CN111917809B - 多媒体数据推送方法及其装置 - Google Patents
多媒体数据推送方法及其装置 Download PDFInfo
- Publication number
- CN111917809B CN111917809B CN201910384801.5A CN201910384801A CN111917809B CN 111917809 B CN111917809 B CN 111917809B CN 201910384801 A CN201910384801 A CN 201910384801A CN 111917809 B CN111917809 B CN 111917809B
- Authority
- CN
- China
- Prior art keywords
- confidence
- interval
- multimedia data
- pushing
- width
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/81—Monomedia components thereof
- H04N21/812—Monomedia components thereof involving advertisement data
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种多媒体数据推送方法及其装置,其中方法包括如下步骤:获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息;根据所述置信区间以及所述预估推送信息,确定所述训练模型针对所述目标多媒体数据的置信度;根据所述置信度控制所述目标多媒体数据的推送速度。采用本发明实施例,可以灵活控制多媒体数据的推送速度,进而有利于提高多媒体数据推送的精准度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种多媒体数据推送方法及其装置。
背景技术
随着互联网技术的快速发展,各种互联网平台的客户端应运而生,这些互联网平台的客户端通常拥有较大的用户访问量,例如微信朋友圈、公众号、新闻类应用程序等。这些互联网平台的客户端除了实现各自的功能外,还提供广告位,用于展示各大广告商的广告,例如新闻类应用程序除了向用户提供各种新闻资讯外,还展示广告商的广告。广告商可通过互联网平台直接投放广告,也可以通过广告交易平台在互联网平台上投放广告。广告交易平台,用于联合互联网平台和广告商的平台,它将广告商的广告投放到互联网平台的广告位上。
广告投放的精准度直接影响用户、互联网平台以及广告商。对于精准度不高的广告投放,互联网平台的客户端向用户展示用户不感兴趣的广告,使得用户对该互联网平台产生反感,进而影响该互联网平台的用户访问量。同时,广告商可能会因为该广告在该互联网平台上的点击率降低而停止广告投放。反之,精准度高的广告投放,可以改善用户的体验,提升广告的点击率,提高互联网平台的用户访问量。
广告投放的速度会影响广告投放的精准度,例如加速投放会导致精准度降低。因此,如何控制广告投放速度是亟待解决的技术问题。
发明内容
本发明实施例提供一种多媒体数据推送方法及其装置,可以灵活控制多媒体数据的推送速度,进而有利于提高多媒体数据推送的精准度。
本发明实施例第一方面提供一种多媒体数据推送方法,包括:
获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;
调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息;
根据所述置信区间以及所述预估推送信息,确定所述训练模型针对所述目标多媒体数据的置信度;
根据所述置信度控制所述目标多媒体数据的推送速度。
可选的,所述根据所述置信度控制所述目标多媒体数据的推送速度,包括:
若所述置信度小于第一置信度阈值,则减缓所述目标多媒体数据的推送速度;
若所述置信度大于第一置信度阈值且小于第二置信度阈值,则保持所述目标多媒体数据的推送速度;
若所述置信度大于第二置信度阈值,则提高所述目标多媒体数据的推送速度;
其中,所述第二置信度阈值大于所述第一置信度阈值。
可选的,所述根据所述置信度控制所述目标多媒体数据的推送速度,包括:
查找与所述置信度相匹配的目标推送速度,按照所述目标推送速度推送所述目标多媒体数据。
可选的,所述预估推送信息包括预估互动参数;所述根据所述置信区间以及所述预估推送信息,确定所述训练模型针对所述目标多媒体数据的置信度,包括:
根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度;
根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度;
其中,所述第二宽度阈值大于所述第一宽度阈值。
可选的,所述根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度,包括:
若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第一置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第二置信度;
若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第三置信度;
若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第四置信度;
若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第五置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于所述第一宽度阈值小于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第六置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值小于所述第一宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第七置信度;
若所述区间宽度小于第一宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第八置信度;
其中,所述第八置信度>所述第七置信度>所述第六置信度>所述第五置信度>所述第四置信度>所述第三置信度>所述第二置信度>所述第一置信度。
可选的,所述置信度包括点击率置信度和转化率置信度;
所述根据所述置信度控制所述目标多媒体数据的推送速度,包括:
若所述点击率置信度小于所述转化率置信度,则根据所述点击率置信度控制所述目标多媒体数据的推送速度;
若所述转化率置信度小于所述点击率置信度,则根据所述转化率置信度控制所述目标多媒体数据的推送速率。
可选的,所述置信区间包括区间上界值和区间下界值,所述区间上界值大于所述区间下界值;所述根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度,包括:
根据所述区间上界值与所述区间下界值之和,确定区间中心值;
根据所述区间上界值与所述区间下界值之间的差值以及区间中心值,确定区间宽度。
可选的,所述历史推送信息包括历史推送量和历史互动参数;所述确定所述历史推送信息对应的置信区间,包括:
根据所述历史推送量和所述历史互动参数,确定所述历史互动参数对应的置信区间。
本发明实施例第二方面提供一种多媒体数据推送装置,包括:
区间确定单元,用于获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;
模型调用单元,用于调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息;
置信度确定单元,用于根据所述置信区间以及所述预估推送信息,确定所述训练模型针对所述目标多媒体数据的置信度;
速度控制单元,用于根据所述置信度控制所述目标多媒体数据的推送速度。
该装置用于实现第一方面提供的方法,各个单元的具体实现过程可参见各个可选步骤的执行过程。
本发明实施例第三方面提供一种多媒体数据推送装置,该装置包括处理器、通信接口和存储器,其中,所述存储器存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行第一方面提供的方法。
本发明实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被页面内容管理装置执行时使所述页面内容管理装置执行第一方面提供的方法。
在本发明实施例中,通过历史推送信息对应的置信区间以及调用训练模型获得的预估推送信息,确定出训练模型针对目标多媒体数据的置信度,然后根据该置信度控制目标多媒体数据的推送速度,使得多媒体数据推送装置可以灵活控制多媒体数据的推送速度,进而有利于提高多媒体数据推送的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a为应用本发明实施例的一种网络架构示意图;
图1b为应用本发明实施例的另一种网络架构示意图;
图2为目前的广告推送流程示意图;
图3为本发明实施例提供的一种多媒体数据推送方法的流程示意图;
图4为本发明实施例提供的获取历史互动参数的示例图;
图5为本发明实施例提供的另一种多媒体数据推送方法的流程示意图;
图6为本发明实施例提供的多媒体数据推送装置的逻辑结构示意图;
图7为本发明实施例提供的多媒体数据推送装置的实体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1a,为应用本发明实施例的一种网络架构示意图,该网络架构示意图包括互联网平台101、用户终端102和用户103。
其中,互联网平台101可以包括但不限于微信朋友圈、公众号、新闻类应用程序、购物类应用程序、视频类应用程序、音乐类应用程序等多媒体数据应用程序对应的服务器,例如为微信朋友圈对应的服务器。应用在本发明实施例中,互联网平台101可在对应的客户端上提供多媒体数据展示位,例如广告展示位。互联网平台101还可以接收用户终端102发送的获取多媒体数据的请求,统计多媒体数据的历史推送信息,例如推送量、点击率、转化率、点赞率等,例如微信朋友圈的服务器可以统计某个广告在微信朋友圈的投放量、该广告在微信朋友圈被用户点击的点击率等。
其中,用户终端102可以是图1a所示的个人计算机(personal computer,PC)、笔记本电脑或智能手机,还可以是一体机、掌上电脑、平板电脑(pad)、智能电视播放终端、车载终端或便捷式设备等电子设备。PC端用户终端,例如一体机等,其操作系统可以包括但不限于Linux系统、Unix系统、Windows系列系统(例如Windows xp、Windows 7等)、Mac OS X系统(苹果电脑的操作系统)等操作系统。移动端用户终端,例如智能手机等,其操作系统可以包括但不限于安卓系统、IOS(苹果手机的操作系统)、Window系统等操作系统。应用在本发明实施例中,用户终端102可以安装并运行互联网平台101对应的应用程序,在应用程序运行的过程中,用户终端102可以多种形式输出多媒体数据,例如以视频形式输出广告,以图片+文字形式输出广告等。用户终端102还可以在接收到对多媒体数据的点击指令时,向互联网平台101发送获取数据的请求,例如接收到对微信朋友圈中某个广告的点击指令时,向微信朋友圈的服务器发送获取该广告的请求。
其中,用户103可以是实际操作用户终端的用户。应用在本发明实施例中,用户103可以对用户终端102输出的多媒体数据输入操作指令,例如对微信朋友圈的广告输入点击指令,以使用户终端102向微信朋友圈的服务器发送获取该广告的请求。
请参见图1b,为应用本发明实施例的另一种网络架构示意图,该网络架构示意图包括联合平台100、互联网平台101、用户终端102和用户103。
其中,联合平台100用于联合互联网平台和多媒体数据投放主,例如对于广告投放而已,联合平台100可以是广告交易平台,用于联合互联网平台和广告商,将广告商的广告投放到互联网平台的广告位上。联合平台100这个名称并不构成对本发明实施例的限定,例如对于广告投放场景,联合平台100可以称为广告交易平台或广告投放管理平台等。联合平台100也可以理解为服务器,该服务器用于确定多媒体数据的投放平台,即确定将多媒体数据投放至哪些互联网平台;还用于接收各个互联网平台反馈的信息,例如接收微信朋友圈的服务器反馈某个广告被投放的次数等;还用于统计历史推送信息等。应用在本发明实施例中,联合平台100可与多个互联网平台101可进行交互,例如向各个互联网平台101下发投放任务量等。
图1a与图1b的区别在于是否包括联合平台100,在包括联合平台100的情况下,可由联合平台100执行本发明实施例提供的方法,在不包括联合平台100的情况下,可由互联网平台101执行本发明实施例提供的方法。那么,本发明实施例提供的多媒体数据推送装置可以是联合平台100,也可以是互联网平台101,或可以是联合平台100的一部分,也可以是互联网平台101的一部分。
需要说明的是,图1a和图1b所示的网络架构示意图中的各个设备的数量和形态用于举例,并不构成对本发明实施例的限定。
本发明实施例涉及的多媒体数据可以包括但不限于广告、新闻、视频、音乐、购物链接等,在后续实施例的介绍过程中多媒体数据以广告为例。本发明实施例提供的多媒体数据推送方法及其装置可以应用于广告推送场景,也可以应用于新闻、视频、音乐、购物链接推送场景,还可以应用于应用程序推送场景。
下面将对广告推送场景涉及的名称或术语进行介绍。
互联网平台,其客户端通常拥有较大的用户访问量(或称为用户流量)。互联网平台的创始者希望将用户流量转换成收益,因此在互联网平台的客户端上可输出广告位,以在广告位上输出广告商投放的广告。
广告,指的是在线广告或互联网广告,即在互联网平台的客户端的广告位上输出的广告。广告位,用于输出广告的位置,在客户端中可以是固定位置,也可以不是固定位置,视不同的互联网平台而定。
广告交易平台,指的是将互联网平台与广告商联合的平台,它将广告商的广告投放到互联网平台的广告位上,以便互联网平台的客户端在广告位上输出相应的广告。为了将广告商的广告精准的投放到目标用户,广告交易平台通常会收集用户的信息进行用户画像,从而针对用户的兴趣、地理位置等信息进行精准的广告投放。
点击通过率(click through rate,ctr),也可以称为点击率,指的是广告被用户点击的概率,即该广告的实际被点击次数除以广告的投放量。点击率是衡量广告效果的一项重要指标。
预估点击通过率(predict click through rate,pctr),也可以称为预估点击率,指的是预估广告被用户点击的概率。
转化率(conversion rate,cvr),指的是用户点击广告到成为一个有效激活、注册或者付费用户的转化比例,即该广告的实际发生转化次数除以广告的投放量。转化率也是衡量广告效果的一项重要指标。
预估转化率(predict conversion rate,pcvr),指的是预估广告发生转化的概率。
请参见图2,为目前的广告推送流程示意图,该流程包括八大模块,分别为数据处理、模型训练、模型评估、线上部署、用户请求、广告排序、广告展示、数据回流。数据处理、模型训练、模型评估和线上部署可以理解为客户端输出广告之前的处理,用户请求、广告排序、广告展示和数据回流可以理解为客户端输出广告之后的处理。
数据处理,用于收集用户在各个互联网平台的客户端上的行为信息、用户的个人属性信息、客户端的设备信息、用户点击、转化广告的信息等等;对收集的信息进行去噪、缺失值填充等处理。使用图像处理算法、自然语言处理算法、机器学习算法等从收集的信息中提取兴趣特征,从广告的文字、图像、视频中提取语义特征等等。将兴趣特征、语言特征等特征转化为机器学习算法可以处理的向量形式,为用户在广告上的行为记录生成一个二元组<X,y>,其中X=(x1,x2,...,xm)包含用户和广告的m个特征,例如用户的属性特征、行为特征、行为中提取的兴趣特征、广告的属性特征、图像特征、文字特征等等。在预估点击率任务中,y∈{1,0}表示用户是否点击了该广告;在预估转化率任务中,y∈{1,0}表示用户是否对该广告进行了转换。
模型训练,通过数据处理产生海量的二元组<Xi,yi>,i=1,...,n,使用机器学习模型,例如逻辑回归、随机森林、梯度提升树、深度神经网络及其变种算法,确定一个目标函数f(X),使得y=f(X)。一般通过求解如下的方程来确定一个最优的f(X):
其中L(·)为损失函数,用于衡量y和f(X)之间的差别,一般损失函数可以定义为平方损失函数、指数损失函数、负的似然函数等。k为广告个数,ni为第i个广告的二元组样本数量。
模型评估,也可以称为线上评估,用于对模型训练模块获取的模型进行质量评估,包括运行性能、预估准确性等。
线上部署,将通过模型评估模块的模型部署到线上平台对用户和广告的组合进行点击率、转化率等预估。在存在联合平台的情况下,该线上平台即为联合平台;在不存在联合平台的情况下,该线上平台即为互联网平台。
用户请求,互联网平台的客户端在接收到用户的打开指令时,向互联网平台发送访问请求。
广告排序,互联网平台或联合平台在接收到访问请求时,结合用户信息和广告信息计算各个广告的pctr或pcvr值以及广告的实时出价,根据最终的实时出价对广告排序,选择排序最靠前的广告反馈至客户端,以使客户端输出该广告。
广告展示,客户端输出广告,以供用户浏览。广告累计足够的展示次数后,互联网平台或联合平台向广告商收取费用。
数据回流,互联网平台或联合平台收集历史投放记录以及广告的点击、转化记录,进行投放效果的核查以及新模型的训练。
图2所示的流程,从整体上评估训练模型的精准度,但是针对单个广告,其历史推送量、数据分布、模型学习能力的差异,训练模型在不同广告上的精准度并不一致。因此在广告推送过程中,预估偏差较大的广告被大量推送后造成该广告成本与广告商预算、效果差别很大,对广告商、用户甚至互联网平台都带来负面的影响。例如某个广告,由于模型预估精准度较高,使得该广告排序靠前,在短时间内会被大量地推送给用户,同时收取广告商大量的费用。当数据回流后,发现该广告的实际ctr值或cvr值远远低于预估值。由于实际值与预估值偏差较大,使得广告投放效果达不到预期,对广告商而已,花费了大量的广告成本,但是效果较小。
鉴于此,本发明实施例提供一种多媒体数据推送方法及其装置,计算任意一个多媒体数据的历史推送信息的置信区间,调用训练模型对该历史推送信息进行处理获得该多媒体数据的预估推送信息,然后根据该置信区间和该预估推送信息确定出该训练模型针对该多媒体数据的置信度,根据该置信度控制该多媒体数据的推送速度,例如置信度较低则减缓该多媒体数据的推送速度,使得可以灵活控制多媒体数据的推送速度,有利于提高多媒体数据推送的精准度。根据置信度控制广告的投放速度,使得广告投放更加稳健,投放效果和广告成本更加可控。
请参见图3,为本发明实施例提供的一种多媒体数据推送方法的流程示意图,该实施例可以包括但不限于如下步骤:
步骤S301,获取目标多媒体数据的历史推送信息。
多媒体数据推送装置从N个客户端获取目标多媒体数据的历史推送信息,即从多个客户端获取,N为正整数,具体N的数值不作限定。
其中,目标多媒体数据指的是任意一个多媒体数据,例如是任意一个广告。历史推送信息指的是历史已推送信息,即当前系统时间之前已经推送的信息,可以包括历史推送量和历史互动参数。历史推送量指的是当前系统时间之前已经推送的数量,对于某个广告而言,即为当前系统时间之前已经投放或推送的该广告的数量。历史互动参数指的是当前系统时间之前用户参与互动的参数,互动参数可以包括点击率、转化率或点赞率等参数中的一种或多种。
多媒体数据推送装置统计当前系统时间之前,已经推送目标多媒体数据的数量,获得历史推送量。统计当前系统时间之前用户对该目标多媒体数据的点击次数,将该点击次数除以历史推送量即可获得点击率,同理转化率或点赞率等互动参数。
多媒体数据推送装置获取历史互动参数可参见图4所示的示例图,图4中以获取历史点击率为例,互联网平台以微信朋友圈为例,多媒体数据以广告为例。图4中,客户端输出的朋友圈信息除了包括好友动态外,还包括广告AAA的信息,广告AAA的信息包括该广告的文字描述信息、该广告的图像信息以及该广告的地址信息等。该广告的图像信息包括广告链接,用户可对该图像信息输入点击指令,客户端在接收到该点击指令时,向微信朋友圈的服务器发送获取该广告的请求,并根据该请求向该客户端反馈获取该广告的响应,该响应包括该广告的具体信息,例如对某个产品的介绍、优惠活动、注册信息等。该服务器在接收到该请求时,可记录针对该广告发生了一次点击,统计接收到请求的次数并记录点击次数。该服务器可用点击次数除以该广告的投放次数,得到点击率,也可以将该点击次数同步至联合平台,或将该点击率同步至联合平台。联合平台可根据各个互联网平台上报的点击次数获得该广告的总点击次数,用总点击次数除以该广告在各个互联网平台的总投放次数,得到总点击率。联合平台也可针对各个互联网平台分别计算各个互联网平台上的点击率。
若图4所示的广告为某个商品的广告,则客户端在接收到获取广告的响应时,输出该响应,判断是否接收到用户输入的购买指令,若接收到并在成功支付后,该服务器可记录针对该广告发生了一次转换,统计并记录转换次数,以便获得转化率。转换,指的是用户在点击该广告之后,还进行了其他操作,例如根据注册引导输入注册信息,根据购买引导输入购买指令并支付成功等。
点赞率,指的是用户针对图4的广告输入了点赞指令,客户端向微信朋友圈的服务器发送点赞通知,该服务器在接收到该点赞通知时,记录针对该广告发生了一次点赞,统计并记录点赞次数,以便获得点赞率。
点击率、转化率、点击率是针对广告推送场景下的互动参数,对于其他多媒体数据推送场景,互动参数可能会有所变化,视具体情况而定。
多媒体数据推送装置获取目标多媒体数据的历史推送信息,可通过图2所示流程中的数据回流模块获取。
步骤S302,确定历史推送信息对应的置信区间。
多媒体数据推送装置确定历史推送信息对应的置信区间,若历史互动参数为历史点击率,则该置信区间为历史点击率对应的置信区间;若历史互动参数为历史转化率,则该置信区间为历史转化率对应的置信区间。
多媒体数据推送装置采用威尔逊置信区间计算公式计算历史推送信息对应的置信区间,威尔逊置信区间计算公式如下:
其中,表示历史互动参数,例如历史点击率或历史转化率等。n表示历史推送量,即样本总数量。z表示置信水平统计量值。在本发明实施例中,z=1.96。根据该威尔逊置信区间可知,置信区间包括区间上界值和区间下界值,区间上界值为区间上界值为该威尔逊置信区间计算公式用于举例,并不构成对本发明实施例的限定,实际应用中还可以采用其他置信区间计算公式来计算置信区间。
举例来说,对于广告A和广告B两个广告,广告A的历史投放次数为10次,点击次数为8次;广告B的历史投放次数为100次,点击次数为80次。虽然这两个广告的历史点击率都是80%,但是根据威尔逊置信区间计算公式计算得到广告A的置信区间是[70%,90%],广告B的置信区间是[75%,85%]。可以理解的是,这两个广告大量投放后,广告A的点击率介于70%与90%之间,广告B的点击率介于75%与85%之间,广告B的变化幅度小于广告A的变化幅度。
步骤S303,调用训练模型对历史推送信息进行处理,获得目标多媒体数据的预估推送信息。
其中,训练模型即为图2所示流程中通过模型训练模块得到的,并通过模型评估模块评估,最终部署在多媒体数据推送装置上的模型。该训练模型在数据回流模块收集大量的各个多媒体数据的历史推送信息的基础上,进行训练得到训练模型。当该训练模型在整体上符合预定要求后,会被部署在多媒体数据推送装置上使用。训练模型可以采用逻辑回归、随机森林、梯度提升树、深度神经网络等算法对历史推送信息进行训练,进而得到训练模型。应用在本发明实施例中,训练模型用于计算以获得预估点击率、预估转化率或预估点赞率等预估互动参数。预估互动参数表示当前系统时间之后可能会出现的互动参数,是预估值,存在不确定性。
多媒体数据推送装置调用训练模型对目标多媒体数据的历史推送信息进行处理,获得目标多媒体数据的预估互动参数。具体的,将目标多媒体数据的历史推送信息输入训练模型,然后训练模型对该历史推送信息进行运算,得到预估互动参数。不过该预估互动参数是调用训练模型得到的,由于不同多媒体数据的历史推送量不同、历史互动参数不同、训练模型对数据的学习能力不同,因此该预估互动参数的精准度不高。
需要说明的是,步骤S302与步骤S303可同时执行,也可先执行步骤S302再执行步骤S303,或先执行步骤S303在执行步骤S302。
步骤S304,根据置信区间和预估推送信息,确定训练模型针对目标多媒体数据的置信度。
多媒体数据推送装置根据步骤S302确定的置信区间以及步骤303获得的预估互动参数,确定训练模型针对目标多媒体数据的置信度。该置信度用于衡量训练模型在目标多媒体数据上的精准度,以便控制目标多媒体数据的推送速度。
基于步骤S302中的例子,广告A的历史推送信息和广告B的历史推送信息输入训练模型后,可能得到相同的预估互动参数,甚至广告A对应的预估互动参数高于广告B的预估互动参数,若直接根据该结果对广告进行排序,将导致广告B大量投放,这样将使得广告B的广告商获得的广告效果与预期不符合。本发明实施例综合考虑置信区间和预估互动参数,确定训练模块针对目标多媒体数据的置信度,根据该置信度来控制目标多媒体数据的推送速度,可以使得推送更加平稳,推送效果与推送成本更加可控。
多媒体数据推送装置在确定置信度时,先根据置信区间确定区间中心值,根据区间中心值确定区间宽度,然后在根据区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及预估互动参数是否在置信区间内,确定置信度。第二宽度阈值大于第一宽度阈值,具体数值在本发明实施例中不作限定,可由多媒体数据推送装置确定。
多媒体数据根据如下公式确定区间中心值以及区间宽度:
mid=(upper+lower)/2
w=(upper-lower)/mid
其中,mid表示区间中心值,upper表示区间上界值,lower表示区间下界值,w表示区间宽度。
然后多媒体数据推送装置根据区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及预估互动参数是否在置信区间内,确定置信度。具体的,若区间宽度大于第二宽度阈值且预估互动参数在置信区间外,则确定训练模型针对目标多媒体数据的置信度为第一置信度。若区间宽度小于第一宽度阈值,预估互动参数在置信区间外且预估互动参数与区间中心值的差值大于第二宽度阈值,则确定训练模型针对目标多媒体数据的置信度为第二置信度。若区间宽度大于第二宽度阈值且预估互动参数在置信区间内,则确定训练模型针对目标多媒体数据的置信度为第三置信度。若区间宽度大于第一宽度阈值小于第二宽度阈值,且预估互动参数在置信区间外,则确定训练模型针对目标多媒体数据的置信度为第四置信度。若区间宽度大于第一宽度阈值小于第二宽度阈值,且预估互动参数在置信区间内,则确定训练模型针对目标多媒体数据的置信度为第五置信度。若区间宽度小于第一宽度阈值,预估互动参数在置信区间外且预估互动参数与区间中心值的差值大于第一宽度阈值小于第二宽度阈值,则确定训练模型针对目标多媒体数据的置信度为第六置信度。若区间宽度小于第一宽度阈值,预估互动参数在置信区间外且预估互动参数与区间中心值的差值小于第一宽度阈值,则确定训练模型针对目标多媒体数据的置信度为第七置信度。若区间宽度小于第一宽度阈值且预估互动参数在置信区间内,则确定训练模型针对目标多媒体数据的置信度为第八置信度。其中,第八置信度>第七置信度>第六置信度>第五置信度>第四置信度>第三置信度>第二置信度>第一置信度。
假设第一置信度为0.1,第二置信度为0.2,第三置信度为0.3,第四置信度为0.4,第五置信度为0.6,第六置信度为0.7,第七置信度为0.8,第八置信度为0.9,第二宽度阈值表示为tu,第一宽度阈值表示为tl,那么上述描述的关系可用下表1表示。
表1
表1用于举例,并不构成对本发明实施例的限定。
以表1为训练模型针对某个广告的置信度为例。置信度为0.1,表示该广告的历史推送量很少,导致置信区间宽度很大,同时预估互动参数没有落在置信区间内,该广告若大量投放存在成本偏差过大的风险。置信度0.2,表示该广告的历史推送量充足,置信度区间宽度小,但是预估互动参数离区间中心值大于tu,说明训练模型没有正确的抓住该广告的规律,该广告若大量投放存在成本偏差过大的风险。置信度0.3,表示该广告的历史推送量很少,导致置信区间很宽,虽然预估互动参数落在置信区间内,但历史互动参数波动较大,该广告若大量投放存在成本偏差过大的风险。置信度0.4,表示该广告的历史推送量少,置信区间很宽,同时预估互动参数没有落在置信区间内,该广告若大量投放存在成本偏差过大的风险。置信度0.6,表示该广告的历史推送量较少,置信区间宽度较大,但是预估互动参数落在置信区间内,风险可控。置信度0.7,表示该广告的历史推送量大,置信区间小,虽然预估互动参数没有落在置信区间内,但是离区间中心值距离小于tu,风险可控。置信度0.8,表示该广告的历史推送量大,置信区间小,虽然预估互动参数没有落在置信区间内,但是离区间中心值距离小于tl,基本无风险。置信度0.9,表示该广告的历史推送量大,置信区间小,预估互动参数落在置信区间内,基本无风险。
步骤S305,根据置信度控制目标多媒体数据的推送速度。
多媒体数据推送装置根据步骤S304确定的置信度控制目标多媒体数据的推送速度,例如控制目标多媒体数据向M个客户端的推送速度,M为正整数,其具体数值不作限定,M和N可能存在交集,也可能不存在交集。具体的,可基于表1,对于置信度为0.1、0.2、0.3或0.4,存在风险的,多媒体数据推送装置可减缓目标多媒体数据的推送速度,避免大量推送,引起用户的反感,降低推送效果。对于置信度为0.6或0.7,风险可控的,多媒体数据推送装置可保存目标多媒体数据当前的推送速度,由于风险可控,即使提速或减速,影响也不大。对于置信度为0.8或0.9,基本无风险的,多媒体数据推送装置可提高目标多媒体数据的推送速度,加大推送量,并且不会对推送效果产生影响。
在图3所示的实施例中,在调用训练模型得到预估推送信息的基础上,根据预估推送信息和置信区间,确定训练模型针对目标多媒体数据的置信度,以便根据该置信度控制目标多媒体数据的推送速度,使得多媒体数据推送装置可以灵活控制多媒体数据的推送速度,使得推送更加平稳,推送效果与推送成本更加可控,进而有利于提高多媒体数据推送的精准度。
若多媒体数据推送装置为联合平台,那么联合平台可计算一个总的置信度,该置信度基于目标多媒体数据在所有互联网平台上的历史推送信息,根据该置信度控制目标多媒体数据总的推送速度。联合平台也可针对不同的互联网平台分别计算置信度,一个置信度基于目标多媒体数据在一个互联网平台上的历史推送信息,根据该置信度可控制目标多媒体数据在该互联网平台上的推送速度,使得各个互联网平台推送多媒体数据存在差异性,使得联合平台更加灵活地控制多媒体数据的推送速度。
作为一个可选的实施例,若预估互动参数包括两种或两种以上,那么置信度可以包括两种或两种以上。例如预估互动参数包括预估点击率和预估转化率,那么置信度包括点击率置信度和转化率置信度,点击率置信度表示训练模型针对目标多媒体数据的点击率的置信度,转化率置信度表示训练模型针对目标多媒体数据的转化率的置信度。这种情况下,多媒体数据推送装置判断哪个置信度更小,若点击率置信度小于转化率置信度,则根据点击率置信度控制目标多媒体数据的推送速度;若转化率置信度小于点击率置信度,则根据转化率置信度控制目标多媒体数据的推送速率。例如,转化率置信度为0.3,点击率置信度为0.8,则根据转化率置信度控制目标多媒体数据的推送速度。进一步的,在置信度包括两种或两种以上置信度的情况下,根据数值最小的那种置信度控制目标多媒体数据的推送速度,使得推送更加平稳,推送效果与推送成本更加可控。
请参见图5,为本发明实施例提供的另一种多媒体数据推送方法的流程示意图,该实施例可以包括但不限于如下步骤:
步骤S501,获取目标多媒体数据的历史推送信息。
步骤S502,确定历史推送信息对应的置信区间。
步骤S503,调用训练模型对历史推送信息进行处理,获得目标多媒体数据的预估推送信息。
步骤S504,根据置信区间和预估推送信息,确定训练模型针对目标多媒体数据的置信度。
步骤S501-步骤S504的实现过程可参见图3所示实施例中步骤S301-步骤304的具体描述,在此不再赘述。
步骤505,若置信度小于第一置信度阈值,则减缓目标多媒体数据的推送速度。
步骤506,若置信度大于第一置信度阈值且小于第二置信度阈值,则保持目标多媒体数据的推送速度。
步骤507,若置信度大于第二置信度阈值,则提高目标多媒体数据的推送速度。
其中,第二置信度阈值大于第一置信度阈值,具体数值在本发明实施例中不作限定。步骤S505-步骤507为一种可能实现的方式,基于表1,第一置信度阈值可设置为0.5,第二置信度阈值可设置为0.75。对于步骤S506,可保存目标媒体数据的推送速度,也可减缓或提供目标多媒体数据的推送速度。
在另一种可能的实现方式中,多媒体数据推送装置保存有各个置信度与推送速度之间的对应关系,在该对应关系中查找与置信度相匹配的目标推送速度,并按照该目标推送速度推送目标多媒体数据,使得实现更加简便。
上述两种方式并不构成对本发明实施例的限定,实际还可以采用其他方式来根据置信度控制目标多媒体数据的推送速度。
在图5所示的实施例中,在确定置信度之后,根据置信度与第一置信度阈值、第二置信度阈值之间的关系来确定减缓推送速度,还是提高推送速度,使得多媒体数据推送装置可以灵活控制多媒体数据的推送速度,使得推送更加平稳,推送效果与推送成本更加可控。
上述详细阐述了本发明实施例的方法,下面提供了本发明实施例的装置。
请参见图6,为本发明实施例提供的多媒体数据推送装置的逻辑结构示意图,该多媒体数据推送装置60包括区间确定单元601、模型调用单元602、置信度确定单元603和速度控制单元604。
区间确定单元601,用于获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;
模型调用单元602,用于调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息;
置信度确定单元603,用于根据所述置信区间以及所述预估推送信息,确定所述训练模型针对所述目标多媒体数据的置信度;
速度控制单元604,用于根据所述置信度控制所述目标多媒体数据的推送速度。
可选的,速度控制单元604,具体用于若所述置信度小于第一置信度阈值,则减缓所述目标多媒体数据的推送速度;若所述置信度大于第一置信度阈值且小于第二置信度阈值,则保持所述目标多媒体数据的推送速度;若所述置信度大于第二置信度阈值,则提高所述目标多媒体数据的推送速度;
其中,所述第二置信度阈值大于所述第一置信度阈值。
可选的,速度控制单元604,具体用于查找与所述置信度相匹配的目标推送速度,按照所述目标推送速度推送所述目标多媒体数据。
可选的,所述预估推送信息包括预估互动参数;置信度确定单元603,具体用于根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度;根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度;
其中,所述第二宽度阈值大于所述第一宽度阈值。
可选的,置信度确定单元603,具体用于若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第一置信度;若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第二置信度;若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第三置信度;若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第四置信度;若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第五置信度;若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于所述第一宽度阈值小于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第六置信度;若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值小于所述第一宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第七置信度;若所述区间宽度小于第一宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第八置信度;
其中,所述第八置信度>所述第七置信度>所述第六置信度>所述第五置信度>所述第四置信度>所述第三置信度>所述第二置信度>所述第一置信度。
可选的,所述置信度包括点击率置信度和转化率置信度;速度控制单元604,具体用于若所述点击率置信度小于所述转化率置信度,则根据所述点击率置信度控制所述目标多媒体数据的推送速度;若所述转化率置信度小于所述点击率置信度,则根据所述转化率置信度控制所述目标多媒体数据的推送速率。
可选的,所述置信区间包括区间上界值和区间下界值,所述区间上界值大于所述区间下界值;置信度确定单元603,具体用于根据所述区间上界值与所述区间下界值之和,确定区间中心值;根据所述区间上界值与所述区间下界值之间的差值以及区间中心值,确定区间宽度。
可选的,所述历史推送信息包括历史推送量和历史互动参数;
区间确定单元601,具体用于根据所述历史推送量和所述历史互动参数,确定所述历史互动参数对应的置信区间。
该多媒体数据推送装置60可以实现前述方法实施例中多媒体数据推送装置的功能,该多媒体数据推送装置60中各个单元执行详细过程可以参见前述方法实施例中多媒体数据推送装置的执行步骤,此处不在赘述。
请参见图7,为本发明实施例提供的多媒体数据推送装置的实体结构示意图,该多媒体数据推送装置70包括处理器701、输入模块702、输出模块703、通信接口704和存储器705。处理器701、输入模块702、输出模块703、通信接口704和存储器705可以通过总线706相互连接,也可以通过其它方式相连接。图6所示的区间确定单元601、模型调用单元602、置信度确定单元603和速度控制单元604所实现的相关功能可以通过一个或多个处理器701来实现。
处理器701包括是一个或多个处理器,例如包括一个或多个中央处理器(centralprocessing unit,CPU),在处理器701是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。应用在本发明实施例中,处理器701用于控制多媒体数据推送装置实现图3和图5所示的实施例。
输入模块702可以是键盘、鼠标、触摸屏等输入设备,用于接收用户输入的指令、数据等。
输出模块703可以是屏幕、音响、扩音器等输出设备,用于输出图形界面、多媒体数据等信息。
通信接口704用于实现与其他设备之间的通信,例如实现与客户端等设备之间的通信。
存储器705包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器705用于存储相关指令及数据。应用在本发明实施例中,存储器705用于存储处理器701执行所需的程序代码、指令等。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被页面内容管理装置执行时使页面内容管理装置执行上述方法实施例。
需要说明的是,对于前述的各个方法实施例,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,某一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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例所提供的内容下载方法及相关设备、系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多媒体数据推送方法,其特征在于,包括:
获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;
调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息,所述预估推送信息包括预估互动参数;
根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度;
根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度,其中,所述第二宽度阈值大于所述第一宽度阈值;
若所述置信度小于第一置信度阈值,则减缓所述目标多媒体数据的推送速度;若所述置信度大于第一置信度阈值且小于第二置信度阈值,则保持所述目标多媒体数据的推送速度;若所述置信度大于第二置信度阈值,则提高所述目标多媒体数据的推送速度;其中,所述第二置信度阈值大于所述第一置信度阈值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度,包括:
若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第一置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第二置信度;
若所述区间宽度大于第二宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第三置信度;
若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间外,则确定所述训练模型针对所述目标多媒体数据的置信度为第四置信度;
若所述区间宽度大于第一宽度阈值小于第二宽度阈值,且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第五置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值大于所述第一宽度阈值小于第二宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第六置信度;
若所述区间宽度小于第一宽度阈值,所述预估互动参数在所述置信区间外且所述预估互动参数与所述区间中心值的差值小于所述第一宽度阈值,则确定所述训练模型针对所述目标多媒体数据的置信度为第七置信度;
若所述区间宽度小于第一宽度阈值且所述预估互动参数在所述置信区间内,则确定所述训练模型针对所述目标多媒体数据的置信度为第八置信度;
其中,所述第八置信度>所述第七置信度>所述第六置信度>所述第五置信度>所述第四置信度>所述第三置信度>所述第二置信度>所述第一置信度。
3.根据权利要求1所述的方法,其特征在于,所述置信度包括点击率置信度和转化率置信度;
所述根据所述置信度控制所述目标多媒体数据的推送速度,包括:
若所述点击率置信度小于所述转化率置信度,则根据所述点击率置信度控制所述目标多媒体数据的推送速度;
若所述转化率置信度小于所述点击率置信度,则根据所述转化率置信度控制所述目标多媒体数据的推送速率。
4.根据权利要求1所述的方法,其特征在于,所述置信区间包括区间上界值和区间下界值,所述区间上界值大于所述区间下界值;
所述根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度,包括:
根据所述区间上界值与所述区间下界值之和,确定区间中心值;
根据所述区间上界值与所述区间下界值之间的差值以及区间中心值,确定区间宽度。
5.根据权利要求1所述方法,其特征在于,所述历史推送信息包括历史推送量和历史互动参数;
所述确定所述历史推送信息对应的置信区间,包括:
根据所述历史推送量和所述历史互动参数,确定所述历史互动参数对应的置信区间。
6.一种多媒体数据推送装置,其特征在于,包括:
区间确定单元,用于获取目标多媒体数据的历史推送信息,确定所述历史推送信息对应的置信区间;
模型调用单元,用于调用训练模型对所述历史推送信息进行处理,获得所述目标多媒体数据的预估推送信息,所述预估推送信息包括预估互动参数;
置信度确定单元,用于根据所述置信区间确定区间中心值,根据所述区间中心值确定区间宽度;根据所述区间宽度与第一宽度阈值、第二宽度阈值之间的大小关系,以及所述预估互动参数是否在所述置信区间内,确定所述训练模型针对所述目标多媒体数据的置信度,其中,所述第二宽度阈值大于所述第一宽度阈值;
速度控制单元,用于根据所述置信度控制所述目标多媒体数据的推送速度,包括若所述置信度小于第一置信度阈值,则减缓所述目标多媒体数据的推送速度;若所述置信度大于第一置信度阈值且小于第二置信度阈值,则保持所述目标多媒体数据的推送速度;若所述置信度大于第二置信度阈值,则提高所述目标多媒体数据的推送速度;其中,所述第二置信度阈值大于所述第一置信度阈值。
7.一种多媒体数据推送装置,其特征在于,包括处理器、通信接口和存储器,其中,所述存储器存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384801.5A CN111917809B (zh) | 2019-05-09 | 2019-05-09 | 多媒体数据推送方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384801.5A CN111917809B (zh) | 2019-05-09 | 2019-05-09 | 多媒体数据推送方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111917809A CN111917809A (zh) | 2020-11-10 |
CN111917809B true CN111917809B (zh) | 2021-11-26 |
Family
ID=73242158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910384801.5A Active CN111917809B (zh) | 2019-05-09 | 2019-05-09 | 多媒体数据推送方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111917809B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942603A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种广告点击率的预估方法和装置 |
CN106127528A (zh) * | 2016-06-30 | 2016-11-16 | 北京小米移动软件有限公司 | 广告投放方法及装置 |
CN106339409A (zh) * | 2016-08-10 | 2017-01-18 | 乐视控股(北京)有限公司 | 用户语料信息的获取方法及装置 |
CN106875202A (zh) * | 2015-12-11 | 2017-06-20 | 北京国双科技有限公司 | 评估广告投放效果的方法及装置 |
CN107463580A (zh) * | 2016-06-06 | 2017-12-12 | 腾讯科技(深圳)有限公司 | 训练点击率预估模型方法和装置、点击率预估方法和装置 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058590B2 (en) * | 2001-05-04 | 2006-06-06 | Hewlett-Packard Development Company, L.P. | System and method for generating conversion-related estimates utilizing adaptive sample size |
-
2019
- 2019-05-09 CN CN201910384801.5A patent/CN111917809B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942603A (zh) * | 2013-01-17 | 2014-07-23 | 腾讯科技(深圳)有限公司 | 一种广告点击率的预估方法和装置 |
CN106875202A (zh) * | 2015-12-11 | 2017-06-20 | 北京国双科技有限公司 | 评估广告投放效果的方法及装置 |
CN107463580A (zh) * | 2016-06-06 | 2017-12-12 | 腾讯科技(深圳)有限公司 | 训练点击率预估模型方法和装置、点击率预估方法和装置 |
CN106127528A (zh) * | 2016-06-30 | 2016-11-16 | 北京小米移动软件有限公司 | 广告投放方法及装置 |
CN106339409A (zh) * | 2016-08-10 | 2017-01-18 | 乐视控股(北京)有限公司 | 用户语料信息的获取方法及装置 |
CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
Non-Patent Citations (2)
Title |
---|
"sound event detection in remote health care-small learning datasets and over constrained gaussian mixture models";Jugurta Montalvao;《IEEE》;20101111;全文 * |
"基于CDN的视频流媒体内容分发策略的研究";何腾蛟;《中国优秀硕士学位论文全文数据库信息科技辑》;20170715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111917809A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108521439B (zh) | 一种消息推送的方法和装置 | |
CN105574147B (zh) | 一种信息处理方法及服务器 | |
US20190130457A1 (en) | Methods and systems for modeling campaign goal adjustment | |
CN106462560B (zh) | 使用行为度量来优化内容布局的系统和方法 | |
US20170098236A1 (en) | Exploration of real-time advertising decisions | |
US8893012B1 (en) | Visual indicator based on relative rating of content item | |
CN110570232A (zh) | 互联网广告投放方法、装置、服务器及存储介质 | |
JP6707136B2 (ja) | プロモーション情報のための配信方法、装置及びシステム | |
JP5507607B2 (ja) | コンテンツ提供装置、低ランク近似行列生成装置、コンテンツ提供方法、低ランク近似行列生成方法およびプログラム | |
CN112204610A (zh) | 基于神经网络的电子内容 | |
CN111105269A (zh) | 广告投放处理方法、装置、设备和存储介质 | |
CN111798280A (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
US20130159094A1 (en) | Real time ad targeting | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN111159553A (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
CN111582899A (zh) | 一种展示链接效果的量化方法、装置、系统及存储介质 | |
CN107507023B (zh) | 一种信息投放方法及装置 | |
CN111858686B (zh) | 数据显示方法、装置、终端设备及存储介质 | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
WO2016148842A1 (en) | System and method for providing context-based third-party content | |
CN111917809B (zh) | 多媒体数据推送方法及其装置 | |
US20150339693A1 (en) | Determination of initial value for automated delivery of news items | |
WO2022237477A1 (zh) | 一种数据校准方法、装置、计算机设备以及可读存储介质 | |
CN107203892B (zh) | 一种推送增值业务信息的方法、装置及电子设备 |
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 |