CN111581498A - 一种广告用户偏好分析方法及装置 - Google Patents
一种广告用户偏好分析方法及装置 Download PDFInfo
- Publication number
- CN111581498A CN111581498A CN202010319670.5A CN202010319670A CN111581498A CN 111581498 A CN111581498 A CN 111581498A CN 202010319670 A CN202010319670 A CN 202010319670A CN 111581498 A CN111581498 A CN 111581498A
- Authority
- CN
- China
- Prior art keywords
- user
- analyzed
- dimensional
- preference
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 61
- 230000003993 interaction Effects 0.000 claims abstract description 67
- 238000013523 data management Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 17
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 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
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种广告用户偏好分析方法及装置。所述方法包括:对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征;将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将所述多维度标签确定为所述待分析用户的偏好。本发明能够通过企业的DMP数据管理系统获取待分析用户的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
Description
技术领域
本发明涉及大数据分析技术领域,尤其涉及一种广告用户偏好分析方法及装置。
背景技术
随着互联网技术的发展,互联网广告已成为企业产品服务推广的一种重要营销方式。面对日益激烈的商业竞争,企业需要根据用户偏好,向特定用户推送广告,以最大化地推广产品服务。因此,很多企业致力于研究如何根据大量数据深入分析潜在的用户偏好,以便根据用户偏好调整广告推送策略,从而实现精准地向特定用户推送广告,提高企业的市场竞争力。
目前,现有的广告用户偏好分析方法通常直接根据用户的互联网上网日志数据分析用户偏好。但由于获取的互联网上网日志数据中包含有大量无效数据,不仅在用户偏好分析过程中增加了一定数据处理压力,而且容易导致用户偏好分析结果的准确性不佳。
发明内容
为克服现有技术的缺陷,本发明提供一种广告用户偏好分析方法及装置,能够通过企业的DMP数据管理系统获取待分析用户的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
为了解决上述技术问题,第一方面,本发明一实施例提供一种广告用户偏好分析方法,包括:
对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征;
将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将所述多维度标签确定为所述待分析用户的偏好。
进一步地,在所述将所述多维度标签确定为所述待分析用户的偏好之后,还包括:
根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好。
进一步地,所述根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好,具体为:
比对其余每一用户的广告交互数据与所述待分析用户的广告交互数据,并在所述用户与所述待分析用户具有相同数据时,将所述用户作为目标用户;
计算每一所述目标用户与所述待分析用户之间的相似度,并在所述相似度超过预设阈值时,将对应的所述目标用户作为所述相似用户。
进一步地,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征,具体为:
通过所述DMP数据管理系统,获取预设时段内所述待分析用户的广告交互数据;
对所述待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征。
进一步地,在所述将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,还包括:
根据预存的业务规则标签,构建所述多维度标签库。
第二方面,本发明一实施例提供一种广告用户偏好分析装置,包括:
特征提取模块,用于对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征;
标签匹配模块,用于将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将所述多维度标签确定为所述待分析用户的偏好。
进一步地,所述标签匹配模块,还用于在所述将所述多维度标签确定为所述待分析用户的偏好之后,根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好。
进一步地,所述根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好,具体为:
比对其余每一用户的广告交互数据与所述待分析用户的广告交互数据,并在所述用户与所述待分析用户具有相同数据时,将所述用户作为目标用户;
计算每一所述目标用户与所述待分析用户之间的相似度,并在所述相似度超过预设阈值时,将对应的所述目标用户作为所述相似用户。
进一步地,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征,具体为:
通过所述DMP数据管理系统,获取预设时段内所述待分析用户的广告交互数据;
对所述待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征。
进一步地,所述标签匹配模块,还用于在所述将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,根据预存的业务规则标签,构建所述多维度标签库。
本发明的实施例,具有如下有益效果:
在对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征后,将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好,完成对待分析用户的偏好分析。相比于现有技术,本发明通过DMP数据管理系统获取待分析用户的广告交互数据,能够直接从企业应用的DMP数据管理系统中获取经整合的标准化的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
进一步地,通过在将多维度标签确定为待分析用户的偏好之后,根据协同过滤推荐算法筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,完成对待分析用户的相似用户的偏好分析。相比于现有技术,本发明能够在对待分析用户进行偏好分析后,一并对待分析用户的相似用户进行偏好分析,有利于对更多用户进行偏好分析,从而降低用户偏好分析过程中的数据处理压力。
附图说明
图1为本发明第一实施例中的一种广告用户偏好分析方法的流程示意图;
图2为本发明第一实施例中的一种广告用户偏好分析方法的数据流图;
图3为本发明第一实施例中的优选实施例的流程示意图;
图4为本发明第二实施例中的一种广告用户偏好分析装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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做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。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行,且下文均以服务器作为执行主体为例进行说明。
请参阅图1-3。
如图1-2所示,第一实施例提供一种广告用户偏好分析方法,包括步骤S1~S2:
S1、对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征。
S2、将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好。
需要说明的是,待分析用户的广告交互数据包括待分析用户对广告的点击次数、浏览时长和互动记录,互动记录包括购买记录、评论记录、收藏记录、分享记录等。多维度标签库中的标签包括所有用户的基本标签(性别、年龄、地区、职业、生肖、子女等)、业务标签(喜好产品/品牌、消费金额/时间等)、综合标签(流失率、消费/收入水平、理性/感性消费等)。
DMP(Data-Management Platform)数据管理系统,是把分散的多方数据进行整合纳入统一的技术平台,并对这些数据进行标准化和细分,让企业可以把这些细分结果推向现有的互动营销环境里。
在步骤S1中,利用DMP数据管理系统获取待分析用户的广告交互数据,能够获取到经整合的标准化的广告交互数据,使得无需对待分析用户的广告交互数据进行繁琐处理即可进行特征提取,从而降低用户偏好分析过程中的数据处理压力。通过对待分析用户的广告交互数据进行特征提取,可以得到待分析用户的属性特征。待分析用户的属性特征是指能够表示待分析用户特征的关键信息,比如待分析用户所点击、浏览、互动的广告中可解析的品类名称、价格区间等文本内容。
在步骤S2中,利用预先构建的多维度标签库,能够将待分析用户的属性特征与多维度标签库中的标签匹配得到的多维度标签确定为待分析用户的偏好,使得可从多维度全面地对待分析用户进行偏好分析,从而提高用户偏好分析结果的准确性。
本实施例在对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征后,将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好,完成分析用户偏好。
本实施例通过DMP数据管理系统获取待分析用户的广告交互数据,能够直接从企业应用的DMP数据管理系统中获取经整合的标准化的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
如图3所示,在优选的实施例当中,在步骤S2所述将多维度标签确定为待分析用户的偏好之后,还包括步骤S3:
S3、根据协同过滤推荐算法,筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好。
协同过滤推荐算法是诞生最早,并且较为著名的推荐算法,其主要的功能是预测和推荐。协同过滤推荐算法通过对用户历史行为数据的挖掘,发现用户的偏好,基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类,分别是基于用户的协同过滤算法(user-based collaboratIve filtering),和基于物品的协同过滤算法(item-based collaborative filtering)。
本实施例通过在将多维度标签确定为待分析用户的偏好之后,根据协同过滤推荐算法筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,完成对待分析用户的相似用户的偏好分析。
本实施例能够在对待分析用户进行偏好分析后,一并对待分析用户的相似用户进行偏好分析,有利于对更多用户进行偏好分析,从而降低用户偏好分析过程中的数据处理压力。
在优选的实施例当中,所述根据协同过滤推荐算法,筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,具体为:比对其余每一用户的广告交互数据与待分析用户的广告交互数据,并在用户与待分析用户具有相同数据时,将用户作为目标用户;计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户。
在本实施例的一种优选实施方式中,所述计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户,具体为:根据相似度评价方法,计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户;其中,相似度评价方法包括欧几里得距离评价和皮尔逊相关度评价。
欧几里得距离(Euclidean distance)也称欧氏距离,在n维空间内,最短的线的长度即为其欧氏距离。它是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。欧几里德距离评价是一个较为简单的用户关系评价方法,其原理是通过计算两个用户在散点图中的距离来判断不同的用户是否有相同的偏好。而皮尔逊相关度评价是另一种计算用户间关系的方法,相比于欧几里德距离评价的计算要复杂一些,但对于评分数据不规范时皮尔逊相关度评价能够给出更好的结果。
在优选的实施例当中,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征,具体为:通过DMP数据管理系统,获取预设时段内待分析用户的广告交互数据;对待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征。
本实施例通过DMP数据管理系统获取预设时段,比如最近三个月内待分析用户的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
在优选的实施例当中,在所述将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,还包括:根据预存的业务规则标签,构建多维度标签库。
需要说明的是,业务规则标签是根据企业业务需求而设置。
本实施例通过根据企业业务需求而设置的业务规则标签预先构建多维度标签库,能够针对企业业务需求分析用户偏好。
请参阅图4。
如图4所示,第二实施例提供一种广告用户偏好分析装置,包括:特征提取模块21,用于对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征;标签匹配模块22,用于将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好。
需要说明的是,待分析用户的广告交互数据包括待分析用户对广告的点击次数、浏览时长和互动记录,互动记录包括购买记录、评论记录、收藏记录、分享记录等。多维度标签库中的标签包括所有用户的基本标签(性别、年龄、地区、职业、生肖、子女等)、业务标签(喜好产品/品牌、消费金额/时间等)、综合标签(流失率、消费/收入水平、理性/感性消费等)。
DMP(Data-Management Platform)数据管理系统,是把分散的多方数据进行整合纳入统一的技术平台,并对这些数据进行标准化和细分,让企业可以把这些细分结果推向现有的互动营销环境里。
通过特征提取模块21,利用DMP数据管理系统获取待分析用户的广告交互数据,能够获取到经整合的标准化的广告交互数据,使得无需对待分析用户的广告交互数据进行繁琐处理即可进行特征提取,从而降低用户偏好分析过程中的数据处理压力。通过对待分析用户的广告交互数据进行特征提取,可以得到待分析用户的属性特征。待分析用户的属性特征是指能够表示待分析用户特征的关键信息,比如待分析用户所点击、浏览、互动的广告中可解析的品类名称、价格区间等文本内容。
通过标签匹配模块22,利用预先构建的多维度标签库,能够将待分析用户的属性特征与多维度标签库中的标签匹配得到的多维度标签确定为待分析用户的偏好,使得可从多维度全面地对待分析用户进行偏好分析,从而提高用户偏好分析结果的准确性。
本实施例通过特征提取模块21,对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征,通过标签匹配模块22,将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好,完成分析用户偏好。
本实施例通过DMP数据管理系统获取待分析用户的广告交互数据,能够直接从企业应用的DMP数据管理系统中获取经整合的标准化的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
在优选的实施例当中,标签匹配模块22,还用于在所将多维度标签确定为待分析用户的偏好之后,根据协同过滤推荐算法,筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好。
协同过滤推荐算法是诞生最早,并且较为著名的推荐算法,其主要的功能是预测和推荐。协同过滤推荐算法通过对用户历史行为数据的挖掘,发现用户的偏好,基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类,分别是基于用户的协同过滤算法(user-based collaboratIve filtering),和基于物品的协同过滤算法(item-based collaborative filtering)。
本实施例通过标签匹配模块22,在将多维度标签确定为待分析用户的偏好之后,根据协同过滤推荐算法筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,完成对待分析用户的相似用户的偏好分析。
本实施例能够在对待分析用户进行偏好分析后,一并对待分析用户的相似用户进行偏好分析,有利于对更多用户进行偏好分析,从而降低用户偏好分析过程中的数据处理压力。
在优选的实施例当中,所述根据协同过滤推荐算法,筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,具体为:比对其余每一用户的广告交互数据与待分析用户的广告交互数据,并在用户与待分析用户具有相同数据时,将用户作为目标用户;计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户。
在本实施例的一种优选实施方式中,所述计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户,具体为:根据相似度评价方法,计算每一目标用户与待分析用户之间的相似度,并在相似度超过预设阈值时,将对应的目标用户作为相似用户;其中,相似度评价方法包括欧几里得距离评价和皮尔逊相关度评价。
欧几里得距离(Euclidean distance)也称欧氏距离,在n维空间内,最短的线的长度即为其欧氏距离。它是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。欧几里德距离评价是一个较为简单的用户关系评价方法,其原理是通过计算两个用户在散点图中的距离来判断不同的用户是否有相同的偏好。而皮尔逊相关度评价是另一种计算用户间关系的方法,相比于欧几里德距离评价的计算要复杂一些,但对于评分数据不规范时皮尔逊相关度评价能够给出更好的结果。
在优选的实施例当中,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征,具体为:通过DMP数据管理系统,获取预设时段内待分析用户的广告交互数据;对待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征。
本实施例通过DMP数据管理系统获取预设时段,比如最近三个月内待分析用户的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
在优选的实施例当中,标签匹配模块22,还用于在所述将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,根据预存的业务规则标签,构建多维度标签库。
需要说明的是,业务规则标签是根据企业业务需求而设置。
本实施例通过标签匹配模块22,根据企业业务需求而设置的业务规则标签预先构建多维度标签库,能够针对企业业务需求分析用户偏好。
综上所述,实施本发明的实施例,具有如下有益效果:
在对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到待分析用户的属性特征后,将属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将多维度标签确定为待分析用户的偏好,完成对待分析用户的偏好分析。本实施例通过DMP数据管理系统获取待分析用户的广告交互数据,能够直接从企业应用的DMP数据管理系统中获取经整合的标准化的广告交互数据,有利于避免获取大量无效数据,从而降低用户偏好分析过程中的数据处理压力,提高用户偏好分析结果的准确性。
进一步地,通过在将多维度标签确定为待分析用户的偏好之后,根据协同过滤推荐算法筛选待分析用户的相似用户,并将多维度标签确定为相似用户的偏好,完成对待分析用户的相似用户的偏好分析。本实施例能够在对待分析用户进行偏好分析后,一并对待分析用户的相似用户进行偏好分析,有利于对更多用户进行偏好分析,从而降低用户偏好分析过程中的数据处理压力。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种广告用户偏好分析方法,其特征在于,包括:
对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征;
将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将所述多维度标签确定为所述待分析用户的偏好。
2.如权利要求1所述的广告用户偏好分析方法,其特征在于,在所述将所述多维度标签确定为所述待分析用户的偏好之后,还包括:
根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好。
3.如权利要求2所述的广告用户偏好分析方法,其特征在于,所述根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好,具体为:
比对其余每一用户的广告交互数据与所述待分析用户的广告交互数据,并在所述用户与所述待分析用户具有相同数据时,将所述用户作为目标用户;
计算每一所述目标用户与所述待分析用户之间的相似度,并在所述相似度超过预设阈值时,将对应的所述目标用户作为所述相似用户。
4.如权利要求1或2所述的广告用户偏好分析方法,其特征在于,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征,具体为:
通过所述DMP数据管理系统,获取预设时段内所述待分析用户的广告交互数据;
对所述待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征。
5.如权利要求1或2所述的广告用户偏好分析方法,其特征在于,在所述将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,还包括:
根据预存的业务规则标签,构建所述多维度标签库。
6.一种广告用户偏好分析装置,其特征在于,包括:
特征提取模块,用于对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征;
标签匹配模块,用于将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签,以将所述多维度标签确定为所述待分析用户的偏好。
7.如权利要求6所述的广告用户偏好分析装置,其特征在于,所述标签匹配模块,还用于在所述将所述多维度标签确定为所述待分析用户的偏好之后,根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好。
8.如权利要求7所述的广告用户偏好分析装置,其特征在于,所述根据协同过滤推荐算法,筛选所述待分析用户的相似用户,并将所述多维度标签确定为所述相似用户的偏好,具体为:
比对其余每一用户的广告交互数据与所述待分析用户的广告交互数据,并在所述用户与所述待分析用户具有相同数据时,将所述用户作为目标用户;
计算每一所述目标用户与所述待分析用户之间的相似度,并在所述相似度超过预设阈值时,将对应的所述目标用户作为所述相似用户。
9.如权利要求6或7所述的广告用户偏好分析装置,其特征在于,所述对通过DMP数据管理系统获取的待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征,具体为:
通过所述DMP数据管理系统,获取预设时段内所述待分析用户的广告交互数据;
对所述待分析用户的广告交互数据进行特征提取,得到所述待分析用户的属性特征。
10.如权利要求6或7所述的广告用户偏好分析装置,其特征在于,所述标签匹配模块,还用于在所述将所述属性特征与预先构建的多维度标签库中的标签进行匹配,得到对应的多维度标签之前,根据预存的业务规则标签,构建所述多维度标签库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319670.5A CN111581498A (zh) | 2020-04-21 | 2020-04-21 | 一种广告用户偏好分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319670.5A CN111581498A (zh) | 2020-04-21 | 2020-04-21 | 一种广告用户偏好分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111581498A true CN111581498A (zh) | 2020-08-25 |
Family
ID=72126554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319670.5A Pending CN111581498A (zh) | 2020-04-21 | 2020-04-21 | 一种广告用户偏好分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581498A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013116806A1 (en) * | 2012-02-02 | 2013-08-08 | Visa International Service Association | Multi-source, multi-dimensional, cross-entity, multimedia database platform apparatuses, methods and systems |
CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的系统 |
CN106844787A (zh) * | 2017-03-16 | 2017-06-13 | 四川大学 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
KR102087362B1 (ko) * | 2019-05-17 | 2020-03-10 | 케이퍼스트랩 주식회사 | 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치 |
-
2020
- 2020-04-21 CN CN202010319670.5A patent/CN111581498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013116806A1 (en) * | 2012-02-02 | 2013-08-08 | Visa International Service Association | Multi-source, multi-dimensional, cross-entity, multimedia database platform apparatuses, methods and systems |
CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的系统 |
CN106844787A (zh) * | 2017-03-16 | 2017-06-13 | 四川大学 | 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法 |
KR102087362B1 (ko) * | 2019-05-17 | 2020-03-10 | 케이퍼스트랩 주식회사 | 사용자 보유 의류에 기초한 패션 코디 추천 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190156395A1 (en) | System and Method for Analyzing and Searching for Features Associated with Objects | |
US8103663B2 (en) | Advertising medium determination device and method therefor | |
US8380727B2 (en) | Information processing device and method, program, and recording medium | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
US10915563B2 (en) | Analysis server device, data analysis system, and data analysis method | |
WO2014173349A1 (zh) | 网页分类标准获取方法、装置及网页分类方法、装置 | |
CN116757779A (zh) | 一种基于用户画像的推荐方法 | |
CN115796924A (zh) | 一种基于大数据的云平台电子商务数据处理方法及系统 | |
CN105389714B (zh) | 一种从行为数据识别用户特性的方法 | |
CN118014622A (zh) | 一种基于用户画像的广告推送方法及系统 | |
CN113837824A (zh) | 信息推送方法及其系统 | |
US20150142782A1 (en) | Method for associating metadata with images | |
CN113298145A (zh) | 标签填充方法及装置 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN114529383B (zh) | 实现税务缴纳追踪和税款流失预警方法及系统 | |
CN114282119B (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN111581498A (zh) | 一种广告用户偏好分析方法及装置 | |
CN110796505A (zh) | 一种业务对象推荐方法以及装置 | |
CN113901317A (zh) | 基于大数据和网络社区的产品推荐方法 | |
CN111382343B (zh) | 一种标签体系生成方法及装置 | |
KR20080091738A (ko) | 문맥기반 광고 장치와 그 방법 및 이를 구현할 수 있는 컴퓨터로 읽을 수 있는 기록 매체 | |
CN113127597A (zh) | 搜索信息的处理方法、装置及电子设备 | |
CN113609270A (zh) | 一种可标签区分客户的用户行为数据分析系统 | |
US20240020724A1 (en) | Method and apparatus for dynamically adjusting to impact of media mentions | |
CN117540101B (zh) | 一种基于人工智能的在线书城管理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |