CN110968802B - 一种用户特征的分析方法、分析装置及可读存储介质 - Google Patents

一种用户特征的分析方法、分析装置及可读存储介质 Download PDF

Info

Publication number
CN110968802B
CN110968802B CN201911230191.XA CN201911230191A CN110968802B CN 110968802 B CN110968802 B CN 110968802B CN 201911230191 A CN201911230191 A CN 201911230191A CN 110968802 B CN110968802 B CN 110968802B
Authority
CN
China
Prior art keywords
user
feature
predicted
feature vector
touch
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
Application number
CN201911230191.XA
Other languages
English (en)
Other versions
CN110968802A (zh
Inventor
吴明平
梁新敏
陈羲
吴明辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Second Picket Network Technology Co ltd
Original Assignee
Shanghai Fengzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Fengzhi Technology Co ltd filed Critical Shanghai Fengzhi Technology Co ltd
Priority to CN201911230191.XA priority Critical patent/CN110968802B/zh
Publication of CN110968802A publication Critical patent/CN110968802A/zh
Application granted granted Critical
Publication of CN110968802B publication Critical patent/CN110968802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/954—Navigation, e.g. using categorised browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种用户特征的分析方法、分析装置及可读存储介质，所述分析方法包括获取待预测用户在不同特征维度下的多个特征；基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。

Description

一种用户特征的分析方法、分析装置及可读存储介质
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种用户特征的分析方法、分析装置及可读存储介质。
背景技术
随着互联网的高速发展，人们生活水平的提高，越来越多的人经常在网络中浏览各种投放资源，为了能够发掘潜在的用户并迎合人们的喜好，有针对性的为用户推荐投放资源。
目前，网络平台通常是根据用户的历史浏览记录，确定出用户感兴趣的资源为用户推荐与历史浏览记录相似的投放资源，但是仅根据用户历史浏览记录中浏览过的资源为用户推荐相关的投放资源，使得推荐的投放资源具有局限性，且种类单一，并且用户在一段时间后对历史浏览记录中的资源不再感兴趣了，从而根据用户的历史浏览记录为用户推荐相关的投放资源，会使得投放资源的内容重复单一，投放资源的投放准确率较低，投放效果较差。
发明内容
有鉴于此，本申请的目的在于提供一种用户特征的分析方法、分析装置及可读存储介质，通过计算用户不同特征的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
本申请实施例提供了一种用户特征的分析方法，所述分析方法包括：
获取待预测用户在不同特征维度下的多个特征；
基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；
基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；
根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
进一步的，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率。
进一步的，当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：
基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；
基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；
将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；
基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级。
进一步的，当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：
将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；
将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
进一步的，通过以下步骤训练所述触达概率预测模型：
获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；
基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；
将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
进一步的，在所述根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比之后，所述分析方法还包括：
基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户；
针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比；
针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
进一步的，在所述针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比之后，所述分析方法还包括：
基于所述分析小组中多个待预测用户的每个特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
本申请实施例还提供了一种用户特征的分析装置，所述分析装置包括：
获取模块，用于获取待预测用户在不同特征维度下的多个特征；
构建模块，用于基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；
确定模块，用于基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；
计算模块，用于根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
进一步的，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率。
进一步的，所述确定模块在当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，所述确定模块通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：
基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；
基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；
将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；
基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级。
进一步的，所述确定模块在当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，所述确定模块通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：
将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；
将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
进一步的，所述分析装置还包括模型训练模块，所述模型训练模块通过以下步骤训练所述触达概率预测模型：
获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；
基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；
将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
进一步的，所述分析装置还包括分组模块，所述分组模块具体用于：
基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户；
针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比；
针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
进一步的，所述分析装置还包括绘制模块，所述绘制模块具体用于：
基于所述分析小组中多个待预测用户的每个特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的用户特征的分析方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的用户特征的分析方法的步骤。
本申请实施例提供用户特征的分析方法、分析装置及可读存储介质，获取待预测用户在不同特征维度下的多个特征；基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
这样，通过获取待预测用户在不同特征维度下的多个特征，针对于其中一个特征，构建与所述特征相关的多个特征向量，从而计算出所述待预测用户的该特征对于投放资源的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
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他相关的附图。
图1为本申请实施例所提供的一种用户特征的分析方法的流程图；
图2为全局平均贡献占比的计算方法流程图；
图3为本申请实施例所提供的一种用户特征的分析装置的结构示意图之一；
图4为本申请实施例所提供的一种用户特征的分析装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
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。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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于数据处理技术领域。通过计算用户不同特征的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而能够根据这些重要的特征有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
经研究发现，目前，网络平台仅能够计算出对用户进行投放的相关数值，例如，用户的可投放概率、触达概率等，但是网络平台仅根据得到的相关数值并不能够确定出哪些特征才是用户对资源感兴趣的重要的特征，从而能够根据这些重要的特征有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
基于此，本申请实施例提供了一种用户特征的分析方法，通过获取待预测用户在不同维度下的多个特征，针对于每一个特征，构造与所述特征相关联的多个特征向量，并通过所述特征向量，计算该特征的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而能够根据这些重要的特征有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
请参阅图1，图1为本申请实施例所提供的一种用户特征的分析方法的流程图。如图1中所示，本申请实施例提供的用户特征的分析方法，包括：
步骤101、获取待预测用户在不同特征维度下的多个特征。
该步骤中，由于每个待预测用户都有不同的特征，因此首先需要获取该用户不同维度下的多个特征。
例如，在基础属性这个维度下的特征：年龄、性别以及地域等；在行为这个维度下的特征：点击、浏览以及转发等；在网络关联这个维度下的特征：分享好友、分享频次以及关注信息等。
步骤102、基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征。
该步骤中，基于获取的所述待预测用户在不同维度下的多个特征，针对于其中一个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征。
具体的，获取到的待预测用户的特征为“特征A”、“特征B”以及“特征C”，针对于“特征A”，构建与其相关的多个特征向量，特征向量1包括“特征A、特征B、特征C”，特征向量2“特征A、特征B”，特征向量3“特征A、特征C”；基于同样的道理，针对于“特征B”，特征向量1包括“特征A、特征B、特征C”，特征向量2包括“特征A、特征B”，特征向量3包括“特征B、特征C”。
步骤103、基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数。
该步骤中，通过步骤102构建的多个特征向量，计算所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数。
其中，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率。
所述触达次数是指，对一个用户来说需要对其投放的次数。所述触达概率是指根据所述触达次数，用户能够触达的概率。
对应于上述实施例，针对于“特征A”，构建的特征向量1、特征向量2以及特征向量3分别计算，在特征向量1时所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数，在特征向量2时所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数以及在特征向量3时所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数。
步骤104、根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
该步骤中，根据计算出的针对于一个特征的多个所述第一关注参数、多个所述第二关注参数，以及与每个第一关注参数对应的特征向量中特征的特征数量、所述多个特征的特征数量，来计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
其中，通过公式(1)计算特征的贡献占比：
Figure BDA0002303330410000101
其中，
Figure BDA0002303330410000111
为特征i的贡献占比，S为第一关注参数对应的特征向量中特征的特征数量，N为多个特征的特征数量，C(S)为第一关注参数，C(S\{i}为第二关注参数。
对应于上述实施例，根据特征向量1、特征向量2以及特征向量3计算出的第一关注参数、第二关注参数以及在计算第一关注参数时特征向量的个数(特征向量1为3、特征向量2、3为2)，以及所述待预测用户获取到的在不同维度下的多个特征的特征数量(对应于上述实施例，多个特征的特征数量为3)，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
进一步的，当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级。
该步骤中，当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，针对于构建好的每一个特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户。
具体的，针对于所述待预测用户构建的一个特征向量，基于这个特征向量，计算所述待预测用户与预先设置的目标用户群中的每个目标用户之间的第一相似度。通过公式(2)计算所述第一相似度：
Figure BDA0002303330410000121
其中，sim(fi,fj)为第一相似度，fi为所述待预测用户的i特征的特征向量，fj为第j个目标用户的特征向量。
接着，基于多个所述第一相似度，通过公式(3)计算所述待预测用户在所述特征向量下的第一投放优先级：
Figure BDA0002303330410000122
其中，sim(fi,S)为所述第一投放优先级，sim(fi,fj)为第一相似度，fi为所述待预测用户的i特征的特征向量，fj为目标用户的特征向量，S为所述特征向量中特征的特征数量。
在计算完所述第一投放优先级之后，由于所述特征向量是针对于一个特征构建的，因此，将所述特征从特征向量中删除，基于删除后的特征向量再次通过公式(2)计算所述待预测用户与每个目标用户之间的第二相似度，而后再根据多个第二相似度，通过公式(3)计算所述待预测用户在所述特征向量下的第二投放优先级。
其中，当计算第二相似度时，sim(fi,fj)为第二相似度，fi为删除特征i后的特征向量，fj为第j个目标用户的特征向量。
其中，当计算第二投放优先级时，sim(fi,S)为所述第二投放优先级，sim(fi,fj)为第二相似度，fi为删除特征i后的特征向量，fj为目标用户的特征向量，S为删除特征i后的特征向量中特征的特征数量。
进一步的，当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
该步骤中，当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，将构建好的特征向量输入至训练好的触达概率预测模型中，通过触达概率模型能够确定出所述待预测用户在所述特征向量下，相对于所述待预测用户的多个第一触达次数以及与每个第一触达次数对应的第一候选触达概率，从得到的多个第一候选概率中选出最大的第一候选触达概率，并将最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率。
而后，由于所述特征向量是针对于一个特征构建的，因此，将所述特征从特征向量中删除，将删除了所述特征的特征向量再次输入至触达概率预测模型中，通过触达概率模型能够确定出所述待预测用户在删除了所述特征后的所述特征向量下，相对于所述待预测用户的多个第二触达次数以及与每个第二触达次数对应的第二候选触达概率，从得到的多个第二候选触达概率中选出最大的第二候选触达概率，并将最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
示例性的，对于一个用户来说，通过触达概率模型能够得出，触达次数：投放一次，触达概率为0.2；投放两次，触达概率为0.3；投放三次，触达概率为0.5；就可以确定出对于这个用户在这个特征向量下的触达概率0.5为其第一触达概率或第二触达概率。
进一步的，所述分析方法通过以下步骤训练所述触达概率预测模型：获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
该步骤中，在训练触达概率预测模型时，首先，选定一批训练样本用户，根据所述训练样本用户的触达次数，设置模型训练过程中的迭代次数，并根据训练样本用户的行为，将存在预设行为的训练样本用户作为正面训练的样本，将从未存在预设行为的训练样本用户作为负面训练样本，获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
其中，预设行为可以为，点击，未点击，注册，留存以及转化等，示例性的，可以将存在留存行为的训练样本用户作为正向训练样本，将从未存在留存行为的训练样本作为负向训练样本。
另外，本申请中训练的决策树模型是基于LightGBM算法下的决策树模型，决策树算法的核心原理是做多层级判断，最终会构建一个树形结构表示数据分类的结果，可以用于解决分类问题，决策树的根节点：决策树具有数据结构里面的二叉树、树的全部属非叶子节点表示(决策点)，代表了测试的条件，叶子节点表示分类后获得分类标记，分支表示测试的结果。决策树算法在训练模型时需要解决如何选择特征的顺序，可以根据信息熵进行构造，当选择某个特征作为节点时，这个特征的信息熵越小越好，不确定性就越小。
在本申请实施例中，还可以训练样本用户的投放优先级对选定一批训练样本用户进一步地进行筛选。具体的，可以选择出投放优先级大于0.6的训练样本用户作为更新后的训练样本用户，后续在更新后的训练样本的基础之上再分为正向和负向训练样本用于后续的训练工作。
本申请实施例提供的用户特征的分析方法，获取待预测用户在不同特征维度下的多个特征；基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
这样，本申请通过获取待预测用户在不同特征维度下的多个特征，针对于其中一个特征，构建与所述特征相关的多个特征向量，从而计算出所述待预测用户的该特征对于投放资源的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
请参阅图2，图2为全局平均贡献占比的计算方法流程图。如图2中所示，全局平均贡献占比的计算方法，包括：
步骤201、基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户。
该步骤中，将多个待预测用户，根据所述待预测用户的所述特征向量确定的第一投放优先级或者是第一触达概率对应的触达次数进行分组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户。
步骤202、针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比。
该步骤中，针对于或分出的每一个分析小组，获取所述分析小组中每个待预测用户每一个特征的贡献占比。
步骤203、针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
该步骤中，针对于每一个分析小组，获取分析小组中每个待预测用户每一个特征的贡献占比之后，针对于同一个特征，计算所述分析小组中所述特征的全局贡献占比。
示例性的，待预测用户D的第一投放优先级为0.5，待预测用户E的第一投放优先级为0.4，待预测用户F的第一投放优先级为0.2，预设条件为将第一投优先级为0.4-0.6的划分为一个分析小组，那么就将待预测用户D以及待预测用户E划分为一个分析小组，然后获取待预测用户D的特征A的贡献占比，以及待预测用户E的特征A的贡献占比，从而计算特征A的全局贡献占比。
其中，通过公式(4)计算所述特征A的全局贡献占比：
Figure BDA0002303330410000161
其中，Avg(i)为特征i的全局贡献占比，
Figure BDA0002303330410000162
为特征i的贡献占比，N为分析小组中待预测用户的数量。
进一步的，在步骤203之后，所述分析方法还包括：基于所述分析小组中多个待预测用户的每个特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
该步骤中，在获取到分析小组中每个待预测用户的每个特征的贡献占比之后，基于所述分析小组中的所有待预测用户的全部特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
本申请实施例提供的用户特征的分析方法，基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户；针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比；针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
这样，本申请通过获取待预测用户在不同特征维度下的多个特征，能够将多个待预测用户划分为不同的分析小组，并针对每个分析小组进行全面的分析，从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
请参阅图3、图4，图3为本申请实施例所提供的一种用户特征的分析装置的结构示意图之一，图4为本申请实施例所提供的一种用户特征的分析装置的结构示意图之二。如图3中所示，所述分析装置300包括：
获取模块310，用于获取待预测用户在不同特征维度下的多个特征；
构建模块320，用于基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；
确定模块330，用于基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；
计算模块340，用于根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
进一步的，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率。
进一步的，所述确定模块330在当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，所述确定模块330通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：
基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；
基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；
将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；
基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级。
进一步的，所述确定模块330在当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，所述确定模块330通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：
将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；
将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
进一步的，如图4所示，所述分析装置300还包括模型训练模块350，所述模型训练模块350通过以下步骤训练所述触达概率预测模型：
获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；
基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；
将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
进一步的，所述分析装置300还包括分组模块360，所述分组模块360具体用于：
基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户；
针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比；
针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
进一步的，所述分析装置还包括绘制模块370，所述绘制模块370具体用于：
基于所述分析小组中多个待预测用户的每个特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
本申请实施例提供的用户特征的分析装置，获取待预测用户在不同特征维度下的多个特征；基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比。
这样，本申请通过获取待预测用户在不同特征维度下的多个特征，针对于其中一个特征，构建与所述特征相关的多个特征向量，从而计算出所述待预测用户的该特征对于投放资源的贡献占比，分析出使得用户对投放资源感兴趣的重要特征，从而根据这些重要的特征，能够有针对性的对待投放的投放资源进行投放，有助于增加资源投放的合理性，提高资源投放的准确性。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的用户特征的分析方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的用户特征的分析方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，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，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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，在本申请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。
所述功能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，可以存储在一个处理器可执行的非易失的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)执行本申请各个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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种用户特征的分析方法，其特征在于，所述分析方法包括：
获取待预测用户在不同特征维度下的多个特征；
基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；
基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；其中，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率；
根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比；
当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：
基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；
基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；
将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；
基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级；
当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：
将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；
将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
2.根据权利要求1所述的分析方法，其特征在于，通过以下步骤训练所述触达概率预测模型：
获取训练样本用户在不同样本特征维度下的多个样本特征，以及所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的样本触达概率；
基于得到的多个样本特征，构建与所述样本特征相关的多个样本特征向量，其中每个样本特征向量包括所述样本特征；
将每个样本特征向量作为输入特征，将所述训练样本用户对应的多个样本触达次数和每个所述样本触达次数对应的触达概率作为输出特征，训练构建好的决策树模型，得到所述触达概率预测模型。
3.根据权利要求1所述的分析方法，其特征在于，在所述根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比之后，所述分析方法还包括：
基于所述特征向量确定的第一投放优先级或所述第一触达概率对应的触达次数，将多个待预测用户划分为多个分析小组，其中所述特征向量包括所述多个特征，每个分析小组中包括多个待预测用户；
针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比；
针对于同一个特征，基于所述特征在所述分析小组中对应的多个贡献占比，计算在所述分析小组中所述特征的全局平均贡献占比。
4.根据权利要求3所述的分析方法，其特征在于，在所述针对于每个分析小组，获取所述分析小组中每个待预测用户的每个特征的贡献占比之后，所述分析方法还包括：
基于所述分析小组中多个待预测用户的每个特征的贡献占比，绘制所述分析小组对应的特征分布密集图。
5.一种用户特征的分析装置，其特征在于，所述分析装置包括：
获取模块，用于获取待预测用户在不同特征维度下的多个特征；
构建模块，用于基于得到的多个特征，构建与所述特征相关的多个特征向量，其中每个特征向量包括所述特征；
确定模块，用于基于多个特征向量，确定所述待预测用户在每个特征向量下对于投放资源的第一关注参数和第二关注参数；其中，所述第一关注参数包括第一投放优先级，所述第二关注参数包括第二投放优先级；和/或所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率；
计算模块，用于根据多个所述第一关注参数、多个所述第二关注参数与每个第一关注参数对应的特征向量中特征的特征数量以及所述多个特征的特征数量，计算所述待预测用户的所述特征对于所述投放资源的贡献占比；
所述确定模块在当所述第一关注参数包括第一投放优先级，第二关注参数包括第二投放优先级时，所述确定模块通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一投放优先级以和第二投放优先级：
基于所述特征向量，计算所述待预测用户与预先设置目标用户群中每个目标用户之间的第一相似度，其中所述目标用户群中包括多个目标用户；
基于多个所述第一相似度，计算所述待预测用户在所述特征向量下的第一投放优先级；
将所述特征从所述特征向量中删除，基于删除后的特征向量计算所述待预测用户与每个目标用户之间的第二相似度；
基于多个所述第二相似度，计算所述待预测用户在所述特征向量下的第二投放优先级；
所述确定模块在当所述第一关注参数包括第一触达概率，所述第二关注参数包括第二触达概率时，所述确定模块通过以下步骤确定所述待预测用户在每个特征向量下对于投放资源的第一触达概率和第二触达概率：
将所述特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第一候选触达概率，并将所述多个第一候选触达概率中最大的第一候选触达概率确定为所述待预测用户在所述特征向量下的第一触达概率；
将所述特征从所述特征向量中删除，将删除后的特征向量输入至训练好的触达概率预测模型中，获取所述待预测用户在所述特征向量下的多个第二候选触达概率，并将所述多个第二候选触达概率中最大的第二候选触达概率确定为所述待预测用户在所述特征向量下的第二触达概率。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至4中任一项所述的用户特征的分析方法的步骤。
7.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至4中任一项所述的用户特征的分析方法的步骤。
CN201911230191.XA 2019-12-04 2019-12-04 一种用户特征的分析方法、分析装置及可读存储介质 Active CN110968802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911230191.XA CN110968802B (zh) 2019-12-04 2019-12-04 一种用户特征的分析方法、分析装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911230191.XA CN110968802B (zh) 2019-12-04 2019-12-04 一种用户特征的分析方法、分析装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN110968802A CN110968802A (zh) 2020-04-07
CN110968802B true CN110968802B (zh) 2023-05-05

Family

ID=70033168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911230191.XA Active CN110968802B (zh) 2019-12-04 2019-12-04 一种用户特征的分析方法、分析装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN110968802B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626767B (zh) * 2020-04-29 2023-09-08 拉扎斯网络科技（上海）有限公司 资源数据的发放方法、装置及设备
CN113743642A (zh) * 2021-01-27 2021-12-03 北京沃东天骏信息技术有限公司 预测模型训练方法和装置、触达人数预测方法和装置
CN115937556A (zh) * 2021-09-30 2023-04-07 腾讯科技（深圳）有限公司 对象识别方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290631A (zh) * 2008-05-28 2008-10-22 北京百问百答网络技术有限公司 一种网络广告自动投放方法及其系统
CN103150663A (zh) * 2013-02-18 2013-06-12 亿赞普(北京)科技有限公司 一种网络投放数据投放的方法和装置
EP3032479A1 (en) * 2014-12-12 2016-06-15 Genesis Media LLC Digital content delivery based on measures of content appeal and user motivation
CN109087124A (zh) * 2018-07-02 2018-12-25 麒麟合盛网络技术股份有限公司 一种应用程序价值预测方法及装置
CN110276012A (zh) * 2019-06-26 2019-09-24 海南车智易通信息技术有限公司 一种可视化用户画像的生成方法、装置和计算设备
CN110472154A (zh) * 2019-08-26 2019-11-19 秒针信息技术有限公司 一种资源推送方法、装置、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290631A (zh) * 2008-05-28 2008-10-22 北京百问百答网络技术有限公司 一种网络广告自动投放方法及其系统
CN103150663A (zh) * 2013-02-18 2013-06-12 亿赞普(北京)科技有限公司 一种网络投放数据投放的方法和装置
EP3032479A1 (en) * 2014-12-12 2016-06-15 Genesis Media LLC Digital content delivery based on measures of content appeal and user motivation
CN109087124A (zh) * 2018-07-02 2018-12-25 麒麟合盛网络技术股份有限公司 一种应用程序价值预测方法及装置
CN110276012A (zh) * 2019-06-26 2019-09-24 海南车智易通信息技术有限公司 一种可视化用户画像的生成方法、装置和计算设备
CN110472154A (zh) * 2019-08-26 2019-11-19 秒针信息技术有限公司 一种资源推送方法、装置、电子设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
movie recommendation based on bridging movie feature and user interest;Li jing等;《Journal of computational science》;20180531;第26卷;128-134 *
基于大数据的广告投放策略研究;黄梦帆;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20190115(第1期);J157-56 *

Also Published As

Publication number Publication date
CN110968802A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
JP7343568B2 (ja) 機械学習のためのハイパーパラメータの識別および適用
CN110968802B (zh) 一种用户特征的分析方法、分析装置及可读存储介质
CN107862022B (zh) 文化资源推荐系统
CN105608179B (zh) 确定用户标识的关联性的方法和装置
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
CN104036105B (zh) 确定涉及大数据分析的随机性应用的正确性的方法和系统
CN108897842A (zh) 计算机可读存储介质及计算机系统
CN107451832B (zh) 推送信息的方法和装置
WO2018210440A1 (en) Improved data clustering
CN109388634B (zh) 地址信息的处理方法、终端设备及计算机可读存储介质
US9286379B2 (en) Document quality measurement
US20130212115A1 (en) Tag inheritance
CN109784365B (zh) 一种特征选择方法、终端、可读介质及计算机程序
KR101850993B1 (ko) 클러스터 기반 키워드 산출 방법 및 장치
CN111460384A (zh) 策略的评估方法、装置和设备
US8935252B2 (en) Massive rule-based classification engine
WO2016106944A1 (zh) MapReduce平台上的虚拟人建立方法
CN112115313A (zh) 正则表达式的生成、数据提取方法、装置、设备及介质
CN114223012A (zh) 推送对象确定方法、装置、终端设备及存储介质
Chen et al. Scaling up Markov logic probabilistic inference for social graphs
CN110737691B (zh) 用于处理访问行为数据的方法和装置
CN109299351B (zh) 内容推荐方法和装置、电子设备及计算机可读介质
CN110717787A (zh) 一种用户的分类方法及装置
CN110580317B (zh) 社交信息分析方法、装置、终端设备及存储介质
JP2021522605A (ja) 高速化された大規模な類似度計算

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231128

Address after: 200,030 Unit 5B03, Floor 5, Building 2, No. 277, Longlan Road, Xuhui District, Shanghai

Patentee after: SHANGHAI SECOND PICKET NETWORK TECHNOLOGY CO.,LTD.

Address before: 200000 floors 4, 5 and 6, No. 3 Lane 1473, Zhenguang Road, Putuo District, Shanghai

Patentee before: Shanghai Fengzhi Technology Co.,Ltd.