CN110473008A - 一种数据处理方法、装置、设备及存储介质 - Google Patents
一种数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110473008A CN110473008A CN201910700199.1A CN201910700199A CN110473008A CN 110473008 A CN110473008 A CN 110473008A CN 201910700199 A CN201910700199 A CN 201910700199A CN 110473008 A CN110473008 A CN 110473008A
- Authority
- CN
- China
- Prior art keywords
- information
- operation information
- main object
- collection
- intention
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000008447 perception Effects 0.000 claims description 54
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000012141 concentrate Substances 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 241000406668 Loxodonta cyclotis Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000007115 recruitment Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (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)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种数据处理方法、装置、设备及存储介质，所述方法包括：确定目标投放信息的操作对象、主体对象和行业分类；获取操作对象在预设时间段内的操作信息；基于行业分类对应的行业知识图谱和操作信息，确定命中主体对象的行业子标签的操作信息对应的命中操作对象集；基于目标意图识别模型对命中操作对象集对应的操作信息进行意图识别，得到操作对象的目标意图；确定在投前未命中和投后命中主体对象的操作信息对应的第一操作对象集和第二操作对象集；基于第一操作对象集和第二操作对象集中操作对象的数量，确定目标意图对应的入选率。利用本申请实施例提供的技术方案可以准确确定出表征投放信息的投放所带来的目标意图增量的入选率。
Description
技术领域
本申请涉及互联网通信技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。
背景技术
随着互联网媒体的不断丰富，在即时通信工具、网络游戏、网络视频播放器等多种媒体上可以进行广告等信息的投放，这些不同的互联网媒体平台的投放形式为广大用户提供了丰富信息投放渠道。
目前在互联网媒体投放信息时，往往需要对广告投放效果进行评估，现有的广告投放效果评估方法，通常采用点击通过率(转化的数量与曝光的数量之商)或曝光转化率(转化的数量与曝光的数量之商)等进行广告投放效果的评估；但现有的曝光转化率和点击通过率的计算过程中所涉及的曝光的数量往往取决于投放媒体本身的流量，与用户实际对投放信息的关注度无关，无法准确客观的评估广告带来的增益效果。因此，需要提供更可靠或更有效的方案。
发明内容
本申请提供了一种数据处理方法、装置、设备及存储介质，可以准确的确定出表征目标投放信息的投放所带来的目标意图增量的入选率，实现对目标投放信息的投放效果的客观评估，为后续的信息投放提供数据支持。
一方面，本申请提供了一种数据处理方法，所述方法包括：
确定目标投放信息的操作对象、主体对象和行业分类；
获取所述操作对象在预设时间段内的操作信息，所述预设时间段包括所述目标投放信息投放之前至投放之后的时间段；
基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集；
基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象；
基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集；
基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集；
基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率；
其中，所述行业知识图谱包括所述行业分类中主体对象的行业子标签。
另一方面提供了一种数据处理装置，所述装置包括：
数据确定模块，用于确定目标投放信息的操作对象、主体对象和行业分类；
操作信息获取模块，用于获取所述操作对象在预设时间段内的操作信息，所述预设时间段包括所述目标投放信息投放之前至投放之后的时间段；
命中操作对象集确定模块，用于基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集；
意图识别模块，用于基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象；
第一操作对象集确定模块，用于基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集；
第二操作对象集确定模块，用于基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集；
入选率确定模块，用于基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率；
其中，所述行业知识图谱包括所述行业分类中主体对象的行业子标签。
另一方面提供了一种数据处理设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的数据处理方法。
另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的数据处理方法。
本申请提供的数据处理方法、装置、设备及存储介质，具有如下技术效果：
本申请结合行业知识图谱和目标意图识别模型，可以针对有目标意图且关注过目标投放信息的主体对象同一行业分类相关信息的操作对象进行分析，可以准确的确定出表征目标投放信息的投放所带来的目标意图增量的入选率，实现对目标投放信息的投放效果的客观评估，为后续的信息投放提供数据支持。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种应用环境的示意图；
图2是本申请实施例提供的一种数据处理方法的流程示意图；
图3是本申请实施例提供的一种行业知识图谱的部分示意图；
图4是本申请实施例提供的一种确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集的流程示意图；
图5是本申请实施例提供的一种确定在投前未命中所述主体对象的操作信息对应的第一操作对象集的流程示意图；
图6是本申请实施例提供的一种确定投后命中所述主体对象的操作信息对应的第二操作对象集的流程示意图；
图7是本申请实施例提供的一种投放信息效果评估操作界面的示意图；
图8是本申请实施例提供的另一种投放信息效果评估操作界面的示意图；
图9是本申请实施例提供的一种投放信息的主体对象的入选数据展示界面的示意图；
图10是本申请实施例提供的一种数据处理装置的结构示意图；
图11是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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、产品或服务器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。
请参阅图1，图1是本发明实施例提供的一种应用环境的示意图，如图1所示，该应用环境至少包括投放评估终端01、投放评估服务器02和投放媒体03。
本说明书实施例中，投放评估终端01可以包括台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，投放评估终端01并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。具体的，例如，可以为视频平台服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。
本说明书实施例中，投放评估服务器02可以包括一个或多个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器可以包括有网络通信单元、处理器和存储器等等。
本说明书实施例中，投放媒体03可以包括投放媒体终端和投放媒体服务器。具体的，所述投放媒体终端可以包括台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然，投放媒体终端并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。具体的，例如，可以为视频平台服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，投放媒体服务器可以包括一个或多个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器可以包括有网络通信单元、处理器和存储器等等。
本说明书实施例中，投放媒体03用于进行信息投放展示以及记录投放信息的操作对象的操作信息。具体的，投放评估终端01可以用于为用户提供投放评估的操作界面。投放评估服务器02可以用于进行投放评估处理。在实际应用中，用户可以基于投放评估终端01提供的投放评估的操作界面向投放服务器发送投放评估请求，相应的，投放评估服务器02可以基于投放媒体03侧记录投放信息的操作对象的操作信息来进行该投放信息的投放效果评估。
以下介绍本申请一种数据处理方法，图2是本申请实施例提供的一种数据处理方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：
S201：确定目标投放信息的操作对象、主体对象和行业分类。
本说明书实施例中，目标投放信息可以为任一需要评估投放效果的已投放的信息。
具体的，目标投放信息的操作对象可以为对投放后的目标投放信息进行操作的对象。具体的，这里的操作可以包括但不限于浏览(包括曝光)、搜索、点击、点赞、评论等操作。在实际应用中，当目标投放信息投放后被操作时，可以记录该操作相关的信息(即操作信息)，具体的，操作信息可以包括操作时间、操作对象、操作类型(即浏览、点击、点赞、评论等)、以及被操作对象(如目标投放信息的标识信息)等信息。相应的，本说明书实施例中，基于目标投放信息投放后的操作信息来确定目标投放信息的操作对象。
具体的，目标投放信息的主体对象可以包括目标投放信息所包含的主体信息，例如目标投放信息为某品牌某型号汽车广告；相应的，该目标投放信息的主体对象为该品牌的汽车。具体的，目标投放信息的行业分类可以为目标投放信息的主体对象所属行业的默认行业分类，例如汽车行业可以将汽车划分为：经济型车、豪华型车、和超豪华型车。另外，某一行业的行业分类并不仅限于一种划分方式，以汽车行业为例，例如还可以将汽车划分为：A级车、B级车等。
S203：获取所述操作对象在预设时间段内的操作信息。
本说明书实施例中，在确定目标投放信息的操作对象之后，可以获取操作对象在目标投放信息投放之前至投放之后的时间段内的操作信息。相应的，所述预设时间段可以包括目标投放信息投放之前至该目标投放信息投放之后的时间段。例如，投放前一个星期至投放后的一个星期。
S205：基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集。
本说明书实施例中，可以预先生成包括指定行业分类中主体对象的行业子标签的行业知识图谱。具体的，主体对象的行业子标签可以包括行业领域内表征主体对象性能的相关配置参数。
在一个具体的实施例中，以汽车行业为例，可以将骑车以经济型车、豪华型车、和超豪华型车进行行业分类，相应的，可将多种品牌的汽车(主体对象)根据行业分类进行划分，然后，针对某一行业分类对应的多种品牌的汽车，可以结合能够表征汽车性能的相关配置参数作为行业子标签，具体的，例如变速箱(手动、无级变速、双离合变速等)、车身结构(两厢车、三厢车等)、车的类型(运动型车、普通轿车)、车系(德系车、美系车、日系车等)。
具体的，如图3所示，图3是本申请实施例提供的一种行业知识图谱的部分示意图。具体的，这里豪华型车(行业分类)的行业知识图谱为例。从图中可见，豪华型车A、B、C对应不同或相同的行业子标签。相应的，每一行业子标签也对应着一个或多个车。这些车可以为不同品牌或不同品牌不同型号的车。
在一个具体的实施例中，如图4所示，基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集可以包括：
S2051：确定所述行业分类对应的行业知识图谱。
S2053：基于所述行业知识图谱确定所述主体对象对应的行业子标签。
S2055：确定所述预设时间段内的操作信息中命中所述对应的行业子标签的操作信息对应的命中操作对象集。
本说明书实施例中，操作信息命中所述对应的行业子标签可以为操作信息中包括行业子标签的信息。在一个具体的实施例中，假设目标投放信息的主体对象为图3中的豪华型车C，相应的，主体对象对应的行业子标签包括：运动型车、三厢车、双离合变速和德系车。假设某一行为对象预设时间段内的行为信息包括点击过运动型车的投放信息。相应的，可以确定该行为对象预设时间段内的行为信息命中豪华型车C的行业子标签，相应的，可以将该行为对象加入命中操作对象集。
本说明书实施例中，通过行业知识图谱可以筛选出关注过目标投放信息的主体对象同一行业分类的相关信息的操作对象。
S207：基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象。
本说明书实施例中，所述目标意图识别模型至少包括下述任一意图识别模型：转化意图识别模型、主体对象信息感知意图识别模型。
具体的，转化意图识别模型包括采用下述方式确定：
1)获取第一训练对象的操作信息。
本说明书实施例中，第一训练对象可以为大量投放信息的受众用户。
2)基于对所述第一训练对象的操作信息的自然语言分析，确定包括转化意图特征的操作信息。
本说明书实施例中，可以结合NLP(Neuro-Linguistic Programming，神经语言程序学)进行自然语言分析，确定包括转化意图特征的操作信息。
具体的，本说明书实施例中，转化意图特征包括所述行业分类中主体对象的转化意图特征，具体的，可以包括但不限于购买、推荐行业分类中主体对象的相关的信息。以购买为例，转化意图特征可以包括与咨询行业分类中主体对象价格、咨询行业分类中主体对象的商家的相关的信息。在一个具体的实施例中，以豪华型车为例，转化意图特征可以包括但不限于4S店、分期付款、团购、优惠等与咨询豪华型车的价格或商家相关的信息。
3)对所述包括转化意图特征的操作信息进行转化意图的标签标注。
4)对所述第一训练对象的操作信息中不包括转化意图特征的操作信息进行非转化意图的标签标注。
5)基于标注有转化意图和非转化意图的操作信息对第一深度学习模型进行转化意图识别训练，得到所述转化意图识别模型。
本说明书实施例中，基于第一深度学习模型可以包括但不限于采用卷积神经网络、递归神经网络或逻辑回归网络等机器学习算法。
在一个具体的实施例中，以逻辑回归网络进行转化意图识别模型训练为例，可以包括：
将训练数据(有转化意图和非转化意图的操作信息)输入到逻辑回归模型，逻辑回归模型的输出为训练数据为有转化意图(正样本数据)的概率p(p为0-1之间的数字)，而有转化意图和非转化意图的操作信息的样本标签分别使y是1和0，将样本标签y与概率p的损失定义为(y-p)^2，相应的，训练过程中根据(y-p)^2可以得到误差error；使用梯度下降法，更新每个阈值，再次训练逻辑回归模型。修改完的阈值会使得下一次模型输出的概率p和样本标签y之间的误差变得更小，当该误差小于一定值时，可以将当前的逻辑回归模型作为转化意图识别模型。
本说明书实施例中，在基于有转化意图和非转化意图的操作信息进行转化意图识别训练得到的转化意图识别模型后，后续，将一个操作信息输入该转化意图识别模型，该转化意图识别模型可以确定该操作信息对应的操作对应具有转化意图的概率。相应的，当该概率到达指定阈值时，可以确定操作对象具有转化意图。
具体的，主体对象信息感知意图识别模型可以包括采用下述方式确定：
1)获取第二训练对象的操作信息。
本说明书实施例中，所述第二训练对象可以为大量投放信息的受众用户。具体的，第二训练对象中的用户与第一训练对象中的用户可以为相同的用户，也可以为不同的用户。
2)基于对所述第二训练对象的操作信息的自然语言分析，确定包括主体对象信息感知特征的操作信息。
本说明书实施例中，可以结合NLP(Neuro-Linguistic Programming，神经语言程序学)进行自然语言分析，确定包括主体对象信息感知特征的操作信息。
具体的，本说明书实施例中，主体对象信息感知特征包括所述行业分类中主体对象的信息感知意图特征，具体的，可以包括但不限于对行业分类中主体对象的查询和口碑获取等相关的信息。在一个具体的实施例中，以豪华型车为例，主体对象信息感知特征可以包括哪个好、怎么样、质量好吗、减配等豪华型车的信息查询和口碑获取的信息。
3)对所述包括主体对象信息感知特征的操作信息进行主体对象信息感知意图的标签标注。
4)对所述训练对象的操作信息中不包括主体对象信息感知特征的操作信息进行无主体对象信息感知意图的标签标注。
5)基于标注有主体对象信息感知意图和无主体对象信息感知意图的操作信息对第二深度学习模型进行主体对象信息感知意图识别训练，得到所述主体对象信息感知意图识别模型。
本说明书实施例中，基于第二深度学习模型可以包括但不限于采用卷积神经网络、递归神经网络或逻辑回归网络等机器学习算法。
在一个具体的实施例中，以逻辑回归网络进行主体对象信息感知识别模型训练为例，可以包括：
将训练数据(有主体对象信息感知意图和无主体对象信息感知意图的操作信息)输入到逻辑回归模型，逻辑回归模型的输出为训练数据为有主体对象信息感知意图(正样本数据)的概率p(p为0-1之间的数字)，而有主体对象信息感知意图和无主体对象信息感知意图的操作信息的样本标签分别使y是1和0，将样本标签y与概率p的损失定义为(y-p)^2，相应的，训练过程中根据(y-p)^2可以得到误差error；使用梯度下降法，更新每个阈值，再次训练逻辑回归模型。修改完的阈值会使得下一次模型输出的概率p和样本标签y之间的误差变得更小，当该误差小于一定值时，可以将当前的逻辑回归模型作为主体对象信息感知意图识别模型。
本说明书实施例中，在基于有主体对象信息感知意图和无主体对象信息感知意图的操作信息进行主体对象信息感知意图识别训练得到的主体对象信息感知意图识别模型后，后续，将一个操作信息输入该主体对象信息感知意图识别模型，该主体对象信息感知意图识别模型可以确定该操作信息对应的操作对应具有主体对象信息感知意图的概率。相应的，当该概率到达指定阈值时，可以确定操作对象具有主体对象信息感知意图。
本说明书实施例中，可以结合实际应用中需求，选取相应的目标意图识别模型来识别出命中操作对象集中具有目标意图的操作对象。
S209：基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集。
本说明书实施例中，如图5所示，基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集可以包括：
S2091：确定所述具有目标意图的操作对象的操作信息的操作时间。
S2093：基于所述操作时间确定所述具有目标意图的操作对象的操作信息中，在所述目标投放信息投放前的操作信息。
S2095：确定所述目标投放信息投放前的操作信息中未命中所述主体对象的操作信息。
S2097：基于所述未命中所述主体对象的操作信息对应的操作对象生成所述第一操作对象集。
本说明书实施例中，将目标投放信息投放前未命中主体对象的操作信息对应的操作对象作为第一操作对象集中的操作对象。可以从关注过目标投放信息的主体对象同一行业分类的相关信息且具有目标意图的操作对象中筛选出投前并未关注过目标投放信息的主体对象且具有目标意图的操作对象。
S211：基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集。
本说明书实施例中，如图6所示，基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集可以包括：
S2111：确定所述第一操作对象集对应的操作信息的操作时间。
S2113：基于所述操作时间确定所述第一操作对象集对应的操作信息中，在所述目标投放信息投放后的操作信息。
S2115：确定所述目标投放信息投放后的操作信息中命中所述主体对象的操作信息。
S2117：基于所述命中所述主体对象的操作信息对应的操作对象生成所述第二操作对象集。
本说明书实施例中，在筛选出具有目标意图，关注过目标投放信息的主体对象同一行业分类的相关信息，且投前未关注过目标投放信息的主体对象的操作对象后，再从中筛选出投后命中所述主体对象的操作信息对应的操作对象作为第二操作对象集，可以确定出具有目标意图，且目标投放信息的投放后开始关注主体对应的操作对象。
S213：基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率。
本说明书实施例中，在确定第一操作对象集和第二操作对象集之后，可以分别统计所述第一操作对象集和所述第二操作对象集中的操作对象的数量；然后，基于操作对象的数量确定所述目标意图对应的所述主体对象的入选率。具体的，可以将第二操作对象集中的操作对象的数量除以第一操作对象集中的操作对象的数量，得到该目标意图对应的主体对象的入选率。
本说明书实施例中，目标意图对应的主体对象的入选率可以表征目标投放信息的投放所带来的目标意图的增量。
在一个具体的实施例中，假设目标意图为购买意图，相应的，将第二操作对象集中的操作对象的数量除以第一操作对象集中的操作对象的数量，得到购买意图对应的主体对象的入选率，即目标投放信息的投放所带来的购买增量。
由以上本说明书实施例提供的技术方案可见，本说明书基于目标投放信息的受众对象(操作对象)在投前至投后的时间段内的操作信息，和行业知识图谱可以筛选出关注过目标投放信息的主体对象同一行业分类的相关信息的操作对象(命中操作对象集)；接着，结合目标意图识别模型识别出这部分命中操作对象集中具有目标意图的操作对象；然后，从具有目标意图的操作对象中筛选出投前并未关注过目标投放信息的主体对象的第一操作对象集；并从中筛选出投后命中所述主体对象的操作信息对应的第二操作对象集，即确定出目标投放信息的投放后开始关注主体对应的操作对象；最后，基于第二操作对象集中的操作对象的数量和第一操作对象集中的操作对象的数量，得到可以表征目标投放信息的投放所带来的目标意图增量的入选率，可以更好反映目标投放信息投放的所带来的增量。利用本说明书实施例提供的技术方案可以结合行业知识图谱和目标意图识别模型，针对有目标意图且关注过目标投放信息的主体对象同一行业分类相关信息的操作对象进行分析，可以准确的确定出表征目标投放信息的投放所带来的目标意图增量的入选率，实现对目标投放信息的投放效果的客观评估，为后续的信息投放提供数据支持。
在另一些实施例中，所述方法还可以包括：接收主体对象的入选率获取请求，
在实际应用中，可以在接收入选率获取请求后，触发执行后续的入选率的确定步骤。具体的，入选率获取请求可以为基于某一终端界面的触发后发出的请求，也可以为系统自动发出的指令。所述入选率获取请求可以包括指定的操作信息对应的时间段和指定的至少一种目标意图。
本说明书实施例中通过提供多种目标意图筛选的入选率分析条件，可以确定多元化的入选率数据，更全面的对目标投放信息投放效果进行评估。
相应的，在基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率之后，所述方法还包括：
分别展示所述至少一种目标意图对应的所述主体对象的入选率。
在另一些实施例中，所述入选率获取请求至少还可以包括下述之一的信息：
指定的至少一种操作类型、指定的至少一个操作信息的信息来源；
相应的，当所述入选率获取请求还包括指定的至少一种操作类型时，获取所述操作对象在预设时间段内的操作信息包括获取所述操作对象在预设时间段内所述至少一种操作类型对应的操作信息；
当所述入选率获取请求还包括指定的至少一种操作类型时，获取操作对象在预设时间段内的操作信息包括从至少一个操作信息的信息来源获取所述操作对象在预设时间段内的操作信息。
本说明书实施例中通过提供数据源和操作类型筛选的入选率分析条件，可以确定多元化的入选率数据，更全面的对目标投放信息投放效果进行评估。
具体的，如图7所示，图7是本申请实施例提供的一种投放信息效果评估操作界面的示意图，从图7中可见，用户可选取一条或多条已投放的投放信息，进行投放效果的评估分析。
进一步的，如图8所示，图8是本申请实施例提供的另一种投放信息效果评估操作界面的示意图；结合图7，用户在选定投放信息A之后，可以进行需要分析的入选率对应的意图类型，以及操作信息的时间窗口、数据源和操作类型的选择。
进一步的，如图9所示，图9是本申请实施例提供的一种投放信息的主体对象的入选数据展示界面的示意图；从图9可见，可以从图表集合来进行入选率即入选率相关数据的展示，可以让用户清楚的知道目标投放信息投放的效果。
本申请实施例还提供了一种数据处理装置，如图10所示，所述装置包括：
数据确定模块1010，可以用于确定目标投放信息的操作对象、主体对象和行业分类；
操作信息获取模块1020，可以用于获取所述操作对象在预设时间段内的操作信息，所述预设时间段包括所述目标投放信息投放之前至投放之后的时间段；
命中操作对象集确定模块1030，可以用于基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集；
意图识别模块1040，可以用于基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象；
第一操作对象集确定模块1050，可以用于基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集；
第二操作对象集确定模块1060，可以用于基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集；
入选率确定模块1070，可以用于基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率；
其中，所述行业知识图谱包括所述行业分类中主体对象的行业子标签。
在一些实施例中，所述命中操作对象集确定模块1030包括：
行业知识图谱确定单元，用于确定所述行业分类对应的行业知识图谱；
行业子标签确定单元，用于基于所述行业知识图谱确定所述主体对象对应的行业子标签；
命中操作对象集确定单元，用于确定所述预设时间段内的操作信息中命中所述对应的行业子标签的操作信息对应的命中操作对象集。
在一些实施例中，所述第一操作对象集确定模块1050包括：
第一操作时间确定单元，用于确定所述具有目标意图的操作对象的操作信息的操作时间；
第一操作信息确定单元，用于基于所述操作时间确定所述具有目标意图的操作对象的操作信息中，在所述目标投放信息投放前的操作信息；
第二操作信息确定单元，用于确定所述目标投放信息投放前的操作信息中未命中所述主体对象的操作信息；
第一操作对象集确定单元，用于基于所述未命中所述主体对象的操作信息对应的操作对象生成所述第一操作对象集。
在一些实施例中，所述第二操作对象集确定模块1060包括：
第二操作时间确定单元，用于确定所述第一操作对象集对应的操作信息的操作时间；
第三操作信息确定单元，用于基于所述操作时间确定所述第一操作对象集对应的操作信息中，在所述目标投放信息投放后的操作信息；
第四操作信息确定单元，用于确定所述目标投放信息投放后的操作信息中命中所述主体对象的操作信息；
第二操作对象集确定单元，用于基于所述命中所述主体对象的操作信息对应的操作对象生成所述第二操作对象集。
在一些实施例中，所述入选率确定模块1070包括：
数量统计单元，用于分别统计所述第一操作对象集和所述第二操作对象集中的操作对象的数量；
计算单元，用于基于所述操作对象的数量计算所述目标意图对应的所述主体对象的入选率。
在一些实施例中，所述目标意图识别模型至少包括下述任一意图识别模型：
转化意图识别模型、主体对象信息感知意图识别模型。
在一些实施例中，当所述目标意图识别模型包括转化意图识别模型时，所述目标意图识别模型包括采用下述单元确定：
第一操作信息获取单元，用于获取第一训练对象的操作信息；
第一自然语言分析单元，用于基于对所述第一训练对象的操作信息的自然语言分析，确定包括转化意图特征的操作信息，所述转化意图特征包括所述行业分类中主体对象的转化意图特征；
第一标签标注单元，用于对所述包括转化意图特征的操作信息进行转化意图的标签标注；
第二标签标注单元，用于对所述第一训练对象的操作信息中不包括转化意图特征的操作信息进行非转化意图的标签标注；
转化意图识别训练模块，用于基于标注有转化意图和非转化意图的操作信息对第一深度学习模型进行转化意图识别训练，得到所述转化意图识别模型。
在一些实施例中，当所述目标意图识别模型包括主体对象信息感知意图识别模型时，所述目标意图识别模型包括采用下述单元确定：
第二操作信息获取单元，用于获取第二训练对象的操作信息；
第二自然语言分析单元，用于基于对所述第二训练对象的操作信息的自然语言分析，确定包括主体对象信息感知特征的操作信息，所述主体对象信息感知特征包括所述行业分类中主体对象的信息感知意图特征；
第三标签标注单元，用于对所述包括主体对象信息感知特征的操作信息进行主体对象信息感知意图的标签标注；
第四标签标注单元，用于对所述训练对象的操作信息中不包括主体对象信息感知特征的操作信息进行无主体对象信息感知意图的标签标注；
主体对象信息感知意图识别训练单元，用于基于标注有主体对象信息感知意图和无主体对象信息感知意图的操作信息对第二深度学习模型进行主体对象信息感知意图识别训练，得到所述主体对象信息感知意图识别模型。
在一些实施例中，所述装置还包括：
入选率获取请求接收模块，用于接收主体对象的入选率获取请求，所述入选率获取请求包括指定的操作信息对应的时间段和指定的至少一种目标意图；
相应的，所述装置还包括：
入选率展示模块，用于在基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率之后，分别展示所述至少一种目标意图对应的所述主体对象的入选率。
在一些实施例中，所述入选率获取请求至少还包括下述之一的信息：
指定的至少一种操作类型、指定的至少一个操作信息的信息来源；
相应的，当所述入选率获取请求还包括指定的至少一种操作类型时，所述操作信息获取模块具体用于获取所述操作对象在预设时间段内所述至少一种操作类型对应的操作信息；
当所述入选率获取请求还包括指定的至少一种操作类型时，所述操作信息获取模块具体用于从所述至少一个操作信息的信息来源获取所述操作对象在预设时间段内的操作信息。
所述的装置实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例提供了一种数据处理设备，该数据处理设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的数据处理方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器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。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图11是本申请实施例提供的一种数据处理方法的服务器的硬件结构框图。如图11所示，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)1110(处理器1110可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1130，一个或一个以上存储应用程序1123或数据1122的存储介质1120(例如一个或一个以上海量存储设备)。其中，存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1110可以设置为与存储介质1120通信，在服务器1100上执行存储介质1120中的一系列指令操作。服务器1100还可以包括一个或一个以上电源1160，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1140，和/或，一个或一个以上操作系统1121，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口1140可以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服务器1100的通信供应商提供的无线网络。在一个实例中，输入输出接口1140包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1140可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1100还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。
本申请的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种数据处理方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的数据处理方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的数据处理方法、装置、设备或存储介质的实施例可见，本申请中基于目标投放信息的受众对象(操作对象)在投前至投后的时间段内的操作信息，和行业知识图谱可以筛选出关注过目标投放信息的主体对象同一行业分类的相关信息的操作对象(命中操作对象集)；接着，结合目标意图识别模型识别出这部分命中操作对象集中具有目标意图的操作对象；然后，从具有目标意图的操作对象中筛选出投前并未关注过目标投放信息的主体对象的第一操作对象集；并从中筛选出投后命中所述主体对象的操作信息对应的第二操作对象集，即确定出目标投放信息的投放后开始关注主体对应的操作对象；最后，基于第二操作对象集中的操作对象的数量和第一操作对象集中的操作对象的数量，得到可以表征目标投放信息的投放所带来的目标意图增量的入选率，可以更好反映目标投放信息投放的所带来的增量。利用本说明书实施例提供的技术方案可以结合行业知识图谱和目标意图识别模型，针对有目标意图且关注过目标投放信息的主体对象同一行业分类相关信息的操作对象进行分析，可以准确的确定出表征目标投放信息的投放所带来的目标意图增量的入选率，实现对目标投放信息的投放效果的客观评估，为后续的信息投放提供数据支持。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、服务器和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (13)
1.一种数据处理方法，其特征在于，所述方法包括：
确定目标投放信息的操作对象、主体对象和行业分类；
获取所述操作对象在预设时间段内的操作信息，所述预设时间段包括所述目标投放信息投放之前至投放之后的时间段；
基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集；
基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象；
基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集；
基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集；
基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率；
其中，所述行业知识图谱包括所述行业分类中主体对象的行业子标签。
2.根据权利要求1所述的方法，其特征在于，所述基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集包括：
确定所述行业分类对应的行业知识图谱；
基于所述行业知识图谱确定所述主体对象对应的行业子标签；
确定所述预设时间段内的操作信息中命中所述对应的行业子标签的操作信息对应的命中操作对象集。
3.根据权利要求1所述的方法，其特征在于，所述基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集包括：
确定所述具有目标意图的操作对象的操作信息的操作时间；
基于所述操作时间确定所述具有目标意图的操作对象的操作信息中，在所述目标投放信息投放前的操作信息；
确定所述目标投放信息投放前的操作信息中未命中所述主体对象的操作信息；
基于所述未命中所述主体对象的操作信息对应的操作对象生成所述第一操作对象集。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集包括：
确定所述第一操作对象集对应的操作信息的操作时间；
基于所述操作时间确定所述第一操作对象集对应的操作信息中，在所述目标投放信息投放后的操作信息；
确定所述目标投放信息投放后的操作信息中命中所述主体对象的操作信息；
基于所述命中所述主体对象的操作信息对应的操作对象生成所述第二操作对象集。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率包括：
分别统计所述第一操作对象集和所述第二操作对象集中的操作对象的数量；
基于所述操作对象的数量计算所述目标意图对应的所述主体对象的入选率。
6.根据权利要求1所述的方法，其特征在于，所述目标意图识别模型至少包括下述任一意图识别模型：
转化意图识别模型、主体对象信息感知意图识别模型。
7.根据权利要求1所述的方法，其特征在于，当所述目标意图识别模型包括转化意图识别模型时，所述目标意图识别模型包括采用下述方式确定：
获取第一训练对象的操作信息；
基于对所述第一训练对象的操作信息的自然语言分析，确定包括转化意图特征的操作信息，所述转化意图特征包括所述行业分类中主体对象的转化意图特征；
对所述包括转化意图特征的操作信息进行转化意图的标签标注；
对所述第一训练对象的操作信息中不包括转化意图特征的操作信息进行非转化意图的标签标注；
基于标注有转化意图和非转化意图的操作信息对第一深度学习模型进行转化意图识别训练，得到所述转化意图识别模型。
8.根据权利要求1所述的方法，其特征在于，当所述目标意图识别模型包括主体对象信息感知意图识别模型时，所述目标意图识别模型包括采用下述方式确定：
获取第二训练对象的操作信息；
基于对所述第二训练对象的操作信息的自然语言分析，确定包括主体对象信息感知特征的操作信息，所述主体对象信息感知特征包括所述行业分类中主体对象的信息感知意图特征；
对所述包括主体对象信息感知特征的操作信息进行主体对象信息感知意图的标签标注；
对所述训练对象的操作信息中不包括主体对象信息感知特征的操作信息进行无主体对象信息感知意图的标签标注；
基于标注有主体对象信息感知意图和无主体对象信息感知意图的操作信息对第二深度学习模型进行主体对象信息感知意图识别训练，得到所述主体对象信息感知意图识别模型。
9.根据权利要求1至8任一所述的方法，其特征在于，所述方法还包括：
接收主体对象的入选率获取请求，所述入选率获取请求包括指定的操作信息对应的时间段和指定的至少一种目标意图；
相应的，在基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率之后，所述方法还包括：
分别展示所述至少一种目标意图对应的所述主体对象的入选率。
10.根据权利要求9所述的方法，其特征在于，所述入选率获取请求至少还包括下述之一的信息：
指定的至少一种操作类型、指定的至少一个操作信息的信息来源；
相应的，当所述入选率获取请求还包括指定的至少一种操作类型时，所述获取所述操作对象在预设时间段内的操作信息包括获取所述操作对象在预设时间段内所述至少一种操作类型对应的操作信息；
当所述入选率获取请求还包括指定的至少一种操作类型时，所述获取操作对象在预设时间段内的操作信息包括从所述至少一个操作信息的信息来源获取所述操作对象在预设时间段内的操作信息。
11.一种数据处理装置，其特征在于，所述装置包括：
数据确定模块，用于确定目标投放信息的操作对象、主体对象和行业分类；
操作信息获取模块，用于获取所述操作对象在预设时间段内的操作信息，所述预设时间段包括所述目标投放信息投放之前至投放之后的时间段；
命中操作对象集确定模块，用于基于所述行业分类对应的行业知识图谱和所述预设时间段内的操作信息，确定命中所述主体对象的行业子标签的操作信息对应的命中操作对象集；
意图识别模块，用于基于目标意图识别模型对所述命中操作对象集对应的操作信息进行意图识别，得到所述命中操作对象集中具有目标意图的操作对象；
第一操作对象集确定模块，用于基于所述具有目标意图的操作对象的操作信息确定在投前未命中所述主体对象的操作信息对应的第一操作对象集；
第二操作对象集确定模块，用于基于所述第一操作对象集对应的操作信息确定投后命中所述主体对象的操作信息对应的第二操作对象集；
入选率确定模块，用于基于所述第一操作对象集和所述第二操作对象集中的操作对象的数量，确定所述目标意图对应的所述主体对象的入选率；
其中，所述行业知识图谱包括所述行业分类中主体对象的行业子标签。
12.一种数据处理设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至10任一所述的数据处理方法。
13.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至10任一所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700199.1A CN110473008B (zh) | 2019-07-31 | 2019-07-31 | 一种数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700199.1A CN110473008B (zh) | 2019-07-31 | 2019-07-31 | 一种数据处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110473008A true CN110473008A (zh) | 2019-11-19 |
| CN110473008B CN110473008B (zh) | 2024-02-20 |
Family
ID=68509594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910700199.1A Active CN110473008B (zh) | 2019-07-31 | 2019-07-31 | 一种数据处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110473008B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114746693A (zh) * | 2019-11-28 | 2022-07-12 | 海拉有限双合股份公司 | 用于机动车的照明设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951468A (zh) * | 2014-03-28 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 数据搜索处理方法和系统 |
| WO2018108049A1 (zh) * | 2016-12-13 | 2018-06-21 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及终端、计算机存储介质 |
| CN108345596A (zh) * | 2017-01-22 | 2018-07-31 | 分众(中国)信息技术有限公司 | 楼宇信息融合服务平台 |
| CN108985823A (zh) * | 2018-06-27 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种信息投放方法、装置、服务器及存储介质 |
| CN109145200A (zh) * | 2018-07-13 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 推广展现的方法、装置、设备和计算机存储介质 |
| WO2019085236A1 (zh) * | 2017-10-31 | 2019-05-09 | 北京小度信息科技有限公司 | 检索意图识别方法、装置、电子设备及可读存储介质 |
| WO2019114333A1 (zh) * | 2017-12-12 | 2019-06-20 | 优视科技有限公司 | 一种广告投放方法及平台 |
-
2019
- 2019-07-31 CN CN201910700199.1A patent/CN110473008B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951468A (zh) * | 2014-03-28 | 2015-09-30 | 阿里巴巴集团控股有限公司 | 数据搜索处理方法和系统 |
| WO2018108049A1 (zh) * | 2016-12-13 | 2018-06-21 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及终端、计算机存储介质 |
| CN108345596A (zh) * | 2017-01-22 | 2018-07-31 | 分众(中国)信息技术有限公司 | 楼宇信息融合服务平台 |
| WO2019085236A1 (zh) * | 2017-10-31 | 2019-05-09 | 北京小度信息科技有限公司 | 检索意图识别方法、装置、电子设备及可读存储介质 |
| WO2019114333A1 (zh) * | 2017-12-12 | 2019-06-20 | 优视科技有限公司 | 一种广告投放方法及平台 |
| CN108985823A (zh) * | 2018-06-27 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种信息投放方法、装置、服务器及存储介质 |
| CN109145200A (zh) * | 2018-07-13 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 推广展现的方法、装置、设备和计算机存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114746693A (zh) * | 2019-11-28 | 2022-07-12 | 海拉有限双合股份公司 | 用于机动车的照明设备 |
| CN114746693B (zh) * | 2019-11-28 | 2024-09-10 | 海拉有限双合股份公司 | 用于机动车的照明设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110473008B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108121795B (zh) | 用户行为预测方法及装置 | |
| CN107547214B (zh) | 基于电子书的群组阅读方法、电子设备及计算机存储介质 | |
| CN108108821A (zh) | 模型训练方法及装置 | |
| CN110209764A (zh) | 语料标注集的生成方法及装置、电子设备、存储介质 | |
| CN104298679A (zh) | 应用业务推荐方法及装置 | |
| CN108985823A (zh) | 一种信息投放方法、装置、服务器及存储介质 | |
| CN107861957B (zh) | 一种数据分析方法及装置 | |
| CN108932625B (zh) | 用户行为数据的分析方法、装置、介质和电子设备 | |
| CN108536608A (zh) | 页面版本测试方法及装置 | |
| CN111105628A (zh) | 一种停车场画像构建方法和装置 | |
| CN109558544B (zh) | 排序方法及装置、服务器和存储介质 | |
| CN111242318B (zh) | 基于异构特征库的业务模型训练方法及装置 | |
| CN102402717A (zh) | 数据分析设备和方法 | |
| CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
| CN108629047A (zh) | 一种歌曲清单生成方法及终端设备 | |
| CN109816043A (zh) | 用户识别模型的确定方法、装置、电子设备及存储介质 | |
| CN110533459A (zh) | 一种基于梯度提升算法的终端更换概率预测方法及装置 | |
| CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN109062947A (zh) | 用户画像标签查询方法、设备及计算机可读存储介质 | |
| CN115576834A (zh) | 支撑故障还原的软件测试复用方法、系统、终端及介质 | |
| CN110473008A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN111159241A (zh) | 一种点击转化预估方法及装置 | |
| CN110288443A (zh) | 信息推送方法、装置、电子设备及计算机可读存储介质 | |
| CN111444930A (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
| WO2002054272A9 (en) | System, process and software arrangement for assisting with a knowledge discovery |
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 |