CN113015010B - 推送参数确定方法、装置、设备及计算机可读存储介质 - Google Patents
推送参数确定方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113015010B CN113015010B CN202110280517.0A CN202110280517A CN113015010B CN 113015010 B CN113015010 B CN 113015010B CN 202110280517 A CN202110280517 A CN 202110280517A CN 113015010 B CN113015010 B CN 113015010B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- multimedia object
- pushing
- historical behavior
- 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
- 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
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
-
- 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
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请的实施方式提供了一种推送参数确定方法、推送参数确定装置、电子设备以及计算机可读存储介质,涉及计算机技术领域。该方法包括:当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。可见,实施本申请实施例可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。
Description
技术领域
本申请的实施方式涉及计算机技术领域,更具体地,本申请的实施方式涉及推送参数确定方法、推送参数确定装置、电子设备以及计算机可读存储介质。
背景技术
一般来说,对于大部分软件产品,都会存在推荐功能,该功能用于向用户推荐广告、商品、公益等信息。推荐的频率越高,推荐的信息被用户注意到的可能性就越高,从而有利于达到推荐成功的效果。但是,一味的提升推荐频率,则容易导致众多用户在使用软件产品的过程中被不断弹出的推荐内容影响,进而容易对用户体验造成负面影响。因此,如何在保障推荐效果的前提下避免推荐次数过于频繁成为了当前亟需解决的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此,不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
基于上述问题,发明人进行了相应的思考,做出了有针对性的改进,提供了推送参数确定方法、推送参数确定装置、电子设备以及计算机可读存储介质,可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。
根据本申请实施例的第一方面,公开了一种推送参数确定方法,包括:
当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;
根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;
根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
在一个实施例中,基于前述方案,用户画像数据包括:性别和年龄中至少一种;历史行为数据包括:听歌时长满足于预设时长、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。
在一个实施例中,基于前述方案,获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:
读取推送请求中用于表示目标用户的用户标识;
从画像数据库中获取与用户标识对应的用户画像数据,并从历史行为数据库中获取与用户标识对应的历史行为数据。
在一个实施例中,基于前述方案,从历史行为数据库中获取与用户标识对应的历史行为数据之前,方法还包括:
按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收用户行为日志;其中,至少一个存储区域对应于不同的行为类型;
将用户行为日志存储于历史行为数据库中。
在一个实施例中,基于前述方案,根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限之前,方法还包括:
按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;
根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据;
根据至少一个特定历史行为数据计算历史参考均值。
在一个实施例中,基于前述方案,根据用户画像数据和历史行为数据预测目标用户对应的参考值,包括:
根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;
根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
在一个实施例中,基于前述方案,根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值,包括:
将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;
计算多个乘积之和作为目标用户对应的参考值。
在一个实施例中,基于前述方案,根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:
将用户画像数据和历史行为数据输入深度神经网络;
通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据;
通过深度神经网络中的多层特征提取层提取标准化数据的特征向量;
根据特征向量计算任务集合中各任务行为在单位时间内的完成概率。
在一个实施例中,基于前述方案,将用户画像数据和历史行为数据输入深度神经网络之前,方法还包括:
按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;
将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值;
根据训练样本对应的参考值和训练样本对应的实际值计算损失函数;
根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
在一个实施例中,基于前述方案,根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,包括:
计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商;
将商和预设推送上限中的最大值确定为多媒体对象推送上限。
在一个实施例中,基于前述方案,根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象,包括:
获取目标用户在单位时间内的曝光量;
若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
在一个实施例中,基于前述方案,根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象之前,方法还包括:
根据实际转化率从推送集合中选取至少一个多媒体对象。
根据本申请实施例的第二方面,公开了一种推送参数确定装置,包括:数据获取单元、数据预测单元和参数确定单元,其中:
数据获取单元,用于当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;
数据预测单元,用于根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;
参数确定单元,用于根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
在一个实施例中,基于前述方案,用户画像数据包括:性别和年龄中至少一种;历史行为数据包括:听歌时长满足于预设时长、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。
在一个实施例中,基于前述方案,数据获取单元获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:
读取推送请求中用于表示目标用户的用户标识;
从画像数据库中获取与用户标识对应的用户画像数据,并从历史行为数据库中获取与用户标识对应的历史行为数据。
在一个实施例中,基于前述方案,装置还包括:
数据存储单元,用于按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收用户行为日志;其中,至少一个存储区域对应于不同的行为类型;将用户行为日志存储于历史行为数据库中。
在一个实施例中,基于前述方案,装置还包括:
数据统计单元,用于在参数确定单元根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限之前,按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;
数据获取单元,还用于根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据;
数据计算单元,用于根据至少一个特定历史行为数据计算历史参考均值。
在一个实施例中,基于前述方案,数据预测单元根据用户画像数据和历史行为数据预测目标用户对应的参考值,包括:
根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;
根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
在一个实施例中,基于前述方案,数据预测单元根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值,包括:
将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;
计算多个乘积之和作为目标用户对应的参考值。
在一个实施例中,基于前述方案,数据预测单元根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:
将用户画像数据和历史行为数据输入深度神经网络;
通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据;
通过深度神经网络中的多层特征提取层提取标准化数据的特征向量;
根据特征向量计算任务集合中各任务行为在单位时间内的完成概率。
在一个实施例中,基于前述方案,装置还包括:
样本获取单元,用于在数据预测单元将用户画像数据和历史行为数据输入深度神经网络之前,按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;
网络预测单元,用于将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值;
损失函数计算单元,用于根据训练样本对应的参考值和训练样本对应的实际值计算损失函数;
网络优化单元,用于根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
在一个实施例中,基于前述方案,参数确定单元根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,包括:
计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商;
将商和预设推送上限中的最大值确定为多媒体对象推送上限。
在一个实施例中,基于前述方案,参数确定单元根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象,包括:
获取目标用户在单位时间内的曝光量;
若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
在一个实施例中,基于前述方案,装置还包括:
多媒体对象选取单元,用于在参数确定单元根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象之前,根据实际转化率从推送集合中选取至少一个多媒体对象。
根据本申请实施例的第三方面,公开了一种电子设备,包括:处理器;以及存储器,存储器上存储有计算机可读指令,计算机可读指令被处理器执行时实现如第一方面公开的推送参数确定方法。
根据本申请实施例的第四方面,公开了一种计算机程序介质,其上存储有计算机可读指令,当计算机可读指令被计算机的处理器执行时,使计算机执行根据本申请第一方面公开的推送参数确定方法。
本申请实施例,可以当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。相较现有技术,实施本申请的实施例,一方面可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。另一方面,实施本申请实施例,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,其中:
图1示出的是根据本申请一示例实施方式的推送参数确定方法的流程示意图;
图2示出的是根据本申请一示例实施方式的深度神经网络的结构示意图;
图3示出的是根据本申请一示例实施方式的深度神经网络的训练样本生成过程示意图;
图4示出的是根据本申请一示例实施方式的用于实现推送参数确定方法的模块示意图;
图5示出的是根据本申请一示例实施方式的推送参数确定方法的流程示意图;
图6示出的是根据本申请一可选示例实施方式的推送参数确定装置的结构框图;
图7示出的是根据本申请另一可选示例实施方式的推送参数确定装置的结构框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请,而并非以任何方式限制本申请的范围。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本申请的实施方式可以实现为一种装置、设备、方法或计算机程序产品。因此,本申请可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本申请的实施方式,提出了一种推送参数确定方法、推送参数确定装置、电子设备以及计算机可读存储介质。
附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本申请的若干代表性实施方式,详细阐释本申请的原理和精神。
发明概述
现有的多媒体对象(如,广告)投放方式一般为:控制一定周期内相同广告对同一用户下发的频次,原因是用户看同一广告看多了会厌烦,导致点击率下降,这种频控的目的是提高用户广告点击率。
但是,申请人想到,上述方式仅考虑到了同一广告的曝光频率对用户的影响,对于用户而言,控制周期内若广告曝光过于频繁极容易造成负面的用户体验,进而容易流失用户。基于此,申请人想到,可以通过结合历史用户行为和对于用户完成任务的概率预测的方式,计算出每个用户在一控制周期内适用的多媒体对象推送上限,若该用户是活跃用户,则可以降低其多媒体对象推送上限,避免影响活跃用户的使用体验,进而避免造成活跃用户流失。若该用户是不活跃用户,则可以提升其多媒体对象推送上限,从而保障广告投放的数量要求以及投放效果。
应用场景总览
需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
本申请可以应用于广告投放领域,当检测到用户端发送的推送请求时,可以获取该用户的用户画像数据和历史行为数据,根据用户画像数据和历史行为数据预测用于表征用户价值的参考值。进而,可以根据参考值和历史参考均值确定该用户对应的多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向该用户推送多媒体对象(如,广告)。这样可以在保障推荐效果的前提下避免一个控制周期内推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。此外,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
示例性方法
下面结合上述的应用场景,参考图1~图5来描述根据本申请示例性实施方式的推送参数确定方法。
请参阅图1,图1示出的是根据本申请一示例实施方式的推送参数确定方法的流程示意图,该推送参数确定方法可以由服务器或终端设备来实现。如图1所示,该推送参数确定方法,可以包括:
步骤S110:当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据。
步骤S120:根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据。
步骤S130:根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
实施图1所示的推送参数确定方法,可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。此外,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
下面对这些步骤进行详细描述。
在步骤S110中,当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据。
具体地,推送请求可以由用户设备发送,用户设备发送推送请求的触发条件可以为:在一个周期内,用户首次登录相关软件的客户端、网页或小程序等平台。历史行为数据用于表征用户在单位时间内的历史行为,用户画像数据用于描述用户自身特性。推送请求对应的目标用户可以为发送推送请求的用户设备的使用者,不同的用户设备可以对应于不同的用户,目标用户可以为众多用户中的任一用户。
作为一种可选的实施例,从历史行为数据库中获取与用户标识对应的历史行为数据之前,方法还包括:按照第一时长间隔(如,24小时)向至少一个存储区域请求用户行为日志,并接收用户行为日志;其中,至少一个存储区域对应于不同的行为类型;将用户行为日志存储于历史行为数据库中。
具体地,按照第一时长间隔向至少一个存储区域请求用户行为日志可以示例性理解为:以24小时为时间间隔在每天的00:00向至少一个存储区域请求用户行为日志。
上述的至少一个存储区域可以分别为对应于不同的行为类型的数据库。举例来说,上述的至少一个存储区域可以为听歌数据库、发送动态数据库、分享数据库等,本申请实施例不作限定。
听歌数据库中存储的用户行为日志可以表示为:
其中,data为时间戳,user_id为用户编号(如,用户账号),duration为听歌时长,long、String和long均为数据存储类型。
发送动态数据库中存储的用户行为日志可以表示为:
其中,data为时间戳,user_id为用户编号,update用于对用户发送动态与否的情况进行表征,long、String和boolean均为数据存储类型。
分享数据库中存储的用户行为日志可以表示为:
其中,data为时间戳,user_id为用户编号,share用于对用户分享歌曲与否的情况进行表征,long、String和boolean均为数据存储类型。
另外,按照第一时长间隔向至少一个存储区域请求用户行为日志,包括:向至少一个存储区域读取各条用户行为日志中的时间戳,请求属于第一时长间隔内的时间戳所对应的用户行为日志。
其中,将用户行为日志存储于历史行为数据库中,包括:将用户行为日志格式化为用户行为数据存储于历史行为数据库中,用户行为数据是适用于存储在历史行为数据库的数据格式。
可见,实施该可选的实施例,能够及时采集用户行为日志,以便提升下次计算的多媒体对象推送上限的精度。
作为一种可选的实施例,获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:读取推送请求中用于表示目标用户的用户标识;从画像数据库中获取与用户标识对应的用户画像数据,并从历史行为数据库中获取与用户标识对应的历史行为数据。
其中,用户标识可以通过数字、符号、文字等进行表示。
具体地,用户画像数据包括:性别和年龄中至少一种;历史行为数据包括:听歌时长满足于预设时长(如,30min)、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。历史行为数据中各项行为也可以为完成任务的行为。即,听歌时长满足于预设时长(如,30min)、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲也属于各项需要完成的任务,本申请对于任务的数量和内容不作限定。
举例来说,2020年1月1日00:00~2020年1月1日23:59之间的历史行为数据可以为:
其中,data为时间戳,user_id为用户编号,listen2misic_duration用于用于表示听歌总时长,listen2music_ac用于对用户分享歌曲与否的情况进行表征,update_cnt用于表征用户发布动态的次数,update_ac用于表征用户发布动态的次数满足预设次数(如,10)与否,share_cnt用于表征用户分享歌曲的次数,share_ac用于表征用户分享歌曲的次数满足预设次数(如,30)与否,yunbei为该条历史行为数据对应的总云贝数,总云贝数是根据任务完成情况给与用户的奖励,代表了用户的参考值,参考值可以理解为action_info对应的用户在预设单位时长(如24h)内的价值的量化;int、bool、long、String和boolean均为数据存储类型。
另外,从历史行为数据库中获取与用户标识对应的历史行为数据,包括:确定用户标识对应的属性信息,并获取与该属性信息对应的历史行为数据,作为与该用户标识对应的参考历史行为数据,该历史行为数据可以为多个用户对应的历史行为数据;其中,属性信息可以包括籍贯、地域、宗教信仰等信息。举例来说,这样可以基于同一地域内多个用户的历史行为数据计算历史参考均值,以确定出更为适配目标用户的多媒体对象推送上限。
可见,实施该可选的实施例,能够通过对于目标用户相关数据的获取,有利于基于相关数据计算与目标用户对应的多媒体对象推送上限。
在步骤S120中,根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据。
作为一种可选的实施例,根据用户画像数据和历史行为数据预测目标用户对应的参考值,包括:根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
具体地,各任务对应的预设评价参数可以通过数值进行表示,其在参考值的计算中起到的作用类似于权重。举例来说,预设评价参数可以通过完成一项任务可获得的云贝值进行表示,云贝可以为用户完成任务时奖励用户的虚拟货币。若各任务分别为:听歌时长满足于预设时长、参与听歌游戏、发布动态,听歌时长满足于预设时长对应的奖励可以为20个云贝,参与听歌游戏对应的奖励可以为15个云贝,发布动态对应的奖励可以为10个云贝。可见,各任务对应的预设评价参数(如,云贝)可以通过数值的大小不同(如,20个云贝、15个云贝、10个云贝),表征完成不同任务的用户活跃度是不同的。举例来说,听歌时长满足于预设时长需要耗费时间比较长,因此,若用户完成了听歌时长满足于预设时长的任务,则可以奖励用户20个云贝;发布动态需要耗费时间较短,因此,若用户完成了发布动态的任务,则可以奖励用户10个云贝,得到20个云贝的用户显然是比得到10个云贝的用户更为活跃。故,预设评价参数(如,云贝)可以用于表示用户活跃度。此外,可选的,预设评价参数也可以用于评价任务的重要性,预设评价参数越高的任务对应于更高的重要性。
可见,实施该可选的实施例,能够通过对于目标用户对应的参考值的计算,据此量化用户价值,从而计算出更为适配目标用户的多媒体对象推送上限。
作为一种可选的实施例,根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:将用户画像数据和历史行为数据输入深度神经网络;通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据;通过深度神经网络中的多层特征提取层提取标准化数据的特征向量;根据特征向量计算任务集合中各任务行为在单位时间(如,24h)内的完成概率。
具体地,深度神经网络可以为DNN(Deep Neural Networks)、CNN(ConvolutionalNeural Networks)、RNN(Recursive Neural Networks/Recurrent Neural Networks)等,本申请实施例不作限定。
另外,通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据,包括:通过深度神经网络中的嵌入层将用户画像数据和历史行为数据转换为特征向量。另外,标准化数据是可以应用于多层特征提取层的统一数据表现形式。
请参阅图2,图2示出的是根据本申请一示例实施方式的深度神经网络的结构示意图。如图2所示,深度神经网络200可以包括嵌入层210、多层神经网络220和输出层230。具体地,可以将用户画像数据和历史行为数据输入深度神经网络中的嵌入层(embedding),以使得嵌入层将用户画像数据和历史行为数据转换为特征向量,从而将特征向量输入多层神经网络220的特征提取层,以使得多层神经网络220中各特征提取层对特征向量进行特征提取,各特征提取层对应于不同的提取参数,以提取不同类型的特征。进而,多层神经网络220可以根据提取到的特征向量计算任务集合中各任务行为在单位时间内的完成概率。举例来说,若任务集合中包含10个任务,多层神经网络220预测出的针对10个任务的完成概率可以分别为p1,p2…p10。
可见,实施该可选的实施例,能够预测用户完成任务的概率,从而有利于根据该概率确定出适合该用户的多媒体对象推送上限,且该多媒体对象推送上限具有时效性,如果用户对于当前的多媒体推送上限不满意,则可以通过改变用户行为以及对于任务的完成度,改善多媒体对象推送上限,以改善用户体验。
作为一种可选的实施例,根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值,包括:将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;计算多个乘积之和作为目标用户对应的参考值。
具体地,目标用户对应的参考值可以表示为uservalue。其中,将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积,包括:将一一对应的完成概率{p1,p2…pk}和预设评价参数{v1,v2…vk}进行分别相乘p1*v1、p2*v2……pk*vk。基于此,计算多个乘积之和作为目标用户对应的参考值,包括:计算多个乘积之和作为目标用户对应的参考值uservalue。
可见,实施该可选的实施例,能够基于对于各任务的完成概率的预测和各任务对应的预设评价参数进行参考值计算,从而得到用于表征用户价值的参考值,以便根据该参考值为用户确定一个合适的多媒体对象推送上限,从而可以优化多媒体对象推送效果。
作为一种可选的实施例,将用户画像数据和历史行为数据输入深度神经网络之前,方法还包括:按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值;根据训练样本对应的参考值和训练样本对应的实际值计算损失函数;根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
具体地,上述损失函数可以定义为其中,yk用于表示第k个行为的完成度,用于表示深度神经网络的第k个输出值,n表示为第n个用户样本。其中,深度神经网络是一种行为预测模型,用于预测各个任务的完成概率。另外,上述的按照第二时长间隔循环至下一次网络训练,可以理解为,每隔一段时间(如,一周)就对深度神经网络进行一次训练。
请参阅图3,图3示出的是根据本申请一示例实施方式的深度神经网络的训练样本生成过程示意图。具体地,可以按照第一时长间隔向至少一个存储区域请求用户行为日志311,至少一个存储区域分别存储的是不同的用户行为数据,如,至少一个存储区域分别存储听歌321、发动态322……分享歌曲323等用户行为数据;进而,可以将听歌321、发动态322……分享歌曲323等用户行为数据统计为历史行为数据332存储于历史行为数据库中,其中,历史行为数据332可以用于计算历史参考均值341。
当存在模型训练需求时,可以通过预存储的用户画像数据331和历史行为数据332生成训练样本351。将训练样本351输入至深度神经网络361,以便深度神经网络361预测训练样本对应的参考值,根据训练样本对应的参考值和训练样本对应的实际值计算损失函数,根据损失函数对深度神经网络进行参数调整。
另外,需要说明的是,听歌321、发动态322……分享歌曲323等用户行为数据、用户画像数据331、历史行为数据332、训练样本351和历史参考均值341均可以存储于数据仓库300中,以便随时调用。
可见,实施该可选的实施例,能够根据用户数据的不断更新也循环实现对于深度神经网络的不断更新,这样有利于提升深度神经网络的预测精度,进而提升确定出的多媒体对象推送上限的有效性。
在步骤S130中,根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
具体地,多媒体对象推送上限可以用于周期性对多媒体对象(如,广告)在用户侧的曝光次数进行控制。多媒体对象可以为曝光在用户侧的广告,广告的输出形式可以为图像、视频、文本、符号等、本申请实施例不作限定。曝光于用户侧的广告中可以包含用于关闭广告的空间,广告自身也可以为跳转入口。举例来说,当检测到针对多媒体对象的触控操作/点击操作/语音控制操作时,可以跳转至预设链接。
作为一种可选的实施例,根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限之前,方法还包括:按照预设单位时长统计各用户对应的历史行为数据;根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据;根据至少一个特定历史行为数据计算历史参考均值。
具体地,预设单位时长于与预设单位时段不相同。预设单位时长用于表征对于各用户对应的历史行为数据的统计间隔时间,每个用户对应的每条历史行为数据均用于表征一个预设单位时长内的用户行为,一个用户对应的所有历史行为数据之间各不相同。例如,以24h为预设单位时长,每天00:00统计一次过去24h内的各用户对应的历史行为数据,一个用户对应的所有历史行为数据分别用于表示每一天的用户行为。预设单位时段用于限定可以应用于历史参考均值计算的历史行为数据,例如,以7天为预设单位时段,当需要计算历史行为数据时,获取各用户在过去7天内的历史行为数据,将过去7天内的历史行为数据确定为上述的至少一个特定历史行为数据,特定历史行为数据特指属于预设单位时段的历史行为数据。
另外,历史行为数据库中存储多个用户对应的历史行为数据集,每个用户对应的历史行为数据集中包含一条或多条历史行为数据,一个历史行为数据集中每条历史行为数据对应的统计时长均为预设单位时长。
另外,按照预设单位时长统计各用户对应的历史行为数据,包括:按照预设单位时长将历史行为数据库中的用户行为数据统计为各用户对应的以预设单位时长为单位的历史行为数据。
另外,根据至少一个特定历史行为数据计算历史参考均值,包括:获取至少一个特定历史行为数据中各特定历史行为数据的参考值value;对各特定历史行为数据的参考值value求和;计算求和结果与特定历史行为数据总数量的商,以得到历史参考均值;其中,历史参考均值可以为表示为avg_value。历史参考均值可以是目标用户自己的历史参考均值,也可以是系统内所有用户的历史参考均值。其中,可选的,根据至少一个特定历史行为数据计算历史参考均值之前,还可以包括:基于属性信息(如,籍贯、地域、宗教信仰等)从至少一个特定历史行为数据中选取用于计算历史参考均值的N条特定数据,N为正整数。举例来说,可以基于地域从至少一个特定历史行为数据中选取同一地域内多个用户的7天内的历史行为数据,作为特定数据。基于此,根据至少一个特定历史行为数据计算历史参考均值,包括:获取N条特定数据中各特定数据的参考值value;对各特定数据的参考值value求和;计算求和结果与特定数据总数量的商,以得到历史参考均值,这样可以有利于确定出更为适配目标用户的多媒体对象推送上限。另外,可选的,根据至少一个特定历史行为数据计算历史参考均值之前,还可以包括:确定目标用户对应的用户画像;计算该用户画像与其他用户的用户画像之间的相似度,根据相似度从至少一个特定历史行为数据中筛选相似用户的特定数据,各个相似用户与目标用户之间的相似度均属于阈值范围内。其中,相似度可以通过余弦距离/欧式距离进行表示。
另外,根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据之前,还可以包括:确定推送请求对应的发送时间,以发送时间作为最晚统计时间(即,预设单位时段的右端点)确定预设单位时段。
可见,实施该可选的实施例,能够通过对于历史行为数据的按时统计,以及根据预定时长选择特定历史行为数据,提升历史参考均值的时效性和参考价值。
作为一种可选的实施例,根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,包括:计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商;将商和预设推送上限中的最大值确定为多媒体对象推送上限。
具体地,预设推送上限(如,10次)为预先设定的值,可以表示为max_exp,多媒体对象推送上限用于表示向用户推送可以为表示user_max_exp。基于此,计算预设推送上限与历史参考均值的乘积,包括:计算max_exp与value的乘积max_exp*value。进而,计算乘积与目标用户对应的参考值的商,包括:计算max_exp*value/user_value。进而,将商和预设推送上限中的最大值确定为多媒体对象推送上限,包括:根据user_max_exp=max(max_exp,max_exp*avg_value/user_value)确定多媒体对象推送上限user_max_exp。
可见,实施该可选的实施例,能够基于预测得到的参考值和历史参考均值,个性化分析出各用户分别对应的多媒体对象推送上限,从而可以依据多媒体对象推送上限推送多媒体对象,不仅可以提升系统个性化程度,还能够优化多媒体对象推送效果。
作为一种可选的实施例,根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象之前,方法还包括:根据实际转化率从推送集合中选取至少一个多媒体对象。
具体地,实际转化率可以用于表征多媒体对象的收益率,该实际转化率可以基于多媒体对象的投放次数和实际收益计算得到。推送集合中可以包含一个或多个待推送的多媒体对象。基于此,根据实际转化率从推送集合中选取至少一个多媒体对象之前,还包括:根据多媒体对象的投放次数(如,1000次)和多媒体对象的实际收益计算各个多媒体对象对应的实际转化率(如,千次展示获得的收入eCPM)。基于此,根据实际转化率从推送集合中选取至少一个多媒体对象,包括:从推送集合中选取实际转化率最高的多媒体对象。
另外,根据实际转化率从推送集合中选取至少一个多媒体对象之前,还可以包括:根据所有待推送的多媒体对象的标签匹配与目标用户相对应的至少一个多媒体对象,以构成上述的推送集合。举例来说,若多媒体对象A的标签为游戏、青少年,多媒体对象B的标签为日用品、女性,目标用户为女性,则目标用户与多媒体对象B的标签是相匹配的,因此,多媒体对象B可以被选入推送集合。这样可以实现个性化推送,进而提升对于推送效果。
可见,实施该可选的实施例,能够基于实际转化率进行多媒体对象选取,从而有利于选取更适合推送的多媒体对象,有利于提升多媒体对象的转化率。
作为一种可选的实施例,根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象,包括:获取目标用户在单位时间内的曝光量;若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
具体地,单位时间用于表征一段时间,如,2020年1月1日00:00~2020年1月1日23:59。曝光量用于表征单位时间内推送多媒体对象的次数。此外,若曝光量等于调整后的多媒体对象推送上限,则结束流程,直到计算出下一单位时间内的多媒体对象推送上限。
另外,若选取的多媒体对象大于1,向目标用户推送多媒体对象,包括:按照多个多媒体对象的投放热度由高到低的顺序依次向目标用户推送多个多媒体对象;或者,同时并列推送多个多媒体对象。向目标用户推送多媒体对象具体为:向推送请求对应的用户设备发送多媒体对象,以使得用户设备在用户界面展示多媒体对象;其中,用户设备与目标用户相对应。
可见,实施该可选的实施例,能够根据个性化配置的多媒体对象推送上限控制多媒体对象推送次数,用户价值越高的用户可以获得更低的多媒体对象推送上限。这样有利于激励用户价值较低(不活跃)的用户多执行任务,以在下一个计算多媒体对象推送上限的周期内降低多媒体对象推送上限,从而降低多媒体对象推送频率。
请参阅图4,图4示出的是根据本申请一示例实施方式的用于实现推送参数确定方法的模块示意图。如图4所示,模块示意图可以包括:软件程序410、比对模块420、数据仓库430、深度神经网络440、统计模块450、预测模块460、参数设置模块470、排名模块480。
具体地,软件程序410用于向数据仓库430上报用户行为日志,以便数据仓库430将用户行为日志统计为历史行为数据,数据仓库430还用于存储用户画像数据。进而,深度神经网络440可以根据数据仓库430中的用户画像数据和历史行为数据计算用户完成各项任务的概率,统计模块450可以根据历史行为数据计算出历史参考均值。进而,结合历史参考均值和用户完成各项任务的概率可以确定出多媒体对象推送上限。进而,当软件程序410向比对模块420发送曝光请求时,比对模块420可以将该用户对应的单位时间内的曝光量与多媒体对象推送上限进行比对,若该曝光量小于多媒体对象推送上限,则通过排名模块480选取至少一个多媒体对象推送至安装了软件程序410的用户设备并展示。若该曝光量大于等于多媒体对象推送上限,则结束流程。
可见,实施图4所示的模块结构,可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。此外,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
请参阅图5,图5示出的是根据本申请一示例实施方式的推送参数确定方法的流程示意图。如图5所示,该推送参数确定方法包括:步骤S500~步骤S590。
步骤S500:当检测到推送请求时,读取推送请求中用于表示目标用户的用户标识,从画像数据库中获取与用户标识对应的用户画像数据。
步骤S510:按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收用户行为日志,将用户行为日志存储于历史行为数据库中,从历史行为数据库中获取与用户标识对应的历史行为数据;其中,至少一个存储区域对应于不同的行为类型。
步骤S520:按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本,将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值,并根据训练样本对应的参考值和训练样本对应的实际值计算损失函数,根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
步骤S530:将用户画像数据和历史行为数据输入深度神经网络,通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据。
步骤S540:通过深度神经网络中的多层特征提取层提取标准化数据的特征向量,根据特征向量计算任务集合中各任务行为在单位时间内的完成概率。
步骤S550:将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积,并计算多个乘积之和作为目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
步骤S560:按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值,并根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据,进而根据至少一个特定历史行为数据计算历史参考均值。
步骤S570:计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商,将商和预设推送上限中的最大值确定为多媒体对象推送上限。
步骤S580:根据实际转化率从推送集合中选取至少一个多媒体对象。
步骤S590:获取目标用户在单位时间内的曝光量,若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
需要说明的是,步骤S500~步骤S590与图1所示的各步骤及其实施例相对应,针对步骤S500~步骤S590的具体实施方式,请参阅图1所示的各步骤及其实施例,此处不再赘述。
可见,实施图5所示的方法,可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。此外,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
此外,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
示例性介质
在介绍了本申请示例性系统之后,接下来,对本申请示例性实施方式的介质进行说明。
在一些可能的实施方式中,本申请的各个方面还可以实现为一种介质,其上存储有程序代码,当程序代码被设备的处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的推送参数确定方法中的步骤。
具体地,所述设备的处理器执行所述程序代码时用于实现如下步骤:当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:读取推送请求中用于表示目标用户的用户标识;从画像数据库中获取与用户标识对应的用户画像数据,并从历史行为数据库中获取与用户标识对应的历史行为数据。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收用户行为日志;其中,至少一个存储区域对应于不同的行为类型;将用户行为日志存储于历史行为数据库中。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据;根据至少一个特定历史行为数据计算历史参考均值。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;计算多个乘积之和作为目标用户对应的参考值。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:将用户画像数据和历史行为数据输入深度神经网络;通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据;通过深度神经网络中的多层特征提取层提取标准化数据的特征向量;根据特征向量计算任务集合中各任务行为在单位时间内的完成概率。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值;根据训练样本对应的参考值和训练样本对应的实际值计算损失函数;根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商;将商和预设推送上限中的最大值确定为多媒体对象推送上限。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:根据实际转化率从推送集合中选取至少一个多媒体对象。
在本申请的一些实施方式中,所述设备的处理器执行所述程序代码时还用于实现如下步骤:获取目标用户在单位时间内的曝光量;若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
需要说明的是:上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读信号介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、RF等,或者上述的任意合适的组合。另外,可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
示例性装置
在介绍了本申请示例性实施方式的介质之后,接下来,参考图6对本申请示例性实施方式的推送参数确定装置进行说明。
请参阅图6,图6示出的是根据本申请一示例实施方式的推送参数确定装置的结构框图。如图6所示,本申请一示例实施方式的推送参数确定装置600包括:数据获取单元601、数据预测单元602和参数确定单元603,其中:
数据获取单元601,用于当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;
数据预测单元602,用于根据用户画像数据和历史行为数据预测目标用户对应的参考值;其中,目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;
参数确定单元603,用于根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,以根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
其中,用户画像数据包括:性别和年龄中至少一种;历史行为数据包括:听歌时长满足于预设时长、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。
可见,实施图6所示的装置,可以基于历史用户行为和对于用户完成任务的概率预测,确定出个性化的多媒体对象推送上限,以限制多媒体对象推送频率,可以在保障推荐效果的前提下避免推荐次数过于频繁,针对不同的用户可以适当的选择较高的多媒体对象推送上限或较低的多媒体对象推送上限。此外,还能够依据每次接收到的推送请求,多次计算多媒体对象推送上限,在此过程中,用户可以通过改变行为,从而改变历史行为数据和任务完成概率预测结果,从而可以改变下次多媒体对象推送上限的计算结果,这样可以有助于激励用户提升与软件产品的交互频率,从而提升用户的使用黏度。
在一个实施例中,基于前述方案,数据获取单元601获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:
读取推送请求中用于表示目标用户的用户标识;
从画像数据库中获取与用户标识对应的用户画像数据,并从历史行为数据库中获取与用户标识对应的历史行为数据。
可见,实施该可选的实施例,能够通过对于目标用户相关数据的获取,有利于基于相关数据计算与目标用户对应的多媒体对象推送上限。
在一个实施例中,基于前述方案,装置还包括:
数据存储单元(未图示),用于按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收用户行为日志;其中,至少一个存储区域对应于不同的行为类型;将用户行为日志存储于历史行为数据库中。
可见,实施该可选的实施例,能够及时采集用户行为日志,以便提升下次计算的多媒体对象推送上限的精度。
在一个实施例中,基于前述方案,装置还包括:
数据统计单元(未图示),用于在参数确定单元603根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限之前,按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;
数据获取单元601,还用于根据预设单位时段从历史行为数据库中获取至少一个特定历史行为数据;
数据计算单元(未图示),用于根据至少一个特定历史行为数据计算历史参考均值。
可见,实施该可选的实施例,能够通过对于历史行为数据的按时统计,以及根据预定时长选择特定历史行为数据,提升历史参考均值的时效性和参考价值。
在一个实施例中,基于前述方案,数据预测单元602根据用户画像数据和历史行为数据预测目标用户对应的参考值,包括:
根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;
根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值;其中,预设评价参数用于表示用户活跃度。
可见,实施该可选的实施例,能够通过对于目标用户对应的参考值的计算,据此量化用户价值,从而计算出更为适配目标用户的多媒体对象推送上限。
在一个实施例中,基于前述方案,数据预测单元602根据完成概率和各任务对应的预设评价参数预测目标用户对应的参考值,包括:
将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;
计算多个乘积之和作为目标用户对应的参考值。
可见,实施该可选的实施例,能够基于对于各任务的完成概率的预测和各任务对应的预设评价参数进行参考值计算,从而得到用于表征用户价值的参考值,以便根据该参考值为用户确定一个合适的多媒体对象推送上限,从而可以优化多媒体对象推送效果。
在一个实施例中,基于前述方案,数据预测单元602根据用户画像数据和历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:
将用户画像数据和历史行为数据输入深度神经网络;
通过深度神经网络中的嵌入层将用户画像数据和历史行为数据表示为标准化数据;
通过深度神经网络中的多层特征提取层提取标准化数据的特征向量;
根据特征向量计算任务集合中各任务行为在单位时间内的完成概率。
可见,实施该可选的实施例,能够预测用户完成任务的概率,从而有利于根据该概率确定出适合该用户的多媒体对象推送上限,且该多媒体对象推送上限具有时效性,如果用户对于当前的多媒体推送上限不满意,则可以通过改变用户行为以及对于任务的完成度,改善多媒体对象推送上限,以改善用户体验。
在一个实施例中,基于前述方案,装置还包括:
样本获取单元(未图示),用于在数据预测单元602将用户画像数据和历史行为数据输入深度神经网络之前,按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;
网络预测单元(未图示),用于将训练样本输入深度神经网络,以使得深度神经网络预测训练样本对应的参考值;
损失函数计算单元(未图示),用于根据训练样本对应的参考值和训练样本对应的实际值计算损失函数;
网络优化单元(未图示),用于根据损失函数对深度神经网络进行参数调整,完成当前的第二时长间隔对应的网络训练,并按照第二时长间隔循环至下一次网络训练。
可见,实施该可选的实施例,能够根据用户数据的不断更新也循环实现对于深度神经网络的不断更新,这样有利于提升深度神经网络的预测精度,进而提升确定出的多媒体对象推送上限的有效性。
在一个实施例中,基于前述方案,参数确定单元603根据目标用户对应的参考值和历史参考均值确定多媒体对象推送上限,包括:
计算预设推送上限与历史参考均值的乘积,并计算乘积与目标用户对应的参考值的商;
将商和预设推送上限中的最大值确定为多媒体对象推送上限。
可见,实施该可选的实施例,能够基于预测得到的参考值和历史参考均值,个性化分析出各用户分别对应的多媒体对象推送上限,从而可以依据多媒体对象推送上限推送多媒体对象,不仅可以提升系统个性化程度,还能够优化多媒体对象推送效果。
在一个实施例中,基于前述方案,参数确定单元603根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象,包括:
获取目标用户在单位时间内的曝光量;
若曝光量小于调整后的多媒体对象推送上限,则根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象。
可见,实施该可选的实施例,能够根据个性化配置的多媒体对象推送上限控制多媒体对象推送次数,用户价值越高的用户可以获得更低的多媒体对象推送上限。这样有利于激励用户价值较低(不活跃)的用户多执行任务,以在下一个计算多媒体对象推送上限的周期内降低多媒体对象推送上限,从而降低多媒体对象推送频率。
在一个实施例中,基于前述方案,装置还包括:
多媒体对象选取单元(未图示),用于在参数确定单元603根据多媒体对象推送上限响应推送请求,向目标用户推送多媒体对象之前,根据实际转化率从推送集合中选取至少一个多媒体对象。
可见,实施该可选的实施例,能够基于实际转化率进行多媒体对象选取,从而有利于选取更适合推送的多媒体对象,有利于提升多媒体对象的转化率。
应当注意,尽管在上文详细描述中提及了推送参数确定装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
示例性电子设备
在介绍了本申请示例性实施方式的方法、介质和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本申请的又一可选示例实施方式的推送参数确定装置700。图7显示的推送参数确定装置700仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,推送参数确定装置700以电子设备的形式表现。推送参数确定装置700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述示例性方法的描述部分中描述的根据本申请各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图1和图6中所示的各个步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括地址总线、控制总线和/或数据总线。
推送参数确定装置700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与推送参数确定装置700交互的设备通信,和/或与使得该推送参数确定装置700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,推送参数确定装置700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器760通过总线730与推送参数确定装置700的其它模块通信。应当明白,尽管图中未示出,可以结合推送参数确定装置700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
虽然已经参考若干具体实施方式描述了本申请的精神和原理,但是应该理解,本申请并不限于所发明的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本申请旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (24)
1.一种推送参数确定方法,其特征在于,包括:
当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;
根据所述用户画像数据和所述历史行为数据预测所述目标用户对应的参考值;其中,所述目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;
根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限,以根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象;
其中,根据所述用户画像数据和所述历史行为数据预测所述目标用户对应的参考值,包括:
根据所述用户画像数据和所述历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;
根据所述完成概率和所述各任务对应的预设评价参数预测所述目标用户对应的参考值;其中,所述预设评价参数用于表示用户活跃度。
2.根据权利要求1所述的方法,其特征在于,所述用户画像数据包括:性别和年龄中至少一种;所述历史行为数据包括:听歌时长满足于预设时长、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。
3.根据权利要求1所述的方法,其特征在于,获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:
读取所述推送请求中用于表示所述目标用户的用户标识;
从画像数据库中获取与所述用户标识对应的用户画像数据,并从历史行为数据库中获取与所述用户标识对应的历史行为数据。
4.根据权利要求3所述的方法,其特征在于,从历史行为数据库中获取与所述用户标识对应的历史行为数据之前,所述方法还包括:
按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收所述用户行为日志;其中,所述至少一个存储区域对应于不同的行为类型;
将所述用户行为日志存储于所述历史行为数据库中。
5.根据权利要求4所述的方法,其特征在于,根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限之前,所述方法还包括:
按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;
根据预设单位时段从所述历史行为数据库中获取至少一个特定历史行为数据;
根据所述至少一个特定历史行为数据计算所述历史参考均值。
6.根据权利要求1所述的方法,其特征在于,根据所述完成概率和所述各任务对应的预设评价参数预测所述目标用户对应的参考值,包括:
将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;
计算所述多个乘积之和作为所述目标用户对应的参考值。
7.根据权利要求1所述的方法,其特征在于,根据所述用户画像数据和所述历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:
将所述用户画像数据和所述历史行为数据输入深度神经网络;
通过所述深度神经网络中的嵌入层将所述用户画像数据和所述历史行为数据表示为标准化数据;
通过所述深度神经网络中的多层特征提取层提取所述标准化数据的特征向量;
根据所述特征向量计算任务集合中各任务行为在单位时间内的完成概率。
8.根据权利要求7所述的方法,其特征在于,将所述用户画像数据和所述历史行为数据输入深度神经网络之前,所述方法还包括:
按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;
将所述训练样本输入所述深度神经网络,以使得所述深度神经网络预测所述训练样本对应的参考值;
根据所述训练样本对应的参考值和所述训练样本对应的实际值计算损失函数;
根据所述损失函数对所述深度神经网络进行参数调整,完成所述当前的第二时长间隔对应的网络训练,并按照所述第二时长间隔循环至下一次网络训练。
9.根据权利要求1所述的方法,其特征在于,根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限,包括:
计算预设推送上限与所述历史参考均值的乘积,并计算所述乘积与所述目标用户对应的参考值的商;
将所述商和所述预设推送上限中的最大值确定为所述多媒体对象推送上限。
10.根据权利要求1所述的方法,其特征在于,根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象,包括:
获取所述目标用户在单位时间内的曝光量;
若所述曝光量小于调整后的多媒体对象推送上限,则根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送所述多媒体对象。
11.根据权利要求1所述的方法,其特征在于,根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象之前,所述方法还包括:
根据实际转化率从推送集合中选取至少一个所述多媒体对象。
12.一种推送参数确定装置,其特征在于,包括:
数据获取单元,用于当检测到推送请求时,获取推送请求对应的目标用户的用户画像数据和历史行为数据;
数据预测单元,用于根据所述用户画像数据和所述历史行为数据预测所述目标用户对应的参考值;其中,所述目标用户对应的参考值用于作为多媒体对象推送上限的设定依据;
参数确定单元,用于根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限,以根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象;
其中,所述数据预测单元根据所述用户画像数据和所述历史行为数据预测所述目标用户对应的参考值,包括:
根据所述用户画像数据和所述历史行为数据计算任务集合中各任务行为在单位时间内的完成概率;
根据所述完成概率和所述各任务对应的预设评价参数预测所述目标用户对应的参考值;其中,所述预设评价参数用于表示用户活跃度。
13.根据权利要求12所述的装置,其特征在于,所述用户画像数据包括:性别和年龄中至少一种;所述历史行为数据包括:听歌时长满足于预设时长、参与听歌游戏、发布动态、听推荐歌曲集合或精选歌曲集合、观看直播、留言、推荐歌曲至社交好友、与他人一起听歌、发布短视频以及分享歌曲中至少一种。
14.根据权利要求12所述的装置,其特征在于,所述数据获取单元获取推送请求对应的目标用户的用户画像数据和历史行为数据,包括:
读取所述推送请求中用于表示所述目标用户的用户标识;
从画像数据库中获取与所述用户标识对应的用户画像数据,并从历史行为数据库中获取与所述用户标识对应的历史行为数据。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括:
数据存储单元,用于按照第一时长间隔向至少一个存储区域请求用户行为日志,并接收所述用户行为日志;其中,所述至少一个存储区域对应于不同的行为类型;将所述用户行为日志存储于所述历史行为数据库中。
16.根据权利要求15所述的装置,其特征在于,所述装置还包括:
数据统计单元,用于在所述参数确定单元根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限之前,按照预设单位时长统计各用户对应的历史行为数据,各历史行为数据均包括用户在预设单位时长内对应的参考值;
所述数据获取单元,还用于根据预设单位时段从所述历史行为数据库中获取至少一个特定历史行为数据;
数据计算单元,用于根据所述至少一个特定历史行为数据计算所述历史参考均值。
17.根据权利要求12所述的装置,其特征在于,所述数据预测单元根据所述完成概率和所述各任务对应的预设评价参数预测所述目标用户对应的参考值,包括:
将一一对应的完成概率和预设评价参数进行分别相乘,得到多个乘积;
计算所述多个乘积之和作为所述目标用户对应的参考值。
18.根据权利要求12所述的装置,其特征在于,所述数据预测单元根据所述用户画像数据和所述历史行为数据计算任务集合中各任务行为在单位时间内的完成概率,包括:
将所述用户画像数据和所述历史行为数据输入深度神经网络;
通过所述深度神经网络中的嵌入层将所述用户画像数据和所述历史行为数据表示为标准化数据;
通过所述深度神经网络中的多层特征提取层提取所述标准化数据的特征向量;
根据所述特征向量计算任务集合中各任务行为在单位时间内的完成概率。
19.根据权利要求18所述的装置,其特征在于,所述装置还包括:
样本获取单元,用于在所述数据预测单元将所述用户画像数据和所述历史行为数据输入深度神经网络之前,按照第二时长间隔从历史行为数据库和画像数据库中获取当前的第二时长间隔对应的训练样本;
网络预测单元,用于将所述训练样本输入所述深度神经网络,以使得所述深度神经网络预测所述训练样本对应的参考值;
损失函数计算单元,用于根据所述训练样本对应的参考值和所述训练样本对应的实际值计算损失函数;
网络优化单元,用于根据所述损失函数对所述深度神经网络进行参数调整,完成所述当前的第二时长间隔对应的网络训练,并按照所述第二时长间隔循环至下一次网络训练。
20.根据权利要求12所述的装置,其特征在于,所述参数确定单元根据所述目标用户对应的参考值和历史参考均值确定所述多媒体对象推送上限,包括:
计算预设推送上限与所述历史参考均值的乘积,并计算所述乘积与所述目标用户对应的参考值的商;
将所述商和所述预设推送上限中的最大值确定为所述多媒体对象推送上限。
21.根据权利要求12所述的装置,其特征在于,所述参数确定单元根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象,包括:
获取所述目标用户在单位时间内的曝光量;
若所述曝光量小于调整后的多媒体对象推送上限,则根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送所述多媒体对象。
22.根据权利要求12所述的装置,其特征在于,所述装置还包括:
多媒体对象选取单元,用于在所述参数确定单元根据所述多媒体对象推送上限响应所述推送请求,向所述目标用户推送多媒体对象之前,根据实际转化率从推送集合中选取至少一个所述多媒体对象。
23.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至11中任一项所述的推送参数确定方法。
24.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的推送参数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280517.0A CN113015010B (zh) | 2021-03-16 | 2021-03-16 | 推送参数确定方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280517.0A CN113015010B (zh) | 2021-03-16 | 2021-03-16 | 推送参数确定方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113015010A CN113015010A (zh) | 2021-06-22 |
CN113015010B true CN113015010B (zh) | 2022-07-26 |
Family
ID=76408173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110280517.0A Active CN113015010B (zh) | 2021-03-16 | 2021-03-16 | 推送参数确定方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113015010B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672803A (zh) * | 2021-08-02 | 2021-11-19 | 杭州网易云音乐科技有限公司 | 推荐方法、装置、计算设备及存储介质 |
CN113779408A (zh) * | 2021-09-17 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 搜索推荐方法、装置、电子设备和计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522426A (zh) * | 2018-12-05 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 多媒体数据推荐方法、装置、设备及计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX353434B (es) * | 2012-02-21 | 2018-01-12 | Ooyala Inc | Recomendacion automatica de contenido. |
CN104065981A (zh) * | 2014-06-20 | 2014-09-24 | 海信集团有限公司 | 一种视频推荐方法和装置 |
KR102246556B1 (ko) * | 2014-12-02 | 2021-04-30 | 엘지전자 주식회사 | 멀티미디어 디바이스 및 그 제어 방법 |
CN105915949A (zh) * | 2015-12-23 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 一种视频内容推荐方法、设备和系统 |
CN108491524A (zh) * | 2018-03-27 | 2018-09-04 | 深圳创维-Rgb电子有限公司 | 视频推送方法、装置及计算机可读存储介质 |
CN110209870B (zh) * | 2019-05-10 | 2021-11-09 | 杭州网易云音乐科技有限公司 | 音乐日志生成方法、装置、介质和计算设备 |
-
2021
- 2021-03-16 CN CN202110280517.0A patent/CN113015010B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522426A (zh) * | 2018-12-05 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 多媒体数据推荐方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113015010A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111885399B (zh) | 内容分发方法、装置、电子设备以及存储介质 | |
US20130030907A1 (en) | Clustering offers for click-rate optimization | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
US11372805B2 (en) | Method and device for information processing | |
CN113015010B (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN112241327A (zh) | 分享信息处理方法、装置、存储介质与电子设备 | |
CN109389424B (zh) | 流量分配方法、装置、电子设备及存储介质 | |
CN109493138B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
CN111738766B (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
CN113836388B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN113377972A (zh) | 多媒体内容推荐方法、装置、计算设备和存储介质 | |
WO2022247671A1 (zh) | 用户召回方法、装置、计算机设备和存储介质 | |
CN112070564B (zh) | 广告拉取方法、装置、系统与电子设备 | |
CN113934870B (zh) | 多媒体推荐模型的训练方法、装置及服务器 | |
US10699127B1 (en) | Method and apparatus for adjusting parameter | |
CN113934612A (zh) | 用户画像更新方法、装置、存储介质及电子设备 | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 | |
CN111461188A (zh) | 一种目标业务控制方法、装置、计算设备及存储介质 | |
CN115203577B (zh) | 对象推荐方法、对象推荐模型的训练方法及装置 | |
CN113538030B (zh) | 一种内容推送方法、装置及计算机存储介质 | |
CN116911928B (zh) | 一种基于创意特征的广告推荐模型的训练方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |