CN110782286A - 广告推送方法、装置、服务器及计算机可读存储介质 - Google Patents
广告推送方法、装置、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110782286A CN110782286A CN201911024125.7A CN201911024125A CN110782286A CN 110782286 A CN110782286 A CN 110782286A CN 201911024125 A CN201911024125 A CN 201911024125A CN 110782286 A CN110782286 A CN 110782286A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- candidate
- delivery
- time period
- push
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000002716 delivery method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请提出一种广告推送方法、装置、服务器及计算机可读存储介质,涉及互联网技术领域,通过获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,然后结合用户端点击每一候选推送广告的预测点击概率,获得每一候选推送广告针对该用户端各自对应的投放匹配度,进而将对应的投放匹配度最大的候选推送广告推送至用户端,相比于现有技术,通过结合每一候选推送广告各自的投放紧迫度以及用户端点击每一候选推送广告的预测点击概率计算得到的投放匹配度,从而基于每一候选推送广告针对该用户端所对应的投放匹配度进行广告推送,能够提升广告投放的精确度。
Description
技术领域
本申请涉及互联网技术领域,具体而言,涉及一种广告推送方法、装置、服务器及计算机可读存储介质。
背景技术
随着互联网技术的不断发展,人们可以利用互联网技术,在互联网平台获取各个方面的信息,比如生活资讯、娱乐影音、餐饮美食等;相应地,广告需求商也可以通过互联网平台投放广告,以推广商品。
目前的广告推送方案一般是基于互联网平台所有用户各自对应的特征标签,与广告需求商所需投放的目标人群进行匹配,向用户定向的推送广告需求商的广告。
然而,在实际的广告推送中,由于不同的广告需求商各自所需求的目标人群可能存在重叠,广告推送的准确度较低。
发明内容
本申请的目的在于提供一种广告投放方法、装置、服务器及计算机可读存储介质,能够提升广告投放的精确度。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种广告推送方法,所述方法包括:
获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
获得所述用户端点击每一所述候选推送广告的预测点击概率;
根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度;
将对应的投放匹配度最大的候选推送广告推送至所述用户端。
第二方面,本申请实施例提供一种广告推送装置,所述装置包括:
处理模块,用于获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
所述处理模块还用于,获得所述用户端点击每一所述候选推送广告的预测点击概率;
所述处理模块还用于,根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度;
推送模块,用于将对应的投放匹配度最大的候选推送广告推送至所述用户端。
第三方面,本申请实施例提供一种服务器,所述服务器包括存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现上述的广告推送方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的广告推送方法。
本申请实施例提供的一种广告推送方法、装置、服务器及计算机可读存储介质,通过获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,然后结合用户端点击每一候选推送广告的预测点击概率,获得每一候选推送广告针对该用户端各自对应的投放匹配度,进而将对应的投放匹配度最大的候选推送广告推送至用户端,相比于现有技术,通过结合每一候选推送广告各自的投放紧迫度以及用户端点击每一候选推送广告的预测点击概率计算得到的投放匹配度,从而基于每一候选推送广告针对该用户端所对应的投放匹配度进行广告推送,能够提升广告投放的精确度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出本申请实施例提供的广告推送方法的一种示意性应用场景图;
图2示出本申请实施例提供的服务器的一种示意性结构框图;
图3示出本申请实施例提供的广告推送方法的一种示意性流程图;
图4示出图3中步骤206的子步骤的一种示意性流程图;
图5示出图2中步骤202的子步骤的一种示意性流程图;
图6示出图5中步骤202-1的子步骤的一种示意性流程图;
图7示出本申请实施例提供的广告推送装置的一种示意性结构图。
图中:100-服务器;101-存储器;102-处理器;103-通信接口;300-广告推送装置;301-处理模块;302-推送模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如上所述,目前的广告推送方案一般是基于互联网平台所有用户各自对应的特征标签,互联网平台端的广告运营商在接收到用户的广告请求时,将该用户对应的特征标签与广告需求商所需投放的目标人群进行匹配,若匹配成功,则向该用户推送广告需求商的广告。
在实际的广告推送中,不同的广告需求商各自所需求的目标人群可能存在重叠,比如在合约广告中,由于合约广告一般存在定向条件,不同的广告可能会存在相同的定向条件;例如广告需求商A需求的目标人群为上海男性,广告需求商B需求的目标人群为男性,“上海男性”则为满足广告需求商A和广告需求商B的定向条件;此时一个用户的特征标签为上海男性,则按照上述的广告推送方案,为该用户推送广告需求商A的广告以及广告需求商B的广告均可;实际上,按照目前的广告推送方案,当存在前述应用场景时,一般是将需求投放量较大的广告需求商的广告推送给用户,比如在前述示例中,若广告需求商A需求的投放量大于广告需求商B需求的投放量,则目前的广告推送方案一般是为该用户推送广告需求商A的广告。
然后,在上述广告推送方案中,针对不同广告需求商需求的目标人群相重叠部分的用户,由于目前的方案仅考虑了各个广告需求商各自需求的投放量,而没有综合考虑到用户对每一广告的点击概率,从而导致广告推送的准确度较低。
为此,基于上述缺陷,本申请实施例提供的一种可能的实现方式为:通过获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,然后结合用户端点击每一候选推送广告的预测点击概率,获得每一候选推送广告针对该用户端各自对应的投放匹配度,进而将对应的投放匹配度最大的候选推送广告推送至用户端,以提升广告投放的精确度。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1示出本申请实施例提供的广告推送方法的一种示意性应用场景图,在本申请实施例中,服务器与用户端位于无线网络或有线网络中,通过该无线网络或有线网络,服务器与用户端进行数据交互。
在本申请实施例中,用户端可采用移动终端设备,例如可以包括智能手机、平板电脑(personal computer,PC)、穿戴式移动终端等等。
本申请实施例所提供的一种广告推送方法,应用于如图1所示的服务器,该服务器中安装有应用程序,与用户端相对应,用于为用户提供服务,该广告推送方法可通过该服务器中安装的应用程序实现。
示例性地,请参阅图2,图2示出本申请实施例提供的服务器100的一种示意性结构框图。服务器100包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块,如本申请实施例提供的广告推送装置300对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理,以实现本申请实施例提供的广告推送方法。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除可编程只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图2所示的结构仅为示意,服务器100还可以包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
下面以图2所示的服务器100作为示例性执行主体,对本申请实施例提供的广告推送方法进行示例性说明。
请参阅图3,图3示出本申请实施例提供的广告推送方法的一种示意性流程图,可以包括以下步骤:
步骤202,获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
步骤204,获得用户端点击每一候选推送广告的预测点击概率;
步骤206,根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一候选推送广告对应的投放匹配度;
步骤208,将对应的投放匹配度最大的候选推送广告推送至用户端。
在本申请实施例中,服务器可以根据用户端对应的特征标签,先确定出该用户端对应的多个候选推送广告;比如,假定存在三个广告需求商A、B、C各自需求的目标人群对应的特征标签分别为A:上海用户,B:上海的男性用户,C:女性用户;若用户端对应的特征标签为“上海的男性用户”,则此时可以将广告需求商A的广告以及广告需求商B的广告作为该用户端对应的多个候选推送广告;若用户端对应的特征标签为“上海的女性用户”,则可以将广告需求商A的广告以及广告需求商C的广告作为该用户端对应的多个候选推送广告。
然后,服务器针对该用户端对应的多个候选推送广告,获得每一候选推送广告各自对应的投放紧迫度,其中,每一候选推送广告各自对应的投放紧迫度,表征每一候选推送广告的紧迫程度;投放紧迫度高的候选推送广告一般会比投放紧迫度低的候选推送广告拥有更大的投放概率。
其中,需要说明的是,步骤202的执行方式,可以是由服务器先计算出所有候选推送广告各自对应的投放紧迫度后,再将用户端的特征标签与每一候选推送广告进行匹配比较,从而匹配到该用户端对应的多个候选推送广告,并获得该多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;也可以是,先将用户端的特征标签与服务器记录的所有候选推送广告进行匹配比较,在匹配到该用户端对应的多个候选推送广告后,再计算该多个候选推送广告中每一候选推送广告各自对应的投放紧迫度。
当服务器接收到用户端的广告请求,服务器可以基于深度学习技术,利用例如DNN(Deep Neural Networks,深度神经网络)模型等作为点击率预测模型,以该用户端对应的特征标签作为训练完成的点击率预测模型的输入,然后输出获得用户端点击该多个候选推送广告中每一候选推送广告的预测点击概率。
接下来,服务器根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,用以计算获得每一候选推送广告对应的投放匹配度;其中,每一投放匹配度用于表征对应的候选推送广告与用户端的投放匹配程度,投放匹配度越高,表征在综合点击概率以及投放紧迫度等维度的因素后,用户端与对应的候选推送广告越相匹配。
由此,服务器根据获得的每一候选推送广告对应的投放匹配度,将对应的投放匹配度最大的候选推送广告推送至用户端,完成对用户端的广告推送。
可见,基于上述设计,本申请实施例提供的一种广告投放方法,通过获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,然后结合用户端点击每一候选推送广告的预测点击概率,获得每一候选推送广告针对该用户端各自对应的投放匹配度,进而将对应的投放匹配度最大的候选推送广告推送至用户端,相比于现有技术,通过结合每一候选推送广告各自的投放紧迫度以及用户端点击每一候选推送广告的预测点击概率计算得到的投放匹配度,从而基于每一候选推送广告针对该用户端所对应的投放匹配度进行广告推送,能够提升广告投放的精确度。
需要说明的是,上述点击率预测模型可以采用如下方案进行训练:
首先,收集一段时间内的广告推送数据、广告点击数据,以获得基础训练样本,包括用户端对应的特征标签、历史行为标签以及广告特征标签;其中,用户端对应的特征标签可以包括:年龄、性别、地域、设备等;用户端对应的历史行为标签可以包括:搜索关键词、收听内容、点击内容、分享内容等;用户端对应的广告特征标签包括:行业标签、自定义标签、历史投放标签、图像特征标签、关键词标签等。
然后,去除训练样本中的脏数据;比如去除一天内登陆账号过多的用户端的样本数据,以及去除画像缺失严重的样本数据等。
接下来,将训练样本中的数据进行特征转化。包括描述性特征数字化、连续性特征分桶化、离散性特征one-hot编码等。例如,对于描述性特征,男、女可分别用0和1进行表示;连续性特征,0~9岁可以表示为0,10~19岁可以表示为1;离散特征编码化,如前述的男、女,可以从0、1编码为向量(1、0)、(0、1)。
最后,利用上述特征转化后得到的训练数据集,对初始的点击率预测模型进行训练,直至该点击率预测模型达到设定的收敛条件,得到训练完成的点击率预测模型。
其中,模型的训练数据集可以按照9:1的比例随机拆分为训练集和测试集,训练集用于对点击率预测模型进行训练,测试集用于测试点击率预测模型的训练效果。
另外,上述点击率预测模型的训练过程,执行主体可以采用如图2所示的服务器100,也可以采用其他的设备,本申请实施例对训练点击率预测模型的执行主体不进行限定。
并且,在本申请实施例中,可以通过多种方式根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,计算获得每一候选推送广告对应的投放匹配度。
示例性地,请参阅图4,图4示出图3中步骤206的子步骤的一种示意性流程图,作为一种可能的实现方式,步骤206可以包括以下子步骤:
步骤206-1,根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一候选推送广告各自对应的基础匹配得分;
步骤206-2,根据所有候选推送广告各自对应的基础匹配得分,计算得到每一候选推送广告各自对应的投放匹配度。
在执行步骤206时,可以通过设定计算公式,先根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一候选推送广告各自对应的基础匹配得分。
示例性地,每一候选推送广告各自对应的基础匹配得分的计算公式可以满足如下:
si=a×pi+b×(ctri-u)
其中,si表示第i条候选推送广告对应的基础匹配得分,pi表示第i条候选推送广告对应的投放紧迫度,ctri表示第i条候选推送广告对应的预测点击概率,a、b、u均表示设定的参数,比如,a、b均可取1,u可以取上述训练点击率预测模型时,测试集中所有样本的点击概率均值。
需要说明的是,上述基础匹配得分的计算公式仅为示意,在本申请实施例其他一些可能的实现方式中,还可以按照其他的计算公式计算得到基础匹配得分,本申请实施例对计算得到基础匹配得分的公式不进行限定,只要能够根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一候选推送广告各自对应的基础匹配得分即可。
然后,结合该用户端对应的所有候选推送广告各自对应的基础匹配得分,计算得到每一候选推送广告各自对应的投放匹配度。
示例性地,每一候选推送广告各自对应的投放匹配度的计算公式可以满足如下:
式中,scorei表示第i条候选推送广告对应的投放匹配度,sj表示第j条候选推送广告对应的基础匹配得分。
另外,在执行步骤202时,可以通过多种方式获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,比如利用每一候选推送广告各自对应的投放量作为投放紧迫度;或者是,利用每一候选推送广告各自对应的投放量的排列顺序作为投放紧迫度。
示例性地,请参阅图5,图5示出图3中步骤202的子步骤的一种示意性流程图,作为一种可能的实现方式,步骤202可以包括以下子步骤:
步骤202-1,获得用户端对应的多个候选推送广告中每一候选推送广告的剩余投放量,以及每一候选推送广告在第一时间段的预估流量;
步骤202-2,根据每一候选推送广告的剩余投放量以及各自在第一时间段的预估流量,计算得到每一候选推送广告对应的投放紧迫度。
在本申请实施例中,可以划分时间段对每一候选推送广告的投放紧迫度进行计算,每一候选推送广告在各个时间段内的投放紧迫度可能是不尽相同的。
比如,可以按整点进行划分,9:00~10:00可以划分为一个时间段,10:00~11:00可以划分为一个时间段,11:00~12:00可以划分为一个时间段,依次类推。
在执行步骤202时,可以根据每一候选推送广告的剩余投放量以及各自在第一时间段的预估流量,进行计算得到每一候选推送广告在第一时间段对应的投放紧迫度。比如,可以在10:53时,以11:00~12:00作为第一时间段,并结合每一候选推送广告的剩余投放量以及各自在11:00~12:00的预估流量,计算每一候选推送广告各自在11:00~12:00的投放紧迫度。
示例性地,每一候选推送广告在第一时间段对应的投放可以按照如下公式进行计算:
pi=c×di/ki
式中,pi表示第i条候选推送广告在第一时间段对应的投放紧迫度,di表示第i条候选推送广告的剩余投放量,ki表示第i条候选推送广告在第一时间段的预估流量,c表示设定的系数。
在上述投放紧迫度的计算公式中,第i条候选推送广告的剩余投放量可以按照预估总投放量减去已投放量的差获得;若第i条候选推送广告还存在追加投放量时,还可以在总投放量减去已投放量的基础上加上追加投放量,从而获得第i条候选推送广告的剩余投放量。
可见,基于上述设计,本申请实施例提供的一种广告推送方法,结合用户端对应的多个候选推送广告中每一候选推送广告的剩余投放量,以及每一候选推送广告在第一时间段的预估流量,计算每一候选推送广告各自在第一时间段对应的投放紧迫度,能够使每一候选推送广告在第一时间段内的投放紧迫度排序更合理。
其中,需要说明的是,第一时间段的预估流量可以通过多种方式获得,比如统计时序在第一时间段之前一段时间(比如几个小时或者是几天)的流量趋势,从而预估第一时间段的流量。
示例性地,请参阅图6,图6示出图5中步骤202-1的子步骤的一种示意性流程图,在获得每一候选推送广告在第一时间段的预估流量时,步骤202-1可以包括以下子步骤:
步骤202-1a,根据每一候选推送广告在第二时间段的实际流量和预估流量,获得每一候选推送广告各自对应的流量调节参数;
步骤202-1b,根据每一候选推送广告对应的流量调节参数以及在第一时间段的初始预估流量,获得每一候选推送广告在第一时间段的预估流量。
在本申请实施例中,取时序在第一时间段之前的第二时间段,比如在上述示例中,假定第一时间段取11:00~12:00,则第二时间段可以取10:00~11:00;然后根据每一候选推送广告在第二时间段的实际流量和预估流量,获得每一候选推送广告各自对应的流量调节参数。
比如,可以将每一候选推送广告在第二时间段的实际流量与预估流量两者的比值,作为每一候选推送广告各自对应的流量调节参数;或者是,在每一候选推送广告在第二时间段的实际流量与预估流量两者的比值的基础上乘以对应的时间系数,得到每一候选推送广告各自对应的流量调节参数。
然后,利用每一候选推送广告各自对应的流量调节参数以及在第一时间段的初始预估流量,比如以每一候选推送广告各自对应的流量调节参数乘以每一候选推送广告各自在第一时间段的初始预估流量,从而获得每一候选推送广告在第一时间段的预估流量。
其中,需要说明的是,每一候选推送广告各自在第一时间段的初始预估流量,可以是接收用户或者其他设备传输的,也可以设定的默认参数,或者是通过统计时序在第一时间段之前的一段时间(比如几个小时或者是几天)的流量趋势获得的。
示例性地,以上述广告推送方法用于在第N+1天(N为正整数)对用户进行推送广告为例,第一时间段的初始预估流量可以由第N天所统计的流量获得。
比如,在预估第一时间段的初始预估流量时,以10:00~11:00作为第一时间段为例,可以先根据第N+1的广告需求商所需的目标人群,划分不同的定向组合条件;例如广告需求商A需求上海的用户,广告需求商B需求上海的男性,广告需求商C需求男性,则可以划分条件:1、上海非男性;2、上海男性;3、非上海男性。
然后基于划分好的定向组合条件,根据第N天10:00~11:00每一定向组合条件下的实际流量,预测每个定向组合条件下第N+1天10:00~11:00的流量,作为第N+1天10:00~11:00的初始预估流量。
另外,需要说明的是,如图6所示,在执行步骤202-1时,由于每一候选推送广告在第一时间段的预估流量,需要依靠每一候选推送广告在第一时间段之前的第二时间段的实际流量计算获得;也就是说,随着时间的推荐,每一时间段的预估流量会根据前序时间段的实际流量不停的迭代修正;但在第N+1天的第一个时间段,由于没有前序时间段的实际流量,故无法进行迭代修正;因此,对于第N+1天的第一个时间段,可以直接用第N天计算得到的第一个时间段的初始预估流量作为预估流量。
并且,上述计算初始预估流量的方案,执行主体可以采用如图2所示的服务器,即与上述广告推送方法相同的执行主体;也可以采用其他的设备,即:由其他的设备计算出每一候选推送广告在各个时间段的初始预估流量后,传输给服务器,以使服务器根据接收的每一候选推送广告在各个时间段的初始预估流量,执行上述的广告推送方法。
基于与上述广告推送方法相同的发明构思,请参阅图7,图7示出本申请实施例提供的广告推送装置300的一种示意性结构图,该广告推送装置300包括处理模块301及推送模块302。其中:
处理模块301用于,获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
处理模块301还用于,获得用户端点击每一候选推送广告的预测点击概率;
处理模块还301用于,根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一候选推送广告对应的投放匹配度;
推送模块302用于,将对应的投放匹配度最大的候选推送广告推送至用户端。
可选地,作为一种可能的实现方式,处理模块301在根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一候选推送广告对应的投放匹配度时,具体用于:
根据每一候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一候选推送广告各自对应的基础匹配得分;
根据所有候选推送广告各自对应的基础匹配得分,计算得到每一候选推送广告各自对应的投放匹配度。
可选地,作为一种可能的实现方式,每一候选推送广告各自对应的基础匹配得分的计算公式满足如下:
si=a×pi+b×(ctri-u)
其中,si表示第i条候选推送广告对应的基础匹配得分,pi表示第i条候选推送广告对应的投放紧迫度,ctri表示第i条候选推送广告对应的预测点击概率,a、b、u均表示设定的参数;
每一候选推送广告各自对应的投放匹配度的计算公式满足如下:
式中,scorei表示第i条候选推送广告对应的投放匹配度,sj表示第j条候选推送广告对应的基础匹配得分。
可选地,作为一种可能的实现方式,处理模块301在获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度时,具体用于:
获得用户端对应的多个候选推送广告中每一候选推送广告的剩余投放量,以及每一候选推送广告在第一时间段的预估流量;
根据每一候选推送广告的剩余投放量以及各自在第一时间段的预估流量,计算得到每一候选推送广告对应的投放紧迫度。
可选地,作为一种可能的实现方式,处理模块301在获得每一候选推送广告在第一时间段的预估流量时,具体用于:
根据每一候选推送广告在第二时间段的实际流量和预估流量,获得每一候选推送广告各自对应的流量调节参数;其中,第二时间段的时序在第一时间段之前;
根据每一候选推送广告对应的流量调节参数以及在第一时间段的初始预估流量,获得每一候选推送广告在第一时间段的预估流量。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种广告投放方法、装置、服务器、计算机可读存储介质,通过获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度,然后结合用户端点击每一候选推送广告的预测点击概率,获得每一候选推送广告针对该用户端各自对应的投放匹配度,进而将对应的投放匹配度最大的候选推送广告推送至用户端,相比于现有技术,通过结合每一候选推送广告各自的投放紧迫度以及用户端点击每一候选推送广告的预测点击概率计算得到的投放匹配度,从而基于每一候选推送广告针对该用户端所对应的投放匹配度进行广告推送,能够提升广告投放的精确度。
并且,还结合用户端对应的多个候选推送广告中每一候选推送广告的剩余投放量,以及每一候选推送广告在第一时间段的预估流量,计算每一候选推送广告各自在第一时间段对应的投放紧迫度,能够使每一候选推送广告在第一时间段内的投放紧迫度排序更合理。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。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。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (12)
1.一种广告推送方法,其特征在于,所述方法包括:
获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
获得所述用户端点击每一所述候选推送广告的预测点击概率;
根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度;
将对应的投放匹配度最大的候选推送广告推送至所述用户端。
2.如权利要求1所述的方法,其特征在于,根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度的步骤,包括:
根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一所述候选推送广告各自对应的基础匹配得分;
根据所有所述候选推送广告各自对应的基础匹配得分,计算得到每一所述候选推送广告各自对应的投放匹配度。
4.如权利要求1所述的方法,其特征在于,获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度的步骤,包括:
获得所述用户端对应的所述多个候选推送广告中每一所述候选推送广告的剩余投放量,以及每一所述候选推送广告在第一时间段的预估流量;
根据每一所述候选推送广告的剩余投放量以及各自在所述第一时间段的预估流量,计算得到每一所述候选推送广告对应的投放紧迫度。
5.如权利要求4所述的方法,其特征在于,获得每一所述候选推送广告在第一时间段的预估流量的步骤,包括:
根据每一所述候选推送广告在第二时间段的实际流量和预估流量,获得每一所述候选推送广告各自对应的流量调节参数;其中,所述第二时间段的时序在所述第一时间段之前;
根据每一所述候选推送广告对应的流量调节参数以及在所述第一时间段的初始预估流量,获得每一所述候选推送广告在所述第一时间段的预估流量。
6.一种广告推送装置,其特征在于,所述装置包括:
处理模块,用于获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度;
所述处理模块还用于,获得所述用户端点击每一所述候选推送广告的预测点击概率;
所述处理模块还用于,根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度;
推送模块,用于将对应的投放匹配度最大的候选推送广告推送至所述用户端。
7.如权利要求6所述的装置,其特征在于,所述处理模块在根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,获得每一所述候选推送广告对应的投放匹配度时,具体用于:
根据每一所述候选推送广告各自对应的投放紧迫度以及预测点击概率,计算得到每一所述候选推送广告各自对应的基础匹配得分;
根据所有所述候选推送广告各自对应的基础匹配得分,计算得到每一所述候选推送广告各自对应的投放匹配度。
9.如权利要求6所述的装置,其特征在于,所述处理模块在获得用户端对应的多个候选推送广告中每一候选推送广告各自对应的投放紧迫度时,具体用于:
获得所述用户端对应的所述多个候选推送广告中每一所述候选推送广告的剩余投放量,以及每一所述候选推送广告在第一时间段的预估流量;
根据每一所述候选推送广告的剩余投放量以及各自在所述第一时间段的预估流量,计算得到每一所述候选推送广告对应的投放紧迫度。
10.如权利要求9所述的装置,其特征在于,所述处理模块在获得每一所述候选推送广告在第一时间段的预估流量时,具体用于:
根据每一所述候选推送广告在第二时间段的实际流量和预估流量,获得每一所述候选推送广告各自对应的流量调节参数;其中,所述第二时间段的时序在所述第一时间段之前;
根据每一所述候选推送广告对应的流量调节参数以及在所述第一时间段的初始预估流量,获得每一所述候选推送广告在所述第一时间段的预估流量。
11.一种服务器,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
12.一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,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024125.7A CN110782286B (zh) | 2019-10-25 | 2019-10-25 | 广告推送方法、装置、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024125.7A CN110782286B (zh) | 2019-10-25 | 2019-10-25 | 广告推送方法、装置、服务器及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782286A true CN110782286A (zh) | 2020-02-11 |
CN110782286B CN110782286B (zh) | 2023-08-18 |
Family
ID=69386765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911024125.7A Active CN110782286B (zh) | 2019-10-25 | 2019-10-25 | 广告推送方法、装置、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782286B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242689A (zh) * | 2020-01-14 | 2020-06-05 | 喜大(上海)网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
CN111815368A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN112767053A (zh) * | 2021-01-29 | 2021-05-07 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
WO2023065869A1 (zh) * | 2021-10-20 | 2023-04-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及相关装置 |
WO2024051492A1 (zh) * | 2022-09-05 | 2024-03-14 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592235A (zh) * | 2011-12-28 | 2012-07-18 | 北京品友互动信息技术有限公司 | 一种互联网广告投放系统 |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN105809478A (zh) * | 2016-03-07 | 2016-07-27 | 合网络技术(北京)有限公司 | 一种广告标签的标注方法及系统 |
CN109493146A (zh) * | 2018-11-29 | 2019-03-19 | 深圳爱问科技股份有限公司 | 广告投放方法及装置 |
CN109598538A (zh) * | 2018-11-06 | 2019-04-09 | 汪浩 | 一种广告投放的流量控制方法、装置、设备及介质 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN110309418A (zh) * | 2018-04-26 | 2019-10-08 | 腾讯科技(北京)有限公司 | 推荐内容确定方法、装置、存储介质和计算机设备 |
CN110363590A (zh) * | 2019-07-16 | 2019-10-22 | 深圳乐信软件技术有限公司 | 一种广告推荐方法、装置、终端和存储介质 |
-
2019
- 2019-10-25 CN CN201911024125.7A patent/CN110782286B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592235A (zh) * | 2011-12-28 | 2012-07-18 | 北京品友互动信息技术有限公司 | 一种互联网广告投放系统 |
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN105809478A (zh) * | 2016-03-07 | 2016-07-27 | 合网络技术(北京)有限公司 | 一种广告标签的标注方法及系统 |
CN110309418A (zh) * | 2018-04-26 | 2019-10-08 | 腾讯科技(北京)有限公司 | 推荐内容确定方法、装置、存储介质和计算机设备 |
CN109615411A (zh) * | 2018-10-29 | 2019-04-12 | 中国平安人寿保险股份有限公司 | 基于算法模型的广告投放方法及装置、电子设备 |
CN109598538A (zh) * | 2018-11-06 | 2019-04-09 | 汪浩 | 一种广告投放的流量控制方法、装置、设备及介质 |
CN109493146A (zh) * | 2018-11-29 | 2019-03-19 | 深圳爱问科技股份有限公司 | 广告投放方法及装置 |
CN110363590A (zh) * | 2019-07-16 | 2019-10-22 | 深圳乐信软件技术有限公司 | 一种广告推荐方法、装置、终端和存储介质 |
Non-Patent Citations (1)
Title |
---|
常明: "搜索广告点击率预测算法研究与实现", 《中国硕士研究生优秀毕业论文集 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242689A (zh) * | 2020-01-14 | 2020-06-05 | 喜大(上海)网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
CN111242689B (zh) * | 2020-01-14 | 2023-11-10 | 喜大(上海)网络科技有限公司 | 广告投放方法、装置、服务器及存储介质 |
CN111815368A (zh) * | 2020-07-24 | 2020-10-23 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN111815368B (zh) * | 2020-07-24 | 2024-05-03 | 深圳市欢太科技有限公司 | 广告推送方法、装置、终端及存储介质 |
CN112767053A (zh) * | 2021-01-29 | 2021-05-07 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
WO2023065869A1 (zh) * | 2021-10-20 | 2023-04-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及相关装置 |
WO2024051492A1 (zh) * | 2022-09-05 | 2024-03-14 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110782286B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782286A (zh) | 广告推送方法、装置、服务器及计算机可读存储介质 | |
US20180181988A1 (en) | Method and apparatus for pushing information | |
US10747771B2 (en) | Method and apparatus for determining hot event | |
JP4785906B2 (ja) | コンテンツ推薦装置及び方法 | |
CN111125574B (zh) | 用于生成信息的方法和装置 | |
US20160188734A1 (en) | Method and apparatus for programmatically synthesizing multiple sources of data for providing a recommendation | |
US20140358694A1 (en) | Social media pricing engine | |
US20160283481A1 (en) | Method and apparatus for combining text search and recommendation engines | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN107464141B (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
US11593860B2 (en) | Method, medium, and system for utilizing item-level importance sampling models for digital content selection policies | |
CN111061945A (zh) | 推荐方法、装置、电子设备,存储介质 | |
CN110782291A (zh) | 广告投放用户确定方法及装置、存储介质及电子装置 | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
CN111626780A (zh) | 信息推送方法、装置、服务端及存储介质 | |
US20150310487A1 (en) | Systems and methods for commercial query suggestion | |
US20180012264A1 (en) | Custom features for third party systems | |
CN108647986B (zh) | 一种目标用户确定方法、装置及电子设备 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN110555747A (zh) | 确定目标用户的方法和装置 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110020035B (zh) | 数据识别方法和装置、存储介质及电子装置 | |
US20190114673A1 (en) | Digital experience targeting using bayesian approach | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN114399352A (zh) | 一种信息推荐方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |