CN111859141A - 内容推送方法、装置、服务器及存储介质 - Google Patents
内容推送方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111859141A CN111859141A CN202010736519.1A CN202010736519A CN111859141A CN 111859141 A CN111859141 A CN 111859141A CN 202010736519 A CN202010736519 A CN 202010736519A CN 111859141 A CN111859141 A CN 111859141A
- Authority
- CN
- China
- Prior art keywords
- account
- content
- target type
- responsiveness
- pushing
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (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)
Abstract
本公开关于一种内容推送方法、装置、服务器及存储介质，该方法包括：响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。本公开方案基于账户各自对应的推送门槛值，实现针对不同账户差异化的推送目标类型内容，一方面避免向账户推送过多的目标类型内容而导致的传输资源占用，另一方面提高推送目标类型内容的质量。
Description
技术领域
本公开涉及数据处理技术，尤其涉及内容推送方法、装置、服务器及存储介质。
背景技术
随着移动互联网的普及，推荐系统在各个应用程序中所扮演的角色越来越重要。现有的应用程序后台往往会根据目标类型内容与用户账户的账户信息计算目标类型内容信息的推荐度，进而向用户账户推送多条推荐度较大的内容，例如广告内容或用户原创内容(即非广告内容)，并且为了流量变现，在推送时还需要广告内容在全部推送内容中有一定的密度。然而，对于有些用户，在看到少量广告内容时便进行负向反馈，例如对其他推送内容的播放也减少，甚至会忽略其他推送内容，甚至退出应用程序或者卸载应用程序。可见，现有的内容推送方法存在内容推送效果欠佳的技术问题，进而导致推送内容的传播效率低、浪费大量推送资源。
发明内容
本公开提供一种内容推送方法、装置、服务器及存储介质，以至少解决相关技术中内容推送效果欠佳的技术问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种内容推送方法，应用于服务器，所述方法包括：
响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
在其中一个实施例中，所述从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户之前，还包括：
获取所述账户对应的响应度；
获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个实施例中，所述获取所述账户对应的响应度之前，还包括：
获取所述账户针对历史推送内容的历史操作信息；所述历史推送内容包括目标类型内容和非目标类型内容；
从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述第一操作信息和所述第二操作信息，属于同一历史时间窗口内的信息。
在其中一个实施例中，所述获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度，包括：
获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率；
根据各样本操作类型对应的第一操作率以及第二操作率，得到各样本操作类型对应的操作差异值；
根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度，包括：
获取各种样本操作类型对应的加权系数；所述加权系数用于表征所述各种样本操作类型的操作差异值对所述账户的响应度的影响程度；
根据所述加权系数，对所述多种样本操作类型各自对应的操作差异值进行加权求和，得到所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度，还包括：
将多种样本操作类型各自对应操作差异值，输入预先构建的响应度预测模型中；
获取所述响应度预测模型的输出，得到所述账户对应的响应度。
在其中一个实施例中，还包括：
获取样本账户针对推送内容的样本操作信息；所述样本账户中包括分别对应不同响应度的多个样本账户；所述推送内容中包括目标类型内容和非目标类型内容；
根据各样本账户的样本操作信息，获取各所述样本账户对所述推送内容中的目标类型内容的第一样本操作信息，以及各所述样本账户对所述推送内容中的非目标类型内容的第二样本操作信息；
获取所述第一样本操作信息和所述第二样本操作信息之间的样本差异信息；
采用所述样本差异信息，以及各所述样本账户对应的响应度，训练所述响应度预测模型。
在其中一个实施例中，所述获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值，包括：
获取针对所述目标类型内容的推荐门槛基准值；
获取所述响应度与推送门槛值变化率之间的映射关系；
根据所述映射关系，获取所述响应度对应的目标推送门槛值变化率；
根据所述推荐门槛基准值以及所述目标推送门槛值变化率，得到所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个实施例中，所述获取所述响应度与推送门槛值变化率间的映射关系之前，还包括：
获取推送门槛值变化率与流量变化量间的第一关系；所述流量变化量为所述目标类型内容的流量变化量；
获取推送门槛值变化率、响应度以及设定的账户状态参数值三者之间的第二关系；所述设定的账户状态参数值为表征账户对所述目标类型内容的负向反馈的参数值；
根据所述第一关系以及所述第二关系构建关系模型，以所述流量变化量小于设定变化阈值，且所述账户状态参数值的变化量最小为约束，对所述关系模型进行求解，得到所述响应度与推送门槛值变化率间的映射关系。
本公开第二方面提供一种内容推送装置，应用于服务器，包括：
内容获取模块，被配置执行响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
目标类型内容推送模块，被配置执行从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
在其中一个实施例中，推送门槛值获取模块，被配置执行获取所述账户对应的响应度，获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个实施例中，还包括响应度确定模块，被配置执行：
获取所述账户针对历史推送内容的历史操作信息；所述历史推送内容包括目标类型内容和非目标类型内容；
从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述第一操作信息和所述第二操作信息，属于同一历史时间窗口内的信息。
在其中一个实施例中，所述响应度确定模块，还被配置执行：
获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率；
根据各样本操作类型对应的第一操作率以及第二操作率，得到各样本操作类型对应的操作差异值；
根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述响应度确定模块，还被配置执行：
获取各种样本操作类型对应的加权系数；所述加权系数用于表征所述各种样本操作类型的操作差异值对所述账户的响应度的影响程度；
根据所述加权系数，对所述多种样本操作类型各自对应的操作差异值进行加权求和，得到所述账户对于目标类型内容的响应度。
在其中一个实施例中，所述响应度确定模块，还被配置执行：
将多种样本操作类型各自对应操作差异值，输入预先构建的响应度预测模型中；
获取所述响应度预测模型的输出，得到所述账户对应的响应度。
在其中一个实施例中，还包括：预测模块训练模块，被配置为执行：
获取样本账户针对推送内容的样本操作信息；所述样本账户中包括分别对应不同响应度的多个样本账户；所述推送内容中包括目标类型内容和非目标类型内容；
根据各样本账户的样本操作信息，获取各所述样本账户对所述推送内容中的目标类型内容的第一样本操作信息，以及各所述样本账户对所述推送内容中的非目标类型内容的第二样本操作信息；
获取所述第一样本操作信息和所述第二样本操作信息之间的样本差异信息；
采用所述样本差异信息，以及各所述样本账户对应的响应度，训练所述响应度预测模型。
在其中一个实施例中，所述推送门槛值获取模块，还被配置执行：
获取针对所述目标类型内容的推荐门槛基准值；
获取所述响应度与推送门槛值变化率之间的映射关系；
根据所述映射关系，获取所述响应度对应的目标推送门槛值变化率；
根据所述推荐门槛基准值以及所述目标推送门槛值变化率，得到所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个实施例中，还包括映射关系获取模块，被配置为执行：
获取推送门槛值变化率与流量变化量间的第一关系；所述流量变化量为所述目标类型内容的流量变化量；
获取推送门槛值变化率、响应度以及设定的账户状态参数值三者之间的第二关系；所述设定的账户状态参数值为表征账户对所述目标类型内容的负向反馈的参数值；
根据所述第一关系以及所述第二关系构建关系模型，以所述流量变化量小于设定变化阈值，且所述账户状态参数值的变化量最小为约束，对所述关系模型进行求解，得到所述响应度与推送门槛值变化率间的映射关系。
根据本公开实施例的第三方面，提供一种服务器，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现第一方面的任一项实施例中所述的内容推送方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行第一方面的任一项实施例中所述的内容推送方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述任一项实施例中所述的内容推送方法。
本公开的实施例提供的技术方案至少带来以下有益效果：服务器接收到账户的内容推送请求，响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。实现为账户按照各自对应的内容推送门槛值差异化的推送目标类型内容，提高信息传输效率，一方面避免向账户推送过多的目标类型内容而导致的资源占用或者增加账户的负向反馈，另一方面也有利于提高目标类型内容推送质量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种内容推送方法的应用环境图。
图2是根据一示例性实施例示出的一种内容推送方法的流程图。
图3是根据一示例性实施例示出的响应内容推送请求，获取与账户对应的响应度步骤的流程图。
图4是根据另一示例性实施例示出的一种内容推送方法的流程图。
图5是根据一示例性实施例示出的一种内容推送装置的框图。
图6是根据一示例性实施例示出的一种服务器的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所提供的内容推送方法，可以应用于如图1所示的应用环境中。其中，终端110通过网络与服务器120进行交互通信。其中，终端110以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以是独立的服务器或者是多个服务器组成的服务器集群来实现。
图2是根据一示例性实施例示出的一种内容推送方法的流程图，如图2所示，内容推送方法用于如图1所示的服务器中，包括以下步骤：
在步骤S210中，响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度。
其中，内容可以是视频内容、图像内容、文字内容等，按照类型区分，可以包括目标类型内容以及非目标类型内容，其中，目标类型内容可以是指广告类别的内容，非目标类型内容可以是指非广告类别的内容，例如在应用程序中用户账户所发布的用户原创内容(User Generated Content，UGC)。
其中，账户是指登录在应用程序中的账户；内容推荐请求是账户发起的请求，例如是通过对安装在该终端上的应用程序进行操作而触发的内容推送请求。服务器在接收到内容推送请求后，往往从目标类型内容的候选池中筛选一定数量的目标类型内容，作为所推送的目标类型内容，服务器还需获取每条待推送的目标类型内容对于所述账户的推荐度。
其中，待推送的目标类型内容的推荐度可以根据该待推荐的目标类型内容以及账户的账户信息确定，具体可以是，根据该待推荐的目标类型内容的内容信息以及账户的账户信息，计算两者的匹配度，由此得到该待推荐的目标类型内容对于所述账户的推荐度。
在步骤S220中，从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
其中，服务器在获取到待推送的目标类型内容之后，通过对比待推荐的目标类型内容的推荐度与该账户针对目标类型内容的推送门槛值，当待推荐的目标类型内容的推荐度大于所述账户对应的推送门槛值，则将该待推荐的目标类型内容推送至所述账户。
本公开中，账户的响应度与该账户对于目标类型内容的负向反馈程度正相关，因此对于目标类型内容的负向反馈程度较高的账户，其对应的响应度也较高，进而对应的推荐门槛值也较高，通过该较高的推荐门槛值，可以相对减小向该账户推送目标类型内容的数量，以免引起用户的负向反馈；反之，对于目标类型内容的负向反馈程度较低的账户，其对应的响应度也较低，进而对应的推荐门槛值也较低，通过该较低的推荐门槛值，可以相对增多向该账户推送目标类型内容的数量，在不明显引起用户的负向反馈的情况下，提高目标类型内容的推送效果。
通过本实施例，服务器接收到账户的内容推送请求，响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。实现为不同用户账户按照各自对应的内容推送门槛值差异化推送目标类型内容，提高信息传输效率，同时有利于提高目标类型内容推送质量。
在一个实施例中，上述步骤S220之前，还包括步骤：获取所述账户对应的响应度；获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
其中，响应度可以基于账户对目标类型内容以及非目标类型内容所反馈的交互操作间的差异度确定，用于量化表示账户对于目标类型内容的负向反馈程度。作为一个示例，响应度的确定方式具体例如：
首先，获取所述账户针对历史推送内容的历史操作信息；所述历史推送内容包括目标类型内容和非目标类型内容；
然后，从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
最后，获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度。
其中，目标类型内容可以为广告内容，非目标类型内容为非广告内容，响应度可以基于用户账户对广告内容的响应情况与对非广告内容的响应情况间的差异确定。可以理解的是，当账户对目标类型内容的响应度越大，向账户推送目标类型内容对账户在应用程序上的体验影响越大，反之，当账户对目标类型内容的响应度越小，向账户推送目标类型内容对账户在应用程序上的体验影响越小。
在一个示例性实施例中，还可以预先构建不同响应度与不同推送门槛值的关联关系，服务器在获取到账户的响应度后，可以通过查询该关联关系获取响应度对应的推送门槛值。或者，还可以预先设置推送门槛基准值，并构建响应度与推送门槛变化率的映射关系，服务器在获取到账户的目标响应值后，根据该映射关系获取响应度对应的推送门槛变化率，再基于该推送门槛变化率以及推送门槛基准值，获取响应度对应的推送门槛值。
其中，推送门槛值是用于过滤目标类型内容的门槛值。可以理解的是，当账户对目标类型内容的响应度越大，推送门槛值越高，实现减少目标类型内容的推送数量或者推送密度，以免引起账户的负向反馈，例如账户的账户在线时长降低、应用程序留存率降低等账户状态参数的负向波动，反之，当账户对目标类型内容的响应度越小，推送门槛值越小，实现当前用户在应用程序上的体验影响的负向影响较小情况下，提高目标类型内容的推送数量或者推送密度，有利于实现流量变现。
在一示例性实施例中，如图3所示，上述的获取与账户对应的响应度的具体步骤包括：
在步骤S221中，获取账户的历史操作信息，其中历史操作信息包括账户针对历史目标类型内容的第一操作信息以及历史非目标类型内容进行交互操作的第二操作信息，操作信息中至少记录有账户对历史目标类型内容或历史非目标类型内容进行交互操作的操作类型；
在步骤S222中，获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
在步骤S223中，从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率；
在步骤S224中，根据第一操作率以及第二操作率，获取账户对历史目标类型内容与历史非目标类型内容在各类交互操作上的操作差异值；
在步骤S225中，根据各类交互操作对应的操作差异值，确定账户对于目标类型内容的响应度。
其中，历史目标类型内容是指历史推送并曝光的目标类型内容，历史非目标类型内容是指历史推送并曝光的非目标类型内容；交互操作是指用户通过终端针对历史曝光的目标类型内容或非目标类型内容进行的行为操作，例如，如上，目标类型内容为广告内容，非目标类型内容为非广告内容，以广告内容以及非广告内容均为视频内容为例，用户在广告内容和非广告内容上的行为操作，包括但不限于点击操作、长时间播放、短时间播放、完整播放、关注操作、点赞操作、评论操作、负向反馈操作、举报操作、取关操作等。
在一个示例性实施例中，所述第一操作信息和所述第二操作信息可以是属于同一历史时间窗口内的信息，历史时间窗口可以是设定时段。对应地，在获取到历史操作信息后，服务器可以根据该历史时间窗口内账户进行某一交互操作的历史目标类型内容的数量与曝光的历史目标类型内容的总量间的比值，确定第一操作率；同样地，根据该历史时间窗口内账户进行某一交互操作的历史非目标类型内容的数量与曝光的历史非目标类型内容的总量间的比值，确定第二操作率。
例如，以交互操作为点击操作为例，获取设定时段内曝光的所有历史目标类型内容的总量，并获取被账户进行点击操作的历史目标类型内容数量，将后者与前者的比值，作为点击操作对应的第一操作率，即账户针对历史目标类型内容的点击率；获取设定时段内曝光的所有历史非目标类型内容的总量，以及被账户进行点击操作的历史非目标类型内容数量，将后者与前者间的比值，作为账户针对历史非目标类型内容的点击操作对应的第二操作率，即账户针对历史非目标类型内容的点击率。
又例如，以交互操作为长播操作为例，获取设定时段内曝光的所有历史目标类型内容的总量，与被账户进行长播操作的历史目标类型内容数量，将后者于前者间的比值，作为长播操作对应的第一操作率，即账户针对历史目标类型内容的长播率；获取设定时段内曝光的所有历史非目标类型内容的总量，以及被账户进行长播操作的历史非目标类型内容数量，将后者与前者间的比值，作为长播操作对应的第二操作率，即账户针对历史非目标类型内容的长播率。
其中，服务器在获取到不同样本操作类型对应的第一操作率以及第二操作率后，通过各类样本操作类型的第一操作率以及第二操作率，分别计算账户针对历史目标类型内容以及历史非目标类型内容在各类样本操作类型的交互操作上的操作差异值，并基于此确定账户针对目标类型内容的响应度。具体地，可以将各类样本操作类别对应的操作差异值输入至响应度预测模型中，通过响应度预测模型输出账户的响应度；也可以获取各种样本操作类型对应的加权系数，所述加权系数用于表征所述各种样本操作类型的操作差异值对所述账户的响应度的影响程度；对各类样本操作类型对应的操作差异值进行加权求和，以获取账户的响应度。
本示例性实施例中，通过分别计算账户在目标类型内容和非目标类型内容上的各类样本操作类型的操作率，然后计算各样本操作类型的操作率获取在目标类型内容和非目标类型内容上的操作差异值，并获取各类样本操作类型的加权系数，根据各类样本操作类型的操作差异值以及各类样本操作类型的加权系数，得到账户对于目标类型内容的响应度，由此可全面评估账户针对目标类型内容的响应度，一定程度提高账户的响应度的量化准确度。
在一个示例性实施例中，根据各样本操作类型对应的操作差异值，获取账户对应的响应度的步骤，包括：当账户在设定历史时间窗口内的历史操作信息中的操作信息的数量大于数量阈值时，获取账户针对历史目标类型内容的第一操作信息以及历史非目标类型内容进行交互操作的第二操作信息，并获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型，获取各样本操作类型对应的加权系数；根据各样本操作类型对应的操作差异值以及加权系数，获取与账户对应的响应度。其中，账户在设定历史时间窗口内的历史操作信息中的操作信息的数量大于预设的数量阈值，可以比较准确的计算该账户针对目标类型内容的响应度，因此可以通过获取样本操作类型对应的加权系数，然后基于加权系数对不同样本操作类型的操作差异值进行加权求和，以获取与账户对应的响应度，无需通过预测模型进行预测。
在一个示例性实施例中，根据各样本操作类型对应的操作差异值，获取与账户对应的响应度的步骤，包括：将各样本操作类型对应的操作差异值输入至预先构建的响应度预测模型中，通过响应度预测模型预测账户对应的响应度。其中，响应度预测模型可以是线性回归模型，其中，该响应度预测模型的输入是不同账户在目标类型内容和非目标类型内容上的操作差异值，输出的是该账户针对目标类型内容的响应度。
可以理解的是，若账户在设定历史时间窗口内的历史操作信息中的操作信息的数量大于预设的数量阈值，既可以将基于各个样本操作类型对应的加权系数对不同交互操作的操作差异值进行加权求和，以获取与账户对应的响应度，也可以将各样本操作类型对应的操作差异值输入至预先构建的响应度预测模型中，通过响应度预测模型获取与账户对应的响应度。若账户在设定历史时间窗口内的历史操作信息中的操作信息的数量小于预设的数量阈值，仅仅将账户对应各样本操作类型对应的操作差异值输入至预先构建的响应度预测模型中，通过响应度预测模型获取与账户对应的响应度。
在一个示例性实施例中，响应度预测模型的训练步骤，包括：
步骤一：获取样本账户针对推送内容的样本操作信息；所述样本账户中包括分别对应不同响应度的多个样本账户；所述推送内容中包括目标类型内容和非目标类型内容；
步骤二：根据各样本账户的样本操作信息，获取各所述样本账户对所述推送内容中的目标类型内容的第一样本操作信息，以及各所述样本账户对所述推送内容中的非目标类型内容的第二样本操作信息；
步骤三：获取所述第一样本操作信息和所述第二样本操作信息之间的样本差异信息；
步骤四：采用所述样本差异信息，以及各所述样本账户对应的响应度，训练所述响应度预测模型。
样本账户可以指对目标类型内容不会表现出负向反馈的账户，即响应度较低的用户账户，也可以指对目标类型内容表现出负向反馈的用户账户，即响应度较高的账户，具体的，样本账户对应的响应度为已知的，根据各样本账户针对推送内容的样本操作信息，获取各样本账户对历史目标类型内容与历史非目标类型内容存在操作差异的样本操作信息，以及各样本操作信息对应的操作差异值；基于各所述样本账户在各样本操作信息上的操作差异值以及各所述样本账户对应的已知响应度，训练响应度预测模型中的模型参数，得到所述响应度预测模型。
其中，样本账户还可以选定为设定时间窗口内交互操作的数量比较多的用户账户。此外还可以对样本账户对应的响应度进行分级，例如，可以设置一个阈值，将响应度大于该阈值的账户判定为目标类型内容的负向反馈账户，响应度小于该阈值的账户判定为目标类型内容的非负向反馈账户，还可以将负向反馈用户账户的响应度标注为1，非负向反馈账户的响应度标注为0，即将账户的响应度转换为一个二分类问题。该响应度预测模型的训练过程为：基于各个样本账户在各样本操作信息上的操作差异值，基于各所述样本账户在各样本操作信息上的操作差异值以及各所述样本账户对应的响应类别标注，训练响应度预测模型中的模型参数，直到响应度预测模型对账户的响应类别的预测误差小于设定误差阈值，得到训练好的响应度预测模型。
在一示例性实施例中，根据响应度，获取针对账户的推送门槛值的步骤，包括：获取不同响应度与不同推送门槛值间的关联关系；根据响应门槛关联关系，获取与当前用户的响应度对应的推送门槛值。
其中，服务器预先构建响应度与推送门槛值之间的关联关系，后续在获取到账户的响应度后，可以查询该关联关系获取响应度对应的推送门槛值。在一些实施例中，还可以对响应度进行分级，并建立不同分级响应度与推送门槛值的关联关系，由此可提高查询获取推送门槛值的效率。
本示例性实施例中，通过构建响应度与推送门槛值间的关联关系，在获取到账户的响应度后可快速查找到相应的推送门槛值。在一示例性实施例中，该步骤可以包括：
获取针对所述目标类型内容的推荐门槛基准值；获取预先构建的响应度与推送门槛值变化率之间的映射关系；根据所述映射关系，获取所述响应度对应的目标推送门槛值变化率；根据所述推荐门槛基准值以及所述目标推送门槛值变化率，得到所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
其中，还可以包括预先构建响应度与推送门槛值变化率间的映射关系的步骤，具体可以包括：
获取推送门槛值变化率与流量变化量间的第一关系；第一关系式用于表示推送门槛值上升以及下降带来的目标类型内容流量的变化情况。目标类型内容流量是指在一次推送过程中目标类型内容的数量，或目标类型内容的数量占内容总数量(目标类型内容与非目标类型内容的总量)的比值。其中，推送门槛值变化率是指相对于推送门槛基准值的变化率。
获取推送门槛值变化率、响应度以及设定的账户状态参数值三者之间的第二关系；所述设定的账户状态参数值为表征账户对所述目标类型内容的负向反馈的参数值，例如用户账户在线时长、用户账户留存率等，第二关系用于表示推送门槛值上升以及下降，对不同响应度的账户的所示设定的账户状态参数值带来的影响。流量变化量是指在调整推送门槛值以后，相对于推送门槛基准值的内容推送过程，本次内容推送过程中目标类型内容的数量变化。
根据所述第一关系以及所述第二关系构建关系模型，以所述流量变化量小于设定变化阈值，且所述账户状态参数值的变化量最小为约束，对所述关系模型进行求解，得到所述响应度与推送门槛值变化率间的映射关系。
具体地，服务器可以获取样本账户、样本账户在固定时间窗口内的历史操作信息以及在该固定时间窗口内的在线时长，由此确定第一关系以及第二关系。可以理解的是，所有用户账户对于推送门槛值的变化的响应是一致的。在确定第一关系以及第二关系后，服务器对第一关系以及第二关系构建的关系模型进行求解，以获取在流量变化量小于变化阈值、且所述账户状态参数值的变化量最小的情况下，响应度与推送门槛值变化率间的映射关系，再结合推送门槛基准值可以得到推送门槛值，由此也进一步构建出响应度以推送门槛值的关联关系。
在一个示例性实施例中，第一关系可以表示为下述公式(1)：
Δpv＝f(α) (1)
其中，Δpv表示流量变化量；α表示推送门槛值变化率；f(.)表示推送门槛值变化率与流量变化量间的关系。
而，第二关系可以表示为下述公式(2)：
Δuxi＝gi(α) (2)
其中，Δuxi表示响应度分级为i的账户对应的所述账户状态参数值的变化量；α表示推送门槛值变化率；gi(.)表示响应度分级为i的账户对应的所述账户状态参数值与推送门槛值变化率间的关系。
因此，获取在流量变化量小于变化阈值以及所述账户状态参数值的负向变化量最小的情况下、响应度与推送门槛值变化率间的映射关系，具体为求解如下优化问题：
其中，gi(αi)·dαui表示针对推送门槛值变化率，响应度分级为i的所有账户的用于表征用户体验影响的账户状态参数的负向变化总量。
表示针对推送门槛值变化率，响应度分级为i的所有账户对应的目标类型内容流量的变化量，β表示目标类型内容流量变化阈值。假设预先将账户的响应度分级为0～10级，那么i的取值则为0～10的整数。
在一示例性实施例中，如图4所示的内容推送方法，包括：
在步骤S410中，接收账户的内容推送请求；响应于该内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
在步骤S420中，获取账户针对历史推送内容的历史操作信息，所述历史推送内容包括目标类型内容和非目标类型内容；从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
其中历史操作信息包括账户针对历史目标类型内容以及历史非目标类型内容进行交互操作的操作信息，操作信息中至少记录有账户对历史目标类型内容或历史非目标类型内容进行交互操作的操作类型；
在步骤S430中，获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
在步骤S440中，从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率.
在步骤S450中，根据各样本操作类型对应的第一操作率以及第二操作率，得到各样本操作类型对应的操作差异值；
在步骤S460中，根据所述多种样本操作类型各自对应的操作差异值输入至预先构建的响应度预测模型中，得到所述账户对于目标类型内容的响应度；
在步骤S470中，获取预先构建的响应度与推送门槛值间的关联关系，查询该关联关系，获取与当前用户的响应度对应的推送门槛值；
在步骤S480中，从待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并发送至账户的终端。
以目标类型内容为广告内容、非目标类型内容为非广告内容为例，对本公开的实施例进行进一步说明。服务器在获取到账户发起的内容推送请求后，响应该请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；并根据该内容推送请求获取账户的历史操作信息，该历史操作信息包括账户在历史广告内容和历史非广告内容上的各类交互操作的操作信息，例如，点击操作、长播操作、短播操作、完播操作、针对广告内容的点击转化操作、关注操作、点赞操作、评论操作、负向反馈操作、举报操作、取关操作等。在获取到账户的历史操作信息后，获取账户对历史广告内容和历史非广告内容上的多种操作类型中存在差异的多种操作类型，作为多种样本操作类型；统计当前用户账户对历史广告内容执行各类样本操作类型的对应第一操作率，以及统计当前用户账户对历史非广告内容执行各类样本操作类型对应的第二操作率。进而，通过各类样本操作类型的第一操作率以及第二操作率，分别计算账户针对历史广告内容以及历史非广告内容在各类样本操作类型上的操作差异值，具体可以表示为：操作差异值＝(操作率广告内容/操作率非广告内容-1)。
然后，服务器根据各样本操作类型对应的操作差异值，得到账户对于对广告内容的响应度，基于该响应度获取账户对应的广告内容推送门槛值。最后从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户。
可以理解的是，通过上述方案，可以对广告内容的响应度越高的用户账户(即对广告内容负向反馈越高的用户账户)设置越高的广告内容的推送门槛值，一定程度上降低广告内容的推送量或者推送密度，降低推送信息占用大量传输资源，实现保证广告内容推送质量，提高广告内容的传播效率；而对广告响应度越低的用户账户(即对广告负向反馈越低的用户账户)设置较低的广告内容的推送门槛值，提高广告内容的推送量或者推送密度，以提高用户账户查看广告内容的概率。
应该理解的是，虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图A-Y中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图5是根据一示例性实施例示出的一种内容推送装置框图。参照图5，该装置包括内容获取模块510和目标类型内容推送模块520。
内容获取模块510，响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
目标类型内容推送模块520，被配置执行从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
在其中一个示例性实施例中，该内容推送装置还包括：
推送门槛值获取模块，被配置执行获取所述账户对应的响应度，获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个示例性实施例中，该内容推送装置还包括：
响应度确定模块，被配置执行：
获取所述账户针对历史推送内容的历史操作信息；所述历史推送内容包括目标类型内容和非目标类型内容；
从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度。
在其中一个示例性实施例中，所述第一操作信息和所述第二操作信息，属于同一历史时间窗口内的信息。
在其中一个示例性实施例中，所述响应度确定模块，还被配置执行：
获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率；
根据各样本操作类型对应的第一操作率以及第二操作率，得到各样本操作类型对应的操作差异值；
根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度。
在其中一个示例性实施例中，所述响应度确定模块，还被配置执行：
获取各种样本操作类型对应的加权系数；所述加权系数用于表征所述各种样本操作类型的操作差异值对所述账户的响应度的影响程度；
根据所述加权系数，对所述多种样本操作类型各自对应的操作差异值进行加权求和，得到所述账户对于目标类型内容的响应度。
在其中一个示例性实施例中，所述响应度确定模块，还被配置执行：
将多种样本操作类型各自对应操作差异值，输入预先构建的响应度预测模型中；
获取所述响应度预测模型的输出，得到所述账户对应的响应度。
在其中一个示例性实施例中，还包括：预测模块训练模块，被配置为执行：
获取样本账户针对推送内容的样本操作信息；所述样本账户中包括分别对应不同响应度的多个样本账户；所述推送内容中包括目标类型内容和非目标类型内容；
根据各样本账户的样本操作信息，获取各所述样本账户对所述推送内容中的目标类型内容的第一样本操作信息，以及各所述样本账户对所述推送内容中的非目标类型内容的第二样本操作信息；
获取所述第一样本操作信息和所述第二样本操作信息之间的样本差异信息；
采用所述样本差异信息，以及各所述样本账户对应的响应度，训练所述响应度预测模型。
在其中一个示例性实施例中，所述推送门槛值获取模块，还被配置执行：
获取针对所述目标类型内容的推荐门槛基准值；
获取所述响应度与推送门槛值变化率之间的映射关系；
根据所述映射关系，获取所述响应度对应的目标推送门槛值变化率；
根据所述推荐门槛基准值以及所述目标推送门槛值变化率，得到所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
在其中一个示例性实施例中，还包括映射关系获取模块，被配置为执行：
获取推送门槛值变化率与流量变化量间的第一关系；所述流量变化量为所述目标类型内容的流量变化量；
获取推送门槛值变化率、响应度以及设定的账户状态参数值三者之间的第二关系；所述设定的账户状态参数值为表征账户对所述目标类型内容的负向反馈的参数值；
根据所述第一关系以及所述第二关系构建关系模型，以所述流量变化量小于设定变化阈值，且所述账户状态参数值的变化量最小为约束，对所述关系模型进行求解，得到所述响应度与推送门槛值变化率间的映射关系。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于推送内容的设备600的框图。例如，设备600可以为一服务器。参照图6，设备600包括处理组件620，其进一步包括一个或多个处理器，以及由存储器622所代表的存储器资源，用于存储可由处理组件620的执行的指令，例如应用程序。存储器622中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件620被配置为执行指令，以执行上述内容推荐方法。
设备600还可以包括一个电源组件624被配置为执行设备600的电源管理，一个有线或无线网络接口626被配置为将设备600连接到网络，和一个输入输出(I/O)接口628。设备600可以操作基于存储在存储器622的操作系统，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD或类似。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器S22，上述指令可由设备600的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种内容推送方法，其特征在于，应用于服务器，所述方法包括：
响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
2.根据权利要求1所述的内容推送方法，其特征在于，所述从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户之前，还包括：
获取所述账户对应的响应度；
获取所述响应度对应的推送门槛值，作为所述账户对应的推送门槛值。
3.根据权利要求2所述的内容推送方法，其特征在于，所述获取所述账户对应的响应度之前，还包括：
获取所述账户针对历史推送内容的历史操作信息；所述历史推送内容包括目标类型内容和非目标类型内容；
从所述历史操作信息中，获取所述账户针对所述历史推送内容中的目标类型内容的第一操作信息，以及所述账户针对所述历史推送内容中的非目标类型内容的第二操作信息；
获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度。
4.根据权利要求3所述的内容推送方法，其特征在于，
所述第一操作信息和所述第二操作信息，属于同一历史时间窗口内的信息。
5.根据权利要求3所述的内容推送方法，其特征在于，所述获取所述第一操作信息和所述第二操作信息之间的差异信息，根据所述差异信息，确定出所述账户对于目标类型内容的响应度，包括：
获取所述第一操作信息和所述第二操作信息之间存在差异的多种操作类型，作为多种样本操作类型；
从所述第一操作信息中获取各样本操作类型对应的第一操作率，以及从所述第二操作信息中获取各样本操作类型对应的第二操作率；
根据各样本操作类型对应的第一操作率以及第二操作率，得到各样本操作类型对应的操作差异值；
根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度。
6.根据权利要求5所述的内容推送方法，其特征在于，所述根据所述多种样本操作类型各自对应的操作差异值，得到所述账户对于目标类型内容的响应度，包括：
获取各种样本操作类型对应的加权系数；所述加权系数用于表征所述各种样本操作类型的操作差异值对所述账户的响应度的影响程度；
根据所述加权系数，对所述多种样本操作类型各自对应的操作差异值进行加权求和，得到所述账户对于目标类型内容的响应度。
7.一种内容推送装置，其特征在于，应用于服务器，包括：
内容获取模块，被配置执行响应于账户的内容推送请求，获取待推送的目标类型内容，以及每条待推送的目标类型内容对于所述账户的推荐度；
目标类型内容推送模块，被配置执行从所述待推送的目标类型内容中，获取推荐度大于所述账户对应的推送门槛值的内容，并推送至所述账户；其中，所述账户的推送门槛值与所述账户的响应度对应，所述响应度用于表征所述账户对于目标类型内容的负向反馈程度。
8.一种服务器，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的内容推送方法。
9.一种存储介质，其特征在于，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至6中任一项所述的内容推送方法。
10.一种计算机程序产品，其特征在于，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行权利要求1至6中任一项所述的内容推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010736519.1A CN111859141B (zh) | 2020-07-28 | 2020-07-28 | 内容推送方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010736519.1A CN111859141B (zh) | 2020-07-28 | 2020-07-28 | 内容推送方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859141A true CN111859141A (zh) | 2020-10-30 |
| CN111859141B CN111859141B (zh) | 2023-09-26 |
Family
ID=72948783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010736519.1A Active CN111859141B (zh) | 2020-07-28 | 2020-07-28 | 内容推送方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859141B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113220749A (zh) * | 2021-05-25 | 2021-08-06 | 中国农业银行股份有限公司 | 业务数据的处理方法、装置和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150215393A1 (en) * | 2013-08-28 | 2015-07-30 | Tencent Technology (Shenzhen) Company Limited | Method And Systems For Providing Media Content |
| CN108307207A (zh) * | 2017-12-28 | 2018-07-20 | 北京达佳互联信息技术有限公司 | 一种视频推送方法及装置 |
| CN110796477A (zh) * | 2019-09-23 | 2020-02-14 | 北京三快在线科技有限公司 | 广告展示方法、装置、电子设备及可读存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
| CN111209432A (zh) * | 2020-01-02 | 2020-05-29 | 北京字节跳动网络技术有限公司 | 信息获取的方法、装置、电子设备及计算机可读介质 |
| CN111339327A (zh) * | 2020-02-20 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 作品推荐方法及装置、服务器和存储介质 |
-
2020
- 2020-07-28 CN CN202010736519.1A patent/CN111859141B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150215393A1 (en) * | 2013-08-28 | 2015-07-30 | Tencent Technology (Shenzhen) Company Limited | Method And Systems For Providing Media Content |
| CN108307207A (zh) * | 2017-12-28 | 2018-07-20 | 北京达佳互联信息技术有限公司 | 一种视频推送方法及装置 |
| CN110796477A (zh) * | 2019-09-23 | 2020-02-14 | 北京三快在线科技有限公司 | 广告展示方法、装置、电子设备及可读存储介质 |
| CN111209432A (zh) * | 2020-01-02 | 2020-05-29 | 北京字节跳动网络技术有限公司 | 信息获取的方法、装置、电子设备及计算机可读介质 |
| CN111339327A (zh) * | 2020-02-20 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 作品推荐方法及装置、服务器和存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113220749A (zh) * | 2021-05-25 | 2021-08-06 | 中国农业银行股份有限公司 | 业务数据的处理方法、装置和电子设备 |
| CN113220749B (zh) * | 2021-05-25 | 2024-02-27 | 中国农业银行股份有限公司 | 业务数据的处理方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859141B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11531867B2 (en) | User behavior prediction method and apparatus, and behavior prediction model training method and apparatus | |
| AU2020201228A1 (en) | Methods and apparatus to compensate impression data for misattribution and/or non-coverage by a database proprietor | |
| CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
| AU2017101862A4 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
| US20190384981A1 (en) | Utilizing a trained multi-modal combination model for content and text-based evaluation and distribution of digital video content to client devices | |
| CN105160545B (zh) | 投放信息样式确定方法及装置 | |
| US11436434B2 (en) | Machine learning techniques to identify predictive features and predictive values for each feature | |
| US10657559B2 (en) | Generating and utilizing a conversational index for marketing campaigns | |
| CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
| CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
| CN113344647B (zh) | 一种信息推荐的方法及装置 | |
| CN114268839A (zh) | 视频发布账户筛选方法、装置、电子设备及存储介质 | |
| CN111859141B (zh) | 内容推送方法、装置、服务器及存储介质 | |
| CN113204699B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| US20220114472A1 (en) | Systems and methods for generating machine learning-driven telecast forecasts | |
| CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN113590942A (zh) | 一种短视频自动化推荐方法及系统 | |
| CN117370215B (zh) | 寻优抽样方法、装置、电子设备及存储介质 | |
| CN114969519B (zh) | 基于关注度的客户推荐方法及装置 | |
| CN112118486A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
| Felzmann et al. | Special Session: How much quality is enough quality? A case for acceptability in approximate designs | |
| CN113239230B (zh) | 业务推荐方法、行为数据增量预测模型生成方法和装置 | |
| CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
| CN114219369B (zh) | 预测模型训练方法及装置、用户类别预测方法及装置 | |
| CN112115365B (zh) | 模型协同优化的方法、装置、介质和电子设备 |
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 |