CN111382363A - 受众扩展方法、装置及设备 - Google Patents
受众扩展方法、装置及设备 Download PDFInfo
- Publication number
- CN111382363A CN111382363A CN202010177280.9A CN202010177280A CN111382363A CN 111382363 A CN111382363 A CN 111382363A CN 202010177280 A CN202010177280 A CN 202010177280A CN 111382363 A CN111382363 A CN 111382363A
- Authority
- CN
- China
- Prior art keywords
- user
- candidate
- condition
- similarity
- audience
- 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 49
- 238000004891 communication Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 17
- 239000003999 initiator Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的一种受众扩展方法、装置及设备,获取待推送的虚拟产品对应的扩展条件;从用户库中确定符合所述扩展条件的多个候选用户;基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
Description
技术领域
本发明涉及推送技术领域,特别是涉及一种受众扩展方法、装置及设备。
背景技术
为了提高用户体验以及虚拟产品推送效果,可以针对存在虚拟产品推送需求的应用所推送的产品,进行受众扩展。其中,虚拟产品为能够被应用推送的虚拟产品,例如,视频、音乐以及广告等等虚拟产品。并且,受众扩展为从用户库中,确定可以作为所推送的虚拟产品的推送对象即受众的过程。举例而言,针对存在广告投放需求的应用,如视频应用和新闻应用等等应用,可以针对待投放的广告,从用户库中确定可以作为所投放广告的推送对象的用户,作为该待投放广告的受众。
相关技术中,可以由人工针对待推送的虚拟产品指定受众扩展的扩展规模和扩展条件,进而用于进行受众扩展的平台可以从用户库中筛选符合扩展条件和扩展规模的用户,作为该待推送的虚拟产品的受众。其中,受众扩展的扩展规模为受众的数量;受众扩展的扩展条件用于从用户库中筛选可以作为所推送虚拟产品的推送对象。
但是,随着互联网的发展,用户库的数量海量化,使得人工主观确定的扩展规模容易过大或者过小。当扩展规模过大时,容易造成得到的大量受众中,推送效果较差的低质量受众的数量增加,浪费推送资源;当扩展规模过小时,容易造成得到的受众数量过少,降低推送效果。因此,亟需一种不受人工主观确定扩展规模所影响的受众扩展方案,以兼顾推送效果和所占用的推送资源。
发明内容
本发明实施例的目的在于提供一种受众扩展方法、装置及设备,以实现不受人工主观确定的扩展规模影响的受众扩展,提高推送资源和推送效果之间的均衡性。具体技术方案如下:
第一方面,本发明实施例提供了一种受众扩展方法,该方法包括:
获取待推送的虚拟产品对应的扩展条件;
从用户库中确定符合所述扩展条件的多个候选用户;
基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;
从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。
可选的,所述指定用户的数量为多个;
所述基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度,包括:
分别对每个指定用户的用户信息进行特征提取,得到该指定用户的特征;
基于每个指定用户的特征,确定待利用的相似度评判特征;
分别对每个候选用户的候选信息进行特征提取,得到该候选用户的特征;
针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和所述指定用户之间的相似度。
可选的,所述基于每个指定用户的特征,确定待利用的相似度评判特征,包括:
对多个指定用户的特征进行聚类,得到指定数量个簇;
针对每个簇,确定该簇中满足预设特征条件的特征,作为待利用的相似度评判特征;其中,所述预设特征条件用于从簇中选择能够反映该簇所表征的类型的特征;
所述针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和所述指定用户之间的相似度,包括:
针对每个候选用户,分别计算该候选用户的特征和各个待利用的相似度评判特征之间的相似度,确定所计算得到的相似度的平均值,并利用所确定的平均值,确定该候选用户和所述指定用户之间的相似度。
可选的,所述利用所确定的平均值,确定该候选用户和所述指定用户之间的相似度,包括:
计算该候选用户的特征和所述扩展条件所表征的特征之间的相似度;
对所确定的平均值和所计算的相似度进行加权处理,得到该候选用户和所述指定用户之间的相似度。
可选的,任一候选用户的用户信息的获取方式,包括:
获取该候选用户的原始用户信息;
将该候选用户的原始用户信息输入自编码模型中,得到该候选用户的用户信息;其中,所述自编码模型为用于对输入该模型的数据进行压缩的模型。
可选的,所述扩展条件,包括:
基础属性条件,地理位置条件,媒体喜好条件,消费喜好条件,消费场景条件,推送平台行为条件,上网属性条件以及第三方应用数据条件中的至少一种条件;
其中,所述基础属性条件为针对用户的自然人属性的维度和社会属性的维度设置的条件;所述地理位置条件为针对用户所处地理位置的维度设置的条件;所述媒体喜好条件为针对用户喜欢使用的媒体的维度设置的条件;所述消费喜好条件为针对用户喜欢消费的产品的维度设置的条件;
所述消费场景条件为针对用户进行消费的场景的维度设置的条件;所述推送平台操作条件为针对用户在用于推送所述待推送的虚拟产品的应用中,对所述待推送的虚拟产品进行的操作的维度设置的条件;所述上网属性条件为针对用户的上网行为的维度设置的条件;所述第三方应用数据条件为针对用户在第三方应用中的兴趣的维度设置的条件。
可选的,在所述从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众之前,所述方法还包括:
获取待推送的虚拟产品对应的扩展规模;
所述从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众,包括:
从预存的受众质量条件与扩展规模的对应关系中,查找与所获取的扩展规模对应的受众质量条件;
从所述多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为所述待推送的虚拟产品的受众。
可选的,在所述从所述多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为所述待推送的虚拟产品的受众之后,所述方法还包括:
输出所述待推送的虚拟产品的受众的用户信息,和/或,所述待推送的虚拟产品的受众对应的相似度。
第二方面,本发明实施例提供了一种受众扩展装置,该装置包括:
扩展条件获取模块,用于获取待推送的虚拟产品对应的扩展条件;
候选用户获取模块,用于从用户库中确定符合所述扩展条件的多个候选用户;
相似度计算模块,用于基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;
受众选择模块,用于从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。
第三方面,本发明实施例提供了一种电子设备,该设备包括:
处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序,实现上述第一方面提供的受众扩展方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面提供的受众扩展方法的步骤。
本发明提供的方案中,由于指定用户为能够待推送的虚拟产品的受众的用户,因此,指定用户相对而言属于待推送的虚拟产品的高质量受众。以此为基础,指定用户和候选用户之间的相似度可以作为候选用户的受众质量指标;进而从多个候选用户中选择的受众质量指标满足预设受众质量条件的用户,为多个候选用户中相对而言与指定用户更加相似的用户,属于待推送的虚拟产品的高质量受众。因此,将受众质量指标满足预设受众质量条件的用户作为待推送的虚拟产品的受众,与人工主观确定扩展规模选择的受众相比,相对而言可以通过减少人工确定扩展规模所造成的推送资源占用过多,或者推送资源不足的问题;并且,可以提高所确定的受众中高质量受众的比例,以提高推送效果。可见,通过本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍。
图1为本发明一实施例提供的受众扩展方法的流程示意图;
图2为本发明另一实施例提供的受众扩展方法的流程示意图;
图3为本发明另一实施例提供的受众扩展方法中,受众扩展发起者层面的受众扩展方法的流程示意图;
图4为本发明一实施例的受众扩展装置的结构示意图;
图5为本发明一实施例的电子设备的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明一实施例的受众扩展方法进行介绍。
本发明实施例提供的受众扩展方法,可以应用于能够进行电子设备,该设备具体可以包括台式计算机、便携式计算机、互联网电视,智能移动终端、可穿戴式智能终端以及服务器等,在此不作限定,任何可以实现本发明实施例的计算机设备,均属于本发明实施例的保护范围。
如图1所示,本发明一实施例的受众扩展方法的流程,该方法可以包括:
S101,获取待推送的虚拟产品对应的扩展条件。
在具体应用中,获取待推送的虚拟产品对应的扩展条件的方式可以是多种的。示例性的,获取待推送的虚拟产品对应的扩展条件可以是接收受众扩展发起者自主输入或者从扩展条件展示界面选择的条件。其中,受众扩展发起者可以为待推送的虚拟产品的推送方,例如广告主。或者,示例性的,获取待推送的虚拟产品对应的扩展条件可以是从预先存储的扩展条件与虚拟产品的对应关系中,查找与待推送的虚拟产品对应的扩展条件。任何能够获取待推送的虚拟产品对应的扩展条件,均可用于本发明,本实施例对此不作限制。
并且,待推送的虚拟产品对应的扩展条件可以是多种的。为了便于理解和合理布局,后续以可选实施例的形式进行具体说明。
S102,从用户库中确定符合扩展条件的多个候选用户。
其中,从用户库中确定符合扩展条件的多个候选用户,具体可以包括:从用户库中查找符合扩展条件的多个候选用户。并且,由于用户库中存储的数据为用户的用户信息,因此,当确定了多个候选用户时,即可得到各个候选用户的用户信息。
S103,基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和指定用户之间的相似度。其中,指定用户为预先确定的能够作为虚拟产品的受众的用户。
在具体应用中,指定用户的来源可以是多种的。示例性的,指定用户可以是受众扩展发起者指定的用户,或者,指定用户可以是基于虚拟产品的历史推送效果,从该虚拟产品的历史受众中确定的用户。其中,虚拟产品可以是与待推送的虚拟产品同类型的产品。任何能够作为待推送的虚拟产品的受众的用户,均可作为本发明的指定用户,本实施例对此不作限制。
并且,基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和指定用户之间的相似度,具体可以是多种的。示例性的,当指定用户的数量为一个时,可以针对每个候选用户,基于该候选用户的用户信息和指定用户的用户信息,计算该候选用户和指定用户之间的相似度。或者,示例性的,当指定用户的数量为多个时,可以分别对每个指定用户的用户信息进行特征提取,得到该指定用户的特征;进而基于每个指定用户的特征,确定待利用的相似度评判特征;并分别对每个候选用户的候选信息进行特征提取,得到该候选用户的特征;从而针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和指定用户之间的相似度。为了便于理解和合理布局,后续以可选实施例的形式对第二种示例性说明进行具体描述。
任何能够基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和指定用户之间的相似度的方式,均可用于本发明,本实施例对此不作限制。
S104,从多个候选用户中,选择相似度满足预设受众质量条件的用户,作为待推送的虚拟产品的受众。
其中,预设受众质量条件可以是多种的。示例性的,预设受众质量条件可以是相似度大于预设相似度阈值。或者,示例性的,预设受众质量条件可以是对多个候选用户按照相似度从大到小的顺序排序,选择排在前指定数量个的候选用户,作为待推送的虚拟产品的受众。
任何能够从多个候选用户中选择相对而言高质量的用户的预设受众质量条件,均可用于本发明,本实施例对此不作限制。
本发明提供的方案中,由于指定用户为能够待推送的虚拟产品的受众的用户,因此,指定用户相对而言属于待推送的虚拟产品的高质量受众。以此为基础,指定用户和候选用户之间的相似度可以作为候选用户的受众质量指标;进而从多个候选用户中选择的受众质量指标满足预设受众质量条件的用户,为多个候选用户中相对而言与指定用户更加相似的用户,属于待推送的虚拟产品的高质量受众。因此,将受众质量指标满足预设受众质量条件的用户作为待推送的虚拟产品的受众,与人工主观确定扩展规模选择的受众相比,相对而言可以通过减少人工确定扩展规模所造成的推送资源占用过多,或者推送资源不足的问题;并且,可以提高所确定的受众中高质量受众的比例,以提高推送效果。可见,通过本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
在一种可选的实施方式中,上述指定用户的数量为多个;
相应的,上述步骤S103:基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和指定用户之间的相似度,具体可以包括如下步骤A至步骤D:
步骤A,分别对每个指定用户的用户信息进行特征提取,得到该指定用户的特征;
步骤B,基于每个指定用户的特征,确定待利用的相似度评判特征;
步骤C,分别对每个候选用户的候选信息进行特征提取,得到该候选用户的特征;
步骤D,针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和指定用户之间的相似度。
其中,对候选用户或者指定用户中,任一用户的用户信息进行特征提取的方式,可以是多种的。示例性的,可以将任一用户的用户信息输入CountVectorizer模型,得到该用户的特征。其中,CountVectorizer模型为自然语言处理技术中,通过将文本中的词语转换为词频矩阵,以得到向量形式的文本特征的模型。或者,示例性的,可以将任一用户的用户信息输入TfidfVectorizer模型,得到该用户的特征。其中,TfidfVectorizer模型为自然语言处理技术中,通过评估文本中词语的词频和逆向文档频率,得到文本的特征,并对文本的特征向量化,作为该文本的文本特征的模型。
任何能够任一用户的用户信息进行特征提取的方式,均可用于本发明,本实施例对此不作限制。
并且,上述步骤B:基于每个指定用户的特征,确定待利用的相似度评判特征,具体可以是多种的,下面以可选实施例的形式进行说明。
在一种可选的实施方式中,上述步骤B:基于每个指定用户的特征,确定待利用的相似度评判特征,可以包括如下步骤;
计算各个指定用户的特征的平均值,作为待利用的相似度评判特征。
在另一种可选的实施方式中,上述步骤B:基于每个指定用户的特征,确定待利用的相似度评判特征,可以包括如下步骤B1至B2:
B1,对多个指定用户的特征进行聚类,得到指定数量个簇;
B2,针对每个簇,确定该簇中满足预设特征条件的特征,作为待利用的相似度评判特征。其中,预设特征条件用于从簇中选择能够反映该簇所表征的类型的特征;
相应的,上述步骤D:针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和指定用户之间的相似度,可以包括如下步骤D1:
D1,针对每个候选用户,分别计算该候选用户的特征和各个待利用的相似度评判特征之间的相似度,确定所计算得到的相似度的平均值,并利用所确定的平均值,确定该候选用户和指定用户之间的相似度。
其中,用于从簇中选择能够反映该簇所表征的类型的特征的预设特征条件可以是多种的。示例性的,当簇为规则形状时,预设特征条件可以是处于簇的中心的特征。或者,示例性的,当簇为不规则形状时,预设特征条件可以是处于簇中指定区域的中心的特征,其中,指定区域为簇中该区域包含的特征的数量与簇的总的特征数量的比值,大于预设占比阈值的区域。任何能够用于从簇中选择能够反映该簇所表征的类型的特征的预设特征条件,均可用于本发明,本实施例对此不作限制。
并且,由于待利用的相似度评判特征,是能够反映该簇所表征的类型的特征,相当于对多个指定用户的特征进行了提炼,选择其中相对而言最能反映指定用户的特征用于后续确定受众的计算,因此,可以减少后续确定受众的计算中所利用的数据的数量,可以减少计算成本,并提高计算效率,进而提高受众扩展的效率。
在此基础上,候选用户的指定用户之间的相似度计算,具体可以是上述步骤D1,并且,步骤D1中利用所确定的平均值,确定该候选用户和指定用户之间的相似度,具体可以是多种的。下面以可选实施例的形式进行具体说明。
在一种可选的实施方式中,上述步骤D1中利用所确定的平均值,确定该候选用户和指定用户之间的相似度,具体可以包括如下步骤:
针对每个候选用户,将利用该候选用户的特征所确定的平均值,作为该候选用户和指定用户之间的相似度。
在另一种可选的实施方式中,上述步骤D1中利用所确定的平均值,确定该候选用户和指定用户之间的相似度,具体可以包括如下步骤:
计算该候选用户的特征和扩展条件所表征的特征之间的相似度;
对所确定的平均值和所计算的相似度进行加权处理,得到该候选用户和指定用户之间的相似度。
为了提高候选用户和指定用户之间的相似度的准确度,可以针对每个候选用户,计算该候选用户的特征和扩展条件所表征的特征之间的相似度,进而对所确定的平均值和所计算的相似度进行加权处理,得到该候选用户和指定用户之间的相似度。此时,候选用户和指定用户之间的相似度,综合了候选用户和指定用户的平均特征的相似度,以及候选用户和指定用户在每一个扩展条件所表征的特征上的相似度,可以减少仅考虑平均特征时,部分特征被削弱造成的相似度不够准确的问题。可见,通过本可选实施例可以进一步提高受众扩展的准确度。
在一种可选的实施方式中,任一候选用户的用户信息的获取方式,具体可以包括:
获取该候选用户的原始用户信息;
将该候选用户的原始用户信息输入自编码模型中,得到该候选用户的用户信息;其中,自编码模型为用于对输入该模型的数据进行压缩的模型。
其中,自编码(Auto-Encoder)模型为一种数据的压缩算法,其中,数据的压缩和解压缩函数是数据相关的、有损的、从样本用户信息对神经网络进行无监督训练得到。在该无监督训练中,神经网络学习如何有效地压缩和编码数据,以及如何将数据从简化的编码重建为尽可能接近原始输入的编码。因此,将该候选用户的原始用户信息输入自编码模型中,得到的该候选用户的用户信息,可以降低后续计算的复杂度,提高计算效率。
另外,在将候选用户的原始用户信息输入自编码模型之前,可以对原始用户信息进行清洗。举例而言,可以从预存的用户信息与明文信息的对应关系中,查找每个候选用户的原始用户信息对应的明文信息,作为用于输入自编码模型的原使用户信息。通过上述清洗,可以将ID或者乱码形式的用户信息转换为标签或者明文形式的用户形式,便于后续处理。
在一种可选的实施方式中,上述扩展条件,具体可以包括:
基础属性条件,地理位置条件,媒体喜好条件,消费喜好条件,消费场景条件,推送平台行为条件,上网属性条件以及第三方应用数据条件中的至少一种条件;
其中,基础属性条件为针对用户的自然人属性的维度和社会属性的维度设置的条件;地理位置条件为针对用户所处地理位置的维度设置的条件;媒体喜好条件为针对用户喜欢使用的媒体的维度设置的条件;消费喜好条件为针对用户喜欢消费的产品的维度设置的条件;消费场景条件为针对用户进行消费的场景的维度设置的条件;推送平台操作条件为针对用户在用于推送待推送的虚拟产品的应用中,对待推送的虚拟产品进行的操作的维度设置的条件;上网属性条件为针对用户的上网行为的维度设置的条件;第三方应用数据条件为针对用户在第三方应用中的兴趣的维度设置的条件。
示例性的,基础属性条件可以包括:针对用户的自然人属性的维度设置的条件:年龄、性别以及星座等;针对用户的社会属性的维度设置的条件:人生阶段、职业以及教育背景等。地理位置条件可以包括:用户的常驻地:小区类型、小区年限以及小区名称等;常驻省市,例如城市级别以及具体省市等。媒体喜好条件可以包括:应用程序、网站以及电视等不同的媒体。
示例性的,消费喜好条件可以包括:金融理财类型的消费,例如,股票基金、分期消费以及信贷等;旅游服务类型的消费,例如,用车服务、车票服务以及酒店服务等。消费场景条件可以包括:体育休闲的场景,例如,运动场所、休闲场所以及娱乐场所等;商旅的场景,例如,出行工具以及酒店类型等。推送平台行为条件可以包括:针对任一用于推送待推送的虚拟产品的应用中,对待推送的虚拟产品进行的操作,例如曝光、点击以及转化等;其中,转化具体可以为下载、购买以及开通会员等。上网属性条件可以包括:上网环境维度的条件,例如,上网频次、上网时段以及网络环境等;联网设备维度的条件,例如,终端类型、终端品牌以及操作系统等。第三方应用数据条件可以包括:社交、房产以及音乐等。
在本可选实施例中,通过增加扩展条件的多样化,可以提高候选用户评价的维度的全面性,从而进一步提高受众扩展的准确度。
如图2所示,本发明另一实施例的受众扩展方法的流程,该方法可以包括:
S201,获取待推送的虚拟产品对应的扩展条件。
S202,从用户库中确定符合扩展条件的多个候选用户。
S203,基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和指定用户之间的相似度。其中,指定用户为预先确定的能够作为虚拟产品的受众的用户。
上述S201至S203与本发明图1实施例的S101至S103为相同的步骤,在此不再赘述,详见上述本发明图1实施例的描述。
S204,获取待推送的虚拟产品对应的扩展规模。
S205,从预存的受众质量条件与扩展规模的对应关系中,查找与所获取的扩展规模对应的受众质量条件。
S206,从多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为待推送的虚拟产品的受众。
在具体应用中,待推送的虚拟产品对应的扩展规模的获取方式可以是多种的。示例性的,可以从预先存储的虚拟产品与扩展规模的对应关系中,查找与待推送的虚拟产品对应的扩展规模。或者,示例性的,可以接收受众扩展发起者输入的扩展规模。例如,待推送的虚拟产品为广告,可以接收广告主输入的扩展规模。其中,广告主输入扩展规模的方式可以是多种的。示例性的,广告主可以按广告主自身的推广需求,输入任意扩展规模,或者,示例性的,广告主可以从展示的多个扩展规模中,选择某一扩展规模输入。
并且,预存的受众质量条件与扩展规模的对应关系具体可以包括:受众质量条件:对候选用户按照相似度从高到低的顺序排序,选择排在前指定数量个的候选用户,与扩展规模:指定数量个对应。因此,从多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为待推送的虚拟产品的受众时,可以保证确定出的受众的数量,满足扩展规模。
另外,示例性的,在受众扩展发起者层面,本发明实施例的方法可以为一种受众扩展应用,此时,如图3所示,受众扩展发起者,例如广告主,可以通过本发明实施例提供的受众扩展应用,进行如下步骤五个步骤的操作即可得到待推送的虚拟产品的受众,方便快捷。具体的,S301,登录关于受众扩展的应用;S302,上传指定用户的用户信息;S303,选择待推送的虚拟产品对应的扩展条件;S304,点击关于进行受众扩展的按钮;S305,在结束受众扩展时,退出关于受众扩展的应用。
在一种可选的实施方式中,在上述从多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为待推送的虚拟产品的受众之后,本发明实施例提供的受众扩展方法,还可以包括如下步骤:
输出待推送的虚拟产品的受众的用户信息,和/或,待推送的虚拟产品的受众对应的相似度。
通过本可选实施例,可以输出每个受众的用户信息,和/,质量指标:待推送的虚拟产品的受众对应的相似度,以便受众扩展发起者基于受众的用户信息,和/或,每个受众的受众质量指标,设计和实施更多样化的投放策略,创造更多收益。另外,本可选实施例同样可以在本发明图1实施例的步骤S104之后实施。
相应于上述方法实施例,本发明一实施例还提供了受众扩展装置。
如图4所示,本发明一实施例的受众扩展装置的结构,该装置可以包括:
扩展条件获取模块401,用于获取待推送的虚拟产品对应的扩展条件;
候选用户获取模块402,用于从用户库中确定符合所述扩展条件的多个候选用户;
相似度计算模块403,用于基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;
受众选择模块404,用于从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。
本发明提供的方案中,由于指定用户为能够待推送的虚拟产品的受众的用户,因此,指定用户相对而言属于待推送的虚拟产品的高质量受众。以此为基础,指定用户和候选用户之间的相似度可以作为候选用户的受众质量指标;进而从多个候选用户中选择的受众质量指标满足预设受众质量条件的用户,为多个候选用户中相对而言与指定用户更加相似的用户,属于待推送的虚拟产品的高质量受众。因此,将受众质量指标满足预设受众质量条件的用户作为待推送的虚拟产品的受众,与人工主观确定扩展规模选择的受众相比,相对而言可以通过减少人工确定扩展规模所造成的推送资源占用过多,或者推送资源不足的问题;并且,可以提高所确定的受众中高质量受众的比例,以提高推送效果。可见,通过本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
相应于上述实施例,本发明实施例还提供了一种电子设备,如图5所示,该设备可以包括:
处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器通503过通信总线504完成相互间的通信;
存储器503,用于存放计算机程序;
处理器501,用于执行上述存储器503上所存放的计算机程序时,实现上述实施例中任一受众扩展方法的步骤。
本发明提供的方案中,由于指定用户为能够待推送的虚拟产品的受众的用户,因此,指定用户相对而言属于待推送的虚拟产品的高质量受众。以此为基础,指定用户和候选用户之间的相似度可以作为候选用户的受众质量指标;进而从多个候选用户中选择的受众质量指标满足预设受众质量条件的用户,为多个候选用户中相对而言与指定用户更加相似的用户,属于待推送的虚拟产品的高质量受众。因此,将受众质量指标满足预设受众质量条件的用户作为待推送的虚拟产品的受众,与人工主观确定扩展规模选择的受众相比,相对而言可以通过减少人工确定扩展规模所造成的推送资源占用过多,或者推送资源不足的问题;并且,可以提高所确定的受众中高质量受众的比例,以提高推送效果。可见,通过本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
上述存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离于上述处理器的存储装置。
上述处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)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。
本发明一实施例提供的计算机可读存储介质,包含于电子设备,该计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时,实现上述施例中任一受众扩展方法的步骤。
本发明提供的方案中,由于指定用户为能够待推送的虚拟产品的受众的用户,因此,指定用户相对而言属于待推送的虚拟产品的高质量受众。以此为基础,指定用户和候选用户之间的相似度可以作为候选用户的受众质量指标;进而从多个候选用户中选择的受众质量指标满足预设受众质量条件的用户,为多个候选用户中相对而言与指定用户更加相似的用户,属于待推送的虚拟产品的高质量受众。因此,将受众质量指标满足预设受众质量条件的用户作为待推送的虚拟产品的受众,与人工主观确定扩展规模选择的受众相比,相对而言可以通过减少人工确定扩展规模所造成的推送资源占用过多的问题;并且,可以提高所确定的受众中高质量受众的比例,以提高推送效果。可见,通过本方案可以实现不受扩展规模影响的受众扩展,兼顾推送效果和所占用的推送资源。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的受众扩展方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line,数字用户线)或无线(例如:红外线、无线电、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如:DVD(Digital Versatile Disc,数字通用光盘))、或者半导体介质(例如:SSD(Solid StateDisk,固态硬盘))等。
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。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置和电子设备实施例而言,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种受众扩展方法,其特征在于,所述方法包括:
获取待推送的虚拟产品对应的扩展条件;
从用户库中确定符合所述扩展条件的多个候选用户;
基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;
从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。
2.根据权利要求1所述的方法,其特征在于,所述指定用户的数量为多个;
所述基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度,包括:
分别对每个指定用户的用户信息进行特征提取,得到该指定用户的特征;
基于每个指定用户的特征,确定待利用的相似度评判特征;
分别对每个候选用户的候选信息进行特征提取,得到该候选用户的特征;
针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和所述指定用户之间的相似度。
3.根据权利要求2所述的方法,其特征在于,所述基于每个指定用户的特征,确定待利用的相似度评判特征,包括:
对多个指定用户的特征进行聚类,得到指定数量个簇;
针对每个簇,确定该簇中满足预设特征条件的特征,作为待利用的相似度评判特征;其中,所述预设特征条件用于从簇中选择能够反映该簇所表征的类型的特征;
所述针对每个候选用户,利用该候选用户的特征和所确定的待利用的相似度评判特征,计算该候选用户和所述指定用户之间的相似度,包括:
针对每个候选用户,分别计算该候选用户的特征和各个待利用的相似度评判特征之间的相似度,确定所计算得到的相似度的平均值,并利用所确定的平均值,确定该候选用户和所述指定用户之间的相似度。
4.根据权利要求3所述的方法,其特征在于,所述利用所确定的平均值,确定该候选用户和所述指定用户之间的相似度,包括:
计算该候选用户的特征和所述扩展条件所表征的特征之间的相似度;
对所确定的平均值和所计算的相似度进行加权处理,得到该候选用户和所述指定用户之间的相似度。
5.根据权利要求1任所述的方法,其特征在于,任一候选用户的用户信息的获取方式,包括:
获取该候选用户的原始用户信息;
将该候选用户的原始用户信息输入自编码模型中,得到该候选用户的用户信息;其中,所述自编码模型为用于对输入该模型的数据进行压缩的模型。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述扩展条件,包括:
基础属性条件,地理位置条件,媒体喜好条件,消费喜好条件,消费场景条件,推送平台行为条件,上网属性条件以及第三方应用数据条件中的至少一种条件;
其中,所述基础属性条件为针对用户的自然人属性的维度和社会属性的维度设置的条件;所述地理位置条件为针对用户所处地理位置的维度设置的条件;所述媒体喜好条件为针对用户喜欢使用的媒体的维度设置的条件;所述消费喜好条件为针对用户喜欢消费的产品的维度设置的条件;
所述消费场景条件为针对用户进行消费的场景的维度设置的条件;所述推送平台操作条件为针对用户在用于推送所述待推送的虚拟产品的应用中,对所述待推送的虚拟产品进行的操作的维度设置的条件;所述上网属性条件为针对用户的上网行为的维度设置的条件;所述第三方应用数据条件为针对用户在第三方应用中的兴趣的维度设置的条件。
7.根据权利要求1所述的方法,其特征在于,在所述从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众之前,所述方法还包括:
获取待推送的虚拟产品对应的扩展规模;
所述从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众,包括:
从预存的受众质量条件与扩展规模的对应关系中,查找与所获取的扩展规模对应的受众质量条件;
从所述多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为所述待推送的虚拟产品的受众。
8.根据权利要求7所述的方法,其特征在于,在所述从所述多个候选用户中,选择相似度满足所查找的受众质量条件的用户,作为所述待推送的虚拟产品的受众之后,所述方法还包括:
输出所述待推送的虚拟产品的受众的用户信息,和/或,所述待推送的虚拟产品的受众对应的相似度。
9.一种受众扩展装置,其特征在于,所述装置包括:
扩展条件获取模块,用于获取待推送的虚拟产品对应的扩展条件;
候选用户获取模块,用于从用户库中确定符合所述扩展条件的多个候选用户;
相似度计算模块,用于基于各个候选用户的用户信息和指定用户的用户信息,计算各个候选用户和所述指定用户之间的相似度;其中,所述指定用户为预先确定的能够作为所述虚拟产品的受众的用户;
受众选择模块,用于从所述多个候选用户中,选择相似度满足预设受众质量条件的用户,作为所述待推送的虚拟产品的受众。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序,实现如权利要求1-8任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177280.9A CN111382363B (zh) | 2020-03-13 | 2020-03-13 | 受众扩展方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177280.9A CN111382363B (zh) | 2020-03-13 | 2020-03-13 | 受众扩展方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382363A true CN111382363A (zh) | 2020-07-07 |
CN111382363B CN111382363B (zh) | 2023-12-19 |
Family
ID=71217735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177280.9A Active CN111382363B (zh) | 2020-03-13 | 2020-03-13 | 受众扩展方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382363B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258275A1 (en) * | 2013-03-08 | 2014-09-11 | Google Inc. | Content item audience selection |
CN108109004A (zh) * | 2017-12-18 | 2018-06-01 | 北京三快在线科技有限公司 | 相似人群扩展方法、装置及电子设备 |
CN108777701A (zh) * | 2018-04-24 | 2018-11-09 | 微梦创科网络科技(中国)有限公司 | 一种确定信息受众的方法及装置 |
CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
-
2020
- 2020-03-13 CN CN202010177280.9A patent/CN111382363B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258275A1 (en) * | 2013-03-08 | 2014-09-11 | Google Inc. | Content item audience selection |
CN108109004A (zh) * | 2017-12-18 | 2018-06-01 | 北京三快在线科技有限公司 | 相似人群扩展方法、装置及电子设备 |
CN108777701A (zh) * | 2018-04-24 | 2018-11-09 | 微梦创科网络科技(中国)有限公司 | 一种确定信息受众的方法及装置 |
CN109903086A (zh) * | 2019-02-14 | 2019-06-18 | 北京奇艺世纪科技有限公司 | 一种相似人群扩展方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111382363B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11531867B2 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
CN106897428B (zh) | 文本分类特征提取方法、文本分类方法及装置 | |
CN110309427B (zh) | 一种对象推荐方法、装置及存储介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN106326391B (zh) | 多媒体资源推荐方法及装置 | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN110909205A (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN110149529B (zh) | 媒体信息的处理方法、服务器及存储介质 | |
CN110278447B (zh) | 基于连续特征的视频推送方法、装置及电子设备 | |
CN110290199B (zh) | 内容推送方法、装置及设备 | |
CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
CN109690581A (zh) | 用户指导系统及方法 | |
CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
CN114417058A (zh) | 一种视频素材的筛选方法、装置、计算机设备和存储介质 | |
CN113344647B (zh) | 一种信息推荐的方法及装置 | |
CN110855487A (zh) | 网络用户相似度管理方法、装置及存储介质 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN111382363B (zh) | 受众扩展方法、装置及设备 | |
CN115809889A (zh) | 基于营销效果的智能客群筛选方法、系统、介质及设备 | |
CN112967100B (zh) | 相似人群扩展方法、装置、计算设备以及介质 | |
CN110852078A (zh) | 生成标题的方法和装置 | |
CN114119078A (zh) | 目标资源确定方法、装置、电子设备及介质 | |
CN110275986B (zh) | 基于协同过滤的视频推荐方法、服务器及计算机存储介质 |
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 |