CN112418935A - 基于大数据和广告推送的数据处理方法及大数据平台 - Google Patents
基于大数据和广告推送的数据处理方法及大数据平台 Download PDFInfo
- Publication number
- CN112418935A CN112418935A CN202011334199.3A CN202011334199A CN112418935A CN 112418935 A CN112418935 A CN 112418935A CN 202011334199 A CN202011334199 A CN 202011334199A CN 112418935 A CN112418935 A CN 112418935A
- Authority
- CN
- China
- Prior art keywords
- user behavior
- data
- advertisement
- behavior data
- current
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明的基于大数据和广告推送的数据处理方法及大数据平台,能够对当前用户行为数据的用户标签信息、行为标签信息和时序标签信息进行分析,并结合参考用户数据确定第一用户行为轨迹,进而通过不同的用户行为数据确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,以最终生成用于指导大数据平台进行广告推送目标的个性化定制的广告推送指导数据,广告推送指导数据涵盖了广告推送内容、广告推送时段、广告推送形式等,能够针对每个用户进行深度的用户行为数据分析,从而个性化地定制出不同用户在不同时段对应的广告推送指导数据,这样能够确保广告推送的针对性和时效性,实现精准的广告推送。
Description
技术领域
本申请涉及大数据和广告推送技术领域,具体而言,涉及一种基于大数据和广告推送的数据处理方法及大数据平台。
背景技术
随着大数据和互联网的发展,在线办公和在线娱乐已成为大多数用户的选择。各类商家的推销产品的方式也由线下向线上转移,向用户办公或娱乐时所使用的智能终端进行广告推送成为现今主流的广告推送模式。然而常见的广告推送技术难以精准地匹配用户的实际需求。
发明内容
本申请的第一个方面公开了一种基于大数据和广告推送的数据处理方法,所述方法包括:
确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息;
基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹;
基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,所述用户行为识别结果至少包括第二用户行为轨迹;
若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息;基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据。
优选的,所述当前用户行为数据的时序标签信息包括多个不同时段的时序标签,所述基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹,包括:
基于所述当前用户行为数据的时序标签信息,确定所述当前用户行为数据中每个时段的时序标签在所述当前用户行为数据对应的终端运行状态下的时序权重,得到所述当前用户行为数据中多个不同时段的时序标签的时序权重;
基于所述参考用户行为数据的时序标签信息,获取所述参考用户行为数据中多个不同时段的时序标签的时序权重;获取所述参考用户行为数据对应的第四用户行为轨迹;
基于所述当前用户行为数据中时序标签的时序权重和所述参考用户行为数据中时序标签的时序权重、以及所述第四用户行为轨迹,确定所述当前用户行为数据对应的第一用户行为轨迹。
优选的,所述基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,包括:
基于所述上一个用户行为数据的用户行为识别结果,确定所述当前用户行为数据的初始用户行为识别结果;
确定所述当前用户行为数据的用户标签信息指示的用户标签和行为标签信息指示的行为标签,以及确定所述上一个用户行为数据对应的广告推送信息指示的广告推送记录和广告点击信息指示的广告点击记录;
基于所述当前用户行为数据的初始用户行为识别结果,确定所述上一个用户行为数据对应的广告推送记录在所述当前用户行为数据中的第一广告推送匹配结果,以及所述上一个用户行为数据对应的广告点击记录在所述当前用户行为数据中的第一广告点击计算结果;
确定所述当前用户行为数据的用户标签中与所述第一广告推送匹配结果匹配的目标用户标签,以及确定所述当前用户行为数据的行为标签中与所述第一广告点击计算结果匹配的目标行为标签;
基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果。
优选的,所述基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,包括:
基于所述第一广告推送匹配结果和所述目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第一偏好类别数据;
基于所述第一广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第二偏好类别数据;
基于所述当前用户行为数据中多个不同时段的时序标签的时序权重、所述参考用户行为数据中多个不同时段的时序标签的时序权重、所述第四用户行为轨迹、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的第一时序标签评价值;
基于所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据和所述第一时序标签评价值,对所述初始用户行为识别结果进行识别结果更新,得到所述当前用户行为数据对应的用户行为识别结果。
优选的,所述若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,包括:
基于所述当前用户行为数据中除所述目标用户标签之外的用户标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息,以及基于所述当前用户行为数据中除所述目标行为标签之外的行为标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告点击信息;
基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹;
其中,所述基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹,包括:
获取所述预设数据库中除所述当前用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第三偏好类别数据、用户潜在偏好数据的第四偏好类别数据和第二时序标签评价值;
基于所述第一用户行为轨迹、所述用户当前偏好数据的第三偏好类别数据、所述用户潜在偏好数据的第四偏好类别数据、所述第二时序标签评价值、所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据、以及所述第一时序标签评价值,对所述预设数据库中所有关键用户行为数据的用户行为轨迹、广告推送计划和广告点击计划进行识别结果更新,得到更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划;
基于所述更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
优选的,所述基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果之后,还包括:
获取关联用户行为数据对应的广告推送信息和广告点击信息,所述关联用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第一数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第二数量之和大于第一数量阈值的用户行为数据;
基于所述当前用户行为数据的用户标签信息和行为标签信息、所述关联用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,对所述当前用户行为数据对应的用户行为识别结果继续进行识别结果更新,重新得到所述当前用户行为数据对应的用户行为识别结果。
优选的,所述方法还包括:
若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度不大于所述相似度阈值,响应于所述当前用户行为数据为关键用户行为数据,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息和广告点击信息,以及重新确定所述当前用户行为数据和关联关键用户行为数据的第四用户行为轨迹、对应的广告推送信息和广告点击信息,所述关联关键用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第三数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第四数量之和大于第二数量阈值的关键用户行为数据;
其中,所述响应于所述当前用户行为数据为关键用户行为数据,包括:
基于所述当前用户行为数据对应的用户行为识别结果,确定所述上一个用户行为数据对应的广告推送信息在所述当前用户行为数据中的第二广告推送匹配结果,以及确定所述上一个用户行为数据对应的广告点击信息在所述当前用户行为数据中的第二广告点击计算结果;
基于所述第二广告推送匹配结果和目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第五偏好类别数据,以及基于所述第二广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第六偏好类别数据;
删除所述当前用户行为数据的目标用户标签中第五偏好类别数据对应的偏好评价值大于第一评价值阈值的目标用户标签,以及删除所述当前用户行为数据的目标行为标签中第六偏好类别数据对应的偏好评价值大于第二评价值阈值的目标行为标签;
确定所述当前用户行为数据中执行删除操作后的目标用户标签与目标行为标签的累计数值;若所述累计数值小于预先设定的数值,确定所述当前用户行为数据为关键用户行为数据。
优选的,所述方法还包括:
若所述当前用户行为数据为关键用户行为数据,且基于所述当前用户行为数据确定所述当前用户终端处于交互活跃状态,获取与所述当前用户行为数据对应的实时关键用户行为数据,所述实时关键用户行为数据的用户标签信息与所述当前用户行为数据的用户标签信息的信息关联度大于第一信息关联度阈值,且所述实时关键用户行为数据的行为标签信息与所述当前用户行为数据的行为标签信息的信息关联度大于第二信息关联度阈值;
获取所述实时关键用户行为数据对应的广告推送信息和广告点击信息,以及所述预设数据库中除所述当前用户行为数据和所述实时关键用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第七偏好类别数据、用户潜在偏好数据的第八偏好类别数据和第三时序标签评价值;
基于所述当前用户行为数据的用户标签信息和行为标签信息、所述实时关键用户行为数据对应的广告推送信息和广告点击信息、所述当前用户行为数据的时序标签信息、所述参考用户行为数据的时序标签信息、所述用户当前偏好数据的第七偏好类别数据、所述用户潜在偏好数据的第八偏好类别数据、以及所述第三时序标签评价值,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
优选的,基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据,包括:
确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹对应的待分析行为轨迹序列,其中,所述行为轨迹序列中的每一组待分析行为轨迹均包含第一目标行为轨迹标签;
利用预设的行为轨迹评价模型,确定每一组待分析行为轨迹中的第一目标行为轨迹标签的当前标签属性的标签属性数据,其中,所述当前标签属性包括对象购买意愿属性和/或对象使用意愿属性;
针对每一组待分析行为轨迹中的第一目标行为轨迹标签,根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数;
根据每一组待分析行为轨迹对应的当前广告推荐系数,从所述待分析行为轨迹序列中筛选出当前广告推荐系数达到设定判定条件的目标行为轨迹;
采用所述目标行为轨迹对应的关键用户行为数据对应的广告推送信息和广告点击信息对所述目标行为轨迹对应的当前标签属性进行分析,得到针对所述当前用户终端的广告推送指导数据;
其中,所述根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数,包括:
根据当前标签属性的属性数据与推荐系数之间的对应关系,以及所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数;
其中,所述当前广告推荐系数达到设定判定条件的目标行为轨迹为:
所对应当前广告推荐系数高于设定推荐系数的行为轨迹;
或,
在第一排序队列中的前第一数量个行为轨迹,所述第一排序队列中包含:依据所对应当前广告推荐系数的高低,进行降序排序的待分析行为轨迹;
或,
在第二排序队列中的后第二数量个行为轨迹,所述第二排序队列中包含:依据所对应当前广告推荐系数的高低,进行升序排序的待分析行为轨迹。
本申请的第二个方面公开了一种大数据平台,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行第一方面所述的方法。
相较于现有技术,本发明实施例提供的基于大数据和广告推送的数据处理方法及大数据平台具有以下技术效果:能够对当前用户行为数据的用户标签信息、行为标签信息和时序标签信息进行分析,并结合参考用户数据确定第一用户行为轨迹,进而通过不同的用户行为数据确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,以最终生成用于指导大数据平台进行广告推送目标的个性化定制的广告推送指导数据,由于广告推送指导数据涵盖了广告推送内容、广告推送时段、广告推送形式等,因此能够针对每个用户进行深度的用户行为数据分析,从而个性化地定制出不同用户在不同时段对应的广告推送指导数据,这样能够确保广告推送的针对性和时效性,从而实现精准的广告推送。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理系统的框图。
图2是根据本发明的一些实施例所示的一种示例性大数据平台中硬件和软件组成的示意图。
图3是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理方法和/或过程的流程图。
图4是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理装置的框图。
具体实施方式
发明人对常见的广告推送技术进行研究和分析后发现,常见的广告推送技术要么是大范围无差别式的推送,要么在个性化推送时忽略用户需求的时效性。第一种推送方式命中目标用户的概率较低,第二种方式容易造成与用户实际需求的匹配偏差。这样,会极大地影响精准的广告推送。为此,发明人创新性地提出了一种方案,能够针对每个用户进行深度的用户行为数据分析,从而个性化地定制出不同用户在不同时段对应的广告推送指导数据,这样能够确保广告推送的针对性和时效性,从而实现精准的广告推送。
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本发明。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本发明的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本发明的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理系统300的框图,基于大数据和广告推送的数据处理系统300可以包括大数据平台100和用户终端200。其中大数据平台100可以是大数据服务器,可以应用于互联网金融、区块链支付、云游戏平台、智慧医疗管理、智慧城市监控、大数据挖掘和分析、云计算分析以及生物特征识别等领域。
在一些实施例中,如图2所示,大数据平台100可以包括处理引擎110、网络模块120和存储器130,处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎110可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中,网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块120可以包括至少一个网络接入点。例如,网路120可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理引擎110在接收到执行指令后,执行所述程序。
可以理解,图2所示的结构仅为示意,大数据平台100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理方法和/或过程的流程图,基于大数据和广告推送的数据处理方法应用于图1中的大数据平台100,具体可以包括以下步骤S31-步骤S34所描述的内容。
步骤S31,确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息。
例如,当前用户行为数据可以从当前用户终端中采集,当前用户终端为手机、平板电脑、笔记本电脑或者其他智能终端。用户标签信息用于对不同用户进行区分,行为标签信息用于对不同用户的操作习惯、使用习惯、偏好习惯等进行分析,时序标签信息用于区分当前用户行为数据的时间先后顺序,用以确保当前用户行为数据的时效性。
步骤S32,基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹。
例如,所述参考用户行为数据为包括多个不同时段的时序标签、且包括的时序标签的累计数值大于设定数值的用户行为数据,且所述参考用户行为数据的数据采集时间位于所述当前用户行为数据的数据采集时间之前。第一用户行为轨迹用户表征当前用户行为数据随着时间的推移而变化情况,以下的各种用户行为轨迹同理,后续不再作赘述。
步骤S33,基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,所述用户行为识别结果至少包括第二用户行为轨迹。
例如,其中,所述当前用户行为数据对应的用户行为识别结果指的是采集所述当前用户行为数据时当前用户终端的用户行为识别结果。广告推送信息是指针对对应的用户行为数据的广告推送内容、广告推送时段和广告推送频率等,广告点击信息是指用户针对广告推送信息的点击情况,点击情况可以包括直接关闭、点击并快速浏览后关闭、点击并长时间浏览后关闭、点击并进入购买链接网址等。用户行为识别结果用于表征当前用户行为数据对应的用户需求与不同广告内容、广告时段之间的匹配结果,后续的用户行为识别结果同理,在此不作赘述。
步骤S34,若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息;基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据。
例如,轨迹相似度可以通过计算不同用户行为轨迹之间的特征向量的相似度计算得到,因此不同用户行为轨迹可以通过曲线的形式进行表示,也可以通过矩阵的形式进行表示,还可以通过其他形式进行表示,在此不作限定。关键用户行为数据用于表征基于该数据进行广告推送分析能够提高目标用户的命中概率,也就是说,关键用户行为数据对于广告的精准推送而言具有较佳的指导作用。广告推送指导数据可以理解为针对当前用户终端对应的使用者(用户)的个性化定制方案,包括广告推送内容、广告推送时段、广告推送形式等,这样能够精准地匹配用户的实际需求,从而实现精准的广告推送。
可以理解,通过上述步骤S31-步骤S34所描述的内容,能够对当前用户行为数据的用户标签信息、行为标签信息和时序标签信息进行分析,并结合参考用户数据确定第一用户行为轨迹,进而通过不同的用户行为数据确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,以最终生成用于指导大数据平台进行广告推送目标的个性化定制的广告推送指导数据,由于广告推送指导数据涵盖了广告推送内容、广告推送时段、广告推送形式等,因此能够针对每个用户进行深度的用户行为数据分析,从而个性化地定制出不同用户在不同时段对应的广告推送指导数据,这样能够确保广告推送的针对性和时效性,从而实现精准的广告推送。
接下来将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
在实际应用时,当前用户行为数据的时序标签信息可以包括多个不同时段的时序标签,在此基础上,步骤S32所描述的基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹,进一步可以包括以下步骤S321-步骤S323所描述的内容。
步骤S321,基于所述当前用户行为数据的时序标签信息,确定所述当前用户行为数据中每个时段的时序标签在所述当前用户行为数据对应的终端运行状态下的时序权重,得到所述当前用户行为数据中多个不同时段的时序标签的时序权重。
例如, 终端运行状态用于表征当前用户终端的不同运行状态。时序权重用于表征时序标签的时效性和重要性。
步骤S322,基于所述参考用户行为数据的时序标签信息,获取所述参考用户行为数据中多个不同时段的时序标签的时序权重;获取所述参考用户行为数据对应的第四用户行为轨迹。
步骤S323,基于所述当前用户行为数据中时序标签的时序权重和所述参考用户行为数据中时序标签的时序权重、以及所述第四用户行为轨迹,确定所述当前用户行为数据对应的第一用户行为轨迹。
如此,基于上述步骤S321步骤S323,能够对当前用户行为数据中多个不同时段的时序标签的时序权重进行分析,不仅能够完整地确定第一用户行为轨迹,还能够确保第一用户行为轨迹的时效性,便于后期进行广告推送时不会出现推送内容和用户需求之间出现时间滞后的问题。
在上述基础上,步骤S33所描述的基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,可以通过以下步骤S331步骤S335实现。
步骤S331,基于所述上一个用户行为数据的用户行为识别结果,确定所述当前用户行为数据的初始用户行为识别结果。
步骤S332,确定所述当前用户行为数据的用户标签信息指示的用户标签和行为标签信息指示的行为标签,以及确定所述上一个用户行为数据对应的广告推送信息指示的广告推送记录和广告点击信息指示的广告点击记录。
步骤S333,基于所述当前用户行为数据的初始用户行为识别结果,确定所述上一个用户行为数据对应的广告推送记录在所述当前用户行为数据中的第一广告推送匹配结果,以及所述上一个用户行为数据对应的广告点击记录在所述当前用户行为数据中的第一广告点击计算结果。
步骤S334,确定所述当前用户行为数据的用户标签中与所述第一广告推送匹配结果匹配的目标用户标签,以及确定所述当前用户行为数据的行为标签中与所述第一广告点击计算结果匹配的目标行为标签。
例如,广告推送匹配结果用于指示推送的广告与用户的匹配情况,该匹配情况可以通过对用户针对推送的广告所进行的操作进行分析得到。
步骤S335,基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果。
在实际应用时,通过实施上述步骤S331-步骤S335所描述的内容,能够对初始用户行为识别结果进行分析,从而将第一广告推送匹配结果以及第一广告点击计算结果考虑在内,这样能够确定出对应的目标用户标签和目标行为标签,这样一来,通过结合第一用户行为轨迹,能够确保当前用户行为数据对应的用户行为识别结果能够直观、全面且准确地反映当前用户行为数据对应的实际用户需求。
进一步地,步骤S335所描述的基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,可以包括以下步骤S3351-步骤S3354。
步骤S3351,基于所述第一广告推送匹配结果和所述目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第一偏好类别数据。
步骤S3352,基于所述第一广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第二偏好类别数据。
步骤S3353,基于所述当前用户行为数据中多个不同时段的时序标签的时序权重、所述参考用户行为数据中多个不同时段的时序标签的时序权重、所述第四用户行为轨迹、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的第一时序标签评价值。
步骤S3354,基于所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据和所述第一时序标签评价值,对所述初始用户行为识别结果进行识别结果更新,得到所述当前用户行为数据对应的用户行为识别结果。
可以理解,通过实施上述步骤S3351-步骤S3354,能够对用户当前偏好数据对应的不同的偏好类别数据进行分析,并结合第一时序标签评价值实现对初始用户行为识别结果的更新,从而确保用户行为识别结果与实际用户需求之间在时效性上面的匹配程度。
在一个可能的实施例中,步骤S34所描述的若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,可以包括以下步骤S3411和步骤S3412。
步骤S3411,基于所述当前用户行为数据中除所述目标用户标签之外的用户标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息,以及基于所述当前用户行为数据中除所述目标行为标签之外的行为标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告点击信息。
步骤S3412,基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹。
如此设计,通过实施上述步骤S3411和步骤S3412,能够实现对关键用户行为数据对应的广告推送信息、广告点击信息以及第三用户行为轨迹的更新,这样能够确保关键用户行为数据对应的广告推送信息、广告点击信息以及第三用户行为轨迹在时序上与实际用户需求相匹配。
进一步地,步骤S3412所描述的基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹,可以包括以下步骤S3412a-步骤S3412c。
步骤S3412a,获取所述预设数据库中除所述当前用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第三偏好类别数据、用户潜在偏好数据的第四偏好类别数据和第二时序标签评价值。
步骤S3412b,基于所述第一用户行为轨迹、所述用户当前偏好数据的第三偏好类别数据、所述用户潜在偏好数据的第四偏好类别数据、所述第二时序标签评价值、所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据、以及所述第一时序标签评价值,对所述预设数据库中所有关键用户行为数据的用户行为轨迹、广告推送计划和广告点击计划进行识别结果更新,得到更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划。
步骤S3412c,基于所述更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
可以理解,通过执行上述步骤S3412a-步骤S3412c,能够对关键用户行为数据的用户行为轨迹、广告推送计划和广告点击计划进行识别结果更新,从而实现对关键用户行为数据的用户行为轨迹的二次更新以及对应的广告推送信息和广告点击信息的实时更新,这样能够确保更新的时效性,确保相关信息和数据与实际用户需求相匹配。
可选的,在步骤S335所描述的基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果的步骤之后,还可以包括步骤S336和步骤S337。
步骤S336,获取关联用户行为数据对应的广告推送信息和广告点击信息,所述关联用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第一数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第二数量之和大于第一数量阈值的用户行为数据。
步骤S337,基于所述当前用户行为数据的用户标签信息和行为标签信息、所述关联用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,对所述当前用户行为数据对应的用户行为识别结果继续进行识别结果更新,重新得到所述当前用户行为数据对应的用户行为识别结果。
通过执行上述步骤S336和步骤S337,能够对广告推送类别以及广告点击等待时长进行分析,从而实现对用户行为识别结果的更新,进而从不同角度实现用户行为识别结果的更新,确保当前用户行为数据对应的用户行为识别结果与用户需求的全局匹配性。
在上述内容的基础上,该方法还可以包括以下步骤S35所描述的内容。步骤S35:若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度不大于所述相似度阈值,响应于所述当前用户行为数据为关键用户行为数据,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息和广告点击信息,以及重新确定所述当前用户行为数据和关联关键用户行为数据的第四用户行为轨迹、对应的广告推送信息和广告点击信息。
例如,所述关联关键用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第三数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第四数量之和大于第二数量阈值的关键用户行为数据。
进一步地,步骤S35所描述的响应于所述当前用户行为数据为关键用户行为数据,可以包括以下步骤S351-步骤S354。
步骤S351,基于所述当前用户行为数据对应的用户行为识别结果,确定所述上一个用户行为数据对应的广告推送信息在所述当前用户行为数据中的第二广告推送匹配结果,以及确定所述上一个用户行为数据对应的广告点击信息在所述当前用户行为数据中的第二广告点击计算结果。
步骤S352,基于所述第二广告推送匹配结果和所述目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第五偏好类别数据,以及基于所述第二广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第六偏好类别数据。
步骤S353,删除所述当前用户行为数据的目标用户标签中第五偏好类别数据对应的偏好评价值大于第一评价值阈值的目标用户标签,以及删除所述当前用户行为数据的目标行为标签中第六偏好类别数据对应的偏好评价值大于第二评价值阈值的目标行为标签。
步骤S354,确定所述当前用户行为数据中执行删除操作后的目标用户标签与目标行为标签的累计数值;若所述累计数值小于预先设定的数值,确定所述当前用户行为数据为关键用户行为数据。
可以理解,通过步骤S351-步骤S354,能够从不同角度确定关键用户行为数据,从而确保后续个性化广告推送定制方案的灵活性。
在上述内容的基础上,该方法还可以包括以下内容(1)-(3)。
(1)若所述当前用户行为数据为关键用户行为数据,且基于所述当前用户行为数据确定所述当前用户终端处于交互活跃状态,获取与所述当前用户行为数据对应的实时关键用户行为数据,所述实时关键用户行为数据的用户标签信息与所述当前用户行为数据的用户标签信息的信息关联度大于第一信息关联度阈值,且所述实时关键用户行为数据的行为标签信息与所述当前用户行为数据的行为标签信息的信息关联度大于第二信息关联度阈值。
(2)获取所述实时关键用户行为数据对应的广告推送信息和广告点击信息,以及所述预设数据库中除所述当前用户行为数据和所述实时关键用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第七偏好类别数据、用户潜在偏好数据的第八偏好类别数据和第三时序标签评价值。
(3)基于所述当前用户行为数据的用户标签信息和行为标签信息、所述实时关键用户行为数据对应的广告推送信息和广告点击信息、所述当前用户行为数据的时序标签信息、所述参考用户行为数据的时序标签信息、所述用户当前偏好数据的第七偏好类别数据、所述用户潜在偏好数据的第八偏好类别数据、以及所述第三时序标签评价值,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
在一些示例中,步骤S34所描述的基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据,可以包括以下步骤S3421-步骤S3425。
步骤S3421,确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹对应的待分析行为轨迹序列,其中,所述行为轨迹序列中的每一组待分析行为轨迹均包含第一目标行为轨迹标签。
步骤S3422,利用预设的行为轨迹评价模型,确定每一组待分析行为轨迹中的第一目标行为轨迹标签的当前标签属性的标签属性数据,其中,所述当前标签属性包括对象购买意愿属性和/或对象使用意愿属性。
步骤S3423,针对每一组待分析行为轨迹中的第一目标行为轨迹标签,根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数。
步骤S3424,根据每一组待分析行为轨迹对应的当前广告推荐系数,从所述待分析行为轨迹序列中筛选出当前广告推荐系数达到设定判定条件的目标行为轨迹。
步骤S3425,采用所述目标行为轨迹对应的关键用户行为数据对应的广告推送信息和广告点击信息对所述目标行为轨迹对应的当前标签属性进行分析,得到针对所述当前用户终端的广告推送指导数据。
这样一来,通过实施上述步骤S3421-步骤S3425,能够考虑对象购买意愿以及对象使用意愿,从而对当前广告推荐系数进行分析,这样能够确保当前用户终端的广告推送指导数据能够全方位地考虑用户的购买需求、使用需求以及广告浏览需求,从而确保后期生推送的广告的成功率。
进一步地,步骤S3423所描述的根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数,包括:根据当前标签属性的属性数据与推荐系数之间的对应关系,以及所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数。
进一步地,步骤S3424中所述当前广告推荐系数达到设定判定条件的目标行为轨迹为:所对应当前广告推荐系数高于设定推荐系数的行为轨迹;或,在第一排序队列中的前第一数量个行为轨迹,所述第一排序队列中包含:依据所对应当前广告推荐系数的高低,进行降序排序的待分析行为轨迹;或,在第二排序队列中的后第二数量个行为轨迹,所述第二排序队列中包含:依据所对应当前广告推荐系数的高低,进行升序排序的待分析行为轨迹。
在一个可替换的实施例中,所述当前标签属性为多个时,步骤S3423所描述的所述根据当前标签属性的属性数据与推荐系数之间的对应关系,以及所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数,包括:根据当前标签属性的属性数据与推荐系数之间的对应关系与所述第一目标行为轨迹标签的标签属性数据,确定每一标签属性数据对应的第一推荐系数;根据每一标签属性数据对应的第一推荐系数及相应的推荐成功率权重,计算每一组待分析行为轨迹对应的当前广告推荐系数。
在一个可替换的实施方式中,步骤S31所描述的确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息,进一步可以包括以下步骤S311-步骤S313所描述的内容。
步骤S311,判断是否获得当前用户终端的数据采集授权;若是,则基于与所述当前用户终端对应的授权信息生成数据采集请求;若否,则向所述当前用户终端发送预设认证信息以获得所述当前用户终端的数据采集授权;其中,所述数据采集请求携带有基于所述授权信息生成的认证签名。
步骤S312,在所述当前用户终端基于所述数据采集请求携带的授权信息向所述大数据平台提供数据采集接口时,通过所述数据采集接口采集所述当前用户行为数据。
步骤S313,利用预设数据分析模型,确定所述当前用户行为数据的用户标签信息、行为标签信息和时序标签信息。
例如,预设数据分析模型可以是卷积神经网络,其训练方式为现有技术,在此不作说明。
可以理解,通过上述步骤S311-步骤S313所描述的内容,能够在确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息的前提下确保当前用户终端的数据安全性。
图4是根据本发明的一些实施例所示的一种示例性基于大数据和广告推送的数据处理装置140的框图,所述基于大数据和广告推送的数据处理装置140可以包括以下功能模块。
信息确定模块141,用于确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息。
轨迹确定模块142,用于基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹。
结果确定模块143,用于基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,所述用户行为识别结果至少包括第二用户行为轨迹。
推送指导模块144用于若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息;基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据。
上述装置实施例的描述请参阅对图3所示的方法实施例的说明。
基于上述同样的发明构思,还提供了一种系统实施例,关于该系统实施例的描述如下。
A1.一种基于大数据和广告推送的数据处理系统,包括互相之间通信的大数据平台和用户终端;其中,所述大数据平台用于:
确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息;
基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹;
基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,所述用户行为识别结果至少包括第二用户行为轨迹;
若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息;基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据。
上述系统实施例的描述请参阅对图3所示的方法实施例的说明。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义,例如针对一些值、系数、权重等术语,本领域技术人员可以根据前后的逻辑关系进行推导和确定,这些数值的取值范围可以根据实际情况进行选取,例如0~1,又例如1~10,再例如50~100,在此均不作限定,本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定。对于一些未作解释的技术特征术语,本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导,从而清楚、完整地实施上述技术方案。因此上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种基于大数据和广告推送的数据处理方法,其特征在于,所述方法包括:
确定当前用户行为数据的用户标签信息、行为标签信息和时序标签信息;
基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的所述第一用户行为轨迹;
基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,所述用户行为识别结果至少包括第二用户行为轨迹;
若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息;基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据。
2.如权利要求1所述的方法,其特征在于,所述当前用户行为数据的时序标签信息包括多个不同时段的时序标签,所述基于所述当前用户行为数据的时序标签信息和参考用户行为数据的时序标签信息,确定所述当前用户行为数据对应的第一用户行为轨迹,包括:
基于所述当前用户行为数据的时序标签信息,确定所述当前用户行为数据中每个时段的时序标签在所述当前用户行为数据对应的终端运行状态下的时序权重,得到所述当前用户行为数据中多个不同时段的时序标签的时序权重;
基于所述参考用户行为数据的时序标签信息,获取所述参考用户行为数据中多个不同时段的时序标签的时序权重;获取所述参考用户行为数据对应的第四用户行为轨迹;
基于所述当前用户行为数据中时序标签的时序权重和所述参考用户行为数据中时序标签的时序权重、以及所述第四用户行为轨迹,确定所述当前用户行为数据对应的第一用户行为轨迹。
3.如权利要求2所述的方法,其特征在于,所述基于所述当前用户行为数据的用户标签信息和行为标签信息、上一个用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,包括:
基于所述上一个用户行为数据的用户行为识别结果,确定所述当前用户行为数据的初始用户行为识别结果;
确定所述当前用户行为数据的用户标签信息指示的用户标签和行为标签信息指示的行为标签,以及确定所述上一个用户行为数据对应的广告推送信息指示的广告推送记录和广告点击信息指示的广告点击记录;
基于所述当前用户行为数据的初始用户行为识别结果,确定所述上一个用户行为数据对应的广告推送记录在所述当前用户行为数据中的第一广告推送匹配结果,以及所述上一个用户行为数据对应的广告点击记录在所述当前用户行为数据中的第一广告点击计算结果;
确定所述当前用户行为数据的用户标签中与所述第一广告推送匹配结果匹配的目标用户标签,以及确定所述当前用户行为数据的行为标签中与所述第一广告点击计算结果匹配的目标行为标签;
基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果。
4.如权利要求3所述的方法,其特征在于,所述基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果,包括:
基于所述第一广告推送匹配结果和所述目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第一偏好类别数据;
基于所述第一广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第二偏好类别数据;
基于所述当前用户行为数据中多个不同时段的时序标签的时序权重、所述参考用户行为数据中多个不同时段的时序标签的时序权重、所述第四用户行为轨迹、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的第一时序标签评价值;
基于所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据和所述第一时序标签评价值,对所述初始用户行为识别结果进行识别结果更新,得到所述当前用户行为数据对应的用户行为识别结果。
5.如权利要求4所述的方法,其特征在于,所述若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度大于相似度阈值,确定所述当前用户行为数据为关键用户行为数据,基于所述第一用户行为轨迹和所述用户行为识别结果,确定预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,包括:
基于所述当前用户行为数据中除所述目标用户标签之外的用户标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息,以及基于所述当前用户行为数据中除所述目标行为标签之外的行为标签和所述用户行为识别结果,在所述预设数据库中构建所述当前用户行为数据对应的广告点击信息;
基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹;
其中,所述基于所述第一用户行为轨迹,在所述预设数据库中对所有关键用户行为数据对应的广告推送信息和广告点击信息进行更新,并重新确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹,包括:
获取所述预设数据库中除所述当前用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第三偏好类别数据、用户潜在偏好数据的第四偏好类别数据和第二时序标签评价值;
基于所述第一用户行为轨迹、所述用户当前偏好数据的第三偏好类别数据、所述用户潜在偏好数据的第四偏好类别数据、所述第二时序标签评价值、所述用户当前偏好数据的第一偏好类别数据、所述用户潜在偏好数据的第二偏好类别数据、以及所述第一时序标签评价值,对所述预设数据库中所有关键用户行为数据的用户行为轨迹、广告推送计划和广告点击计划进行识别结果更新,得到更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划;
基于所述更新后的所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、广告推送计划和广告点击计划,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
6.如权利要求3所述的方法,其特征在于,所述基于所述初始用户行为识别结果、所述第一广告推送匹配结果、所述目标用户标签、所述第一广告点击计算结果、所述目标行为标签、以及所述第一用户行为轨迹,确定所述当前用户行为数据对应的用户行为识别结果之后,还包括:
获取关联用户行为数据对应的广告推送信息和广告点击信息,所述关联用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第一数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第二数量之和大于第一数量阈值的用户行为数据;
基于所述当前用户行为数据的用户标签信息和行为标签信息、所述关联用户行为数据对应的广告推送信息和广告点击信息、以及所述第一用户行为轨迹,对所述当前用户行为数据对应的用户行为识别结果继续进行识别结果更新,重新得到所述当前用户行为数据对应的用户行为识别结果。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述第一用户行为轨迹与所述第二用户行为轨迹之间的轨迹相似度不大于所述相似度阈值,响应于所述当前用户行为数据为关键用户行为数据,在所述预设数据库中构建所述当前用户行为数据对应的广告推送信息和广告点击信息,以及重新确定所述当前用户行为数据和关联关键用户行为数据的第四用户行为轨迹、对应的广告推送信息和广告点击信息,所述关联关键用户行为数据是指对应的广告推送结果中与所述当前用户行为数据对应的广告推送类别相同的广告推送类别的第三数量和对应的广告点击结果中与所述当前用户行为数据对应的广告点击等待时长相同的广告点击等待时长的第四数量之和大于第二数量阈值的关键用户行为数据;
其中,所述响应于所述当前用户行为数据为关键用户行为数据,包括:
基于所述当前用户行为数据对应的用户行为识别结果,确定所述上一个用户行为数据对应的广告推送信息在所述当前用户行为数据中的第二广告推送匹配结果,以及确定所述上一个用户行为数据对应的广告点击信息在所述当前用户行为数据中的第二广告点击计算结果;
基于所述第二广告推送匹配结果和目标用户标签,确定所述当前用户行为数据对应的用户当前偏好数据的第五偏好类别数据,以及基于所述第二广告点击计算结果和所述目标行为标签,确定所述当前用户行为数据对应的用户潜在偏好数据的第六偏好类别数据;
删除所述当前用户行为数据的目标用户标签中第五偏好类别数据对应的偏好评价值大于第一评价值阈值的目标用户标签,以及删除所述当前用户行为数据的目标行为标签中第六偏好类别数据对应的偏好评价值大于第二评价值阈值的目标行为标签;
确定所述当前用户行为数据中执行删除操作后的目标用户标签与目标行为标签的累计数值;若所述累计数值小于预先设定的数值,确定所述当前用户行为数据为关键用户行为数据。
8.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述当前用户行为数据为关键用户行为数据,且基于所述当前用户行为数据确定所述当前用户终端处于交互活跃状态,获取与所述当前用户行为数据对应的实时关键用户行为数据,所述实时关键用户行为数据的用户标签信息与所述当前用户行为数据的用户标签信息的信息关联度大于第一信息关联度阈值,且所述实时关键用户行为数据的行为标签信息与所述当前用户行为数据的行为标签信息的信息关联度大于第二信息关联度阈值;
获取所述实时关键用户行为数据对应的广告推送信息和广告点击信息,以及所述预设数据库中除所述当前用户行为数据和所述实时关键用户行为数据之外的其他关键用户行为数据对应的用户当前偏好数据的第七偏好类别数据、用户潜在偏好数据的第八偏好类别数据和第三时序标签评价值;
基于所述当前用户行为数据的用户标签信息和行为标签信息、所述实时关键用户行为数据对应的广告推送信息和广告点击信息、所述当前用户行为数据的时序标签信息、所述参考用户行为数据的时序标签信息、所述用户当前偏好数据的第七偏好类别数据、所述用户潜在偏好数据的第八偏好类别数据、以及所述第三时序标签评价值,在所述预设数据库中对所有关键用户行为数据的用户行为轨迹、对应的广告推送信息和广告点击信息进行更新。
9.根据权利要求1所述的方法,其特征在于,基于所述预设数据库中所有关键用户行为数据的第三用户行为轨迹、对应的广告推送信息和广告点击信息,生成针对当前用户终端的广告推送指导数据,包括:
确定所述预设数据库中所有关键用户行为数据的第三用户行为轨迹对应的待分析行为轨迹序列,其中,所述行为轨迹序列中的每一组待分析行为轨迹均包含第一目标行为轨迹标签;
利用预设的行为轨迹评价模型,确定每一组待分析行为轨迹中的第一目标行为轨迹标签的当前标签属性的标签属性数据,其中,所述当前标签属性包括对象购买意愿属性和/或对象使用意愿属性;
针对每一组待分析行为轨迹中的第一目标行为轨迹标签,根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数;
根据每一组待分析行为轨迹对应的当前广告推荐系数,从所述待分析行为轨迹序列中筛选出当前广告推荐系数达到设定判定条件的目标行为轨迹;
采用所述目标行为轨迹对应的关键用户行为数据对应的广告推送信息和广告点击信息对所述目标行为轨迹对应的当前标签属性进行分析,得到针对所述当前用户终端的广告推送指导数据;
其中,所述根据所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数,包括:
根据当前标签属性的属性数据与推荐系数之间的对应关系,以及所述第一目标行为轨迹标签的标签属性数据,确定每一组待分析行为轨迹对应的当前广告推荐系数;
其中,所述当前广告推荐系数达到设定判定条件的目标行为轨迹为:
所对应当前广告推荐系数高于设定推荐系数的行为轨迹;
或,
在第一排序队列中的前第一数量个行为轨迹,所述第一排序队列中包含:依据所对应当前广告推荐系数的高低,进行降序排序的待分析行为轨迹;
或,
在第二排序队列中的后第二数量个行为轨迹,所述第二排序队列中包含:依据所对应当前广告推荐系数的高低,进行升序排序的待分析行为轨迹。
10.一种大数据平台,其特征在于,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行权利要求1-9任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554414.9A CN113256331A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的广告推送数据处理方法及大数据平台 |
CN202011334199.3A CN112418935B (zh) | 2020-11-24 | 2020-11-24 | 基于大数据和广告推送的数据处理方法及大数据平台 |
CN202110554413.4A CN113435919A (zh) | 2020-11-24 | 2020-11-24 | 结合大数据和广告推送的数据处理方法及大数据平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011334199.3A CN112418935B (zh) | 2020-11-24 | 2020-11-24 | 基于大数据和广告推送的数据处理方法及大数据平台 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554414.9A Division CN113256331A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的广告推送数据处理方法及大数据平台 |
CN202110554413.4A Division CN113435919A (zh) | 2020-11-24 | 2020-11-24 | 结合大数据和广告推送的数据处理方法及大数据平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418935A true CN112418935A (zh) | 2021-02-26 |
CN112418935B CN112418935B (zh) | 2021-08-20 |
Family
ID=74842012
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554413.4A Withdrawn CN113435919A (zh) | 2020-11-24 | 2020-11-24 | 结合大数据和广告推送的数据处理方法及大数据平台 |
CN202011334199.3A Active CN112418935B (zh) | 2020-11-24 | 2020-11-24 | 基于大数据和广告推送的数据处理方法及大数据平台 |
CN202110554414.9A Withdrawn CN113256331A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的广告推送数据处理方法及大数据平台 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554413.4A Withdrawn CN113435919A (zh) | 2020-11-24 | 2020-11-24 | 结合大数据和广告推送的数据处理方法及大数据平台 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554414.9A Withdrawn CN113256331A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的广告推送数据处理方法及大数据平台 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN113435919A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095872A (zh) * | 2021-03-23 | 2021-07-09 | 上海嵩恒网络科技股份有限公司 | 广告用户的分析方法、系统、电子设备和存储介质 |
CN113472856A (zh) * | 2021-06-08 | 2021-10-01 | 北京城市网邻信息技术有限公司 | 一种消息推送处理方法、装置、电子设备及存储介质 |
CN114187024A (zh) * | 2021-10-26 | 2022-03-15 | 特赞(上海)信息科技有限公司 | 广告标签时序分析方法、装置、设备和存储介质 |
CN114936885A (zh) * | 2022-07-21 | 2022-08-23 | 成都薯片科技有限公司 | 广告信息匹配推送方法、装置、系统、设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007105909A1 (en) * | 2006-03-16 | 2007-09-20 | Nhn Corporation | Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof |
CN106095841A (zh) * | 2016-06-05 | 2016-11-09 | 西华大学 | 一种基于协同过滤的移动互联网广告推荐方法 |
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
US9754292B1 (en) * | 2011-10-13 | 2017-09-05 | Google Inc. | Method and apparatus for serving relevant ads based on the recommendations of influential friends |
US9971830B2 (en) * | 2012-09-06 | 2018-05-15 | Facebook, Inc. | Recommending users to add to groups in a social networking system |
CN108153753A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 推荐方法、装置和系统 |
US10248961B1 (en) * | 2013-07-09 | 2019-04-02 | Quantcast Corporation | Characterizing an entity in an identifier space based on behaviors of unrelated entities in a different identifier space |
CN109635070A (zh) * | 2019-01-18 | 2019-04-16 | 上海图趣信息科技有限公司 | 一种基于行动轨迹构建用户兴趣画像的方法及其数据更新方法 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
CN110852781A (zh) * | 2019-10-09 | 2020-02-28 | 安徽今日互联科技有限公司 | 一种广告推送服务系统 |
CN111127075A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 交互式推广方法、装置、电子设备以及存储介质 |
CN111177538A (zh) * | 2019-12-13 | 2020-05-19 | 杭州顺网科技股份有限公司 | 一种基于无监督权值计算的用户兴趣标签构建方法 |
US10754913B2 (en) * | 2011-11-15 | 2020-08-25 | Tapad, Inc. | System and method for analyzing user device information |
CN111859097A (zh) * | 2019-04-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN111882361A (zh) * | 2020-07-31 | 2020-11-03 | 苏州云开网络科技有限公司 | 基于人工智能的受众精准广告推送方法、系统及可读存储介质 |
-
2020
- 2020-11-24 CN CN202110554413.4A patent/CN113435919A/zh not_active Withdrawn
- 2020-11-24 CN CN202011334199.3A patent/CN112418935B/zh active Active
- 2020-11-24 CN CN202110554414.9A patent/CN113256331A/zh not_active Withdrawn
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007105909A1 (en) * | 2006-03-16 | 2007-09-20 | Nhn Corporation | Method for targeting web advertisement clickers based on click pattern by using a collaborative filtering system with neural networks and system thereof |
US9754292B1 (en) * | 2011-10-13 | 2017-09-05 | Google Inc. | Method and apparatus for serving relevant ads based on the recommendations of influential friends |
US10754913B2 (en) * | 2011-11-15 | 2020-08-25 | Tapad, Inc. | System and method for analyzing user device information |
US9971830B2 (en) * | 2012-09-06 | 2018-05-15 | Facebook, Inc. | Recommending users to add to groups in a social networking system |
US10248961B1 (en) * | 2013-07-09 | 2019-04-02 | Quantcast Corporation | Characterizing an entity in an identifier space based on behaviors of unrelated entities in a different identifier space |
CN106326277A (zh) * | 2015-06-30 | 2017-01-11 | 上海证大喜马拉雅网络科技有限公司 | 一种基于用户行为的音频个性化推荐方法和系统 |
CN106095841A (zh) * | 2016-06-05 | 2016-11-09 | 西华大学 | 一种基于协同过滤的移动互联网广告推荐方法 |
CN108153753A (zh) * | 2016-12-02 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 推荐方法、装置和系统 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
CN109635070A (zh) * | 2019-01-18 | 2019-04-16 | 上海图趣信息科技有限公司 | 一种基于行动轨迹构建用户兴趣画像的方法及其数据更新方法 |
CN111859097A (zh) * | 2019-04-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN110287421A (zh) * | 2019-06-28 | 2019-09-27 | 北京金山安全软件有限公司 | 一种信息内容推荐方法、装置及电子设备 |
CN110852781A (zh) * | 2019-10-09 | 2020-02-28 | 安徽今日互联科技有限公司 | 一种广告推送服务系统 |
CN111127075A (zh) * | 2019-11-28 | 2020-05-08 | 泰康保险集团股份有限公司 | 交互式推广方法、装置、电子设备以及存储介质 |
CN111177538A (zh) * | 2019-12-13 | 2020-05-19 | 杭州顺网科技股份有限公司 | 一种基于无监督权值计算的用户兴趣标签构建方法 |
CN111882361A (zh) * | 2020-07-31 | 2020-11-03 | 苏州云开网络科技有限公司 | 基于人工智能的受众精准广告推送方法、系统及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
D.BELANCHEC.FLAVIÁNA.PÉREZ-RUEDA: "User adaptation to interactive advertising formats: The effect of previous exposure, habit and time urgency on ad skipping behaviors", 《TELEMATICS AND INFORMATICS》 * |
JING MA; YUEMING LU: "A recommend system for modelling large-scale advertising", 《INTERNATIONAL CONFERENCE ON CYBERSPACE TECHNOLOGY (CCT 2014) 》 * |
KQ YAN,SC WANG,CH WEI: "Personalized Advertising Recommend Mechanism for the Mobile User", 《JOURNAL OF APPLIED SCIENCES》 * |
金紫嫣: "一种带标签的协同过滤广告推荐算法", 《计算机工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095872A (zh) * | 2021-03-23 | 2021-07-09 | 上海嵩恒网络科技股份有限公司 | 广告用户的分析方法、系统、电子设备和存储介质 |
CN113472856A (zh) * | 2021-06-08 | 2021-10-01 | 北京城市网邻信息技术有限公司 | 一种消息推送处理方法、装置、电子设备及存储介质 |
CN114187024A (zh) * | 2021-10-26 | 2022-03-15 | 特赞(上海)信息科技有限公司 | 广告标签时序分析方法、装置、设备和存储介质 |
CN114936885A (zh) * | 2022-07-21 | 2022-08-23 | 成都薯片科技有限公司 | 广告信息匹配推送方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435919A (zh) | 2021-09-24 |
CN113256331A (zh) | 2021-08-13 |
CN112418935B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418935B (zh) | 基于大数据和广告推送的数据处理方法及大数据平台 | |
Alsheikh et al. | Mobile big data analytics using deep learning and apache spark | |
CN108121795B (zh) | 用户行为预测方法及装置 | |
CN111861768B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
CN109783365A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
CN112632378B (zh) | 基于大数据和人工智能的信息处理方法及数据服务器 | |
CN112633976A (zh) | 基于大数据和云业务的数据处理方法及云业务服务器 | |
CN113268641B (zh) | 基于大数据的用户数据处理方法及大数据服务器 | |
CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
CN113468338A (zh) | 针对数字化云业务的大数据分析方法及大数据服务器 | |
CN108062416B (zh) | 用于在地图上生成标签的方法和装置 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114661994B (zh) | 基于人工智能的用户兴趣数据处理方法、系统及云平台 | |
CN112258238A (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN112463205B (zh) | 基于ai和大数据的应用程序管理方法及人工智能服务器 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN113282813A (zh) | 应用于大数据的数据可视化方法及大数据云服务器 | |
CN112686667A (zh) | 基于大数据和区块链的数据处理方法及云服务平台 | |
CN112245934A (zh) | 虚拟场景应用中虚拟资源的数据分析方法、装置及设备 | |
CN117057855A (zh) | 一种数据处理方法及相关装置 | |
CN113971136B (zh) | 基于图像识别的页面测试方法及系统 | |
US11769426B2 (en) | Systems and methods for creating driving challenges | |
CN111522747B (zh) | 一种应用程序的处理方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210805 Address after: 201801 room 604, No. 655, Fengzhou Road, Malu Town, Jiading District, Shanghai Applicant after: Shanghai Dongfang fortune Financial Data Service Co.,Ltd. Address before: Room 603, building 6, building 18, zone 2, Hengsheng Science Park, Tianning District, Changzhou City, Jiangsu Province, 213000 Applicant before: Chen Min |
|
GR01 | Patent grant | ||
GR01 | Patent grant |