CN111582900A - 媒体文件的投放方法、装置、存储介质和电子装置 - Google Patents
媒体文件的投放方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN111582900A CN111582900A CN201910122949.1A CN201910122949A CN111582900A CN 111582900 A CN111582900 A CN 111582900A CN 201910122949 A CN201910122949 A CN 201910122949A CN 111582900 A CN111582900 A CN 111582900A
- Authority
- CN
- China
- Prior art keywords
- account
- target
- behavior data
- group
- behavior
- 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
- 238000002716 delivery method Methods 0.000 title description 3
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 99
- 230000006399 behavior Effects 0.000 claims description 565
- 238000012549 training Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000000875 corresponding effect Effects 0.000 description 155
- 238000009792 diffusion process Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 14
- 238000000605 extraction Methods 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000007670 refining Methods 0.000 description 5
- 238000010187 selection method Methods 0.000 description 5
- 230000007480 spreading Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005339 levitation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q30/0257—User requested
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种媒体文件的投放方法、装置、存储介质和电子装置。其中,该方法包括:获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据;确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据;根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征;获取与目标行为特征相关联的第一帐号集合;将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。本发明解决了相关技术中对媒体文件的投放效率低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种媒体文件的投放方法、装置、存储介质和电子装置。
背景技术
目前,投放媒体文件在选择定向人群的时候,只能自定义用户特征,比如,自定义用户的性别、地域等。广告主也可以人工上传用户信息,比如,上传手机号、媒体访问控制(Media Access Control,简称为MAC)地址、国际移动设备识别码(International MobileEquipment Identity,简称为IMEI)等来进行用户特征的识别。
由于通过自定义用户特征,广告主人工上传用户信息,难以获取投放人群更多的特征信息,从而使得媒体文件投放人群受限于人力资源,难以确保对媒体文件投放的准确度,使得对媒体文件的投放效率低的问题。
针对上述的对媒体文件的投放效率低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种媒体文件的投放方法、装置、存储介质和电子装置,以至少解决相关技术中对媒体文件的投放效率低的技术问题。
根据本发明实施例的一个方面,提供了一种媒体文件的投放方法。该方法包括:获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端;确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端;根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征;获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
根据本发明实施例的另一方面,还提供了一种媒体文件的投放装置。该装置包括:第一获取单元,用于获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端;第一确定单元,用于确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端;提取单元,用于根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征;第二获取单元,用于获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;推送单元,用于将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
根据本发明实施例的另一方面,还提供了一种存储介质。该存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行本发明实施例的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为通过计算机程序执行本发明实施例的方法。
在本发明实施例中,由于将订阅目标传播帐号的第一帐号和与第一帐号所在的目标终端中运行的多个第二帐号进行打通,获取第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,获取多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,该第二组行为数据和第一组行为数据都可以作为与第一帐号(对应用户)相关的行为数据,再根据第一组行为数据和第二组行为数据提取出与第一帐号相关联的目标行为特征,从而实现了获取订阅目标传播帐号的第一帐号的丰富的行为特征,进而获取与目标行为特征相关联的第一帐号集合(对应投放人群),也即,结合目标传播帐号确定目标媒体文件的投放对象,最后将与目标行为特征相关联的第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件,实现了对目标媒体文件进行定向投放的目的,避免了通过自定义用户特征,广告主人工上传用户信息,导致难以获取投放人群更多的特征信息,使得媒体文件投放人群受限于人力资源,难以确保对媒体文件投放的准确度,解决了相关技术中对媒体文件的投放效率低的技术问题,进而达到了提高对媒体文件进行投放的效率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的媒体文件的投放方法的硬件环境的示意图;
图2是根据本发明实施例的一种媒体文件的投放方法的流程图;
图3是根据本发明实施例的一种在产品应用层级的广告投放方法的流程图;
图4是根据本发明实施例的一种公众号设置界面的示意图;
图5是根据本发明实施例的一种绑定公众号的界面的示意图;
图6是根据本发明实施例的一种申请高级画像权限的示意图;
图7是根据本发明实施例的一种人群提取的界面的示意图;
图8是根据本发明实施例的一种粉丝人群包的信息显示的示意图;
图9是根据本发明实施例的一种悬浮区展开的示意图;
图10是根据本发明实施例的一种保存粉丝人群包的示意图;
图11是根据本发明实施例的一种人群管理的示意图;
图12是根据本发明实施例的一种人群扩散的界面的示意图;
图13是根据本发明实施例的一种广告投放的界面的示意图;
图14是根据本发明实施例的一种循环神经网络的示意图;
图15是根据本发明实施例的一种设备指纹识别的神经网络模型的示意图;
图16是根据本发明实施例的一种Lookalike算法的示意图;
图17是根据本发明实施例的一种确定正样本和负样本的示意图;
图18是根据本发明实施例的一种媒体文件的投放装置的示意图;以及
图19是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种媒体文件的投放方法的实施例。可选地,作为一种可选的实施方式,上述体文件的投放方法可以但不限于应用于如图1所示的环境中。其中,图1是根据本发明实施例的一种媒体文件的投放方法的硬件环境的示意图。如图1所示,用户102可以与用户设备104之间可以进行数据交互,用户设备104中可以但不限于包括存储器106和处理器108。
在该实施例中,用户设备104可以输入操作指令,可以通过处理器108执行步骤S102,通过网络110将上述通过操作指令触发的请求发送给服务器112。服务器112中包含有数据库114和处理器116。
服务器112在获取到上述通过操作指令触发的请求之后,处理器116对其进行响应,从数据库114中获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征,获取与目标行为特征相关联的第一帐号集合,最后通过投放引擎118将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件,进而执行步骤S104,通过网络110将媒体文件投放帐号向第一帐号集合投放目标媒体文件的结果返回给用户设备104,存储器106可以用于存储媒体文件投放帐号向第一帐号集合投放目标媒体文件的结果。
图2是根据本发明实施例的一种媒体文件的投放方法的流程图。如图2所示,该方法可以包括以下步骤:
步骤S202,获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据。
在步骤S202提供的技术方案中,平台服务器可以获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端。
在该实施例中,目标传播帐号可以为开发者或商家在公众平台上申请的应用帐号,该应用帐号可以与即时通讯应用的帐号互通,通过该目标传播帐号,商家可在公众平台上实现和特定群体的文字、图片、语音的全方位沟通、互动。可选地,该实施例的目标传播帐号为公众号,可以包括服务号、订阅号和企业号,可以为但不限于党政机关、新闻媒体、社会组织、企业等开设的以正向宣传和舆论引导为主要目的的公众号。
该实施例的第一应用可以为即时通讯应用,第一帐号为订阅目标传播帐号的帐号,且用于登录上述第一应用对应的客户端,比如,该第一帐号为关注公众号的粉丝的帐号,也即,为粉丝帐号,用于登录即时通讯应用,其中,粉丝为目标传播帐号所指示的服务或产品的忠实的用户群体。可选地,该实施例的目标传播帐号具有多个第一帐号,比如,公众号具有多个粉丝帐号,目标传播帐号与多个第一帐号具有订阅关系,该订阅关系可以为由于多个第一帐号关注目标传播帐号所产生的关联关系,以使目标传播帐号向多个第一帐号推送信息。
获取订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,该第一组行为数据可以为在第一应用运行过程中产生的可以用于指示与第一帐号对应的用户的使用行为或倾向特征的数据,也即,用户行为画像数据,可以为多种与第一帐号对应的用户相关的数据,比如,该第一组行为数据包括用于指示年龄、性别、喜好、学历、星座、城市等数据,此次不做任何限制。
可选地,该实施例可以获取订阅目标传播帐号的每个第一帐号在对应的第一应用中的行为数据。举例而言,订阅目标传播的多个第一帐号为多个粉丝帐号,比如,包括A粉丝帐号、B粉丝帐号和C粉丝帐号,则获取A粉丝帐号在对应的第一应用中的行为数据,获取B粉丝帐号在对应的第一应用中的行为数据,获取C粉丝帐号在对应的第一应用中的行为数据。
步骤S204,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据。
在步骤S204提供的技术方案中,平台服务器可以确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端。
在该实施例中,第一帐号用于登录第一应用的客户端,该第一应用的客户端安装在目标终端上,同时在该目标终端上还安装有多个第二应用的客户端,该每个第二应用通过对应的第二帐号登录,也即,第一应用和多个第二应用通过同一目标终端关联起来,该第一应用和多个第二应用均对应于同一用户。其中,第一应用可以为即时通讯应用,多个第二应用可以为视频应用、新闻应用、购物应用、音乐应用等,此处不做任何限制。
在该实施例中,可以通过设备指纹识别技术识别出第一帐号对应的客户端所在的终端和多个第二帐号对应的客户端所在的终端均为目标终端,可以通过设备指纹识别技术确定第一帐号携带的标识(ID)和多个第二帐号分别携带的标识(ID),在第一帐号携带的标识和多个第二帐号分别携带的标识(ID)均用于指示同一目标终端的情况下,将第一帐号与多个第二帐号进行关联,也即,将第一帐号与多个第二帐号打通,使得在获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据的同时,还可以确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,通过该第一组行为数据和第二组行为数据可以全面刻画出使用目标终端的用户的行为和倾向特征。
可选地,上述指纹识别技术用于识别应用对应的客户端所在的终端。在互联网环境下,比如,在移动互联网环境下,同一个终端在不同应用下会有不同的标识(ID),而该不同应用的ID均用于指示同一个终端,比如,同一个终端在不同应用下会有序列号(imei)、广告标示符(idfa)、即时通讯应用ID等标识,其中,序列号、广告标示符、即时通讯应用ID等标识均用于指示同一个终端。为了实现媒体文件的精准投放或内容的精准推荐,可以通过用户画像(id-mapping)将同一个终端的不同标识进行关联,也即,打通同一个设备的不同标识,该同一个设备的不同标识均指向同一用户,从而提高了用户的识别率。
可选地,该实施例确定每个第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据。
举例而言,多个第一帐号为多个粉丝帐号,包括A粉丝帐号、B粉丝帐号和C粉丝帐号,多个第二帐号包括a应用帐号、b应用帐号和c应用帐号,则确定A粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,确定B粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,确定C粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,从而通过该第一组行为数据和第二组行为数据可以全面刻画出使用目标终端的用户的行为和倾向特征。
步骤S206,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征。
在步骤S206提供的技术方案中,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据之后,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征。
在该实施例中,通过第一组行为数据和第二组行为数据可以全面刻画出使用目标终端的用户的行为和倾向特征,根据第一组行为数据和第二组行为数据提取出与第一帐号向匹配的目标行为特征,该目标行为特征为针对待投放的目标媒体文件所投放的人群的特征,比如,从第一组行为数据和第二组行为数据中根据设定的性别、年龄、星座、省份、城市选择出的目标行为特征,从而可以刻画出与目标传播帐号的第一帐号对应的用户的行为特征,比如,刻画公众号粉丝特征。
可选地,该实施例从每个第一帐号在对应的第一应用中的行为数据和每个第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据中,提取出与第一帐号相匹配的目标行为特征。
举例而言,订阅目标传播的多个第一帐号为多个粉丝帐号,比如,包括A粉丝帐号、B粉丝帐号和C粉丝帐号,则获取A粉丝帐号在对应的第一应用中的行为数据,获取B粉丝帐号在对应的第一应用中的行为数据,获取C粉丝帐号在对应的第一应用中的行为数据,多个第二帐号包括a应用帐号、b应用帐号和c应用帐号,则确定A粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,确定B粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,确定C粉丝帐号所在的目标终端中运行的a应用帐号、b应用帐号和c应用帐号分别在对应的第二应用中的行为数据,则从上述所有行为数据中提取出目标行为特征,将该目标行为特征作为与第一帐号匹配的行为特征。
步骤S208,获取与目标行为特征相关联的第一帐号集合。
在步骤S208提供的技术方案中,在根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征之后,获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端。
在该实施例中,第一帐号集合为基于目标行为特征确定的包括多个第一目标帐号的集合,可以为人群包,也即,为到投放的目标媒体文件进行投放的对象,目标行为特征可以为第一帐号集合的特征。该多个第一目标帐号用于分别登录对应的第一目标应用的客户端,多个第一目标帐号在对应的第一目标应用上的行为数据可以与目标行为特征相同,也可以相似,从而使得第一帐号集合与目标行为特征相关联,其中,该多个第一目标帐号可以包括第一帐号,可以为与目标行为特征对应的全部第一帐号,也可以为与目标行为特征对应的部分第一帐号,第一目标应用也可以为第一应用,也可以为安装在第一应用所在的目标终端上的其它应用。
步骤S210,将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
在步骤S210提供的技术方案中,在获取与目标行为特征相关联的第一帐号集合之后,将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
在该实施例中,媒体文件投放帐号与目标传播帐号具有对应关系,这种对应关系用于指示媒体文件投放帐号可以向结合目标传播帐号确定的第一帐号集合投放目标媒体文件,可以与目标传播帐号绑定,也即,平台服务器为目标投放帐号帐号授权,允许该目标投放帐号向结合目标传播帐号确定的第一帐号集合投放目标媒体文件。该目标媒体文件的媒体内容可以与目标行为特征相关联,比如,媒体内容为医疗健康方面的,目标行为特征包括保健、医疗服务等特征,与目标行为特征相关联的目标第一帐号集合所对应的人群也是倾向医疗健康方面的,这样将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号。在媒体文件投放帐号向第一帐号集合投放目标媒体文件之后,第一帐号集合所对应人群对目标媒体文件接受的概率就比较大,从而实现了媒体文件的精准投放或精准推荐。
可选地,该实施例在投放媒体文件选择广告受众时,可以选择上述第一帐号集合。可选地,该实施例可以选择已建立好的定向包人群,还可以指定人群,该指定人群可以从第一组行为数据和第二组行为数据中指定某种特征,比如,指定性别和地区等,可以将符合指定的性别和地区的行为数据所来自的帐号确定为一个第一帐号集合,进而将该第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号。
需要说明的是,本发明实施例对媒体文件的类型不做具体限定,该媒体文件可以是视频文件、音频文件、图片文件或者文本文件等,也可以是这几种文件的任意组合,例如,文本文件和图片文件的组合,视频文件和文本文件的组合。具体的产品形态可以是例如视频广告、原生广告、搜索广告等。
通过上述步骤S202至步骤S210,由于将订阅目标传播帐号的第一帐号和与第一帐号所在的目标终端中运行的多个第二帐号进行打通,获取第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,获取多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,该第二组行为数据和第一组行为数据都可以作为与第一帐号(对应用户)相关的行为数据,再根据第一组行为数据和第二组行为数据提取出与第一帐号相关联的目标行为特征,从而实现了获取订阅目标传播帐号的第一帐号的丰富的行为特征,进而获取与目标行为特征相关联的第一帐号集合(对应投放人群),也即,结合目标传播帐号确定目标媒体文件的投放对象,最后将与目标行为特征相关联的第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件,实现了对目标媒体文件进行定向投放的目的,避免了通过自定义用户特征,广告主人工上传用户信息,导致难以获取投放人群更多的特征信息,使得媒体文件投放人群受限于人力资源,难以确保对媒体文件投放的准确度,解决了相关技术中对媒体文件的投放效率低的技术问题,进而达到了提高对媒体文件进行投放的效率的技术效果。
作为一种可选的实施方式,在步骤S206,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征之前,该方法还包括:在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据,其中,目标数据库中至少存储有多个帐号在对应的第一应用中的行为数据,每个帐号分别用于登录对应的第一应用的客户端,且多个帐号包括多个第一帐号;步骤S206,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征包括:从第一组行为数据、第二组行为数据和第三组行为数据中提取出与第一帐号相匹配的目标行为特征。
在该实施例中,目标数据库可以为人群库,用于存储平台历史积累的行为数据,可以至少存储有多个帐号在对应的第一应用中的行为数据,比如,该第一应用为即时通讯应用,则该多个帐号为所有使用即时通讯应用产品的用户的帐号,该多个帐号包括订阅目标传播帐号的多个第一帐号。可选地,该实施例的目标数据库还可以用于存储帐号在第一应用的关联应用上的行为数据,比如,可以存储与即时通讯应用使用同一帐号登录的音乐应用、新闻应用、购物应用上的行为数据,可选地,该目标数据库存储用户访问网站、观看视频、浏览新闻,搜索内容、下单购物、连接热点等行为数据,此处不做任何限制。
在根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征之前,在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据,也即,基于第一组行为数据和/或第二组行为数据进行相似人群扩散。
可选地,该实施例可以通过相似人群扩散算法(Lookalike)将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据。其中,相似人群扩散算法可以基于广告主提供的现有用户/设备ID,通过算法评估模型找到更多拥有潜在关联性的相似人群的方法,也即,为挖掘相似人群的方法,可以按照预定逻辑规律找到与种子用户相关联的关联性群体,还可以根据种子用户的共有属性进行关联性拓展,以获取潜在的目标人群。比如,按照保健、医疗服务等特征找到与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的第三组行为数据,可以在保证精准定向效果的同时,扩大投放用户覆盖面。
在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据之后,从第一组行为数据、第二组行为数据和第三组行为数据中提取出与第一帐号相匹配的目标行为特征,比如,在基于关注公众号的第一帐号在对应的即时通讯应用中的行为数据、第一帐号所在的目标终端中运行的多个第二帐号在对应的其它应用中的行为数据和进行相似性扩散后的行为数据中提取出目标行为特征,进而确定与该目标行为特征相关联的第一帐号集合。
作为一种可选的实施方式,在步骤S208,获取与目标行为特征相关联的第一帐号集合之后,该方法还包括:在目标数据库中,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,其中,目标数据库中至少存储有多个帐号在对应的第一应用中的行为数据,每个帐号分别用于登录对应的第一应用的客户端,且多个帐号包括多个第一帐号;获取与第四组行为数据相关联的第二帐号集合,其中,第二帐号集合中包括的多个第二目标帐号分别用于登录对应的第二目标应用的客户端;将第二帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第二帐号集合投放目标媒体文件。
该实施例从第一组行为数据和第二组行为数据中确定目标行为特征,对与该目标行为特征相关联的第一帐号集合进行相似性扩散,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,该第四组行为数据为对多个第一目标帐号分别在对应的第一目标应用中的行为数据进行相似性扩散的结果。获取与第四组行为数据相关联的第二帐号集合,该第二帐号集合也即扩散人群包,第二帐号集合中包括的多个第二目标帐号分别用于登录对应的第二目标应用的客户端,可选地,只有当第一帐号集合中的多个第一目标帐号的数量大于目标数量的情况下,才可以对第一帐号集合进行扩散,比如,目标数量为1万,也即,只有覆盖人数大于1万的人群包才可以进行相似性扩散,从而将通过相似性扩散确定出目标行为特征相似的更多人群。
可选地,在平台客户端显示的界面上,执行目标操作,以触发用于请求平台服务器在目标数据库中,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据的目标请求,平台服务器在接收到该目标请求之后,响应该目标请求,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,进而可以在第一帐号集合和第二帐号集合中选择第二帐号集合,将第二帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第二帐号集合投放目标媒体文件,从而使得媒体文件投放更加智能精准,提高了对媒体文件进行投放的效率。
可选地,该实施例的平台客户端为该实施例的产品在用户侧的展现端,也即,为用于该实施例的方案的产品在本地为用户提供服务的一端,可以安装在智能手机、平板电脑、掌上电脑以及移动互联网设备、PAD等终端设备,此处不做任何限制。
作为一种可选的实施方式,在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据包括:获取目标设置信息,其中,目标设置信息用于设置第三组行为数据所来自的帐号的数量;在目标数据库中,按照目标设置信息将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据。
在该实施例中,在通过相似性扩散算法确定第三组行为数据时,可以先获取目标设置信息,通过该目标设置信息确定第三组行为数据所来自的帐号的数量,也即,目标人群规模。可选地,在平台客户端显示的界面上,确定该目标设置信息,该目标设置信息可以根据用户需求进行设定,比如,在平台客户端界面上,通过“扩散”按钮接收目标操作指令,进入人群扩散界面,在该人群扩散界面上输入目标人群规模。在获取目标设置信息之后,在目标数据库中,按照目标设置信息将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据。
可选地,该实施例还可以通过目标设置信息设置第二帐号集合中包括的多个第二目标帐号的信息,比如,设置多个第二目标帐号的数量。在该人群扩散界面上输入目标人群规模,还可以直接定义第二帐号集合的名称。在获取目标设置信息之后,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,且获取与第四组行为数据相关联的第二帐号集合。
作为一种可选的实施方式,步骤S208,获取与目标行为特征相关联的第一帐号集合包括:从第一组行为数据、第二组行为数据和第三组行为数据的至少一种数据中,确定与包括目标行为特征的行为数据对应的多个第三帐号;通过多个第三帐号确定第一帐号集合。
在该实施例中,在获取与目标行为特征相关联的第一帐号集合时,可以从第一组行为数据、第二组行为数据和第三组行为数据的至少一种数据中,确定与包括目标行为特征的行为数据对应的多个第三帐号,比如,在基于关注公众号的第一帐号在对应的即时通讯应用中的行为数据、第一帐号所在的目标终端中运行的多个第二帐号在对应的其它应用中的行为数据和进行相似性扩散后的行为数据中,确定与包括目标行为特征的行为数据对应的多个第三帐号,进而通过该多个第三帐号生成第一帐号集合。
作为一种可选的实施方式,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据包括:通过第一目标模型对第一组行为数据和/或第二组行为数据中的行为特征进行处理,得到第三组行为数据,其中,第一目标模型为利用行为数据样本对第一初始模型进行训练,所得到的用于确定与输入的行为数据的相似度大于目标阈值的行为数据的模型。
在该实施例中,在将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据之前,利用行为数据样本对第一初始模型进行训练,得到用于确定与输入的行为数据的相似度大于目标阈值的行为数据的第一目标模型。
下面对该第一目标模型的训练过程进行介绍。
该实施例的相似人群扩散算法用于寻找相似人群,将种子客群作为训练第一目标模型的正样本。负样本会从非种子客群,或者是从平台历史积累的一些人群中进行选取,因而Lookalike算法就转化为一个二分类的模型,将上述正样本和负样本组成机器学习的行为数据样本,通过该行为数据样本对第一初始模型进行训练,得到第一目标模型之后,可以利用第一目标模型对第一组行为数据和/或第二组行为数据中的行为特征进行处理,得到第三组行为数据,与包括第三组行为数据的行为数据对应的多个帐号即为扩散后的目标人群的帐号。
该实施例可以将Lookalike算法看作是一个监督学习的二分类问题,行为数据样本的正样本可以为提取的人群包,行为数据样本的负样本需要从大量的背景用户中进行选择。行为数据样本的负样本选取的方法包括正样本无标签学习方法(Positive andunlabeled learning,简称为PUlearning)和定制化选取方法。其中,PUlearning方法是已知少量正样本和大量的无标签样本的半监督学习问题。定制化选取方法为针对同一类广告主,依据历史积累数据,或者根据常识使用某些用户画像标签进行筛选得到行为数据样本,可以利用行为数据样本对第一初始模型进行训练。比如,对于英语早教这个类别的广告主,可以筛选出较低和较高年龄段,以及人生状态是单身的用户作为行为数据样本中的负样本。
可选地,该实施例的PUlearning方法基于SPY算法,该SPY算法基于的假设是:SPY样本与正样本无标签学习方法中潜在的正样本是相似的,利用已知的SPY样本的得分可以区分出正样本标签学习方法中的正反例。具体算法流程可以为:选取正例中的一部分作为SPY样本,移动到无标签样本中;通过SPY样本训练一个可以输出概率预测结果的基分类器;根据SPY样本的概率得分确定一个概率阈值;将无标签样本概率得分中低于该阈值的作为可信负样本。
该实施例的PUlearning方法还基于迭代查找(Iteratively find)。首先从无标签样本中找出可信度比较高的反例,记录为RN1,然后使用RN1与正样本集合P作为训练集,训练一个分类器M1;使用M1对剩下的无标签样本做预测,将预测为负的样本加入到RN1中成为RN2,使用RN2和P作为训练集,训练一个分类器M2;重复上述步骤,直到RNi的样本不能再增加,这时候得到了M1,M2,...,Mi,选取其中性能最好的分类器。
该实施例的PUlearning方法还通过基于距离的方法(LCLC)实现。首先使用聚类方法将无标签样本集合聚类成为k个簇;将这k个簇中距离正样本最远的那些簇记为RN簇,其余的簇记为AMBI簇,正样本簇记为P;选择与P最近的AMBI簇C1,将其与P连接起来,然后选择与C1最近的AMBI簇,将其连接起来,直至到达一个RN簇,这样就生成了一条从P到RN的链路;使用同样的方法生成其他P到RN的链路,直到所有的AMBI簇都被链接起来;遍历所有的链路,删除距离大于一个阈值的所有链路;则与P连接的所有簇认为是行为数据样本的正样本,其余是行为数据样本的负样本,从而能够找到不规则的边界,并且基于簇(cluster)的PUlearning方法对噪声具有更好的鲁棒性。
该实施例的定制化方法将对全量用户进行抽样所得到的结果作为行为数据样本的负样本,其中,全量用户抽样中可能会包含行为数据样本的正样本,并且曝光未点击用户可能不足;依据标签选取行为数据样本的负样本,比如,针对英语早教的扩散需求,对于没有小孩的用户一般对这类广告不会有兴趣,可以通过标签筛选,找出年龄小于20岁,或者婚恋状态为单身的用户作为行为数据样本的负样本;使用曝光未点击用户作为行为数据样本的负样本,曝光未点击用户是之前的预测分数较高,但在实际投放中不感兴趣的用户,引入曝光未点击用户需要对历史的投放数据有积累。
可选地,该实施例的定制化的Lookalike框架可以通过以下步骤实现:样本与特征拼接,将正负号码包与拼接好的特征做连接(join);特征过滤,根据维表的配置筛选出一部分行为特征作为本次训练的行为特征;特征编码,对行为特征做独热码(onehot)编码;模型训练,可以使用机器学习库(spark mllib)或开源模型对行为数据样本进行训练;大盘预测,对候选集用户预测;为了优化大盘预测排序导致的性能开销,可以使用抽样排序的方法。该实施例从大盘中按照比例r随机采样一部分用户,对这部分用户进行排序,比如,需要扩散N个用户,则取抽样用户中第r*N个用户的打分作为TopN阈值,从而避免了对大盘用户排序。通过上述方法,利用行为数据样本对第一初始模型进行训练,得到用于确定与输入的行为数据的相似度大于目标阈值的行为数据的模型第一目标模型,其中,第一初始模型可以为初始建立的神经网络模型,进而通过第一目标模型对第一组行为数据和/或第二组行为数据中的行为特征进行处理,得到第三组行为数据。
作为一种可选的实施方式,在步骤S202获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据之前,该方法还包括:获取携带有目标传播帐号和媒体文件投放帐号的第一目标请求,其中,第一目标请求用于请求对目标传播帐号和媒体文件投放帐号进行绑定,以获取第一应用中订阅目标传播帐号的第一帐号在第一应用中的行为数据;响应第一目标请求,对目标传播帐号和媒体文件投放帐号进行绑定。
在该实施例中,在获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据之前,需要对目标传播帐号和媒体文件投放帐号进行绑定。在对目标传播帐号和媒体文件投放帐号绑定成的情况下,才可以获取订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,获取多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,再根据第一组行为数据和第二组行为数据提取出与第一帐号相关联的目标行为特征,进而获取与目标行为特征相关联的第一帐号集合,以允许媒体文件投放帐号向第一帐号集合投放目标媒体文件,也即,并不是所有的目标传播帐号都可以用于确定第一帐号集合,比如,并不是所有的公众号都可以用于确定粉丝人群包,需要通过绑定来授权,从而达到了防止滥用目标传播帐号的第一帐号的行为数据来投放媒体文件的效果,并且提高了对目标传播帐号进行使用的安全性,比如,防止滥用粉丝帐号的行为数据来投放广告的效果,并且提高了对公众号进行使用的安全性。
可选地,在平台客户端上触发携带有目标传播帐号和媒体文件投放帐号的第一目标请求,平台服务器获取该第一目标请求,并响应该第一目标请求,对目标传播帐号和媒体文件投放帐号进行绑定,从而使得媒体文件投放更加智能精准,提高了对媒体文件进行投放的效率。
可选地,该实施例可以通过对平台客户端上显示的二维码进行扫描来触发第一目标请求。其中,二维码用于指示对目标传播帐号和媒体文件投放帐号进行绑定。
可选地,该实施例还可以对目标传播帐号和媒体文件投放帐号进行解绑。
举例而言,在平台客户端的公众号设置界面,通过“操作”按钮响应目标操作指令,在平台客户端显示相应客户(媒体文件投放帐号)的公众号绑定和解绑操作页面。可以通过“绑定公众号”按钮响应目标操作指令,在平台客户端显示绑定页面,同时会出现一个需要公众号管理员扫描并授权的二维码图片,公众号管理扫描并授权即可触发第一目标请求,通过平台服务器响应第一目标请求,从而完成对目标传播帐号和媒体文件投放帐号进行绑定。
作为一种可选的实施方式,在步骤S204,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据之前,该方法还包括:通过第二目标模型对第一帐号在第一应用中的行为数据进行处理,确定第一帐号所在的目标终端,其中,第二目标模型为通过帐号样本中的帐号在终端上安装的对应应用上的行为数据和终端的属性信息对第二初始模型进行训练,所得到的用于确定输入帐号所在的终端的模型。
在该实施例中,在确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据之前,需要确定第一帐号所在的目标终端,该实施例可以通过第二目标模型对第一帐号在第一应用中的行为数据进行处理,从而确定第一帐号所在的目标终端,其中,第二目标模型可以通过包括帐号样本中的帐号在终端上安装的应用上的行为数据和终端的属性信息的训练数据对第二初始模型进行训练得到。其中,帐号样本为预先采集的包含大量帐号的样本,该大量帐号为终端上安装的不同应用的帐号,用于登录对应的应用的客户端,终端的属性信息可以为终端的运动传感器数据,该运动传感器数据包括终端的加速器数据和陀螺仪数据,其中,不同终端的运动传感器数据可以不同。可选地,该实施例挑选十几种品牌的大量终端,可以收集这些终端在使用过程中的加速器数据和陀螺仪数据,将其作为用于对第二初始模型进行训练的终端的属性信息。该实施例的第二初始模型为预先建立的神经网络模型,与最终训练好的用于确定输入帐号所在的终端的第二目标模型相对应。
作为一种可选的实施方式,通过第二目标模型对第一帐号在第一应用中的行为数据进行处理,确定第一帐号所在的目标终端之前,该方法还包括:获取帐号样本的帐号在终端上安装的应用上的携带有时间戳的行为数据和终端的在目标时间段内的属性信息;通过携带有时间戳的行为数据和终端在目标时间段内的属性信息,对时序子模型进行训练,得到时序模型,其中,第二初始模型包括时序子模型,第二目标模型包括时序模型。
下面对该实施例的第二目标模型的训练方法进行详细介绍。
该实施例的第二目标模型可以为设备指纹识别模型,为一种神经网络模型,可以通过深度学习建立设备指纹算法。在移动互联网环境下,同一个设备在不同应用下常表现出不同的ID,比如,同一设备在不同应用下对应有序列号(imei)、广告标示符(idfa)、即时通讯应用id等。为了实现媒体文件的精准投放或内容的精准推荐,可以通过用户画像(id-mapping)打通同一个设备的不同标识,比如,使不同应用下的序列号(imei)、广告标示符(idfa)、即时通讯应用id通过所处的同一个设备关联起来,从而提高用户识别率。
可选地,该实施例的第二初始模型为使用深度学习建立的时序子模型,第二目标模型为时序模型,可以为一种时间递归神经网络,包括设备指纹识别的算法。可选地,该实施例引入长短期记忆网络(Long Short-Term Memory,简称为LSTM)中的时序子模型,该长短期记忆网络为循环神经网络(Recurrent Neural Networks,简称为RNN)的一个变种,该循环神经网络为人工神经网络,在第t-1个时间步的判定会影响其在随后第t个时间步的判定。因而,循环神经网络有来自当下和不久之前的两种输入,此二者的结合决定了循环神经网络对于新数据将如何反应。
该实施例引入上述LSTM构建时序模型,可以获取帐号样本的帐号在终端上安装的应用上的携带有时间戳的行为数据和终端在目标时间段内的属性信息,可选地,将携带有时间戳的行为数据组成行为数据序列,将终端在目标时间段内的属性信息处理为时序形式的属性数据。
可选地,帐号样本的帐号在终端上安装的应用上的携带有时间戳的行为数据为非运动传感器数据,主要有终端上安装的应用(APP)在运行过程中的上报数据,该上报数据除了包括时间戳之外,还可以包括IP地址、平台信息、操作系统信息、分辨率等。其中,行为数据中对应的时间戳为用于训练时序模型的时序信息。
可选地,在将终端在目标时间段内的属性信息处理为时序形式的属性数据时,预先挑选十几种品牌的大量终端,采集这些终端的加速器在目标时间段内的数据和陀螺仪在目标时间段内的数据,其中,终端的加速器在目标时间段内的数据和陀螺仪在目标时间段内的数据是时序形式数据,且携带有时间戳,根据其中的每一个时间戳t,都可以获得六维数据,分别是加速度a(t)=(ax,ay,az)和角速度g(t)=(gx,gy,gz)。可选地,将目标时间段的终端的属性数据按某个时间间隔进行切分,并按照某个采样频率进行采样,就可以得到时序形式的属性数据。其中,属性数据中对应的时间戳为用于训练时序模型的时序信息。
举例而言,将目标时间段设置为6个月,采集上述终端的加速器在6个月的数据和陀螺仪在6个月的数据,其中,终端的加速器在6个月的数据和陀螺仪在6个月的数据是时序形式数据,且携带有时间戳,根据其中的每一个时间戳t,都可以获得六维数据,分别是加速度a(t)=(ax,ay,az)和角速度g(t)=(gx,gy,gz)。将6个月内的终端的属性数据按照5秒进行切分,并按照60HZ进行采样,就可以得到时序形式的属性数据。
在获取帐号样本的帐号在终端上安装的应用上的携带有时间戳的行为数据和终端的在目标时间段内的属性信息之后,通过携带有时间戳的行为数据和终端在目标时间段内的属性信息,对时序子模型进行训练,得到时序模型,比如,将传感器数据和非传感器数据对LSTM中的时序子模型进行训练,得到时序模型,从而通过时序模型对第一帐号在第一应用中的通过时间进行排序的行为数据序列进行处理,进而确定第一帐号所在的目标终端,也即,该实施例的时序模型可以判断输入的行为数据序列具体来自哪个设备。
可选地,该实施例基于上述方法构建的模型和传统的分类方法进行对比,比如,将其和支持向量机(Support Vector Machine,简称为SVM)、朴素贝叶斯(Naive-Bayes)、多类决策树(Multiclass Decision Tree)以及其他神经网络模型(比如,卷积神经网络模型CNN、CNN+短时傅里叶变换STFT)进行对比,由于时序模型基于携带有时间戳的行为数据和终端在目标时间段内的属性信息对时序子模型进行训练得到,也即,时序模型基于时序信息对时序子模型进行训练得到,在第t-1个时间步的判定会影响其在随后第t个时间步的判定,从而可以通过该时序模型对第一帐号在第一应用中的一段时间内的行为数据进行处理,准确识别出第一帐号所在的目标终端,取得很好的识别效果。
作为一种可选的实施方式,步骤S206,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征包括:获取至少一个目标标签,其中,目标标签用于指示待提取的目标行为特征的类型;在第一组行为数据和第二组行为数据中,将具有目标标签的行为数据确定为与第一帐号相匹配的目标行为特征。
在该实施例中,第一组行为数据和第二组行为数据可以具有用于指示其类型的标签,该标签也即画像标签、人群标签。在根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征时,可以获取至少一个目标标签,该目标标签用于指示待提取的目标行为特征的类型,可以用于描述目标行为特征,比如,该目标标签可以为基础标签、商业兴趣、广告点击偏好、视频浏览偏好、新闻浏览偏好、汽车兴趣、媒体兴趣等,其中,目标标签还可以进一步包括子标签,比如,基础标签包括性别、年龄、学历、星座、省份、城市、体育运动、医疗健康等标签,此处不做任何限制。
在获取至少一个目标标签之后,在第一组行为数据和第二组行为数据中,将具有目标标签的行为数据确定为与第一帐号相匹配的目标行为特征。
可选地,该实施例在平台客户端上进行操作,进入人群提取状态,通过勾选列表前的复选框,选取不同画像标签对应的人群,人群提取中多标签数据直接取交集,平台服务器可以根据取交集的多标签数据确定目标行为特征,获取与目标行特征相关联的第一帐号集合,可以将第一帐号集合的信息显示在平台客户端上,比如,将人群提取包包含人数的计算结果显示在平台客户端的悬浮区中。
作为一种可选的示例,步骤S206,根据第一组行为数据和第二组行为数据提取出与多个第一帐号相匹配的目标行为特征包括:获取至少一个第一目标标签,获取至少一个第二目标标签;在第一组行为数据和第二组行为数据中,将具有第一目标标签的行为数据确定为与多个第一帐号相匹配的第一目标行为特征,将具有第二目标标签的行为数据确定为与多个第一帐号相匹配的第二目标行为特征,其中,第一目标标签用于指示待提取的第一目标行为特征的类型,第二目标标签用于指示待提取的第二目标行为特征的类型;步骤S208,获取与目标行为特征相关联的第一帐号集合包括:获取与第一目标行为特征相关联的第一第一帐号集合,获取与第二目标行为特征相关联的第二第一帐号集合;步骤S210,将第一帐号集合推送至与目标传播帐号绑定的媒体文件投放帐号包括:获取第三目标请求,其中,第三目标请求用于请求将第一第一帐号集合或第二第一帐号集合确定为目标第一帐号集合;响应第三目标请求,将第一第一帐号集合或第二第一帐号集合确定为目标第一帐号集合,该目标第一帐号集合可以对应于广告受众;将目标第一帐号集合推送至与目标传播帐号绑定的媒体文件投放帐号。
可选地,该实施例可以从多个第一帐号集合中选择出最终要推送到媒体文件投放帐号的目标第一帐号集合,包括但不限于上述第一第一帐号集合和第二第一帐号集合,上述第一第一帐号集合和第二第一帐号集合仅为该实施例的一种举例,并不对本发明实施例造成限定。
举例而言,该实施例在投放媒体文件选择广告受众时,可以选择指定人群或选择定向包人群。其中,指定人群可以指定广告受众的性别和地区等,定向包可以指定已建立好的人群包。可选地,该实施例的第一帐号集合为在平台客户端的下拉列表中出现的人群包,可以为平台客户端在人群管理模块中计算完成的所有人群包。
作为一种可选的实施方式,在步骤S208,获取与目标行为特征相关联的第一帐号集合之后,该方法还包括:向平台客户端发送第一帐号集合的信息,以在平台客户端中显示第一帐号集合的信息。
在该实施例中,在获取与目标行为特征相关联的第一帐号集合之后,可以向平台客户端发送第一帐号集合的信息,比如,该第一帐号集合的信息包括多个第二帐号的数量、目标标签等,进而在平台客户端中显示第一帐号集合的信息。比如,在平台客户端上,当鼠标移入悬浮区时,悬浮区将展开显示第一帐号集合的信息。
作为一种可选的实施方式,在向平台客户端发送第一帐号集合的信息之后,该方法还包括:获取第二目标请求,其中,第二目标请求用于请求对第一帐号集合的信息进行修改;响应第二目标请求,对第一帐号集合的信息进行修改,并将修改后的第一帐号集合的信息发送至平台客户端,其中,修改后的第一帐号集合的信息显示在平台客户端。
在该实施例中,在向平台客户端发送第一帐号集合的信息之后,可以通过平台客户端对第一帐号集合的信息进行修改。在平台客户端上触发第二目标请求,该第二目标请求用于请求对第一帐号集合的信息进行修改,比如,删除目标标签、修改目标标签、增加目标标签等,此处不做任何限制。
举例而言,在平台客户端上,当鼠标移入悬浮区时,悬浮区将展开,在展开的悬浮区中显示第一帐号集合中帐号的数量,比如,显示“预计覆盖用户:106.194人”,还可以显示“性别:男”,“年龄:1-17”。其中,鼠标移动到每个人群标签上,可删除对应的人群标签;在点击确认后,可以提示输入人群包名称,并提示将直接应用于公众号内容营销等信息。在点击浮层确认后,人群包可以同步出现到客户端平台的人群管理的模块下。
该实施例通过设备指纹技术将订阅目标传播帐号的第一帐号的ID关联到第一帐号所在终端上的其它第二应用上的ID,以进行ID打通。在ID打通之后,关联出第一组行为特征和第二组行为特征(全部产品使用行为或倾向特征),再将第一组行为数据和/或第二组行为数据进行相似性扩散,在产品系统中扫描与之具有相似特征的人群包。在投放目标媒体文件时,可以选择直接定向的第一帐号集合,或者选择扩散之后的第一帐号集合,来完成目标媒体文件的投放,避免了通过自定义用户特征,广告主人工上传用户信息,导致难以获取投放人群更多的特征信息,使得媒体文件投放人群受限于人力资源,难以确保对媒体文件投放的准确度,解决了相关技术中对媒体文件的投放效率低的技术问题,进而达到了提高对媒体文件进行投放的效率的技术效果。
下面结合优选的实施例对本发明的技术方案进行说明。具体以媒体文件为广告进行举例说明。
下面对该实施例在产品应用层级的核心逻辑进行介绍。
图3是根据本发明实施例的一种在产品应用层级的广告投放方法的流程图。如图3所示,该方法包括以下步骤:
步骤S301,绑定公众号与媒体文件投放帐号。
该实施例的公众号可以为即时通讯应用的公众号。在,绑定公众号与媒体文件投放帐号时,需要公众号管理员扫描并授权的二维码图片,公众号管理员扫描并授权二维码图片即可完成公众号与媒体文件投放帐号的绑定,也即,允许获取公众号的所有粉丝用户的行为数据。在绑定公众号与媒体文件投放帐号之后,可以通过开放平台接口来拉取公众号的所有粉丝用户的行为数据,包括粉丝用户的ID。
步骤S302,获取公众号粉丝行为画像特征。
在绑定并授权公众号之后,可以通过设备指纹识别技术,通过用户画像(id-mapping)打通同一个设备的不同标识,将公众号的所有粉丝用户的ID与该粉丝在其它应用产品的ID进行关联,打通不同ID后的应该用可以实现跨应用的用户数据积累,从而关联出粉丝用户的全部产品使用行为或倾向特征,刻画出该粉丝用户的全面特征及行为画像。
步骤S303,提取公众号粉丝人群包。
在获取公众号粉丝特征之后,可以根据粉丝行为画像特征,选择全部粉丝或部分粉丝,提取出粉丝人群包。
步骤S304,对粉丝人群包进行扩散,得到更多与粉丝特征相似的扩散人群包。
在提取公众号粉丝人群包之后,可以通过Lookalike算法得到与粉丝人群包的粉丝特征相似的更多人群包,也即,得到扩散人群包。
步骤S305,从粉丝人群包和/或扩散人群包中选择定向投放的人群进行广告投放。
在提取公众号粉丝人群包,对粉丝人群包进行扩散,得到更多与粉丝特征相似的扩散人群包之后,可以直接选择从粉丝人群包中选择广告定向投放的人群进行广告投放,也可以从扩散人群包中选择广告定向投放的人群进行广告投放。
在相关技术中,广告投放在选择定向人群的时候,只能自定义用户特征标签,无法与公众号的粉丝用户行为画像数据结合。由于公众号粉丝用户是产品、服务现有的或忠实的用户群体,该实施例利用设备指纹识别技术将公众号粉丝用户的ID打通至数据管理平台DMP标签系统中,也即,将公众号粉丝用户的ID与该粉丝用户在其它产品上的ID进行关联,比如,将公众号粉丝用户的ID关联到视频应用的ID、新闻应用的ID等,关联出粉丝用户的全部产品使用行为或倾向特征,从而全面刻画出粉丝用户的行为画像特征,得到基于粉丝用户的画像特征的人群包,再通过人群相似扩散Lookalike技术,将公众号粉丝用户的用户群体作为种子人群,在DMP中查找出与粉丝用户的行为画像特征相似的行为画像特征的用户作为扩散人群包,从而使得广告的投放群体扩大到更多的潜在粉丝群体,也即,扩大到潜在的产品或服务用户,扩散出的人群包也用于广告投放,这样在广告投放中,将这些人群作为广告投放的定向人群,从而使得广告投放更加智能精准,优化了广告投放效果。
下面对该实施例在产品中的应用进行介绍。
图4是根据本发明实施例的一种公众号设置界面的示意图。如图4所示,在公众号设置页面中,显示有客户名称a、b、c和d,显示行业A、B、C和D,显示公众号名称xxx、yyy、ccc和www,通过与客户名称对应的“操作”按钮接收操作指令,可进入与客户名称对应的公众号绑定和解绑操作页面。比如,点击与客户名称a对应的“操作”按钮,进入客户名称a对应的公众号绑定和解绑的操作页面。
图5是根据本发明实施例的一种绑定公众号的界面的示意图。如图5所示,在进入客户名称a对应的公众号绑定操作页面之后,可以通过“绑定公众号”按钮接收操作指令,从而进入对公众号进行绑定的页面。可以在公众号的绑定页面显示一个需要公众号管理员扫描并授权的二维码图片,公众号管理扫描并授权即可完成对公众号的绑定,从而可以通过开放平台接口来拉取公众号的所有粉丝用户的行为数据。
该实施例还可以在绑定公众号的界面返回图4所示的公众号设置界面。
图6是根据本发明实施例的一种申请高级画像权限的示意图。如图6所示,在绑定公众号之后,能获取公众号的粉丝数和粉丝画像的行为特征信息。基于对用户隐私进行保护的原则,可以设置公众号粉丝数量大于目标阈值才能申请开通高级画像,允许获取粉丝用户的行为特征信息,可选地,该目标阈值为500。
在公众号设置的页面中,有对每个公众号(包括服务号、订阅号)开通高级画像权限的按钮。可以通过该按钮来申请高级画像权限。
图7是根据本发明实施例的一种人群提取的界面的示意图。如图7所示,刻画粉丝特征并提取粉丝人群包。在该实施例中,高级画像可以提供8个维度的标签来描述公众号粉丝的行为画像特征,比如,通过基础标签、商业兴趣、广告点击偏好、视频浏览偏好、汽车兴趣、媒体兴趣、兴趣部落偏好的维度的标签来描述公众号粉丝的行为画像特征。另外,该实施例的高级画像行为数据还可以用于向人群提取功能,可以将高级行为画像数据中符合营销需求的特定标签的粉丝人群提取为新的人群包,也即,粉丝人群包。
可选地,通过人群提取的界面中的“人群提取”按钮接收操作指令,进入人群提取状态,可以通过勾选列表前的复选框,选取不同标签所对应的人群。如果在人群提取中勾选多标签,则可以通过多标签下的行为数据的交集来确定粉丝人群包。
图8是根据本发明实施例的一种粉丝人群包的信息显示的示意图。如图8所示,粉丝人群提取包包含人数的计算结果显示在屏幕右侧悬浮区,当鼠标移入右侧悬浮区时,悬浮区将展开。
图9是根据本发明实施例的一种悬浮区展开的示意图。如图9所示,当鼠标移动到每个标签上时,可以对该标签进行操作,可以删除对应的标签。比如,将鼠标移动到年龄标签上,则可以删除年龄标签,进而可以通过“确认”按钮进行确认。
图10是根据本发明实施例的一种保存粉丝人群包的示意图。如图10所示,在图9所示的界面上点击确认之后,在浮层提示输入人群包名称,比如,在输入栏的显示人群包名称(建议命名为公众号名称+人群包名称),并提示在提取完成后,可在公众号营销内容发布时直接选择该人群包,从而将其直接应用于公众号内容营销。
图11是根据本发明实施例的一种人群管理的示意图。如图11所示,在图10所示的界面上点击确定之后,可以依然停留在该页,人群包将会同步出现到“人群管理”的模块下。该实施例的人群管理模块包括人群包ID、名称、来源、客户、规模、人群包状态、更新时间、应用、操作、其中,人群包ID可以为49、48、47、46;名称可以为y9-男-上海、y9-网络设备、y9-白羊、y9-男-上海;客户为a;规模可以为6、8426、0、268;人群包可以为计算完成;更新时间可以为2018-03-26 16:54:14、2018-03-22 12:58:23、2018-03-21 21:05:20、2018-03-2121:00:44;应用可以为广告投放公众号营销。
下面对该实施例的人群包扩散进行介绍。
在该实施例中,对在高级画像提取的人群包的特征进行Lookalike扩散,从而应用于广告投放定向。扩散后的人群包也同样可以进行扩散。
图12是根据本发明实施例的一种人群扩散的界面的示意图。如图12所示,在显示的人群扩散页面中,显示有原人群包名称和原人群规模,比如,原人群包名称为“全部商业兴趣”,原人群规模为“23,088”。输入目标人群规模(允许一位小数,以万为单位),并且输入人群名称,比如,为人群扩散_全部商业兴趣。其中,大于1万的人群包才能进行扩散,且大于1万的人群包才能用于广告投放。
图13是根据本发明实施例的一种广告投放的界面的示意图。如图13所示,在投放广告选择广告受众时,可以选择指定人群或定向包人群。指定人群可以指定性别、地区等;定向包人群可以指定人群包,比如,从下拉列表中出现的人群包来确定指定人群包,该人群包可以是通过高级画像提取的粉丝人群包,也即,在“人群管理”模块中计算完成的所有人群包。还可以是对粉丝人群包进行扩散之后的人群包,从而将广告投放至所选择的人群包对应的帐号,提高了对广告进行投放的效率。
下面从技术侧对本发明实施例的方案进行介绍。
在移动互联网环境下,同一个设备在不同应用下会有不同的ID,比如,具有手机序列号(imei)、广告标示符(idfa)、即时通讯应用的id等,为了实现广告的精准投放或内容的精准推荐,可以通过用户画像id-mapping打通同一个设备的不同标识。在打通不同ID之后,就可以实现跨应用的用户数据积累,从而提高用户识别率。
可选地,该实施例使用深度学习建立设备指纹算法,可以使用长短期记忆网络LSTM构建神经网络,该LSTM为一种时间递归神经网络,用于处理和预测时间序列中间隔和延迟相对较长的重要事件。
循环神经网络RNN是一类人工神经网络,与前馈网络不同,其输入不仅包括当前所见的输入样例,还包括该网络在上一个时刻所感知到的信息。
需要说明的是,该实施例图4至图13仅为本发明实施例对平台客户端的应用场景的一种举例说明,并不代表本发明实施例的平台客户端的应用场景仅为上述场景,任何可以通过设备指纹技术将公众号粉丝的ID关联到该粉丝在其他产品的ID,以进行ID打通,从而关联出该粉丝的全部产品使用行为或倾向特征,将公众号粉丝作为种子人群包进行扩散,在产品系统中扫描与之具有相似特征的人群包,来完成广告投放,以实现广告主在营销过程中利用公众号粉丝特征进行广告投放的效果的平台客户端的应用场景都在该实施例的范围之内,此处不再一一举例说明。
图14是根据本发明实施例的一种循环神经网络的示意图。如图14所示,循环网络在第t-1个时间步的判定会影响其在随后的第t个时间步的判定。因而,循环神经网络有来自当下和不久之前的两种输入,此二者的结合决定了循环神经网络对于新数据如何处理。长短时记忆网络LSTM是基于循环神经网络RNN得到的。
可选地,Ot=g(VSt),St=f(UXt+WSt-1),其中,U、V、W用于表示训练的参数,Xt用于表示t时刻输入,Ot用于表示t时刻输出,Ot-1用于表示t-1时刻输出,Ot+1用于表示t+1时刻输出,St用于表示t时刻记忆,St-1用于表示t-1时刻记忆。在计算Ot的时候,不仅用到了Xt,还用到了Xt-1(t-1时刻输入),间接用到了Xt-2(t+1时刻输入)等。
该实施例的设备指纹识别的神经网络模型可以基于LSTM建立。该模型可以用于对输入的一个数据序列进行处理,判断该数据是来自哪个设备,也即,确定该数据来自哪个用户。构建的模型结构如下图。
图15是根据本发明实施例的一种设备指纹识别的神经网络模型的示意图。如图15所示,该神经网络模型的结构包括输入层(ipput)经过隐藏层1(Hidden layer1)进行处理、输入至长短期记忆网络LSTM1,再经长短期记忆网络LSTM2进行处理,输入至隐藏层2(Hidden layer2),软最大层(Soft-max layer)为该神经网络模型的最后一层。
该实施例的用于训练模型的用户数据主要包括运动传感器数据和非传感器数据。运动传感器数据可以采集自移动设备的加速器和陀螺仪。该实施例可以挑选十几种品牌的大量移动设备,收集了设备在目标时间段内的加速器时序形式数据和陀螺仪时序形式数据,对于其中每一个时间戳t,可以获得六维数据,分别是加速度a(t)=(ax,ay,az)和角速度g(t)=(gx,gy,gz)。将一段时间的数据按某个时间间隔进行切分,比如,按照5秒进行切分,并按某个采样频率进行采样,比如,按照60HZ进行采样,从而就可以得到一个数据序列。
该实施例的非运动传感器数据主要有用户移动设备端安装的应用App的上报数据,可以包括时间戳、IP地址、平台、操作系统、分辨率。将传感器数据和非传感器数据输入至训练模型中。
该实施例将构建的模型和传统的分类方法进行对比,比如,和支持向量机(Support Vector Machine,简称为SVM)、朴素贝叶斯(Naive-Bayes)、多类决策树(Multiclass Decision Tree)以及其他神经网络模型(比如,卷积神经网络模型CNN、CNN+短时傅里叶变换STFT)做了对比,基于LSTM构建的模型可以取得93%的F分数(F-score),而上述其它方法最高只取得了79%的F-score。
在该实施例中,基于LSTM的设备指纹识别模型和基于传感器数据的设备指纹识别领域的多个场景下的方法进行全面对比,这些对比场景包括了不同的运动状态、不同采集时长下的精度(Accuracy)和F分数(F-score),基于LSTM的设备指纹识别模型可以取得非常好的效果。
下面对该实施例的Lookalike算法进行介绍。
图16是根据本发明实施例的一种Lookalike算法的示意图。如图16所示,Lookalike是寻找相似性。可以通过一系列的客群范围(种子用户),作为机器学习的正样本。负样本会从非种子客群,或者是从平台历史积累的一些人群中进行选取,这样Lookalike算法就转化为一个二分类的模型,通过正样本、负样本组成学习的样本。在对模型进行训练之后,可以利用模型结构对活跃客群进行打分,基于用户画像和关系链挖掘相似用户,扩大受众,最后得到广告主需要的目标人群,进而向目标人群展示广告。
可选地,该实施例将Lookalike的问题看作是一个监督学习的二分类问题,正样本就是广告主获得的人群包,负样本则需要从大量的背景用户当中进行选择。其中,负样本选取的方法主要有定制化选取和正样本无标签学习(Positive and unlabeled learning,简称为PUlearning)两种方法。定制化选取就是针对同一类广告主,根据历史积累数据,或者根据常识使用某些用户画像标签进行筛选得到。比如,对于英语早教这个类别的广告主,会筛选出较低和较高年龄段,以及状态是单身的用户作为负样本。PUlearning的方式则是把这个问题作为已知少量正样本和大量的无标签样本的半监督学习问题(Learning fromPositive and Unlabled Example)。
下面对该实施例的正样本无标签学习的方法进行介绍。
正样本无标签学习的方式主要基于SPY算法,该SPY算法所基于的假设是SPY样本与无标签(unlabel)中潜在的正样本是相似的,通过已知的SPY的得分可以区分出unlabel中的正反例。具体算法的流程可以如下:
S1,选取正例中的一部分作为SPY样本,移动到unlabel样本中;
S2,将P-SPY标记为正样本,将U+SPY标记为负样本,通过正样本和负样本训练一个可以输出概率预测结果的基分类器;
S3,根据SPY样本的概率得分确定一个概率阈值;
S4,将unlabel样本概率得分中低于该阈值的作为可信负样本。
该实施例的正样本无标签学习的方式还通过迭代查找算法(Iteratively find)实现。
S1,从unlabel中找出可信度比较高的反例,记录为RN1,然后使用RN1与正样本集合P作为训练集,训练一个分类器M1;
S2,使用M1对剩下的unlabel样本进行预测,将预测为负的样本加入到RN1中成为RN2,使用RN2和正样本集合P作为训练集,训练一个分类器M2;
S3,重复步骤S2,直到RNi的样本不能再增加,这时候得到了M1,M2,...,Mi,选取其中性能最好的分类器。
该实施例的正样本无标签学习的方式还通过基于距离的方法(LCLC)进行实现,其算法流程如下:
S1,首先使用聚类方法将Unlabel样本集合聚类成为k个簇;
S2,将这k个簇中距离正样本最远的那些簇记为RN簇,将其余的簇记为AMBI簇,正样本簇记为P;
S3,选择与P最近的AMBI簇C1,将其与P连接起来,然后选择与C1最近的AMBI簇,将其与P连接起来...,直到到达一个RN簇,这样就生成了一条从P到RN的链路;
S4,使用同样的方法生成其他P到RN的链路,直到所有的AMBI簇都被链接起来;
S5,遍历所有的链路,删除距离大于一个阈值的所有链路;
S6,与P连接的所有簇认为是正样本,其余是负样本。
图17是根据本发明实施例的一种确定正样本和负样本的示意图。如图17所示,与P连接的所有簇U1、簇U2、簇U3、簇U4、簇U5、簇U6、簇U7可以认为是正样本,而簇U8和簇U9是负样本。
在该实施例中,相比于直接使用距离的方法,LCLC能够找到不规则的边界,并且基于簇(cluster)的PUlearning会比基于类实例化以后成为一个对象(instance)的对噪声有更好的鲁棒性。
下面对该实施例的定制化选取的方法进行介绍。
该实施例从全量用户中抽样作为负样本,全量用户抽样中可能会包含正样本,并且曝光未点击用户可能不足。这种方法可能会导致实际效果欠佳。
可选地,该实施例依据标签选取负样本,比如,针对英语早教的扩散需求,通常对于没有小孩的用户一般对这类广告不会有兴趣,通过标签筛选,找出年龄小于20岁,或者婚恋状态为单身的用户作为负样本。但是这种选取方式可能会导致本地测试时的评价指标AUC偏高,实际投放效果却不好。这是因为问题可能被简化为“找出低龄用户”,模型能够很好的把低龄用户区分出来,但在生成的扩散包中很有可能会混有大量年龄在30~40岁之间,并且对该类广告不感兴趣的用户。由于AUC比较高,这种选取方式也难以观察到特征优化的效果。其中,AUC是用于衡量二分类模型优劣的一种评价指标,可以表示正例排在负例前面的概率。
可选地,该实施例使用曝光未点击用户作为负样本。曝光未点击用户是之前的预测分数较高,但在实际投放中不感兴趣的用户。引入曝光未点击用户需要对历史的投放数据有积累,在引入之后AUC会比较低,这是由于这里的分类问题变得比之前更难了,需要更强的特征才能让模型区分出来。这种方法也提供了一个更可靠的AUC,针对这个AUC来做特征优化可以是Lookalike优化的一个正确方向。
下面对该实施例的定制化的Lookalike框架进行介绍。
该实施例的Lookalike框架可以包括以下步骤:
S1,对样本与特征进行拼接,可以将正负号码包与拼接好的画像特征进行连接。
S2,对特征进行过滤,根据维表的配置筛选出部分特征作为本次训练的特征。
S3,特征编码,可以对特征做独热编码onehot。
S4,模型训练,可以使用通用并行框架机器学习库(spark mllib)或开源模型进行训练。
S5,大盘预测,对候选集的用户进行预测。
S6,排序,为了降低大盘预测排序导致的性能开销,该实施例可以使用抽样排序的方法,从大盘中按照比例r随机采样一部分用户,对这部分用户进行排序,假设需要扩散N个用户,则取抽样用户中第r*N个用户的打分作为TopN阈值,避免了对大盘用户进行排序。
该实施例通过设备指纹技术将公众号粉丝的ID关联到该粉丝在其他产品的ID,以进行ID打通。在ID打通之后,关联出该粉丝的全部产品使用行为或倾向特征。再将公众号粉丝作为种子人群包进行Lookalike扩散,在产品系统中扫描与之具有相似特征的人群包。在广告定向时,选择直接定向的人群包,或者选择扩散之后的人群包,来完成广告投放,解决了广告主在营销过程中无法利用公众号粉丝特征进行广告投放的问题。通过将微信粉丝特征全面刻画并提取扩散,从而提升了多渠道的联动营销效率和广告投放的效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一方面,还提供了一种用于实施上述媒体文件的投放方法的媒体文件的投放装置。图18是根据本发明实施例的一种媒体文件的投放装置的示意图。如图18所示,该媒体文件的投放装置180可以包括:第一获取单元10、第一确定单元20、提取单元30、第二获取单元40和推送单元50。
第一获取单元10,用于获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端。
第一确定单元20,用于确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端。
提取单元30,用于根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征。
第二获取单元40,用于获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端。
推送单元50,用于将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
可选地,该装置还包括:第二确定单元,用于在根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征之前,在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据,其中,目标数据库中至少存储有多个帐号在对应的第一应用中的行为数据,每个帐号分别用于登录对应的第一应用的客户端,且多个帐号包括多个第一帐号;提取单元30包括:提取模块,用于从第一组行为数据、第二组行为数据和第三组行为数据中提取出与第一帐号相匹配的目标行为特征。
可选地,第二确定单元包括:获取模块,用于获取目标设置信息,其中,目标设置信息用于设置第三组行为数据所来自的帐号的数量;确定模块,用于在目标数据库中,按照目标设置信息将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据。
需要说明的是,该实施例中的第一获取单元10可以用于执行本申请实施例1中的步骤S202,该实施例中的第一确定单元20可以用于执行本申请实施例1中的步骤S204,该实施例中的提取单元30可以用于执行本申请实施例1中的步骤S206,该实施例中的第二获取单元40可以用于执行本申请实施例1中的步骤S208,该实施例中的推送单元50可以用于执行本申请实施例1中的步骤S210。
在该实施例中,由于将订阅目标传播帐号的第一帐号和与第一帐号所在的目标终端中运行的多个第二帐号进行打通,获取第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,获取多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,该第二组行为数据和第一组行为数据都可以作为与第一帐号(对应用户)相关的行为数据,再根据第一组行为数据和第二组行为数据提取出与第一帐号相关联的目标行为特征,从而实现了获取订阅目标传播帐号的第一帐号的丰富的行为特征,进而获取与目标行为特征相关联的第一帐号集合(对应投放人群),也即,结合目标传播帐号确定目标媒体文件的投放对象,最后将与目标行为特征相关联的第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件,实现了对目标媒体文件进行定向投放的目的,避免了通过自定义用户特征,广告主人工上传用户信息,导致难以获取投放人群更多的特征信息,使得媒体文件投放人群受限于人力资源,难以确保对媒体文件投放的准确度,解决了相关技术中对媒体文件的投放效率低的技术问题,进而达到了提高对媒体文件进行投放的效率的技术效果。
此处需要说明的是,上述单元和模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本发明实施例的又一方面,还提供了一种用于实施上述媒体文件的投放方法的电子装置。
图19是根据本发明实施例的一种电子装置的结构框图。如图19所示,该电子装置包括存储器1902和处理器1904,该存储器中存储有计算机程序,该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器1904可以被设置为通过计算机程序执行以下步骤:
S1,获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端;
S2,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端;
S3,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征;
S4,获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;
S5,将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
可选地,本领域普通技术人员可以理解,图19所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图19其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图19中所示更多或者更少的组件(如网络接口等),或者具有与图19所示不同的配置。
其中,存储器1902可用于存储软件程序以及模块,如本发明实施例中的媒体文件的投放方法和装置对应的程序指令/模块,处理器1904通过运行存储在存储器1902内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的媒体文件的投放方法。存储器1902可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1902可进一步包括相对于处理器1904远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1902具体可以但不限于用于存储目标传播帐号的多个第一帐号的信息。作为一种示例,如图19所示,上述存储器1902中可以但不限于包括上述媒体文件的投放装置180中的第一获取单元10、第一确定单元20、提取单元30、第二获取单元40和推送单元50。此外,还可以包括但不限于上述媒体文件的投放装置中的其他模块单元,本示例中不再赘述。
上述的传输装置1906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1906包括一个网络适配器(NetworkInterface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1906为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器1908,用于显示上述目标代码在第一目标函数中的执行状态;连接总线1910,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据,其中,目标传播帐号与多个第一帐号具有订阅关系,每个第一帐号分别用于登录对应的第一应用的客户端;
S2,确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个第二帐号分别用于登录对应的第二应用的客户端;
S3,根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征;
S4,获取与目标行为特征相关联的第一帐号集合,其中,第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;
S5,将第一帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第一帐号集合投放目标媒体文件。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在根据第一组行为数据和第二组行为数据提取出与第一帐号相匹配的目标行为特征之前,在目标数据库中,将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据,其中,目标数据库中至少存储有多个帐号在对应的第一应用中的行为数据,每个帐号分别用于登录对应的第一应用的客户端,且多个帐号包括多个第一帐号;
S2,从第一组行为数据、第二组行为数据和第三组行为数据中提取出与第一帐号相匹配的目标行为特征。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标设置信息,其中,目标设置信息用于设置第三组行为数据所来自的帐号的数量;
S2,在目标数据库中,按照目标设置信息将与第一组行为数据和/或第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,从第一组行为数据、第二组行为数据和第三组行为数据的至少一种数据中,确定与包括目标行为特征的行为数据对应的多个第三帐号;
S2,通过多个第三帐号确定第一帐号集合。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取与目标行为特征相关联的第一帐号集合之后,在目标数据库中,确定与第一帐号集合中的多个第一目标帐号分别在对应的第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,其中,目标数据库中至少存储有多个帐号在对应的第一应用中的行为数据,每个帐号分别用于登录对应的第一应用的客户端,且多个帐号包括多个第一帐号;
S2,获取与第四组行为数据相关联的第二帐号集合,其中,第二帐号集合中包括的多个第二目标帐号分别用于登录对应的第二目标应用的客户端;
S3,将第二帐号集合推送至与目标传播帐号对应的媒体文件投放帐号,以使媒体文件投放帐号向第二帐号集合投放目标媒体文件。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
通过第一目标模型对第一组行为数据和/或第二组行为数据中的行为特征进行处理,得到第三组行为数据,其中,第一目标模型为利用行为数据样本对第一初始模型进行训练,所得到的用于确定与输入的行为数据的相似度大于目标阈值的行为数据的模型。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在获取第一应用中订阅目标传播帐号的第一帐号在对应的第一应用中的行为数据,得到第一组行为数据之前,获取携带有目标传播帐号和媒体文件投放帐号的第一目标请求,其中,第一目标请求用于请求对目标传播帐号和媒体文件投放帐号进行绑定,以获取第一应用中订阅目标传播帐号的第一帐号在第一应用中的行为数据;
S2,响应第一目标请求,对目标传播帐号和媒体文件投放帐号进行绑定。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在确定第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据之前,通过第二目标模型对第一帐号在第一应用中的行为数据进行处理,确定第一帐号所在的目标终端,其中,第二目标模型为通过帐号样本中的帐号在终端上安装的对应应用上的行为数据和终端的属性信息对第二初始模型进行训练,所得到的用于确定输入帐号所在的终端的模型。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
在通过第二目标模型对第一帐号在第一应用中的行为数据进行处理,确定第一帐号所在的目标终端之前,获取帐号样本的帐号在终端上安装的应用上的携带有时间戳的行为数据和终端的在目标时间段内的属性信息;通过携带有时间戳的行为数据和终端在目标时间段内的属性信息,对时序子模型进行训练,得到时序模型,其中,第二初始模型包括时序子模型,第二目标模型包括时序模型。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取至少一个目标标签,其中,目标标签用于指示待提取的目标行为特征的类型;
S2,在第一组行为数据和第二组行为数据中,将具有目标标签的行为数据确定为与第一帐号相匹配的目标行为特征。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
在获取与目标行为特征相关联的第一帐号集合之后,向平台客户端发送第一帐号集合的信息,以在平台客户端中显示第一帐号集合的信息。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,在向平台客户端发送第一帐号集合的信息之后,获取第二目标请求,其中,第二目标请求用于请求对第一帐号集合的信息进行修改;
S2,响应第二目标请求,对第一帐号集合的信息进行修改,并将修改后的第一帐号集合的信息发送至平台客户端,其中,修改后的第一帐号集合的信息显示在平台客户端。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元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,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,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,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接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅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,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种媒体文件的投放方法,其特征在于,包括:
获取第一应用中订阅目标传播帐号的第一帐号在对应的所述第一应用中的行为数据,得到第一组行为数据,其中,所述目标传播帐号与多个所述第一帐号具有订阅关系,每个所述第一帐号分别用于登录对应的所述第一应用的客户端;
确定所述第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个所述第二帐号分别用于登录对应的所述第二应用的客户端;
根据所述第一组行为数据和所述第二组行为数据提取出与所述第一帐号相匹配的目标行为特征;
获取与所述目标行为特征相关联的第一帐号集合,其中,所述第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;
将所述第一帐号集合推送至与所述目标传播帐号对应的媒体文件投放帐号,以使所述媒体文件投放帐号向所述第一帐号集合投放目标媒体文件。
2.根据权利要求1所述的方法,其特征在于,
在根据所述第一组行为数据和所述第二组行为数据提取出与所述第一帐号相匹配的目标行为特征之前,所述方法还包括:在目标数据库中,将与所述第一组行为数据和/或所述第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据,其中,所述目标数据库中至少存储有多个帐号在对应的所述第一应用中的行为数据,每个所述帐号分别用于登录对应的所述第一应用的客户端,且多个所述帐号包括多个所述第一帐号;
根据所述第一组行为数据和所述第二组行为数据提取出与所述第一帐号相匹配的目标行为特征包括:从所述第一组行为数据、所述第二组行为数据和所述第三组行为数据中提取出与所述第一帐号相匹配的所述目标行为特征。
3.根据权利要求2所述的方法,其特征在于,在目标数据库中,将与所述第一组行为数据和/或所述第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据包括:
获取目标设置信息,其中,所述目标设置信息用于设置所述第三组行为数据所来自的帐号的数量;
在所述目标数据库中,按照所述目标设置信息将与所述第一组行为数据和/或所述第二组行为数据的相似度大于所述目标阈值的行为数据,确定为所述第三组行为数据。
4.根据权利要求2所述的方法,其特征在于,获取与所述目标行为特征相关联的第一帐号集合包括:
从所述第一组行为数据、所述第二组行为数据和所述第三组行为数据的至少一种数据中,确定与包括所述目标行为特征的行为数据对应的多个第三帐号;
通过所述多个第三帐号确定所述第一帐号集合。
5.根据权利要求2所述的方法,其特征在于,将与所述第一组行为数据和/或所述第二组行为数据的相似度大于目标阈值的行为数据,确定为第三组行为数据包括:
通过第一目标模型对所述第一组行为数据和/或所述第二组行为数据中的行为特征进行处理,得到所述第三组行为数据,其中,所述第一目标模型为利用行为数据样本对第一初始模型进行训练,所得到的用于确定与输入的行为数据的相似度大于所述目标阈值的行为数据的模型。
6.根据权利要求1所述的方法,其特征在于,
在获取与所述目标行为特征相关联的第一帐号集合之后,所述方法还包括:在目标数据库中,确定与所述第一帐号集合中的所述多个第一目标帐号分别在对应的所述第一目标应用中的行为数据的相似度,大于目标阈值的第四组行为数据,其中,所述目标数据库中至少存储有多个帐号在对应的所述第一应用中的行为数据,每个所述帐号分别用于登录对应的所述第一应用的客户端,且多个所述帐号包括多个所述第一帐号;
获取与所述第四组行为数据相关联的第二帐号集合,其中,所述第二帐号集合中包括的多个第二目标帐号分别用于登录对应的第二目标应用的客户端;
将所述第二帐号集合推送至与所述目标传播帐号对应的媒体文件投放帐号,以使所述媒体文件投放帐号向所述第二帐号集合投放目标媒体文件。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在获取第一应用中订阅目标传播帐号的第一帐号在对应的所述第一应用中的行为数据,得到第一组行为数据之前,所述方法还包括:
获取携带有所述目标传播帐号和所述媒体文件投放帐号的第一目标请求,其中,所述第一目标请求用于请求对所述目标传播帐号和所述媒体文件投放帐号进行绑定,以获取所述第一应用中订阅所述目标传播帐号的所述第一帐号在所述第一应用中的行为数据;
响应所述第一目标请求,对所述目标传播帐号和所述媒体文件投放帐号进行绑定。
8.根据权利要求1至6中任意一项所述的方法,其特征在于,在确定所述第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据之前,所述方法还包括:
通过第二目标模型对所述第一帐号在所述第一应用中的行为数据进行处理,确定所述第一帐号所在的所述目标终端,其中,所述第二目标模型为通过帐号样本中的帐号在终端上安装的对应应用上的行为数据和所述终端的属性信息对第二初始模型进行训练,所得到的用于确定输入帐号所在的终端的模型。
9.根据权利要求8所述的方法,其特征在于,通过第二目标模型对所述第一帐号在所述第一应用中的行为数据进行处理,确定所述第一帐号所在的所述目标终端之前,所述方法还包括:
获取所述帐号样本的帐号在所述终端上安装的应用上的携带有时间戳的行为数据和所述终端的在目标时间段内的属性信息;
通过所述携带有时间戳的行为数据和所述终端在目标时间段内的属性信息,对时序子模型进行训练,得到时序模型,其中,所述第二初始模型包括所述时序子模型,所述第二目标模型包括所述时序模型。
10.根据权利要求1至6中任意一项所述的方法,其特征在于,根据所述第一组行为数据和所述第二组行为数据提取出与所述第一帐号相匹配的目标行为特征包括:
获取至少一个目标标签,其中,所述目标标签用于指示待提取的所述目标行为特征的类型;
在所述第一组行为数据和所述第二组行为数据中,将具有所述目标标签的行为数据确定为与所述第一帐号相匹配的所述目标行为特征。
11.根据权利要求1至6中任意一项所述的方法,其特征在于,在获取与所述目标行为特征相关联的第一帐号集合之后,所述方法还包括:
向平台客户端发送所述第一帐号集合的信息,以在所述平台客户端中显示所述第一帐号集合的信息。
12.根据权利要求11所述的方法,其特征在于,在向平台客户端发送所述第一帐号集合的信息之后,所述方法还包括:
获取第二目标请求,其中,所述第二目标请求用于请求对所述第一帐号集合的信息进行修改;
响应所述第二目标请求,对所述第一帐号集合的信息进行修改,并将修改后的所述第一帐号集合的信息发送至所述平台客户端,其中,修改后的所述第一帐号集合的信息显示在所述平台客户端。
13.一种媒体文件的投放装置,其特征在于,包括:
第一获取单元,用于获取第一应用中订阅目标传播帐号的第一帐号在对应的所述第一应用中的行为数据,得到第一组行为数据,其中,所述目标传播帐号与多个所述第一帐号具有订阅关系,每个所述第一帐号分别用于登录对应的所述第一应用的客户端;
第一确定单元,用于确定所述第一帐号所在的目标终端中运行的多个第二帐号分别在对应的第二应用中的行为数据,得到第二组行为数据,其中,每个所述第二帐号分别用于登录对应的所述第二应用的客户端;
提取单元,用于根据所述第一组行为数据和所述第二组行为数据提取出与所述第一帐号相匹配的目标行为特征;
第二获取单元,用于获取与所述目标行为特征相关联的第一帐号集合,其中,所述第一帐号集合中包括的多个第一目标帐号分别用于登录对应的第一目标应用的客户端;
推送单元,用于将所述第一帐号集合推送至与所述目标传播帐号对应的媒体文件投放帐号,以使所述媒体文件投放帐号向所述第一帐号集合投放目标媒体文件。
14.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至12任一项中所述的方法。
15.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至12任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910122949.1A CN111582900A (zh) | 2019-02-19 | 2019-02-19 | 媒体文件的投放方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910122949.1A CN111582900A (zh) | 2019-02-19 | 2019-02-19 | 媒体文件的投放方法、装置、存储介质和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582900A true CN111582900A (zh) | 2020-08-25 |
Family
ID=72124358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910122949.1A Pending CN111582900A (zh) | 2019-02-19 | 2019-02-19 | 媒体文件的投放方法、装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582900A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967915A (zh) * | 2020-08-27 | 2020-11-20 | 北京明略昭辉科技有限公司 | 媒体文件投放方法和装置、存储介质及电子装置 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN112559809A (zh) * | 2020-12-21 | 2021-03-26 | 恩亿科(北京)数据科技有限公司 | 消费者多渠道数据整合方法、系统、设备及存储介质 |
CN113722498A (zh) * | 2021-06-17 | 2021-11-30 | 武汉理工数字传播工程有限公司 | 一种数字资源管理的方法、装置、设备及存储介质 |
CN116702104A (zh) * | 2023-08-08 | 2023-09-05 | 阿里健康科技(中国)有限公司 | 账户信息的关联方法、装置、设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287919A1 (en) * | 2005-06-02 | 2006-12-21 | Blue Mustard Llc | Advertising search system and method |
CN103164470A (zh) * | 2011-12-15 | 2013-06-19 | 盛大计算机(上海)有限公司 | 基于用户性别判别结果的定向应用方法及其系统 |
CN103731284A (zh) * | 2012-10-11 | 2014-04-16 | 腾讯科技(深圳)有限公司 | 关联多个网络帐号的方法和系统 |
US20140282497A1 (en) * | 2013-03-15 | 2014-09-18 | Tapjoy, Inc. | Rewarding mobile app installations without a software development kit in the mobile app |
CN105321099A (zh) * | 2015-10-13 | 2016-02-10 | 广西中烟工业有限责任公司 | 一种多微信公众账号的卷烟关注用户分类管理系统 |
KR20160071684A (ko) * | 2014-12-12 | 2016-06-22 | 주식회사 비스크 | 소셜 네트워크 기반의 광고 서비스 방법 및 그 장치 |
CN105991408A (zh) * | 2015-02-12 | 2016-10-05 | 腾讯科技(深圳)有限公司 | 一种消息处理方法、装置及处理服务器 |
US20170018002A1 (en) * | 2015-01-20 | 2017-01-19 | Google Inc. | Methods, systems and media for presenting media content that was advertised on a second screen device using a primary device |
US20170097969A1 (en) * | 2015-10-05 | 2017-04-06 | Yahoo! Inc. | Computerized system and method for determining applications on a device for serving media |
US20170220935A1 (en) * | 2016-01-28 | 2017-08-03 | Linkedin Corporation | Member feature sets, group feature sets and trained coefficients for recommending relevant groups |
CN107146112A (zh) * | 2017-05-16 | 2017-09-08 | 西华大学 | 一种移动互联网广告投放方法 |
EP3312788A1 (en) * | 2016-10-19 | 2018-04-25 | Nagravision S.A. | Method, system and device for updating a user account using a credit obtained by playing an advertising content |
US20180183738A1 (en) * | 2016-12-22 | 2018-06-28 | Tevian Parnell | Online social media interaction system |
US20190005539A1 (en) * | 2013-04-09 | 2019-01-03 | David Peter Pitinga | Serving Ads to Social Networks And Other Websites Based On Account-Holder Data |
-
2019
- 2019-02-19 CN CN201910122949.1A patent/CN111582900A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287919A1 (en) * | 2005-06-02 | 2006-12-21 | Blue Mustard Llc | Advertising search system and method |
CN103164470A (zh) * | 2011-12-15 | 2013-06-19 | 盛大计算机(上海)有限公司 | 基于用户性别判别结果的定向应用方法及其系统 |
CN103731284A (zh) * | 2012-10-11 | 2014-04-16 | 腾讯科技(深圳)有限公司 | 关联多个网络帐号的方法和系统 |
US20140282497A1 (en) * | 2013-03-15 | 2014-09-18 | Tapjoy, Inc. | Rewarding mobile app installations without a software development kit in the mobile app |
US20190005539A1 (en) * | 2013-04-09 | 2019-01-03 | David Peter Pitinga | Serving Ads to Social Networks And Other Websites Based On Account-Holder Data |
KR20160071684A (ko) * | 2014-12-12 | 2016-06-22 | 주식회사 비스크 | 소셜 네트워크 기반의 광고 서비스 방법 및 그 장치 |
US20170018002A1 (en) * | 2015-01-20 | 2017-01-19 | Google Inc. | Methods, systems and media for presenting media content that was advertised on a second screen device using a primary device |
CN105991408A (zh) * | 2015-02-12 | 2016-10-05 | 腾讯科技(深圳)有限公司 | 一种消息处理方法、装置及处理服务器 |
US20170097969A1 (en) * | 2015-10-05 | 2017-04-06 | Yahoo! Inc. | Computerized system and method for determining applications on a device for serving media |
CN105321099A (zh) * | 2015-10-13 | 2016-02-10 | 广西中烟工业有限责任公司 | 一种多微信公众账号的卷烟关注用户分类管理系统 |
US20170220935A1 (en) * | 2016-01-28 | 2017-08-03 | Linkedin Corporation | Member feature sets, group feature sets and trained coefficients for recommending relevant groups |
EP3312788A1 (en) * | 2016-10-19 | 2018-04-25 | Nagravision S.A. | Method, system and device for updating a user account using a credit obtained by playing an advertising content |
US20180183738A1 (en) * | 2016-12-22 | 2018-06-28 | Tevian Parnell | Online social media interaction system |
CN107146112A (zh) * | 2017-05-16 | 2017-09-08 | 西华大学 | 一种移动互联网广告投放方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967915A (zh) * | 2020-08-27 | 2020-11-20 | 北京明略昭辉科技有限公司 | 媒体文件投放方法和装置、存储介质及电子装置 |
CN112131794A (zh) * | 2020-09-25 | 2020-12-25 | 天津大学 | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 |
CN112559809A (zh) * | 2020-12-21 | 2021-03-26 | 恩亿科(北京)数据科技有限公司 | 消费者多渠道数据整合方法、系统、设备及存储介质 |
CN113722498A (zh) * | 2021-06-17 | 2021-11-30 | 武汉理工数字传播工程有限公司 | 一种数字资源管理的方法、装置、设备及存储介质 |
CN116702104A (zh) * | 2023-08-08 | 2023-09-05 | 阿里健康科技(中国)有限公司 | 账户信息的关联方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | FlierMeet: a mobile crowdsensing system for cross-space public information reposting, tagging, and sharing | |
CN111582900A (zh) | 媒体文件的投放方法、装置、存储介质和电子装置 | |
CN110458220B (zh) | 人群定向方法、装置、服务器及存储介质 | |
CN107871244B (zh) | 一种广告效果的检测方法和装置 | |
CA2855008C (en) | Targeting advertisements to users of a social networking system based on events | |
US20150081790A1 (en) | System and Method for Analyzing and Transmitting Social Communication Data | |
CN109840793B (zh) | 推广信息的推送方法和装置、存储介质、电子装置 | |
EP3437095A1 (en) | Computerized system and method for automatically detecting and rendering highlights from streaming videos | |
US11017430B2 (en) | Delivering advertisements based on user sentiment and learned behavior | |
CN106530015A (zh) | 信息投放控制方法及装置 | |
WO2014099558A2 (en) | Targeting objects to users based on search results in an online system | |
CN108959323B (zh) | 视频分类方法和装置 | |
CN110059256B (zh) | 用于展示信息的系统、方法及装置 | |
CN110059223A (zh) | 机内循环、图像到视频计算机视觉引导 | |
US9449231B2 (en) | Computerized systems and methods for generating models for identifying thumbnail images to promote videos | |
KR102216755B1 (ko) | 콘텐츠 및 제품을 연동시키는 태그 분석 서비스 제공 방법 | |
JP2021197181A (ja) | 個人化による連合学習の多重モデル提供方法、システム、およびコンピュータプログラム | |
CN111818370A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
EP3798866A1 (en) | Customized thumbnail image generation and selection for digital content using computer vision and machine learning | |
CN112989074A (zh) | 多媒体信息推荐方法、装置、电子设备及存储介质 | |
Oliveira et al. | GameFoundry: social gaming platform for digital marketing, user profiling and collective behavior | |
CN113626624B (zh) | 一种资源识别方法和相关装置 | |
CN114391159A (zh) | 数字人类学和人种学系统 | |
CN111949859A (zh) | 用户画像更新方法、装置、计算机设备及存储介质 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40027416 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240308 |