CN112116395A - 一种用户数据处理方法、装置、电子设备以及存储介质 - Google Patents
一种用户数据处理方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112116395A CN112116395A CN202011019186.7A CN202011019186A CN112116395A CN 112116395 A CN112116395 A CN 112116395A CN 202011019186 A CN202011019186 A CN 202011019186A CN 112116395 A CN112116395 A CN 112116395A
- Authority
- CN
- China
- Prior art keywords
- user data
- user
- data
- target
- seed
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001632422 Radiola linoides Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种用户数据处理方法、装置、电子设备以及存储介质,涉及云计算技术领域,进一步涉及深度学习和大数据等技术。具体实现方案为:获取目标媒介信息的种子用户数据;根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户。现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
Description
技术领域
本申请涉及云计算技术领域,尤其涉及深度学习和大数据等技术,具体涉及一种用户数据处理方法、装置、电子设备以及存储介质。
背景技术
随着市场竞争的越来越激烈,媒介信息投放方需要向特定用户投放媒介信息,以提升媒介信息的点击率和转化率等。然而,目前媒介信息投放方主要通过媒介信息投放平台提供的标签功能确定特定用户,对业务人员依赖性较大且准确率低下等,亟需改进。
发明内容
本公开提供了一种用户数据处理方法、装置、电子设备以及存储介质,以自动、精准地确定目标媒介信息的待投放用户。
根据本公开的一方面,提供了一种用户数据处理方法,该方法包括:
获取目标媒介信息的种子用户数据;
根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户。
根据本公开的另一方面,提供了一种用户数据处理装置,该装置包括:
种子数据获取模块,用于获取目标媒介信息的种子用户数据;
待投放用户确定模块,用于根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任一实施例所述的用户数据处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请任一实施例所述的用户数据处理方法。
根据本申请的技术解决了现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例提供的一种用户数据处理方法的流程图;
图2是根据本申请实施例提供的另一种用户数据处理方法的流程图;
图3是根据本申请实施例提供的又一种用户数据处理方法的流程图;
图4是根据本申请实施例提供的一种用户数据处理过程的示意图;
图5是根据本申请实施例提供的一种用户数据处理装置的结构示意图;
图6是用来实现本申请实施例的用户数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的一种用户数据处理方法的流程图。本申请实施例适用于如何对用户数据进行处理,以精准地确定目标媒介信息的待投放用户,进而提升媒介信息的点击率和转化率等的情况。本申请实施例可以由目标媒介信息投放方执行,还可以由第三方设备执行,或者还可以由本实施例中的任一数据提供方执行等。其中,目标媒介信息投放方为投放目标媒介信息的持有者,例如广告主等;数据提供方为拥有大量用户数据的一方;第三方设备能够与数据提供方和目标媒介信息投放方交互,为保证数据提供方数据的安全,进一步的第三方优选为配置有可信器件的计算设备。该实施例可以由用户数据处理装置来执行,该装置可以采用软件和/或硬件来实现,并可集成于承载用户数据处理功能的电子设备中。如图1所示,该方法包括:
S101,获取目标媒介信息的种子用户数据。
本实施例中,种子用户也可称为历史转化用户,具体可以包括对目标媒介信息感兴趣或者有意向购买目标媒介信息所介绍产品的用户,以及已购买目标媒介信息所介绍产品的用户等。可选的,种子用户可根据目标媒介信息的历史投放情况(也可称为预投放情况)确定。例如,目标媒介信息投放方在具有目标媒介信息投放需求时,可以基于目标媒介信息投放平台(如广告平台)提供的标签功能,根据实际业务情况设置预投放用户属性(如年龄、性别、兴趣和工作所在行业等),并在目标媒介信息投放平台上进行预投放;目标媒介信息投放平台可以使用多种方式对目标媒介信息投放方预投放的目标媒介信息进行展示,用户在目标媒介信息曝光后进行点击,进入目标媒介信息投放方的落地页,填写相关信息,进行留资;目标媒介信息投放方收集预投放后用户的留资,并根据所收集的用户的留资,确定目标媒介信息的种子用户和种子用户数据。其中,每一种子用户数据可以包括但不限于:基础信息(例如姓名、性别、年龄、婚姻状况和住址等)、工作信息(例如工作所在行业、收入和意愿工作等)、兴趣(例如阅读兴趣和购买兴趣等)和消费水平等。
进而,若执行主体为目标媒介信息投放方,则可以根据历史投放情况,将历史转化用户作为种子用户,并获取种子用户数据;若执行主体为第三方设备或者任一数据提供方,则第三方设备或者任一数据提供方可以获取目标媒介信息投放方传输的种子用户数据;或者,可以获取目标媒介信息投放方传输的历史投放情况,并根据历史投放情况,将历史转化用户作为种子用户,以及从历史投放情况中获取种子用户数据。
可选的,种子用户还可以通过其他方式确定,如线下方式(比如问卷调查或者营销)等,对此不做限定。
S102,根据种子用户数据和目标数据提供方采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
本实施例中,数据提供方可以通过如下至少一种方式采集大量用户数据,第一种方式,通过线上投放媒介信息抓取用户数据;第二种方式,通过线下方式(比如问卷调查、营销等)获取用户数据等;第三种方式,通过用户画像和搜索行为数据等获取用户数据等。进一步的,为了便于查询,数据提供方所采集的用户数据可以以键值对(Key-Value)形式存储,例如可以将用户标识作为Key,将用户数据作为Value进行存储。与种子用户数据相类似,数据提供方所采集的每一用户数据也可以包括但不限于:基础信息(例如姓名、性别、年龄、婚姻状况和住址等)、工作信息(例如工作所在行业、收入和意愿工作等)、兴趣(例如阅读兴趣和购买兴趣等)和消费水平等。
可选的,在获取种子用户数据之后,可以从至少两个候选数据提供方中选择一个或多个(至少两个)数据提供方,作为目标数据提供方,并与目标数据提供方建立通信连接,获取目标数据提供方采集的用户数据。可选的,本实施例中可以从至少两个候选数据提供方中随机选择一个或多个数据提供方,作为目标数据提供方;为了能够精准确定目标媒介信息的待投放用户,进一步的,可以根据多个数据提供方的信誉、所采集的用户数据的稳定性、覆盖率以及丰富度等,从至少两个候选数据提供方中选择的一个或多个数据提供方,作为目标数据提供方。
之后,可以根据种子用户数据和目标数据提供方所采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。例如,可以对种子用户数据和目标数据提供方所采集的用户数据进行融合,具体可以是以种子用户标识为索引,从目标数据提供方所采集的用户数据中进行匹配,将相匹配用户的用户数据进行融合(包括不同数据保留,重复数据剔除);之后可以根据进行融合处理后的种子用户数据和目标数据提供方所采集的用户中除种子用户之外的其他用户数据,从目标数据提供方采集的用户中除种子用户之外的其他用户中选择目标媒介信息的待投放用户。例如,可以采用进行融合处理后的种子用户数据,计算所有种子用户的平均特征;根据目标数据提供方采集的用户中除种子用户之外的其他每一用户的用户数据,计算该用户的特征;计算其他每一用户的特征与所有种子用户的平均特征之间的相似度,并根据相似度,从目标数据提供方采集的用户中除种子用户之外的其他用户中选择目标媒介信息的待投放用户。本实施例中,用户标识用于唯一识别用户的标识符,可以是用户ID、用户的电话号码或者身份证号等。
需要说明的是,现有通过媒介信息投放平台提供的标签功能确定特定用户方案,需要依赖业务人员对业务、产品等的了解,准确度低下,且待投放用户范围不可控。而本申请通过将目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据结合分析,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅能够保证所选择的目标媒介信息的待投放用户的准确度,同时可保证所选择的目标媒介信息的待投放用户范围可控。
本申请实施例的技术方案,通过将目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据结合分析,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅能够保证所选择的目标媒介信息的待投放用户的准确度,同时可保证所选择的目标媒介信息的待投放用户范围可控,解决了现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
作为本实施例的一种可选方式,根据种子用户数据和目标数据提供方采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户之前,还包括:确定种子用户数据和至少两个候选数据提供方采集的用户数据之间的数据覆盖率;根据数据覆盖率,从至少两个候选数据提供方中选择目标数据提供方。本实施例中,种子用户数据和候选数据提供方采集的用户数据之间的数据覆盖率用于衡量候选数据提供方采集的用户中包括种子用户的数量。
具体的,对于每一候选数据提供方,可以以种子用户标识为索引,从该候选数据提供方所采集的用户数据中进行匹配;根据匹配结果,确定该候选数据提供方采集的用户中包括种子用户的数量,并将其作为种子用户数据和该候选数据提供方采集的用户数据之间的数据覆盖率。之后,可以按照数据覆盖率递增或递减方式,对多个候选数据提供方进行排序,根据排序结果,从多个候选数据提供方中选择目标数据提供方。例如,本实施例按照数据覆盖率递减方式,对多个候选数据提供方进行排序,进而可以将排序在前的预设数值个候选数据提供方作为目标数据提供方。本实施例中,引入数据覆盖率,从多个不同数据提供方中选择目标数据提供方,为后续准确度确定目标媒介信息的待投放用户奠定了基础,同时增加了方案的灵活度。
作为本实施例的又一种可选方式,根据种子用户数据和目标数据提供方采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户之前,还包括:确定目标媒介信息所属的行业类型,以及行业类型所属的父行业领域;将属于父行业领域的候选数据提供方作为目标数据提供方。
本实施例中,可以根据目标媒介信息的内容,确定目标媒介信息所属的行业类型。例如,目标媒介信息为目标广告,且目标广告的内容是关于卖电动车的,则可以确定目标广告所属的行业类型为电动车。可选的,本实施例中,父行业领域包括行业类型,为行业类型的上一层级;也就是说,行业类型为父行业领域的一个分支。例如,行业类型为电动车,父行业领域为车或者车辆。
具体的,可以根据目标媒介信息的内容,确定目标媒介信息所属的行业类型,并可以确定行业类型所属的父行业领域;之后可以将多个候选数据提供方中属于父行业领域的候选数据方作为目标数据提供方。本实施例中,通过引入行业类型和父行业领域,在保证用户数据数量充足的情况下,能够进一步保证目标媒介信息的待投放用户的准确度。
图2是根据本申请实施例提供的另一种用户数据处理方法的流程图。本实施例在上述实施例的基础上,进一步对根据种子用户数据和目标数据提供方所采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户进行解释说明。如图2所示,该方法包括:
S201,获取目标媒介信息的种子用户数据。
S202,根据种子用户数据,构建正样本用户数据。
本实施例,在获取目标媒介信息的种子用户数据之后,可以直接将所获取的种子用户数据作为正样本用户数据;进一步的,还可以对种子用户数据和目标数据提供方所采集的用户数据进行融合,并将进行融合处理后的种子用户数据作为正样本用户数据。可选的,对种子用户数据和目标数据提供方所采集的用户数据进行融合具体可以是以种子用户标识为索引,从目标数据提供方所采集的用户数据中进行匹配,将相匹配用户的用户数据进行融合(包括不同数据保留,重复数据剔除)。需要说明的是,本实施例将进行融合处理后的种子用户数据作为正样本用户数据,增加了正样本用户数据的丰富度,为后续得到准确的用户圈定模型奠定了基础。
S203,从目标数据提供方采集的用户数据中确定负样本用户数据。
可选的,本实施例可以采用负采样方式,随机从目标数据提供方采集的用户数据中选取设定数量的用户数据作为负样本用户数据。其中,负样本用户数量和正样本用户数量满足预设比例。进一步的,由于目标数据提供方采集的用户中可能包括种子用户,进而可以随机从目标数据提供方采集的非种子用户数据中选取设定数量的用户数据作为负样本用户数据,其中,非种子用户为目标数据提供方采集的用户中除种子用户之外的其他用户。本实施例,通过随机获取负样本样用户数据,进一步为后续得到准确的用户圈定模型奠定了基础。
为进一步提升模型的准确率,本实施例还可以根据目标数据提供方采集的用户数据,确定用户活跃度;并根据用户活跃度,从目标数据提供方采集的用户数据中确定负样本用户数据。
具体的,可以根据目标数据提供方采集的用户数据中的购买次数、阅读次数或者同类媒介信息点击次数等,确定用户活跃度;进一步的,可以设定多种活跃度等级(例如第一级活跃度,第二级活跃度等),进而可以根据目标数据提供方采集的非种子用户的活跃度等级和每一等级所包括的非种子用户数量等,从目标数据提供方采集的非种子用户数据中确定负样本用户数据。例如,最高活跃度等级所包括的非种子用户数量可以满足建模所需的负样本用户数量,则可以随机从最高活跃度等级所包括的非种子用户数据中选取设定数量的用户数据,作为负样本用户数据。本实施例中,通过引入用户活跃度,并基于用户活跃度,从目标数据提供方采集的用户数据中确定负样本用户数据,为进一步提升模型准确率奠定了基础,同时增加了方案的灵活度。
进一步的,本实施例还可以采用建模增强方式,从目标数据提供方采集的用户数据中确定负样本用户数据,后续实施例将对此进行详细描述。
S204,根据正样本用户数据和负样本用户数据,构建用户圈定模型。
具体的,可以采用正样本用户数据和负样本用户数据,对深度学习模型进行训练,得到用户圈定模型。
作为本实施例的一种可选方式,为了提高样本丰富度,可以成对构造样本。例如,可以按照设定比例(例如5:1:1),将正样本用户数据和负样本用户数据随机划分为训练集、验证集和测试集,并将各个集合中用户数据两两成对。之后采用所构造样本训练神经网络模型,得到用户圈定模型。具体为:模型训练时,分批输入训练集,利用对比损失函数计算损失,通过反向传播算法进行梯度回传,反复迭代;之后利用构造的验证集在模型训练过程保存最佳的模型参数,最后通过测试集验证整个模型的效果。本实施例采用成对样本输入方式,两两配对,极大丰富了样本,进而使模型训练更加充分。
S205,基于用户圈定模型,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
具体的,在构建用户圈定模型之后,可以采用用户圈定模型,对目标数据提供方采集的用户中除正样本用户和负样本用户之外的其他用户进行预测;进而根据预测结果,从其他用户中选择目标媒介信息的待投放用户。
例如,对于目标数据提供方采集的用户中除正样本用户和负样本用户之外的其他每一用户,可以将该用户数据与每一种子用户数据构成用户对,一并输入用户圈定模型中,得到相似度向量;之后可以对相似度向量进行求和或求平均等,以得到该用户的预测分数;最后可以根据预测分数和目标媒介信息投放方的投放需求,从其他用户中选择目标媒介信息的待投放用户。本实施例中,预测分数可用于表征用户点击目标媒介信息的概率。
本申请实施例的技术方案,通过采用深度学习模型,结合目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅可以降低对业务知识的依赖,而且采用目标数据提供方所采集的用户数据进行建模,能够弥补种子用户数据数量不足的缺陷,极大的提高了用户圈定模型的预测准确度,为精准地从目标数据提供方采集的用户中选择目标媒介信息的待投放用户奠定了基础。
图3是根据本申请实施例提供的又一种用户数据处理方法的流程图。本实施例在上述实施例的基础上,提供了一种采用建模增强方式确定负样本用户数据。如图3所示,该方法包括:
S301,获取目标媒介信息的种子用户数据。
S302,根据种子用户数据,构建正样本用户数据。
S303,从目标数据提供方采集的用户数据中抽取第一非种子用户数据和第二非种子用户数据。
可选的,本实施例可以采用负采样方式,随机从目标数据提供方采集的用户数据中选取第一数量的非种子用户数据和第二数量的非种子用户数据。或者,还可以根据用户活跃度,从目标数据提供方采集的用户数据中选取第一数量的非种子用户数据和第二数量的非种子用户数据。其中,第一数量和第二数量是预设定的,可根据实际情况灵活调整。
S304,根据种子用户数据和第一非种子用户数据,构建样本生成模型。
具体的,可以采用种子用户数据和第一非种子用户数据,对深度学习模型进行训练,得到样本生成模型。例如,可以根据种子用户数据构建正样本用户数据,或者可以直接采用S302构建的正样本用户数据;将第一非种子用户数据作为负采样用户数据,之后根据负采样用户数据和正样本用户数据,对深度学习模型进行训练,得到样本生成模型。
S305,基于样本生成模型,从第二非种子用户数据中确定负样本用户数据。
具体的,在构建样本生成模型之后,可以采用样本生成模型,对第二非种子用户进行预测;进而根据预测结果,从第二非种子用户数据中确定负样本用户数据。例如,可以将预测分数低于设定阈值的第二非种子用户数据作为负样本用户数据。同时可以将预测分数大于设定阈值的第二非种子用户数据也作为正样本用户数据。
S306,根据正样本用户数据和负样本用户数据,构建用户圈定模型。
S307,基于用户圈定模型,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
本申请实施例的技术方案,通过采用建模增强方式对建模样本进行增强,能够弥补种子用户数据数量不足的缺陷,极大的提高了用户圈定模型的预测准确度,为精准地从目标数据提供方采集的用户中选择目标媒介信息的待投放用户奠定了基础。
图4是根据本申请实施例提供的一种用户数据处理过程的示意图。本实施例在上述实施例的基础上,提供了一种优选实例。具体提供了一种目标媒介信息提供方、第三方设备和目标媒介信息投放平台之间交互,进行用户数据处理,以确定目标媒介信息的待投放用户的优选实例。如图4所示,具体实现过程如下:
目标媒介信息投放方在具有目标媒介信息投放需求时,可以对目标媒介信息进行设计,例如可以包括文案、图片和样式等;之后基于目标媒介信息投放平台(如广告平台)提供的标签功能,根据实际业务情况设置预投放用户属性(如年龄、性别、兴趣和工作所在行业等),并在目标媒介信息投放平台上进行预投放。目标媒介信息投放平台可以使用多种方式对目标媒介信息投放方预投放的目标媒介信息进行展示,用户在目标媒介信息曝光后进行点击,进入目标媒介信息投放方的落地页,填写相关信息,进行留资。目标媒介信息投放方收集预投放后用户的留资,并根据所收集的用户的留资,确定目标媒介信息的种子用户和种子用户数据。
之后,目标媒介信息提供方可以将种子用户数据传输给第三方设备,第三方设备在获取目标媒介信息的种子用户数据之后,对种子用户数据和目标数据提供方所采集的用户数据进行融合处理,并可以将融合处理后的种子用户数据作为正样本用户数据;同时从目标数据提供方采集的用户数据中确定负样本用户数据(即对样本数据进行增强),根据正样本用户数据和负样本用户数据,构建用户圈定模型,进而基于用户圈定模型,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
之后,第三方设备可以将目标媒介信息的待投放用户传输给目标媒介信息投放方;进而目标媒介信息投放方获取待投放用户,并将待投放用户上传到媒介信息投放平台,以便媒介信息投放平台向待投放用户投放目标媒介信息。
本申请实施例的技术方案,通过采用深度学习模型,结合目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅可以降低对业务知识的依赖,而且采用目标数据提供方所采集的用户数据进行建模,能够弥补种子用户数据数量不足的缺陷,极大的提高了用户圈定模型的预测准确度,为精准地从目标数据提供方采集的用户中选择目标媒介信息的待投放用户奠定了基础。同时本申请还可保证所选择的目标媒介信息的待投放用户范围可控,解决了现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
图5是根据本申请实施例提供的一种用户数据处理装置的结构示意图。本申请实施例适用于如何对用户数据进行处理,以精准地确定目标媒介信息的待投放用户,进而提升媒介信息的点击率和转化率等的情况。该装置可实现本申请任意实施例所述的用户数据处理方法。该装置可集成于承载用户数据处理功能的电子设备中。该用户数据处理装置500具体包括:
种子数据获取模块501,用于获取目标媒介信息的种子用户数据;
待投放用户确定模块502,用于根据种子用户数据和目标数据提供方采集的用户数据,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
本申请实施例的技术方案,通过将目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据结合分析,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅能够保证所选择的目标媒介信息的待投放用户的准确度,同时可保证所选择的目标媒介信息的待投放用户范围可控,解决了现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
示例性的,待投放用户确定模块502可以包括:
正样本确定单元,用于根据种子用户数据,构建正样本用户数据;
负样本确定单元,用于从目标数据提供方采集的用户数据中确定负样本用户数据;
模型构建单元,用于根据正样本用户数据和负样本用户数据,构建用户圈定模型;
待投放用户确定单元,用于基于用户圈定模型,从目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
示例性的,负样本确定单元具体用于:
根据目标数据提供方采集的用户数据,确定用户活跃度;
根据用户活跃度,从目标数据提供方采集的用户数据中确定负样本用户数据。
示例性的,负样本确定单元还具体用于:
从目标数据提供方采集的用户数据中抽取第一非种子用户数据和第二非种子用户数据;
根据种子用户数据和第一非种子用户数据,构建样本生成模型;
基于样本生成模型,从第二非种子用户数据中确定负样本用户数据。
示例性的,上述装置还可以包括:
数据覆盖率确定模块,用于确定种子用户数据和至少两个候选数据提供方采集的用户数据之间的数据覆盖率;
目标提供方确定模块,用于根据数据覆盖率,从至少两个候选数据提供方中选择目标数据提供方。
示例性的,上述装置还可以包括:
行业确定模块,用于确定目标媒介信息所属的行业类型,以及行业类型所属的父行业领域;
目标提供方确定模块,还用于将属于父行业领域的候选数据提供方作为目标数据提供方。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请实施例的用户数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用户数据处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用户数据处理方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用户数据处理方法对应的程序指令/模块(例如,附图5所示的种子数据获取模块501和待投放用户确定模块502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用户数据处理方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用户数据处理方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用户数据处理方法的电子设备。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。
用户数据处理方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用户数据处理方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过将目标媒介信息的种子用户数据和目标数据提供方所采集的用户数据结合分析,从目标数据提供方采集的用户中圈定目标媒介信息的待投放用户,不仅能够保证所选择的目标媒介信息的待投放用户的准确度,同时可保证所选择的目标媒介信息的待投放用户范围可控,解决了现有确定媒介信息的特定用户方案存在准确率低下,且对人依赖性较大的问题,降低了对人的依赖性,为自动、精准地确定媒介信息的待投放用户提供了一种新思路。
本申请可以应用于云计算技术领域,还可以应用于深度学习和大数据等领域。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种用户数据处理方法,包括:
获取目标媒介信息的种子用户数据;
根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户。
2.根据权利要求1所述的方法,其中,根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户,包括:
根据所述种子用户数据,构建正样本用户数据;
从所述目标数据提供方采集的用户数据中确定负样本用户数据;
根据所述正样本用户数据和所述负样本用户数据,构建用户圈定模型;
基于所述用户圈定模型,从所述目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
3.根据权利要求2所述的方法,其中,从所述目标数据提供方采集的用户数据中确定负样本用户数据,包括:
根据所述目标数据提供方采集的用户数据,确定用户活跃度;
根据所述用户活跃度,从所述目标数据提供方采集的用户数据中确定负样本用户数据。
4.根据权利要求2所述的方法,其中,从所述目标数据提供方采集的用户数据中确定负样本用户数据,包括:
从所述目标数据提供方采集的用户数据中抽取第一非种子用户数据和第二非种子用户数据;
根据所述种子用户数据和所述第一非种子用户数据,构建样本生成模型;
基于所述样本生成模型,从所述第二非种子用户数据中确定负样本用户数据。
5.根据权利要求1所述的方法,根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户之前,还包括:
确定所述种子用户数据和至少两个候选数据提供方采集的用户数据之间的数据覆盖率;
根据所述数据覆盖率,从所述至少两个候选数据提供方中选择目标数据提供方。
6.根据权利要求1所述的方法,根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户之前,还包括:
确定目标媒介信息所属的行业类型,以及所述行业类型所属的父行业领域;
将属于所述父行业领域的候选数据提供方作为目标数据提供方。
7.一种用户数据处理装置,包括:
种子数据获取模块,用于获取目标媒介信息的种子用户数据;
待投放用户确定模块,用于根据所述种子用户数据和目标数据提供方采集的用户数据,从所述目标数据提供方采集的用户中选择所述目标媒介信息的待投放用户。
8.根据权利要求7所述的装置,其中,所述待投放用户确定模块包括:
正样本确定单元,用于根据所述种子用户数据,构建正样本用户数据;
负样本确定单元,用于从所述目标数据提供方采集的用户数据中确定负样本用户数据;
模型构建单元,用于根据所述正样本用户数据和所述负样本用户数据,构建用户圈定模型;
待投放用户确定单元,用于基于所述用户圈定模型,从所述目标数据提供方采集的用户中选择目标媒介信息的待投放用户。
9.根据权利要求8所述的装置,其中,所述负样本确定单元具体用于:
根据所述目标数据提供方采集的用户数据,确定用户活跃度;
根据所述用户活跃度,从所述目标数据提供方采集的用户数据中确定负样本用户数据。
10.根据权利要求8所述的装置,其中,所述负样本确定单元还具体用于:
从所述目标数据提供方采集的用户数据中抽取第一非种子用户数据和第二非种子用户数据;
根据所述种子用户数据和所述第一非种子用户数据,构建样本生成模型;
基于所述样本生成模型,从所述第二非种子用户数据中确定负样本用户数据。
11.根据权利要求7所述的装置,还包括:
数据覆盖率确定模块,用于确定所述种子用户数据和至少两个候选数据提供方采集的用户数据之间的数据覆盖率;
目标提供方确定模块,用于根据所述数据覆盖率,从所述至少两个候选数据提供方中选择目标数据提供方。
12.根据权利要求7所述的装置,还包括:
行业确定模块,用于确定目标媒介信息所属的行业类型,以及所述行业类型所属的父行业领域;
所述目标提供方确定模块,还用于将属于所述父行业领域的候选数据提供方作为目标数据提供方。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的用户数据处理方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的用户数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019186.7A CN112116395A (zh) | 2020-09-24 | 2020-09-24 | 一种用户数据处理方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019186.7A CN112116395A (zh) | 2020-09-24 | 2020-09-24 | 一种用户数据处理方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116395A true CN112116395A (zh) | 2020-12-22 |
Family
ID=73801611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011019186.7A Pending CN112116395A (zh) | 2020-09-24 | 2020-09-24 | 一种用户数据处理方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116395A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
CN111144944A (zh) * | 2019-12-27 | 2020-05-12 | 浙江致梦大数据有限公司 | 一种广告投放方法、装置、电子设备及存储介质 |
CN111339406A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、设备及存储介质 |
-
2020
- 2020-09-24 CN CN202011019186.7A patent/CN112116395A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
CN111144944A (zh) * | 2019-12-27 | 2020-05-12 | 浙江致梦大数据有限公司 | 一种广告投放方法、装置、电子设备及存储介质 |
CN111339406A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 个性化推荐方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989213A (zh) * | 2021-05-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
CN112989213B (zh) * | 2021-05-19 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
CN107222526B (zh) | 推送推广信息的方法、装置、设备和计算机存储介质 | |
US20140081706A1 (en) | Industry Specific Brand Benchmarking System Based On Social Media Strength Of A Brand | |
CN112261423B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
US10715612B2 (en) | Identifying users' identity through tracking common activity | |
US11556851B2 (en) | Establishing a communication session between client terminals of users of a social network selected using a machine learning model | |
CN111259222A (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
WO2016169411A1 (zh) | 一种信息处理方法及其设备 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN111522940A (zh) | 用于处理评论信息的方法和装置 | |
CN110852780A (zh) | 数据分析方法、装置、设备和计算机存储介质 | |
CN112559901A (zh) | 资源推荐的方法、装置、电子设备、存储介质及计算机程序产品 | |
CN112084150A (zh) | 模型训练、数据检索方法,装置,设备以及存储介质 | |
JP7128311B2 (ja) | 文書種別の推奨方法、装置、電子機器、可読記憶媒体及びコンピュータプログラム製品 | |
CN112116395A (zh) | 一种用户数据处理方法、装置、电子设备以及存储介质 | |
CN111241225B (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
CN112561059A (zh) | 用于模型蒸馏的方法和装置 | |
CN111783013A (zh) | 评论信息发布的方法、装置、设备及计算机可读存储介质 | |
JP7454630B2 (ja) | ラベル推奨モデルのトレーニング方法及び装置、ラベル取得方法及び装置 | |
US10817899B2 (en) | Methods and systems for monitoring viewable impressions of online content | |
CN112101012B (zh) | 互动领域确定方法、装置、电子设备及存储介质 | |
CN112905872B (zh) | 意图识别方法、装置、设备和可读存储介质 | |
CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
US20160335661A1 (en) | Tracking virality of media content by monitoring sharing habits of viewers | |
CN111782794A (zh) | 问答响应方法和装置 |
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 |