示,存在用户1、用户2、用户3、用户4四名用户。图3中的箭头表示单向的交互关系。可以看出,用户1与用户2为双向交互关系,但是用户1与用户3、用户4、用户2与用户4都是单向的交互关系,且用户4屏蔽了用户3,用户3无法与用户4主动发起交互。且用户1与用户2处于同一群中,且用户2与用户4为好友关系。通过图3,可以直观地显示出整理后的各个用户之间的关系。
可选地,根据职业操作记录提取第一用户账号的职业交互特征包括:将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;将多个操作子记录分别转化为对应的特征向量,得到职业交互特征。
例如,继续结合图3进行说明。在得到上述多个用户之间的多项关系之后,可以根据不同的交互类型将上述多个用户间的交互整合成不同的分类。以好友关系为例,得到多个用户之间的好友关系记录:用户1与用户2之间为非好友关系;用户1与用户3之间为非好友关系;用户1与用户4之间为非好友关系;用户2与用户3之间为非好友关系;用户2与用户4之间为好友关系;用户3与用户4之间为非好友关系。在得到上述多个用户之间的好友关系记录后,将上述获取到的好友关系记录转化成特征向量,上述特征向量可以但不限于用于指示职业交互特征。
可选地,在将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录包括以下至少之一:将对第一用户账号及第二用户账号之间的关系执行调整操作的操作数据整合为第一操作子记录;将第一用户账号与第二用户账号所共同拥有的关联账号的账号信息整合为第二操作记录;将第一用户账号与第二用户账号共同所在的群账号中的交互频率数据整合为第三操作子记录;将第一用户账号与第二用户账号在与目标应用匹配的社区空间中的交互数据整合为第四操作子记录;将第一用户账号转发第二用户账号所发布的数据的数量整合为第五操作子记录。
例如,结合图3与图4进行说明。在得到多个用户之间的交互关系之后,根据不同的交互类型,将上述交互关系分成不同的分类。其中可以包括:关系类型、关联账号的账号信息、共同群账号中的交互频率数据、社区空间中的交互数据、转发数据的次数等。如图4所示,根据图3所示的交互关系,在图4的关系类型中存储有用户间的关系。其中包括好友关系,非好友关系,黑名单关系等。存储有用户之间的关联账号信息,如共同好友数等。存储有共同群账号交互频率数据,例如用户1与用户2在一个群中发消息的频率。存储有社区空间中的点赞的数量,例如用户1为用户2与用户3点赞的数量。存储有转发记录,例如用户1转发了用户3与用户4的消息的数量等。
可选地,在本实施例中,上述第一用户账号与目标职业标签相关联可以但不限于用于指示第一用户账号为与该目标职业标签所指示的行业中的潜在用户账号。例如,在目标职业标签为汽车中介,且确定出第一用户账号与该目标职业标签相关联的情况下,则可以将第一用户账号确定为标签“汽车中介”所指示的汽车销售行业中的潜在用户账号。进一步,可以像该第一用户账号推送与标签“汽车中介”所指示的汽车销售行业匹配的媒体资源,如汽车销售广告。
可选地,上述账号识别模型可以但不限于为经过深度学习的神经网络模型,其中,上述账号识别模型可以但不限于为通过输入样本数据进行训练得到。
其中,所输入的样本数据可以包括但不限于:正样本对象账号、负样本对象账号。上述正样本对象账号为与目标职业标签相关联的账号,上述负样本对象账号为与目标职业标签无关联的账号。获取账号识别模型可以包括但不限于:根据正样本对象与负样本对象,对初始化账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。
可选地,可以通过以下公式完成对上述账号识别模型的机器训练。
t=w0+w1x1+w2x2+w3x3+...+wkxk (7)
其中,x1、x2、x3、…、xk表示样本对象账号的职业交互特征,t表示训练结果,用于指示样本对象账号是否与目标职业标签所指示的职业相关联。其中,样本对象账号包括正样本对象账号与负样本对象账号。w0、w1、w2、w3、…、wk表示账号识别模型中的参数。在对账号识别模型进行机器训练之后,可确定参数w0、w1、w2、w3、…、wk,k为非零自然数。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。获取职业标签为“房屋中介”的正样本对象账号,及职业标签为非房屋中介的负样本对象账号。将上述正样本对象账号与负样本对象账号输入上述账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。如通过训练确定账号识别模型中上述参数w0、w1、w2、w3、…、wk的值。
可选地,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源包括:获取账号识别模型所输出的识别结果,其中,识别结果用于指示第一用户账号与目标职业标签相关联的概率;在识别结果指示第一用户账号与目标职业标签相关联的概率大于第一阈值,且第一用户账号满足推送条件的情况下,向第一用户账号推送与目标职业相匹配的媒体资源,其中,推送条件用于指示与目标职业相匹配的媒体资源的推送范围。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。在从目标应用中与第一用户账号具有绑定关系的好友列表中,获取第一用户账号与标签为“房屋中介”的第二用户账号执行交互操作而生成的职业操作记录,并从中提取第一用户账号的职业交互特征;将上述职业交互特征输入到上述已完成训练的账号识别模型中,得到识别结果。在识别结果指示第一用户账号与目标职业标签相关联的概率大于阈值的情况下,确定该第一用户账号为标签为“房屋中介”所指示的房屋销售行业的潜在用户账号,可以向该第一用户账号推送与标签为“房屋中介”所指示的房屋销售行业相匹配的媒体资源,如房屋销售广告。
可选地,可以将上述账号识别模型看作一个二分类的分类问题来处理,通过以下公式训练一个逻辑回归模型。
其中,σ(t)表示第一用户账号为与目标职业标签相关联的第一用户账号的概率,σ(t)属于[0,1]。
可选地,在通过账号识别模型获取到对第一用户账号的识别结果之后,通过上述逻辑回归模型,将对第一用户账号的识别结果转化概率。概率越接近1,则表示第一用户账号为与目标职业标签相关联的第一用户账号的概率越大。可以提前设置一个阈值,在上述概率大于阈值的情况下,则认为第一用户账号是与目标职业标签相关联的第一用户账号。
需要说明的是,上述训练逻辑回归模型的公式仅为示例,本实施例对此不做具体限定。例如,上述训练逻辑回归模型的公式可以替换为:
经过上述账号识别模型的识别与逻辑回归模型的训练后,可以有效地识别出与目标职业标签相关联的第一用户账号。
具体结合图5所示进行说明,图5为第一用户账号“小华”的显示界面。右侧为第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“小红”与“小明”设置有标签,上述标签表示“小红”与“小明”从事的行业为房屋销售行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“小红”的账号及“小明”的账号的职业操作记录。例如,“小红”的账号为第一用户账号“小华”在社区空间所发布的数据点赞,或者小明转发了第一用户账号“小华”在社区空间发布的数据。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与房屋销售行业是否有关联。如果第一用户账号“小华”与房屋销售行业存在关联,则可以向第一用户账号“小华”推送与房屋销售行业相匹配的媒体资源。
图6为第一用户账号“小华”的另一个显示界面。右侧为与第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“甲”与“丙”设置有标签。上述标签表示“甲”与“丙”从事的行业为手机服务行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“甲”及“丙”的账号的职业操作记录。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与手机服务行业是否存在关联。如果第一用户账号“小华”与手机服务行业存在关联,则向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
其中,在判断上述第一用户账号“小华”与手机服务行业是否存在关联的过程中,由于“乙”从事行业不是手机服务行业。因此,虽然第一用户账号“小华”与“乙”之间有职业操作记录,但是并不根据上述第一用户账号“小华”与“乙”的账号之间的职业操作记录判断第一用户账号“小华”是否与手机服务行业存在关联。
具体的推送结果如图7和图8所示。图7和图8是第一用户账号“小华”社区空间的展示界面,图7中在社区空间有第一用户账号“小华”发布的数据。根据第一用户账号“小华”与房屋销售行业的关联关系,在向第一用户账号“小华”推送媒体资源时,推送与房屋销售行业匹配的媒体资源。
如图8所示,图8中在社区空间有第一用户账号“小华”发布的数据,根据第一用户账号“小华”与手机服务行业的关联关系,向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
需要说明的是,上述媒体资源可以为文字媒体资源、图像媒体资源、音频媒体资源中的任意一种或多种。
可选地,在向第一用户账号推送与目标职业相匹配的媒体资源之前,还包括:获取推送条件,其中,推送条件包括以下至少之一:媒体资源被推送的地域信息、媒体资源被推送的时间信息、媒体资源被推送的账号集合中账号的基础属性信息。
例如,在经过上述账号识别模型与逻辑回归模型得到与目标职业标签相关联的第一用户账号之后,还可以对第一用户账号进行筛选。筛选出特定区域的第一用户账号,或者是特定年龄的第一用户账号,或者是特定性别的第一用户账号,或者是特定性格、习惯的第一用户账号,并对筛选后的第一用户账号投放媒体资源。
例如,在向第一用户账号推送媒体资源前,先根据地区对第一用户账号进行筛选,筛选出位于北京的第一用户账号,并向位于北京的第一用户账号推送媒体资源,或者是筛选出特定年龄段的第一用户账号,并向特定年龄段的第一用户账号推送媒体资源等。
通过本实施例,基于与上述第一用户账号相匹配的职业关系链执行的交互操作而生成的职业操作记录,提取第一用户账号的职业交互特征,利用该职业交互特征确定第一用户账号是否与标记有目标职业标签的第二用户账号具有绑定关系,而无需在确定时对目标应用中的全部用户账号进行全量匹配,从而实现利用目标职业标签确定适合推送给第一用户账号的媒体资源,以提高媒体资源推送的精确度。
作为一种可选的实施方案,上述提取单元904包括:
(1)整合模块,用于将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;
(2)转化模块,用于将多个操作子记录分别转化为对应的特征向量,得到职业交互特征。
例如,继续结合图3进行说明。在得到上述多个用户之间的多项关系之后,可以根据不同的交互类型将上述多个用户间的交互整合成不同的分类。以好友关系为例,得到多个用户之间的好友关系记录:用户1与用户2之间为非好友关系;用户1与用户3之间为非好友关系;用户1与用户4之间为非好友关系;用户2与用户3之间为非好友关系;用户2与用户4之间为好友关系;用户3与用户4之间为非好友关系。在得到上述多个用户之间的好友关系记录后,将上述获取到的好友关系记录转化成特征向量,上述特征向量可以但不限于用于指示职业交互特征。
通过本实施例,通过将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;将多个操作子记录分别转化为对应的特征向量,得到职业交互特征,从而可以使用账号识别模型对上述职业交互特征进行识别,得到第一用户账号的识别结果,进而可以根据识别结果投放媒体资源,提高了媒体资源推送的精确度。
作为一种可选的实施方案,上述整合模块包括以下至少之一:
(1)第一整合子模块,用于将对第一用户账号及第二用户账号之间的关系执行调整操作的操作数据整合为第一操作子记录;
(2)第二整合子模块,用于将第一用户账号与第二用户账号所共同拥有的关联账号的账号信息整合为第二操作记录;
(3)第三整合子模块,用于将第一用户账号与第二用户账号共同所在的群账号中的交互频率数据整合为第三操作子记录;
(4)第四整合子模块,用于将第一用户账号与第二用户账号在与目标应用匹配的社区空间中的交互数据整合为第四操作子记录;
(5)第五整合子模块,用于将第一用户账号转发第二用户账号所发布的数据的数量整合为第五操作子记录。
例如,结合图3与图4进行说明。在得到多个用户之间的交互关系之后,根据不同的交互类型,将上述交互关系分成不同的分类。其中可以包括:关系类型、关联账号的账号信息、共同群账号中的交互频率数据、社区空间中的交互数据、转发数据的次数等。如图4所示,根据图3所示的交互关系,在图4的关系类型中存储有用户间的关系。其中包括好友关系,非好友关系,黑名单关系等。存储有用户之间的关联账号信息,如共同好友数等。存储有共同群账号交互频率数据,例如用户1与用户2在一个群中发消息的频率。存储有社区空间中的点赞数量,例如用户1为用户2与用户3点赞的数量。存储有转发记录,例如用户1转发了用户3与用户4的消息的数量等。
通过本实施例,过将职业操作记录按照执行的交互操作的操作类型进行整合,从而得到多个操作子记录,达到了根据多个操作子记录灵活识别第一用户账号的目的。进一步提高了媒体资源的推送精确度。
作为一种可选的实施方案,上述装置还包括:
(1)第二获取单元,用于在获取使用目标应用的第一用户账号的职业操作记录之前,获取正样本对象账号与负样本对象账号,其中,正样本对象账号为与目标职业标签相关联的账号,负样本对象账号为与目标职业标签无关联的账号;
(2)训练单元,用于根据正样本对象与负样本对象,对初始化账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。
可选地,可以通过以下公式完成对上述账号识别模型的机器训练。
t=w0+w1x1+w2x2+w3x3+...+wkxk (10)
其中,x1、x2、x3、…、xk表示样本对象账号的职业交互特征,t表示训练结果,用于指示样本对象账号是否与目标职业标签所指示的职业相关联。其中,样本对象账号包括正样本对象账号与负样本对象账号。w0、w1、w2、w3、…、wk表示账号识别模型中的参数。在对账号识别模型进行机器训练之后,可确定参数w0、w1、w2、w3、…、wk,k为非零自然数。
例如,假设在训练上述账号识别模型时,以确定第一用户账号是否为与目标职业标签“房屋中介”所指示的房屋销售行业的潜在用户账号为例进行说明。获取职业标签为“房屋中介”的正样本对象账号,及职业标签为非房屋中介的负样本对象账号。将上述正样本对象账号与负样本对象账号输入上述账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。如通过训练确定账号识别模型中上述参数w0、w1、w2、w3、…、wk的值。
此时,即按成了对账号识别模型的训练,训练后的账号识别模型可以用作对第一用户账号的识别。
通过本实施例,通过在识别第一用户账号之前,对账号识别模型进行训练,从而可以准确对第一用户账号进行识别,提高了媒体资源的推送精确度。
作为一种可选的实施方案,上述推送单元908包括:
(1)第一获取模块,用于获取账号识别模型所输出的识别结果,其中,识别结果用于指示第一用户账号与目标职业标签相关联的概率;
(2)推送模块,用于在识别结果指示第一用户账号与目标职业标签相关联的概率大于第一阈值,且第一用户账号满足推送条件的情况下,向第一用户账号推送与目标职业相匹配的媒体资源,其中,推送条件用于指示与目标职业相匹配的媒体资源的推送范围。
可选地,可以将上述账号识别模型看作一个二分类的分类问题来处理,通过以下公式训练一个逻辑回归模型。
其中,σ(t)表示第一用户账号为与目标职业标签相关联的第一用户账号的概率,σ(t)属于[0,1]。
可选地,在通过账号识别模型获取到对第一用户账号的识别结果之后,通过上述逻辑回归模型,将对第一用户账号的识别结果转化概率。概率越接近1,则表示第一用户账号为与目标职业标签相关联的第一用户账号的概率越大。可以提前设置一个阈值,在上述概率大于阈值的情况下,则认为第一用户账号是与目标职业标签相关联的第一用户账号。
需要说明的是,上述训练逻辑回归模型的公式仅为示例,本实施例对此不做具体限定。例如,上述训练逻辑回归模型的公式可以替换为:
经过上述账号识别模型的识别与逻辑回归模型的训练后,可以有效地识别出与目标职业标签相关联的第一用户账号。
具体结合图5进行说明,图5为第一用户账号“小华”的显示界面。右侧为第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“小红”与“小明”设置有标签,上述标签表示“小红”与“小明”从事的行业为房屋销售行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“小红”的账号及“小明”的账号的职业操作记录。例如,“小红”的账号为第一用户账号“小华”在社区空间所发布的数据点赞,或者小明转发了第一用户账号“小华”在社区空间发布的数据。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与房屋销售行业是否有关联。如果第一用户账号“小华”与房屋销售行业存在关联,则可以向第一用户账号“小华”推送与房屋销售行业相匹配的媒体资源。
图6为第一用户账号“小华”的另一个显示界面。右侧为与第一用户账号“小华”的好友列表。其中,第一用户账号“小华”为“甲”与“丙”设置有标签。上述标签表示“甲”与“丙”从事的行业为手机服务行业。在向第一用户账号“小华”推送媒体资源时,获取第一用户账号“小华”与“甲”及“丙”的账号的职业操作记录。在获取到上述职业操作记录后,从上述职业操作记录中获取第一用户账号“小华”的职业交互特征,并将上述职业交互特征输入到已完成训练的账号识别模型中。根据账号识别模型的输出结果,判断上述第一用户“小华”与手机服务行业是否存在关联。如果第一用户账号“小华”与手机服务行业存在关联,则向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
其中,在判断上述第一用户账号“小华”与手机服务行业是否存在关联的过程中,由于“乙”从事行业不是手机服务行业。因此,虽然第一用户账号“小华”与“乙”之间有职业操作记录,但是并不根据上述第一用户账号“小华”与“乙”的账号之间的职业操作记录判断第一用户账号“小华”是否与手机服务行业存在关联。
具体的推送结果如图7和图8所示。图7和图8是第一用户账号“小华”社区空间的展示界面,图7中在社区空间有第一用户账号“小华”发布的数据。根据第一用户账号“小华”与房屋销售行业的关联关系,在向第一用户账号“小华”推送媒体资源时,推送与房屋销售行业匹配的媒体资源。
如图8所示,图8中在社区空间有第一用户账号“小华”发布的数据,根据第一用户账号“小华”与手机服务行业的关联关系,向第一用户账号“小华”推送与手机服务行业匹配的媒体资源。
需要说明的是,上述媒体资源可以为文字媒体资源、图像媒体资源、音频媒体资源中的任意一种或多种。
通过本实施例,通过将对第一用户账号的识别结果以概率的形式表现,从而可以直观地看到第一用户账号是否为与标记有目标职业标签的第二账号相关联的,从而提高了第一用户账号的识别精确度,进一步提高了媒体资源的推送精确度。
作为一种可选的实施方案,上述推送单元908还包括:
(1)第二获取模块,用于在向第一用户账号推送与目标职业相匹配的媒体资源之前,获取推送条件,其中,推送条件包括以下至少之一:媒体资源被推送的地域信息、媒体资源被推送的时间信息、媒体资源被推送的账号集合中账号的基础属性信息。
例如,在经过上述账号识别模型与逻辑回归模型得到与目标职业标签相关联的第一用户账号之后,还可以对第一用户账号进行筛选。筛选出特定区域的第一用户账号,或者是特定年龄的第一用户账号,或者是特定性别的第一用户账号,或者是特定性格、习惯的第一用户账号,并对筛选后的第一用户账号投放媒体资源。
例如,在向第一用户账号推送媒体资源前,先根据地区对第一用户账号进行筛选,筛选出位于北京的第一用户账号,并向位于北京的第一用户账号推送媒体资源,或者是筛选出特定年龄段的第一用户账号,并向特定年龄段的第一用户账号推送媒体资源等。
通过本实施例,通过获取推送条件,从而可以灵活地选择推送的第一用户账号,提高了推送媒体资源的灵活性,进一步提高了推送媒体资源的精确度。
根据本发明实施例的又一个方面,还提供了一种用于实施上述媒体资源推送方法的电子装置,如图10所示,该电子装置包括存储器1002、处理器1004、传输装置1006与用户接口1008,该存储器中存储有计算机程序,该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取使用目标应用的第一用户账号的职业操作记录,其中,职业操作记录为基于与第一用户账号相匹配的职业关系链执行的交互操作而生成,职业关系链用于指示与第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;
S2,根据职业操作记录提取第一用户账号的职业交互特征;
S3,将职业交互特征输入账号识别模型,其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
S4,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。
可选地,本领域普通技术人员可以理解,图10所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图10中所示更多或者更少的组件(如网络接口等),或者具有与图10所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本发明实施例中的媒体资源推送方法与装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的媒体资源推送方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1006包括一个网络适配器(NetworkInterface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器1002用于存储第一用户账号的职业操作记录、职业交互特征等内容。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取使用目标应用的第一用户账号的职业操作记录,其中,职业操作记录为基于与第一用户账号相匹配的职业关系链执行的交互操作而生成,职业关系链用于指示与第一用户账号具有绑定关系且标记有目标职业标签的第二用户账号;
S2,根据职业操作记录提取第一用户账号的职业交互特征;
S3,将职业交互特征输入账号识别模型,其中,账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
S4,在账号识别模型所输出的识别结果指示第一用户账号与目标职业标签相关联的情况下,向第一用户账号推送与目标职业标签所指示的目标职业相匹配的媒体资源。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,将职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;
S2,将多个操作子记录分别转化为对应的特征向量,得到职业交互特征。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,将对第一用户账号及第二用户账号之间的关系执行调整操作的操作数据整合为第一操作子记录;
S2,将第一用户账号与第二用户账号所共同拥有的关联账号的账号信息整合为第二操作记录;
S3,将第一用户账号与第二用户账号共同所在的群账号中的交互频率数据整合为第三操作子记录;
S4,将第一用户账号与第二用户账号在与目标应用匹配的社区空间中的交互数据整合为第四操作子记录;
S5,将第一用户账号转发第二用户账号所发布的数据的数量整合为第五操作子记录。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取正样本对象账号与负样本对象账号,其中,正样本对象账号为与目标职业标签相关联的账号,负样本对象账号为与目标职业标签无关联的账号;
S2,根据正样本对象与负样本对象,对初始化账号识别模型进行机器训练,直至得到用于识别第一用户账号的账号识别模型。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取账号识别模型所输出的识别结果,其中,识别结果用于指示第一用户账号与目标职业标签相关联的概率;
S2,在识别结果指示第一用户账号与目标职业标签相关联的概率大于第一阈值,且第一用户账号满足推送条件的情况下,向第一用户账号推送与目标职业相匹配的媒体资源,其中,推送条件用于指示与目标职业相匹配的媒体资源的推送范围。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取推送条件,其中,推送条件包括以下至少之一:媒体资源被推送的地域信息、媒体资源被推送的时间信息、媒体资源被推送的账号集合中账号的基础属性信息。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种媒体资源推送方法,其特征在于,包括:
获取使用目标应用的第一用户账号的职业操作记录,其中,所述职业操作记录为基于与所述第一用户账号相匹配的职业关系链执行的交互操作而生成,所述职业关系链用于指示与所述第一用户账号具有好友关系且标记有目标职业标签的销售账号;
将所述第一用户账号及所述销售账号之间的所述职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;
将所述多个操作子记录分别转化为对应的特征向量,得到所述第一用户账号的职业交互特征,其中,所述职业交互特征用于表示所述第一用户账号与所述销售账号之间的交互关系,包括:将对所述第一用户账号及所述销售账号之间的关系执行调整操作的操作数据整合为第一操作子记录,将所述第一操作子记录转化为对应的特征向量;
将所述职业交互特征输入账号识别模型,其中,所述账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
在所述账号识别模型所输出的识别结果指示所述第一用户账号与所述目标职业标签相关联的情况下,向所述第一用户账号推送与所述目标职业标签所指示的目标职业相匹配的媒体资源。
2.根据权利要求1所述的方法,其特征在于,所述将所述职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录还包括以下至少之一:
将所述第一用户账号与所述销售账号所共同拥有的关联账号的账号信息整合为第二操作记录;
将所述第一用户账号与所述销售账号共同所在的群账号中的交互频率数据整合为第三操作子记录;
将所述第一用户账号与所述销售账号在与所述目标应用匹配的社区空间中的交互数据整合为第四操作子记录;
将所述第一用户账号转发所述销售账号所发布的数据的数量整合为第五操作子记录。
3.根据权利要求1所述的方法,其特征在于,在获取使用目标应用的第一用户账号的职业操作记录之前,还包括:
获取正样本对象账号与负样本对象账号,其中,所述正样本对象账号为与所述目标职业标签相关联的账号,所述负样本对象账号为与所述目标职业标签无关联的账号;
根据所述正样本对象账号与所述负样本对象账号,对初始化账号识别模型进行机器训练,直至得到用于识别所述第一用户账号的所述账号识别模型。
4.根据权利要求1所述的方法,其特征在于,所述在所述账号识别模型所输出的识别结果指示所述第一用户账号与所述目标职业标签相关联的情况下,向所述第一用户账号推送与所述目标职业标签所指示的目标职业相匹配的媒体资源包括:
获取所述账号识别模型所输出的所述识别结果,其中,所述识别结果用于指示所述第一用户账号与所述目标职业标签相关联的概率;
在所述识别结果指示所述第一用户账号与所述目标职业标签相关联的所述概率大于第一阈值,且所述第一用户账号满足推送条件的情况下,向所述第一用户账号推送与所述目标职业相匹配的所述媒体资源,其中,所述推送条件用于指示与所述目标职业相匹配的所述媒体资源的推送范围。
5.根据权利要求4所述的方法,其特征在于,在所述向所述第一用户账号推送与所述目标职业相匹配的所述媒体资源之前,还包括:
获取所述推送条件,其中,所述推送条件包括以下至少之一:所述媒体资源被推送的地域信息、所述媒体资源被推送的时间信息、所述媒体资源被推送的账号集合中账号的基础属性信息。
6.一种媒体资源推送装置,其特征在于,包括:
第一获取单元,用于获取使用目标应用的第一用户账号的职业操作记录,其中,所述职业操作记录为基于与所述第一用户账号相匹配的职业关系链所执行的交互操作而生成,所述职业关系链用于指示与所述第一用户账号具有好友关系且标记有目标职业标签的销售账号;
提取单元,用于将所述第一用户账号及所述销售账号之间的所述职业操作记录按照所执行的交互操作的操作类型进行整合,得到多个操作子记录;还用于将所述多个操作子记录分别转化为对应的特征向量,得到所述第一用户账号的职业交互特征,其中,所述职业交互特征用于表示所述第一用户账号与所述销售账号之间的交互关系,包括:将对所述第一用户账号及所述销售账号之间的关系执行调整操作的操作数据整合为第一操作子记录,将所述第一操作子记录转化为对应的特征向量;
输入单元,用于将所述职业交互特征输入账号识别模型,其中,所述账号识别模型利用多个样本对象账号的样本职业交互特征通过机器训练得到;
推送单元,用于在所述账号识别模型所输出的识别结果指示所述第一用户账号与所述目标职业标签相关联的情况下,向所述第一用户账号推送与所述目标职业标签所指示的目标职业相匹配的媒体资源。
7.根据权利要求6所述的装置,其特征在于,所述提取单元还包括以下至少之一:
第二整合子模块,用于将所述第一用户账号与所述销售账号所共同拥有的关联账号的账号信息整合为第二操作记录;
第三整合子模块,用于将所述第一用户账号与所述销售账号共同所在的群账号中的交互频率数据整合为第三操作子记录;
第四整合子模块,用于将所述第一用户账号与所述销售账号在与所述目标应用匹配的社区空间中的交互数据整合为第四操作子记录;
第五整合子模块,用于将所述第一用户账号转发所述销售账号所发布的数据的数量整合为第五操作子记录。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于在获取使用目标应用的第一用户账号的职业操作记录之前,获取正样本对象账号与负样本对象账号,其中,所述正样本对象账号为与所述目标职业标签相关联的账号,所述负样本对象账号为与所述目标职业标签无关联的账号;
训练单元,用于根据所述正样本对象账号与所述负样本对象账号,对初始化账号识别模型进行机器训练,直至得到用于识别所述第一用户账号的所述账号识别模型。
9.根据权利要求6所述的装置,其特征在于,所述推送单元包括:
第一获取模块,用于获取所述账号识别模型所输出的所述识别结果,其中,所述识别结果用于指示所述第一用户账号与所述目标职业标签相关联的概率;
推送模块,用于在所述识别结果指示所述第一用户账号与所述目标职业标签相关联的所述概率大于第一阈值,且所述第一用户账号满足推送条件的情况下,向所述第一用户账号推送与所述目标职业相匹配的所述媒体资源,其中,所述推送条件用于指示与所述目标职业相匹配的所述媒体资源的推送范围。
10.根据权利要求9所述的装置,其特征在于,所述推送单元还包括:
第二获取模块,用于在所述向所述第一用户账号推送与所述目标职业相匹配的所述媒体资源之前,获取所述推送条件,其中,所述推送条件包括以下至少之一:所述媒体资源被推送的地域信息、所述媒体资源被推送的时间信息、所述媒体资源被推送的账号集合中账号的基础属性信息。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326308.3A CN110197386B (zh) | 2018-04-12 | 2018-04-12 | 媒体资源推送方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326308.3A CN110197386B (zh) | 2018-04-12 | 2018-04-12 | 媒体资源推送方法和装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197386A CN110197386A (zh) | 2019-09-03 |
CN110197386B true CN110197386B (zh) | 2022-02-08 |
Family
ID=67751304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810326308.3A Active CN110197386B (zh) | 2018-04-12 | 2018-04-12 | 媒体资源推送方法和装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197386B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222923B (zh) * | 2020-01-13 | 2023-12-15 | 秒针信息技术有限公司 | 一种判断潜在客户的方法及装置、电子设备和存储介质 |
CN113742567B (zh) * | 2020-05-29 | 2023-08-22 | 北京达佳互联信息技术有限公司 | 一种多媒体资源的推荐方法、装置、电子设备及存储介质 |
CN112087444B (zh) * | 2020-09-04 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 账号识别方法和装置、存储介质及电子设备 |
CN113010799A (zh) * | 2021-01-04 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 媒体信息的获取方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091279A (zh) * | 2014-07-14 | 2014-10-08 | 曹臻 | 一种基于移动终端的互动有偿广告系统 |
CN104298719A (zh) * | 2014-09-23 | 2015-01-21 | 新浪网技术(中国)有限公司 | 基于社交行为进行用户的类别划分、广告投放方法和系统 |
CN105590055A (zh) * | 2014-10-23 | 2016-05-18 | 阿里巴巴集团控股有限公司 | 用于在网络交互系统中识别用户可信行为的方法及装置 |
CN106021586A (zh) * | 2016-06-06 | 2016-10-12 | 腾讯科技(北京)有限公司 | 一种信息处理方法及服务器 |
CN107145518A (zh) * | 2017-04-10 | 2017-09-08 | 同济大学 | 一种社交网络下基于深度学习的个性化推荐系统 |
CN107464000A (zh) * | 2016-06-02 | 2017-12-12 | 腾讯科技(北京)有限公司 | 资源预订请求处理方法及装置 |
CN107563797A (zh) * | 2010-12-21 | 2018-01-09 | 谷歌公司 | 用于提供内容或广告的方法、系统和设备 |
-
2018
- 2018-04-12 CN CN201810326308.3A patent/CN110197386B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563797A (zh) * | 2010-12-21 | 2018-01-09 | 谷歌公司 | 用于提供内容或广告的方法、系统和设备 |
CN104091279A (zh) * | 2014-07-14 | 2014-10-08 | 曹臻 | 一种基于移动终端的互动有偿广告系统 |
CN104298719A (zh) * | 2014-09-23 | 2015-01-21 | 新浪网技术(中国)有限公司 | 基于社交行为进行用户的类别划分、广告投放方法和系统 |
CN105590055A (zh) * | 2014-10-23 | 2016-05-18 | 阿里巴巴集团控股有限公司 | 用于在网络交互系统中识别用户可信行为的方法及装置 |
CN107464000A (zh) * | 2016-06-02 | 2017-12-12 | 腾讯科技(北京)有限公司 | 资源预订请求处理方法及装置 |
CN106021586A (zh) * | 2016-06-06 | 2016-10-12 | 腾讯科技(北京)有限公司 | 一种信息处理方法及服务器 |
CN107145518A (zh) * | 2017-04-10 | 2017-09-08 | 同济大学 | 一种社交网络下基于深度学习的个性化推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110197386A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197386B (zh) | 媒体资源推送方法和装置、存储介质及电子装置 | |
CN109145280B (zh) | 信息推送的方法和装置 | |
CN107784051B (zh) | 在线客服应答系统及方法 | |
CN110380954B (zh) | 数据分享方法和装置,存储介质及电子装置 | |
CN109034864A (zh) | 提高广告投放精准度的方法、装置、电子设备及存储介质 | |
US20150195224A1 (en) | Method and system for classifying man vs. machine generated e-mail | |
CN105787133B (zh) | 广告信息过滤方法及装置 | |
CN110472154B (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN104835066A (zh) | 一种投放渠道的选择方法及系统 | |
CN112418932B (zh) | 一种基于用户标签的营销信息推送方法及装置 | |
CN105678317B (zh) | 一种信息处理方法及服务器 | |
CN112291423B (zh) | 通信呼叫智能应答处理方法、装置、电子设备及存储介质 | |
CN110392155B (zh) | 通知消息的显示、处理方法、装置及设备 | |
CN108334895B (zh) | 目标数据的分类方法、装置、存储介质及电子装置 | |
CN111753210B (zh) | 资源推送方法、装置、计算机设备及计算机可读存储介质 | |
CN106021455A (zh) | 图像特征关系的匹配方法、装置和系统 | |
CN114902702B (zh) | 短信推送方法、装置、服务器及存储介质 | |
CN111083211B (zh) | 一种基于大数据平台的用户触达方法与系统 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN108269116A (zh) | 一种广告安全监测方法和装置 | |
CN111126071A (zh) | 提问文本数据的确定方法、装置和客服群的数据处理方法 | |
CN104700256A (zh) | 一种期限管理方法及其移动终端 | |
CN110008980B (zh) | 识别模型生成方法、识别方法、装置、设备及存储介质 | |
CN103294779A (zh) | 对象信息获取方法及设备 | |
CN110598211B (zh) | 文章的识别方法和装置、存储介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |