CN112667907A - 一种多平台信息投放和数据统计系统及方法 - Google Patents

Abstract

本发明提供了一种多平台信息投放和数据统计方法，在多平台信息投放的应用场景下，能够基于多个在先平台用户数据的统计分析所得出对投放对象的用户倾向，判断当前平台的用户倾向，进而从当前平台用户中筛选与投放对象匹配的用户，实现针对性的信息投放。该方法能够对集合行为进行精准预测，降低预测机制算法的复杂度，提高预测机制的适用性。

Description

一种多平台信息投放和数据统计系统及方法

技术领域

本发明涉及大数据信息分析技术领域，具体是涉及一种多平台信息投放和数据统计系统及方法。

背景技术

随着移动互联网、大数据等技术的发展，目前电商、社交、媒体点播、直播、短视频、打车、外卖乃至新闻发布等网络平台，面向用户的信息投放都是基于数据统计测算后执行的针对性、精确化的投放。

例如，电商平台针对待投放的商品推荐、广告信息、优惠促销等对象，分析用户的交易数据、商品浏览数据等，通过数据统计确定用户的偏好倾向，例如偏好的商品类型、价格区间、品牌知名度等，进而筛选出偏好倾向与待投放的对象匹配的用户群组，针对该用户群组执行信息的投放。又例如，在媒体点播、直播、短视频等网络平台，对于需要投放的多媒体、直播链接、短视频等内容，可以针对用户的点播记录、直播间驻留记录、短视频浏览记录等数据，基于数据统计确定用户的关注倾向，进而筛选出关注倾向与待投放的内容匹配的用户群组，向该用户群组投放相关的内容。

目前，各种网络平台的用户集合高度叠加重合；另一方面，网络平台的功能开始扩展，例如电商平台开始逐渐进行内容供应以及外卖等线下服务，各种社交、媒体点播、直播、短视频乃至新闻的网络平台也开始提供商品在线销售。因此，不论是平台自身还是依托平台的各种商品、服务、内容的供应者来说，实现多平台的信息投放和数据统计已经成为一种迫切的需求。

但是，在多平台的情况下，由于每个平台能够聚集的用户数据的类型存在差异，例如电商平台聚合的更多是交易、商品相关的用户数据，而在点播、直播、短视频等平台更多的是聚合在内容关注方面的用户数据，因此，当将一个对象的信息面向多平台进行投放时，不得不针对各个平台分别进行用户数据的统计分析以便确定用户的倾向，分别从各个平台筛选出用户倾向与对象匹配的用户集合，进行信息的投放。在信息投放涉及的平台较多的情况下，这样显然会增大数据统计分析的量级和难度，使得投放成本升高，时效性降低。另一个问题则在于，有些平台基于用户数据统计的用户倾向，与准备投放的对象自身的匹配性不明显，这样难以从平台用户中筛选出适合该对象信息投放的用户集合。

发明内容

鉴于上述问题，本发明的目的是为了解决现有技术中的上述问题，在多平台信息投放的应用场景下，能够基于多个在先平台用户数据的统计分析所得出对投放对象的用户倾向，判断当前平台的用户倾向，进而从当前平台用户中筛选与投放对象匹配的用户，实现针对性的信息投放。

本发明首先提供了一种平台信息投放和数据统计方法，包括：

构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导；

针对投放对象，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案；

建立评价准则，并基于所述信息投放方案设置与所述评价准则相对应的评价参数；

将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。

优选的是，所述构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导，具体包括：

基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构；

利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态；

在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。

优选的是，网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模；关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台pj直接具有关联性的通道；W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值。

优选的是，用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合；对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

优选的是，所述将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果，具体包括：

基于所述评价准则和所述评价参数建立判断矩阵；

根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验

基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵；

将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

本发明提供了一种多平台信息投放和数据统计系统，其特征在于，包括：

倾向传导网络模块，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导；

投放方案生成模块，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案；

方案评价构建模块，用于基于所述信息投放方案设置与所述评价准则相对应的评价参数；

综合评价模块，用于将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。

优选的是，所述倾向传导网络模块具体包括：

关联度结构构建单元，基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构；

倾向传导确定单元，用于利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态；

倾向量化分析单元，用于在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。

优选的是，网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模；关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台pj直接具有关联性的通道；W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值。

优选的是，用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合；对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

优选的是，所述综合评价模块，具体包括：

判断矩阵建立单元，用于基于所述评价准则和所述评价参数建立判断矩阵；

指标权重集生成单元，用于根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验；

评价矩阵生成单元，用于基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵；

综合评价单元，用于将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步地详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的一种平台信息投放和数据统计方法流程图；

图2为本发明实施例提供的一种平台信息投放和数据统计方法的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供的一种多平台信息投放和数据统计方法，该方法包括：步骤S101～S104；

S101、构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导。

具体的，根据网络平台集中的各个平台相互关联的关系及其关联的紧密程度，构建平台相互之间的关联度结构。进而，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态。

S102、针对投放对象，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案。

S103、建立评价准则，并基于所述信息投放方案设置与所述评价准则相对应的评价参数。

具体的，所述评价准则包括：平台集合准则B1、关联度结构准则B2和传导准则B3，对于每个评价准则，设定该准则下的参数；其中，平台集合准则B1下的评价参数包括：平台集合规模作为C11、平台集合跨度参数C12；关联度结构准则B2下的评价参数包括：将平台集合的平均非0通道数作为C21、平台的平均通道权重值作为C22；传导准则B3下的评价参数包括：用户倾向差异化系数作为C31、用户倾向一致性规律的评价值作为C32。

S104、将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。

具体的，根据所述信息投放方案的评价结果对该投放对象的所有信息投放方案产生一个评价，选取评价最高的信息投放方案进行实际的信息投放。

在一个实施例中，参照图2所示，上述步骤S101中构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导，具体包括：

S1011、基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构。

具体的，在多平台投放的情况下，将所涉及的全部各个类型的网络平台构建为一个网络平台集，集合中的网络平台可以包含电商、社交、媒体点播、直播、短视频、打车、外卖乃至新闻发布等各种类型的网络平台。相应地，这些网络平台各自所聚合的用户数据，也涵盖了用户的各个方面的因素，包括用户在商品、服务、内容等方面的用户倾向。需要明确，虽然这些用户倾向所指向的具体对象是有差异的，甚至有较大的差异性，但是其实是具有内在的相互关系的，例如用户的经济收入水平、地理位置、职业乃至兴趣性格，潜在地对用户在多平台的倾向构成了基础性影响。

本步骤将构成网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模。进一步地，关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台p_j直接具有关联性的通道，其中，如果平台p_i与平台p_j具有关联性则e_ij＝1，反之如果平台p_i不受到平台p_j的关联则e_ij＝0，对于i＝j，也就是e₁₁，e₂₂…e_MM来说均定义为0。在关联度结构的表达式中，W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值，如果平台p_i受到平台p_j关联性影响越大则w_ij的取值越大；对于i＝j，也就是w₁₁，w₂₂…w_MM来说均定义为0。

S1012、利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态。具体的，根据网络平台集中的各个平台相互关联的关系及其关联的权重，假设用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合。对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

S1013、在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。

具体的，针对集合中全部平台{p₁,p₂,…,p_i,…p_M}的倾向状态x_i，i＝1,2,…,M，进而形成用户倾向状态集合X＝{x₁,x₂,…,x_i,…x_M}，集合X中占比最高的若干个倾向状态作为用户倾向一致性规律，也可以设定一个时间窗口，统计该时间窗口内用户倾向状态的类型变化，将增长最多的一个或者若干个类型的倾向状态作为一致性规律。用户倾向差异化状态的计算公式如下：

D表示差异化系数。

S102在步骤S101的基础上，针对投放对象，根据用户在一个或者多个在先平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态。对于当前平台的全部用户，显然可以根据每个用户的倾向状态，选择对于投放对象倾向状态较好的用户群组，作为与投放对象匹配的用户群组，再针对该用户群组生成投放对象的信息投放方案。

在多平台状态下，希望信息投放方案进行评价，获得评价最高的信息投放方案进行实际的信息投放。为了达到以上目标，S103中建立评价准则，并基于所述信息投放方案设置与所述评价准则相对应的评价参数。所述评价准则包括：平台集合准则B1、关联度结构准则B2和传导准则B3，对于每个评价准则，设定该准则下的参数；其中，平台集合准则B1下的评价参数包括：平台集合规模作为C11、平台集合跨度参数C12；关联度结构准则B2下的评价参数包括：将平台集合的平均非0通道数作为C21、平台的平均通道权重值作为C22；传导准则B3下的评价参数包括：用户倾向差异化系数作为C31、用户倾向一致性规律的评价值作为C32。

步骤S104中，所述将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果，具体包括：

S1041、基于所述评价准则和所述评价参数建立判断矩阵。

具体的，设置评价准则为B，相应评价参数的元素分别为(u₁，u₂，…，u_n)，通过两两比较，生成判断矩阵A，其中，判断矩阵A的公式如下所示：

A＝(a_ij)_n×n

在上式中，a_ij表示目评价参数u相对于评价准则B的重要性的比例标度，具有如下性质：

a_ij＞0，a_ji＝1/a_ij，a_ii＝1

类似的，通过对评价准则B中的元素与信息投放方案的两两比较，生成相应的判断矩阵。

S1042、根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验。

具体的，已知评价参数的n个元素(u₁，u₂，…，u_n)对评价准则B的判断矩阵为A，则评价参数对于评价准则B的相对权重用如下公式进行表示：

W＝(w₁,w₂,…w_n)^T

在上述公式中，w₁,w₂,…w_n表示相对权重。

进一步地，将判断矩阵A的n个行向量归一化，并计算平均值，生成评价参数对于评价准则B的相对权重w_i，其计算公式如下所示：

进一步地，计算最大特征根，并根据最大特征根判断矩阵的一致性，最大特征根λ_max的计算公式如下所示：

进一步地，根据上述计算过程计算其他评价参数对于相对应评价准则的相对权重，生成单一准则下各个被比较元素的排序权重向量。

进一步地，将评价参数对于相对应评价准则的相对权重w_i进行向量归一化处理，生成如下指标权重集W：

W＝(w₁,w₂,…w_n)^T

进一步地，根据如下计算公式对指标权重集进行一致性检验，以证明判断矩阵A符合逻辑常识：

上式中，C.I.表示一致性指标，R.I.表示平均随机一致性指标，C.R.表示一致性比例。其中，当C.R.＜0.1时，矩阵的一致性满足要求；当C.R.＞0.1时，矩阵的一致性不满足要求。

进一步地，根据层次单排序的结果，分别计算评价准则与评价参数对信息投放方案的总排序权重，计算公式如下所示：

其中，W^k-1表示第k-1层(即评价参数)上n_k-1个元素相对于信息投放方案的排序权重向量，P^(k)表示第k层(即评价准则)上元素对k-1层上元素的排序，W^(k)表示第k层上元素相对于信息投放方案的总排序。

进一步地，逐层进行一致性检验，即对评价参数、评价准则以及信息投放方案中的元素进行一致性检验；其中，当k-1层上元素j为准则的一致性指标

平均随机一致性指标

一致性比例

则k层的综合指标按如下公式进行计算：

其中，当C.R.^(k)＜0.1，则人为满足整体一致性。

S1043、基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵。

具体的，通过层次分析法生成评价准则与评价参数的评价指标值，评价指标值采用如下公式进行表示：

U＝(B₁,B₂,…,B_n)

U'＝(C_i1,C_i2,…,C_in)

进一步地，根据评价对象可能做出的评价结果生成等级评价集，等级评价集表示为：

V＝(v₁,v₂,...,v_m)

其中，v_i(i＝1,2,…,m)表示评价等级标准，m表示等级评价次数。

进一步地，将各个评价指标值代入各自的隶属函数，计算第i个指标第j级的隶属度r_ij，并作归一化处理，生成评价矩阵R，评价矩阵R的计算公式为：

S1044、将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

具体的，所述综合评价模型将所述评价矩阵R与所述指标权重集W相乘，生成综合评价结果，其计算公式如下所示:

其中，根据最大隶属度原则，评价结果b_i(i＝1,2,...,m)所对应的等级评价集v_i作为综合评价结果。

为了实现以上方法，本发明提供了一种多平台信息投放和数据统计系统，包括：

倾向传导网络模块，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导。

具体的，根据网络平台集中的各个平台相互关联的关系及其关联的紧密程度，构建平台相互之间的关联度结构。进而，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态。

投放方案生成模块，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案。

方案评价构建模块，用于基于所述信息投放方案设置与所述评价准则相对应的评价参数。具体的，所述评价准则包括：平台集合准则B1、关联度结构准则B2和传导准则B3，对于每个评价准则，设定该准则下的参数；其中，平台集合准则B1下的评价参数包括：平台集合规模作为C11、平台集合跨度参数C12；关联度结构准则B2下的评价参数包括：将平台集合的平均非0通道数作为C21、平台的平均通道权重值作为C22；传导准则B3下的评价参数包括：用户倾向差异化系数作为C31、用户倾向一致性规律的评价值作为C32。

综合评价模块，用于将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。具体的，根据所述信息投放方案的评价结果对该投放对象的所有信息投放方案产生一个评价，选取评价最高的信息投放方案进行实际的信息投放。

在一个实施例中，倾向传导网络模块用于构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导，具体包括：

关联度结构构建单元，基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构。具体的，在多平台投放的情况下，将所涉及的全部各个类型的网络平台构建为一个网络平台集，集合中的网络平台可以包含电商、社交、媒体点播、直播、短视频、打车、外卖乃至新闻发布等各种类型的网络平台。相应地，这些网络平台各自所聚合的用户数据，也涵盖了用户的各个方面的因素，包括用户在商品、服务、内容等方面的用户倾向。需要明确，虽然这些用户倾向所指向的具体对象是有差异的，甚至有较大的差异性，但是其实是具有内在的相互关系的，例如用户的经济收入水平、地理位置、职业乃至兴趣性格，潜在地对用户在多平台的倾向构成了基础性影响。将构成网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模。进一步地，关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台p_j直接具有关联性的通道，其中，如果平台p_i与平台p_j具有关联性则e_ij＝1，反之如果平台p_i不受到平台p_j的关联则e_ij＝0，对于i＝j，也就是e₁₁，e₂₂…e_MM来说均定义为0。在关联度结构的表达式中，W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值，如果平台p_i受到平台p_j关联性影响越大则w_ij的取值越大；对于i＝j，也就是w₁₁，w₂₂…w_MM来说均定义为0。

倾向传导确定单元，用于利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态。具体的，根据网络平台集中的各个平台相互关联的关系及其关联的权重，假设用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合。对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

倾向量化分析单元，用于在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。具体的，针对集合中全部平台{p₁,p₂,...,p_i,...p_M}的倾向状态x_i，i＝1,2,...,M，进而形成用户倾向状态集合X＝{x₁,x₂,...,x_i,...x_M}，集合X中占比最高的若干个倾向状态作为用户倾向一致性规律，也可以设定一个时间窗口，统计该时间窗口内用户倾向状态的类型变化，将增长最多的一个或者若干个类型的倾向状态作为一致性规律。用户倾向差异化状态的计算公式如下：

D表示差异化系数。

投放方案生成模块，针对投放对象，根据用户在一个或者多个在先平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态。对于当前平台的全部用户，显然可以根据每个用户的倾向状态，选择对于投放对象倾向状态较好的用户群组，作为与投放对象匹配的用户群组，再针对该用户群组生成投放对象的信息投放方案。

方案评价构建模块基于信息投放方案A、评价准则B以及评价准则相对应的参数构成阶梯层级结构。

综合评价模块，具体包括：

判断矩阵建立单元，用于基于所述评价准则和所述评价参数建立判断矩阵。

具体的，设置评价准则为B，相应评价参数的元素分别为(u₁，u₂，…，u_n)，通过两两比较，生成判断矩阵A，其中，判断矩阵A的公式如下所示：

A＝(a_ij)_n×n

在上式中，a_ij表示目评价参数u相对于评价准则B的重要性的比例标度，具有如下性质：

a_ij＞0，a_ji＝1/a_ij，a_ii＝1

类似的，通过对评价准则B中的元素与信息投放方案的两两比较，生成相应的判断矩阵。

指标权重集生成单元，用于根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验。

具体的，已知评价参数的n个元素(u₁，u₂，…，u_n)对评价准则B的判断矩阵为A，则评价参数对于评价准则B的相对权重用如下公式进行表示：

W＝(w₁,w₂,…w_n)^T

在上述公式中，w₁,w₂,…w_n表示相对权重。

进一步地，将判断矩阵A的n个行向量归一化，并计算平均值，生成评价参数对于评价准则B的相对权重w_i，其计算公式如下所示：

进一步地，计算最大特征根，并根据最大特征根判断矩阵的一致性，最大特征根λ_max的计算公式如下所示：

进一步地，根据上述计算过程计算其他评价参数对于相对应评价准则的相对权重，生成单一准则下各个被比较元素的排序权重向量。

进一步地，将评价参数对于相对应评价准则的相对权重w_i进行向量归一化处理，生成如下指标权重集W：

W＝(w₁,w₂,…w_n)^T

进一步地，根据如下计算公式对指标权重集进行一致性检验，以证明判断矩阵A符合逻辑常识：

上式中，C.I.表示一致性指标，R.I.表示平均随机一致性指标，C.R.表示一致性比例。其中，当C.R.＜0.1时，矩阵的一致性满足要求；当C.R.＞0.1时，矩阵的一致性不满足要求。

进一步地，根据层次单排序的结果，分别计算评价准则与评价参数对信息投放方案的总排序权重，计算公式如下所示：

其中，W^k-1表示第k-1层(即评价参数)上n_k-1个元素相对于信息投放方案的排序权重向量，P^(k)表示第k层(即评价准则)上元素对k-1层上元素的排序，W^(k)表示第k层上元素相对于信息投放方案的总排序。

进一步地，逐层进行一致性检验，即对评价参数、评价准则以及信息投放方案中的元素进行一致性检验；其中，当k-1层上元素j为准则的一致性指标

平均随机一致性指标

一致性比例

则k层的综合指标按如下公式进行计算：

其中，当C.R.^(k)＜0.1，则人为满足整体一致性。

评价矩阵生成单元，用于基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵。

具体的，通过层次分析法生成评价准则与评价参数的评价指标值，评价指标值采用如下公式进行表示：

U＝(B₁,B₂,…,B_n)

U'＝(C_i1,C_i2,…,C_in)

进一步地，根据评价对象可能做出的评价结果生成等级评价集，等级评价集表示为：

V＝(v₁,v₂,…,v_m)

其中，v_i(i＝1,2,…,m)表示评价等级标准，m表示等级评价次数。

进一步地，将各个评价指标值代入各自的隶属函数，计算第i个指标第j级的隶属度r_ij，并作归一化处理，生成评价矩阵R，评价矩阵R的计算公式为：

综合评价单元，用于将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

具体的，所述综合评价模型将所述评价矩阵R与所述指标权重集W相乘，生成综合评价结果，其计算公式如下所示:

其中，根据最大隶属度原则，评价结果b_i(i＝1,2,…,m)所对应的等级评价集v_i作为综合评价结果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种多平台信息投放和数据统计方法，其特征在于，包括：

构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导；

针对投放对象，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案；

建立评价准则，并基于所述信息投放方案设置与所述评价准则相对应的评价参数；

将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。

2.根据权利要求1所述的多平台信息投放和数据统计方法，其特征在于，其中，所述构建网络平台集，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导，具体包括：

基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构；

利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态；

在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。

3.根据权利要求2所述的多平台信息投放和数据统计方法，其特征在于，所述网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模；关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台p_j直接具有关联性的通道；W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值。

4.根据权利要求3所述的多平台信息投放和数据统计方法，其特征在于，用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合；对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

5.根据权利要求3所述的多平台信息投放和数据统计方法，其特征在于，其中，所述将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果，具体包括：

基于所述评价准则和所述评价参数建立判断矩阵；

根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验

基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵；

将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

6.一种多平台信息投放和数据统计系统，其特征在于，包括：

倾向传导网络模块，根据所述网络平台集中的各个平台，建立相互之间的关联度结构，并利用用户在网络平台的倾向状态与所述关联度结构确定网络平台之间的倾向传导；

投放方案生成模块，根据用户在一个或者多个平台的倾向状态，基于网络平台之间的倾向传导，确定在当前平台的用户倾向状态，生成投放对象的信息投放方案；

方案评价构建模块，用于基于所述信息投放方案设置与所述评价准则相对应的评价参数；

综合评价模块，用于将所述评价准则和所述评价参数输入至综合评价模型，生成信息投放方案的评价结果。

7.根据权利要求6所述的多平台信息投放和数据统计系统，其特征在于，所述倾向传导网络模块具体包括：

关联度结构构建单元，基于多平台构建网络平台集，并根据网络平台集中平台之间相互关联性的通道、平台相互关联性的权重，构建关联度结构；

倾向传导确定单元，用于利用用户在网络平台的倾向状态与所述关联度结构，确定网络平台之间的倾向传导，倾向传导是表征用户在一个或者多个在先平台的倾向状态，通过关联度结构，反映为该用户在当前平台的倾向状态；

倾向量化分析单元，用于在多平台的场景下，针对用户在多个平台的倾向状态，生成用户倾向状态集合，并根据所述用户倾向状态集合，分析用户倾向的一致性规律和差异化状态。

8.根据权利要求7所述的多平台信息投放和数据统计系统，其特征在于，网络平台集的每个平台，表示为p_i，其中i＝1,2,...,M，则网络平台集的表达式为V＝{p₁,p₂,...,p_i,...p_M}，其中，M表示平台集合规模；关联度结构的表达式为G＝{V,E,W}，其中，E＝{e₁₁,e₁₂,...,e_ij,...e_MM}，其中i＝1,2,...,M，j＝1,2,...,M；e_ij表示集合中平台p_i是否与平台p_j直接具有关联性的通道；W＝{w₁₁,w₁₂,...,w_ij,...w_MM}，其中i＝1,2,...,M，j＝1,2,...,M；w_ij表示集合中平台p_i受到平台p_j关联的权重大小，w_ij在一个预设的取值区间范围0≤w_ij≤K内取值。

9.根据权利要求8所述的多平台信息投放和数据统计系统，其特征在于，用户对于投放对象在每个平台p_i的倾向状态表示为x_i，x_i∈R，R是用户所有可能的倾向状态的一个集合；对于每个平台p_i，从网络平台集中确定该平台p_i的一个在先平台邻域，即对于已经获得了用户倾向状态的在先平台，分析这些在先平台与当前平台p_i之间的e_ij，j＝1,2,...,M，从中选取e_ij不等于0的平台p_j对应的标号j，组成一个邻域表示为N_i，即平台p_i的在先平台邻域，对于投放对象，用户在平台p_i倾向状态x_i,具体的表达公式如下所示:

其中，x_j是用户在平台p_j的倾向状态，β表示传导系数。

10.根据权利要求9所述的多平台信息投放和数据统计系统，其特征在于，所述综合评价模块，具体包括：

判断矩阵建立单元，用于基于所述评价准则和所述评价参数建立判断矩阵；

指标权重集生成单元，用于根据所述判断矩阵计算所述评价参数对于所述评价准则的相对权重，基于所述相对权重生成指标权重集，并对所述指标权重集进行排序一致性检验；

评价矩阵生成单元，用于基于所述评价参数与评价准则生成评价指标值，并根据专家打分法确定隶属度函数，基于所述评价指标值与所述隶属度函数生成评价矩阵；

综合评价单元，用于将所述评价矩阵与所述指标权重集输入至所述综合评价模型，生成信息投放方案的评价结果。

Images