CN110598125A - 一种评估关键意见领袖投入的方法及装置、存储介质 - Google Patents
一种评估关键意见领袖投入的方法及装置、存储介质 Download PDFInfo
- Publication number
- CN110598125A CN110598125A CN201910790221.6A CN201910790221A CN110598125A CN 110598125 A CN110598125 A CN 110598125A CN 201910790221 A CN201910790221 A CN 201910790221A CN 110598125 A CN110598125 A CN 110598125A
- Authority
- CN
- China
- Prior art keywords
- target data
- data
- training
- information
- key opinion
- 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
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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本申请提供一种评估关键意见领袖投入的方法及装置、存储介质,该方法包括:根据训练数据获取特征信息,所述训练数据包括关键意见领袖发布的帖子中提到预设品牌的帖子,根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型;根据待评估的目标数据获取特征信息,所述目标数据包括关键意见领袖发布的帖子中提到目标品牌的帖子,将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息。本实施例提供的方案,能评估关键意见领袖投入,辅助后续决策。
Description
技术领域
本文涉及数据分析技术,尤指一种评估KOL(Key Opinion Leader,关键意见领袖)投入的方法及装置、计算机可读存储介质。
背景技术
KOL营销,就是通过那些在特定领域拥有影响力的人物,让自己的品牌和产品与受众建立联系,并且保持互动。如果运作良好,这种营销可以给推广计划带来可信度,增强品牌属性,获得潜在客户。品牌可以评估竞争对手的KOL投入,来进行后续决策。
发明内容
本申请提供了一种评估KOL投入的方法及装置、计算机可读存储介质,从而得到KOL投入数据,辅助后续的KOL投入决策。
本申请提供了一种评估关键意见领袖投入的方法,包括:
根据训练数据获取特征信息,所述训练数据包括关键意见领袖发布的帖子中提到预设品牌的帖子,根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型;
根据待评估的目标数据获取特征信息,所述目标数据包括关键意见领袖发布的帖子中提到目标品牌的帖子,将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息。
在一实施例中,所述根据训练数据或目标数据获取特征信息包括:
获取发布所述训练数据或目标数据的关键意见领袖的基本属性,以及,所述训练数据或目标数据的基本属性,将所述基本属性中的非数值变量转换为数值向量得到第一特征;根据所述基本属性中的数值变量生成第二特征,将所述第一特征与所述第二特征合并,生成第三特征;
对所述第三特征进行预处理,生成所述特征信息。
在一实施例中,所述关键意见领袖的基本属性包括以下至少之一:关键意见领袖的粉丝数、关键意见领袖所在的层级、关键意见领袖的类型。
在一实施例中,所述训练数据或目标数据的基本属性包括以下至少之一:所述训练数据或目标数据的数据格式、所述训练数据或目标数据的阅读数、所述训练数据或目标数据的转发数、所述训练数据或目标数据的评论数。
在一实施例中,所述方法还包括:
根据所述特征信息以及预先标注的所述训练数据的分类信息,训练得到分类模型;
所述根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型包括:
根据同一类别的训练数据的特征信息以及预先标注的所述训练数据的类别信息,训练得到该类别对应的回归模型;
所述将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息包括:
将所述目标数据的特征信息代入所述分类模型,获得该目标数据的类别;
根据所述目标数据的类别,将所述目标数据的特征信息代入所述目标数据的类别对应的回归模型,获得该目标数据的成本信息。
在一实施例中,所述类别信息包括两类。
在一实施例中,所述回归模型和所述分类模型至少之一为Light GradientBoosting Machine算法模型。
在一实施例中,所述方法还包括:根据所有目标数据的成本信息,确定所述目标品牌在关键意见领袖上的投入。
本发明至少一实施例提供一种评估关键意见领袖投入的装置,包括存储器和处理器,所述存储器存储有程序,所述程序在被所述处理器读取执行时,实现任一实施例所述的评估关键意见领袖投入的方法。
本发明至少一实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现任一实施例所述的评估关键意见领袖投入的方法。
与相关技术相比,本申请包括一种评估关键意见领袖投入的方法,包括:根据训练数据获取特征信息,所述训练数据包括关键意见领袖发布的帖子中提到预设品牌的帖子,根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型;根据待评估的目标数据获取特征信息,所述目标数据包括关键意见领袖发布的帖子中提到目标品牌的帖子,将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息。本实施例提供的方案,能获知KOL投入,辅助后续KOL投入决策。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书、权利要求书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,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申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请一实施例提供的评估关键意见领袖投入的方法流程图;
图2为本申请一实施例提供的不同成本的训练数据的分布直方图;
图3为本申请另一实施例提供的评估关键意见领袖投入的方法流程图;
图4为本申请一实施例提供的评估关键意见领袖投入的装置框图;
图5为本申请一实施例提供的计算机可读存储介质框图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
本申请中,通过训练得到回归模型,根据回归模型确定KOL投入。
如图1所示,本发明一实施例提供一种评估关键意见领袖投入的方法,包括:
步骤101,根据训练数据获取特征信息,所述训练数据包括KOL发布的帖子中提到预设品牌的帖子,根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型;
其中,训练时使用多个训练数据构成的训练数据集进行训练。预设品牌可以是已知其KOL投入的品牌,且已知该品牌付给KOL发布的帖子的成本。比如某客户需要或者竞争对手的KOL投入,可以使用客户自身进行KOL营销的数据进行训练,另外,也可以使用已知的KOL的报价等信息进行训练。
步骤102,根据待评估的目标数据获取特征信息,所述目标数据包括KOL发布的帖子中提到目标品牌的帖子,将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息。
其中,KOL是指社交平台上拥有一定影响力的账号。比如,可以是粉丝量大于一定数量的账号,或者,阅读量、转发量、评论数量达到一定程度的账号,具体可以根据需要设置,比如,微博,抖音,B站,小红书粉丝量大于一定数量的账号为KOL,微信平台公众号为KOL,等等。其中,可以对KOL进行分级,比如,以粉丝数量或者阅读量等划分为多个层级,或者,通过K均值聚类算法和行业经验进行分级。
在一实施例中,所述获取特征信息包括:获取发布所述训练数据或目标数据的KOL的基本属性,以及,所述训练数据或目标数据的基本属性,将所述基本属性中的非数值变量转换为数值向量得到第一特征;根据所述基本属性中的数值变量生成第二特征,将所述第一特征与所述第二特征合并,生成第三特征;对所述第三特征进行预处理,生成所述特征信息。非数值变量也可称为分类变量。预处理包括以下环节:剔除无效数据、补全缺失值、归一化处理等。
在一实施例中,所述KOL的基本属性包括以下至少之一:KOL的粉丝数、KOL所在的层级、KOL的类型。需要说明的是,此处仅为示例,可以根据需要提取其他属性。KOL的类型比如为电影KOL,化妆品KOL、摄影KOL、旅游KOL等等。其中,KOL的基本属性中的非数值变量比如为层级、KOL类型等等。
在一实施例中,所述训练数据或目标数据的基本属性包括以下至少之一:所述训练数据或目标数据的数据格式、所述训练数据或目标数据的阅读数、所述训练数据或目标数据的转发数、所述训练数据或目标数据的评论数。需要说明的是,此处仅为示例,可以根据需要提取其他属性。其中,所述训练数据或目标数据的数据格式比如为纯文本、图文、视频。所述训练数据或目标数据的基本属性中的非数值变量比如为所述训练数据或目标数据的数据格式,数值变量比如为所述训练数据或目标数据的阅读数、所述训练数据或目标数据的转发数、所述训练数据或目标数据的评论数等。
在一实施例中,将所述基本属性中的非数值变量转换为数值向量得到第一特征,以非数值变量中的训练数据或目标数据的数据格式为例进行说明。对非数值变量进行独热编码(One-Hot Encoding),将非数值变量转化为数值向量,既解决了分类器不好处理属性数据的问题,又在一定程度上也起到了扩充特征的作用。
独热编码过程示例如下:
将非数值变量进行去重处理,得到去重后的属性列表,如[纯文本,图文,视频];
根据属性列表,确定转码向量长度,并结合属性列表的位置,将转码向量对应位置的值赋为1,其余赋为0,建立映射;如[“纯文本”:(1,0,0),“图文”:(0,1,0),“视频”:(0,0,1)];
用编码后的结果替换原数据;
表格1独热编码示例数据
帖子列表 | 帖子类别 |
帖子1 | 纯文本 |
帖子2 | 图文 |
帖子3 | 视频 |
表格2独热编码示例结果
在一实施例中,根据所述基本属性中的数值变量生成第二特征包括:提取KOL的基本属性和训练数据或目标数据的基本属性中的数值变量作为第二特征,或依据一部分数值变量构造一批新的特征,比如根据KOL所在层级构造一个特征:该KOL所在层级的单粉丝均价,将剩余的数值变量和所构造的特征作为第二特征,或者,或依据所有数值变量构造一批新的特征,将所构造的特征作为第二特征。
在一实施例中,所述将第一特征和第二特征合并是指:将第一特征和第二特征进行组合。
在一实施例中,可以对训练数据进行分类,在训练数据上标注类别标签,所述方法还包括:
根据所述特征信息以及预先标注的所述训练数据的分类信息,训练得到分类模型;
所述根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型包括:
根据同一类别的训练数据的特征信息以及预先标注的所述训练数据的类别信息,训练得到该类别对应的回归模型;
所述将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息包括:
将所述目标数据的特征信息代入所述分类模型,获得该目标数据的类别;
根据所述目标数据的类别,将所述目标数据的特征信息代入所述目标数据的类别对应的回归模型,获得该目标数据的成本信息。本实施例提供的方案,对数据进行分类,对不同类别的数据分别训练回归模型,可以提高回归模型效果,回归结果更准确;
在一实施例中,所述类别信息包括两类。当然,也可以分为更多类,或者,不进行分类。
一种分类方法说明如下:
根据成本标签绘制训练数据的分布直方图,以0.1为间隔绘制直方图,如图2所示,可以看到:从积累的成本数据的分布可以看出,成本分布不均衡,即70%的数据在0.8以上,20%的数据在0.3以下,只有10%数据在0.3~0.8之间;结合数据特征看不同单帖成本区间范围数据的特征也相差较大。
综合以上两点考虑,先进行模型分类,将数据判断至不同的区间后再针对不同区间训练不同的回归模型预测单帖成本。该技术手段在实践中能有效降低单帖成本的预测误差。因此,本实施例中,按照单帖成本0.8进行分类,单帖成本在0.8及以上的训练数据其类别标签为1,单帖成本在0.8以下的训练数据其类别标签为0;
后续,基于提取的特征和分类别标签训练分类模型;调整参数,反复优化分类模型至最优。
根据类别标签将训练数据进行分类,分成两组训练数据,分别针对两组训练数据训练回归模型;调整参数,反复优化回归模型至最优。
在一实施中,所述回归模型和所述分类模型至少之一为Light GradientBoosting Machine算法模型。需要说明的是,也可以是其他算法模型。
在一实施例中,所述方法还包括:根据所有目标数据的成本信息,确定所述目标品牌在KOL上的投入。所有目标数据比如为能搜索到的发布日期在预设时间段内,提到目标品牌的所有帖子(由KOL发布的,此处KOL不限于一个KOL)。搜索时,尽量在所有社交平台上进行搜索,比如,微博,抖音,B站,小红书、微信等上进行搜索。另外,可以预先建立KOL库。
下面通过一个具体实例进一步说明本申请。本实施例中,使用微博帖子数据的来进行预估单帖成本的完整流程说明。
本实施例提供一种评估关键意见领袖投入的方法,如图3所示,包括:
步骤301,建立初始分类模型和初始回归模型,使用训练数据集中的训练数据对初始分类模型和初始回归模型进行训练得到分类模型和回归模型;
具体的,包括:
提取训练数据对应的KOL的基本属性,以及训练数据的基本属性,对基本属性中的非数值变量进行独热编码转化为数值向量,得到第一训练特征,根据基本属性中的数值变量得到第二训练特征,将第一训练特征和第二训练特征合并,将合并后的特征进行预处理,包括剔除无效数据、补全缺失值、归一化处理等,得到第三训练特征;
根据第三训练特征和预先标注的训练数据的类别标签对初始分类模型进行训练,得到分类模型;本实施例中,根据单帖成本进行分类,单帖成本0~0.8为一类,单帖成本0.8~1作为另一类,其中,0~0.8,0.8~1非实际单帖成本,而是一个归一化的单帖成本,需要与一基值相乘得到实际的单帖成本。需要说明的是,此处分类仅为示例,可以根据需要按照其他方式进行分类。另外,分类也不限于两类,比如,可以分为更多类。
根据同一类别的训练数据的第三训练特征和预先标注的训练数据的成本标签对初始分类模型进行训练,得到该类别的回归模型。具体的,包括两个类别,第一类别和第二类别,且第一类别对应的第一回归模型,第二类别对应第二回归模型。
训练数据的成本标签取值范围为[0,1],表示单帖成本,该成本标签预先配置,或者,由人工基于经验进行标注;
步骤302,根据微博帖子(即目标数据)获取特征信息;
提取微博帖子对应的KOL的基本属性,以及该微博帖子的基本属性,对基本属性中的非数值变量进行独热编码转化为数值向量,得到第一特征,根据基本属性中的数值变量得到第二特征,将第一特征和第二特征合并,将合并后的特征进行预处理,包括剔除无效数据、补全缺失值、归一化处理等,得到第三特征;
步骤303,使用分类模型判断该微博帖子的类别;
将第三特征代入分类模型得到该微博帖子的类别标签;
步骤304,使用回归模型预测单帖成本;
根据步骤303得到的类别标签选择对应的回归模型,将所述第三特征代入所述所选的回归模型输出单贴成本,即该微博帖子的成本。
具体的,所述类别标签为第一类别时,使用第一回归模型,所述类别标签为第二类别时,使用第二回归模型。
本实施例中,采用的分类模型算法和回归模型算法均为LightGBM(LightGradient Boosting Machine)。该算法支持并行化学习、较低的内存占用、更快速的训练效率,具有更高的准确率。算法能够根据损失函数自动进行特征筛选过程,提取有效特征,剔除无效特征;本实施例中,针对不同的单帖成本区间,0~0.8和0.8~1分别训练回归模型,相同区间的数据特征分布更为接近,不同区间的数据特征差异较大,因此分别训练回归模型能够更好的拟合模型,在准确率方面有较好的表现。
本实施例提供的方案,帮助品牌或者竞争品牌的KOL投入,大量节省品牌内部人力资源和预算,帮助更有目的性的制定KOL战略。
如图4所示,本发明一实施例提供一种评估关键意见领袖投入的装置40,包括存储器410和处理器420,所述存储器410存储有程序,所述程序在被所述处理器420读取执行时,实现任一实施例所述的评估关键意见领袖投入的方法。
如图5所示,本发明一实施例提供一种计算机可读存储介质50,所述计算机可读存储介质50存储有一个或者多个程序510,所述一个或者多个程序510可被一个或者多个处理器执行,以实现任一实施例所述的评估关键意见领袖投入的方法。
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组件的划分;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。
Claims (10)
1.一种评估关键意见领袖投入的方法,其特征在于,包括:
根据训练数据获取特征信息,所述训练数据包括关键意见领袖发布的帖子中提到预设品牌的帖子,根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型;
根据待评估的目标数据获取特征信息,所述目标数据包括关键意见领袖发布的帖子中提到目标品牌的帖子,将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息。
2.根据权利要求1所述的评估关键意见领袖投入的方法,其特征在于,所述根据训练数据或目标数据获取特征信息包括:
获取发布所述训练数据或目标数据的关键意见领袖的基本属性,以及,所述训练数据或目标数据的基本属性,将所述基本属性中的非数值变量转换为数值向量得到第一特征;根据所述基本属性中的数值变量生成第二特征,将所述第一特征与所述第二特征合并,生成第三特征;
对所述第三特征进行预处理,生成所述特征信息。
3.根据权利要求2所述的评估关键意见领袖投入的方法,其特征在于,
所述关键意见领袖的基本属性包括以下至少之一:关键意见领袖的粉丝数、关键意见领袖所在的层级、关键意见领袖的类型。
4.根据权利要求2所述的评估关键意见领袖投入的方法,其特征在于,
所述训练数据或目标数据的基本属性包括以下至少之一:所述训练数据或目标数据的数据格式、所述训练数据或目标数据的阅读数、所述训练数据或目标数据的转发数、所述训练数据或目标数据的评论数。
5.根据权利要求1至4任一所述的评估关键意见领袖投入的方法,其特征在于,所述方法还包括:
根据所述特征信息以及预先标注的所述训练数据的分类信息,训练得到分类模型;
所述根据所述特征信息以及预先标注的所述训练数据的成本信息,训练得到评估成本的回归模型包括:
根据同一类别的训练数据的特征信息以及预先标注的所述训练数据的类别信息,训练得到该类别对应的回归模型;
所述将所述目标数据的特征信息代入所述回归模型,获得该目标数据的成本信息包括:
将所述目标数据的特征信息代入所述分类模型,获得该目标数据的类别;
根据所述目标数据的类别,将所述目标数据的特征信息代入所述目标数据的类别对应的回归模型,获得该目标数据的成本信息。
6.根据权利要求5所述的评估关键意见领袖投入的方法,其特征在于,所述类别信息包括两类。
7.根据权利要求5所述的评估关键意见领袖投入的方法,其特征在于,所述回归模型和所述分类模型至少之一为Light Gradient Boosting Machine算法模型。
8.根据权利要求1至4任一所述的评估关键意见领袖投入的方法,其特征在于,所述方法还包括:根据所有目标数据的成本信息,确定所述目标品牌在关键意见领袖上的投入。
9.一种评估关键意见领袖投入的装置,其特征在于,包括存储器和处理器,所述存储器存储有程序,所述程序在被所述处理器读取执行时,实现如权利要求1至8任一所述的评估关键意见领袖投入的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至8任一所述的评估关键意见领袖投入的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790221.6A CN110598125A (zh) | 2019-08-26 | 2019-08-26 | 一种评估关键意见领袖投入的方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790221.6A CN110598125A (zh) | 2019-08-26 | 2019-08-26 | 一种评估关键意见领袖投入的方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598125A true CN110598125A (zh) | 2019-12-20 |
Family
ID=68855660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910790221.6A Pending CN110598125A (zh) | 2019-08-26 | 2019-08-26 | 一种评估关键意见领袖投入的方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598125A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330098A (zh) * | 2020-10-16 | 2021-02-05 | 有米科技股份有限公司 | Kol带货能力属性的智能化计算方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150333A (zh) * | 2013-01-26 | 2013-06-12 | 安徽博约信息科技有限责任公司 | 微博媒体中的意见领袖识别方法 |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN108228586A (zh) * | 2016-12-12 | 2018-06-29 | 上海看榜信息科技有限公司 | 一种跨平台网络意见领袖排行方法 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109299740A (zh) * | 2018-09-28 | 2019-02-01 | 北京赛博贝斯数据科技有限责任公司 | 一种逻辑回归模型的构建方法及系统 |
CN109408697A (zh) * | 2018-10-29 | 2019-03-01 | 武汉虹旭信息技术有限责任公司 | 基于大数据信息下互联网行为预警系统及其方法 |
-
2019
- 2019-08-26 CN CN201910790221.6A patent/CN110598125A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150333A (zh) * | 2013-01-26 | 2013-06-12 | 安徽博约信息科技有限责任公司 | 微博媒体中的意见领袖识别方法 |
CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
CN108228586A (zh) * | 2016-12-12 | 2018-06-29 | 上海看榜信息科技有限公司 | 一种跨平台网络意见领袖排行方法 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN109299740A (zh) * | 2018-09-28 | 2019-02-01 | 北京赛博贝斯数据科技有限责任公司 | 一种逻辑回归模型的构建方法及系统 |
CN109408697A (zh) * | 2018-10-29 | 2019-03-01 | 武汉虹旭信息技术有限责任公司 | 基于大数据信息下互联网行为预警系统及其方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330098A (zh) * | 2020-10-16 | 2021-02-05 | 有米科技股份有限公司 | Kol带货能力属性的智能化计算方法及装置 |
CN112330098B (zh) * | 2020-10-16 | 2024-04-09 | 有米科技股份有限公司 | Kol带货能力属性的智能化计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509465B (zh) | 一种视频数据的推荐方法、装置和服务器 | |
US20220116347A1 (en) | Location resolution of social media posts | |
US10169371B2 (en) | System and method for creating a preference profile from shared images | |
US11019017B2 (en) | Social media influence of geographic locations | |
CN110348580B (zh) | 构建gbdt模型的方法、装置及预测方法、装置 | |
US11640714B2 (en) | Video panoptic segmentation | |
CN112700408B (zh) | 模型训练方法、图像质量评估方法及装置 | |
CN106611015B (zh) | 标签的处理方法及装置 | |
CN105225135B (zh) | 潜力客户识别方法以及装置 | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
US20170185676A1 (en) | System and method for profiling a user based on visual content | |
CN114218488A (zh) | 基于多模态特征融合的信息推荐方法、装置及处理器 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN110704728A (zh) | 信息推荐的方法、装置、电子设备及存储介质 | |
CN111506755A (zh) | 图片集的分类方法和装置 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN113590945A (zh) | 一种基于用户借阅行为-兴趣预测的图书推荐方法和装置 | |
CN116701637B (zh) | 一种基于clip的零样本文本分类方法、系统及介质 | |
CN110598125A (zh) | 一种评估关键意见领袖投入的方法及装置、存储介质 | |
Zhu et al. | Gala: Toward geometry-and-lighting-aware object search for compositing | |
CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
WO2020162833A1 (en) | Method and system for generating content data | |
CN111126038A (zh) | 信息获取模型生成方法、装置及信息获取方法、装置 | |
CN116385039A (zh) | 一种营销策略的生成方法、装置及终端设备 | |
CN116739665A (zh) | 信息投放方法、装置、电子设备及存储介质 |
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: 20201225 Address after: A108, 1 / F, curling hall, winter training center, 68 Shijingshan Road, Shijingshan District, Beijing 100041 Applicant after: Beijing second hand Artificial Intelligence Technology Co.,Ltd. Address before: 100080 area C, 3rd floor, building 2, zone B, Dongsheng Science Park, Zhongguancun, Haidian District, Beijing Applicant before: ADMASTER TECHNOLOGY (BEIJING) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |