CN113139824A - 基于负反馈的人群包构建方法及系统 - Google Patents
基于负反馈的人群包构建方法及系统 Download PDFInfo
- Publication number
- CN113139824A CN113139824A CN202010063566.4A CN202010063566A CN113139824A CN 113139824 A CN113139824 A CN 113139824A CN 202010063566 A CN202010063566 A CN 202010063566A CN 113139824 A CN113139824 A CN 113139824A
- Authority
- CN
- China
- Prior art keywords
- negative feedback
- behavior
- video
- users
- user
- 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
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
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0244—Optimization
-
- 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
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于负反馈的人群包构建方法,包括:获取每个用户的行为数据和行为数据中负反馈行为数据对应的视频信息;根据视频信息确定每个用户敏感的视频类型;统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,并将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。通过本发明实施例,能够根据用户的负反馈行为构建对应的人群包,以根据构建的人群包进行正确的广告推送效果,降低用户的负反馈率,提高广告的点击率,改善用户体验,流量得到合理的应用。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于负反馈的人群包构建方法及系统。
背景技术
随着科学技术的迅猛发展,互联网已经成为人们生活中不可或缺的重要组成部分。在现有的互联网广告系统中,广告平台挖掘用户的特征并采用模型学习用户的偏好,来推测并推送用户所感兴趣的广告。这种没有运用负反馈机制的互联网广告系统,对于用户是否对推送的广告感兴趣很难及时作出反馈,使得即使在用户已经做出负反馈的条件下仍然向该用户推送该类型的广告,极大的降低了广告推送的准确率,并极大的损害了用户的上网体验,造成了流量的浪费。
发明内容
本发明的目的在于提供一种基于负反馈的人群包构建方法、系统、计算机设备及可读存储介质,用于解决现有技术中无法根据用户对广告的负反馈行为及时调整广告推送策略,导致广告推送的准确率低、用户的上网体验差及流量严重浪费的缺陷。
根据本发明的一个方面,提供了一种基于负反馈的人群包构建方法,该方法包括如下步骤:
获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
根据所述视频信息确定每个用户敏感的视频类型;
统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
可选的,所述视频信息至少包括一个视频标签,所述根据所述视频信息确定每个用户敏感的视频类型,包括:
将所述视频标签与预设视频类型中的预设标签进行相似度计算,并得到所述视频标签与各个预设标签的相似度值,其中,所述预设视频类型包括目标视频类型,所述目标视频类型包括第一预设标签;
当所述视频标签与所述目标视频类型中所述第一预设标签的相似度值高于预设相似度值时,则确定所述视频信息的视频类型为所述目标视频类型。
可选的,所述行为用户集合的构建方法,包括:
获取所有用户的活跃行为数据和同一种视频类型下的所有负反馈行为数据,所述负反馈行为数据至少包括:负反馈行为类型和与所述负反馈行为类型对应的次数,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为数据至少包括:活跃行为类型和与所述活跃行为类型对应的次数,所述活跃行为类型包括:发送弹幕或评论行为和付费行为;
将所有负反馈行为数据按照所述负反馈行为类型进行分类,并将所述活跃行为数据按照所述活跃行为类型进行分类,以得到每种行为类型对应的目标行为数据,其中,所述行为类型包括负反馈行为类型和活跃行为类型;
将与所述目标行为数据对应的用户构建一个集合;
其中,集合A={对广告有过负反馈行为的用户};
集合B={对内容有过负反馈行为的用户};
集合C={有过发送弹幕或评论行为的用户};
集合D={有过付费行为的用户}。
可选的,所述集合至少包括一个子集,所述将与所述目标行为数据对应的用户构建一个集合,包括:
统计每个用户做出所述行为类型的次数;
根据所述次数,将所述用户划分至所述集合对应的子集中;
其中,所述集合A={对广告有过负反馈行为的用户}=A1∪A2...∪Ak;
所述集合B={对内容有过负反馈行为的用户}=B1∪B2...∪Bi;
所述集合C={有过发送弹幕或评论行为的用户}=C1∪C2...∪Cj;
所述集合D={有过付费行为的用户}=D1∪D2...∪Dm;
其中,A1、A2…Ak表示所述集合A的子集,B1、B2…Bi表示所述集合B的子集,C1、C2…Cj表示所述集合C的子集,D1、D2…Dm表示所述集合D的子集,k、i、j和m均为正整数。
可选的,所述根据所述次数,将所述用户划分至所述集合中对应的子集中,包括:
根据预设的多个阈值范围,判断所述次数所处的目标阈值范围,其中,每个阈值范围与一个子集对应;
当所述次数处于第一阈值和第二阈值范围之间时,则将所述用户划分至与所述第一阈值和所述第二阈值范围对应的子集。
可选的,所述根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个视频类型下所有用户按照预先构建的行为用户集合构建对应的人群包,包括:
获取所有的注册用户信息,以得到总体用户;
第一人群包=A2∩C1∪A1∩D1;
第二人群包=A2∩C1∪A1;
第三人群包=[(B2∩C1)∪B1]∪[A2-(A2∩C1)]∪[D1-(A2∩C1∪A1∩D1)];
第四人群包=[(A3∪B3)∩C1]∪[(B2∪A3)∩C2];
第五人群包=(A∪B∪C∪D)-{第一人群包}-{第二人群包}-{第三人群包}-{第四人群包};
第六人群包={总体用户}-(A∪B∪C∪D)。
可选地,所述方法还包括:
识别待投放视频的视频类型;
根据所述视频类型,将所述待投放视频投放至对应的目标人群包。
为了实现上述目的,本发明还提供一种基于负反馈的人群包构建系统,该系统具体包括以下组成部分:
获取模块,用于获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
确定模块,用于根据所述视频信息确定每个用户敏感的视频类型;
统计模块,用于统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
构建模块,用于根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
为了实现上述目的,本发明还提供一种计算机设备,该计算机设备具体包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述介绍的基于负反馈的人群包构建方法的步骤。
为了实现上述目的,本发明还提供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上述介绍的基于负反馈的人群包构建方法的步骤。
本发明提供的基于负反馈的人群包构建方法、系统、计算机设备及可读存储介质,通过获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息;然后,根据所述视频信息确定每个用户敏感的视频类型;接着,统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;最后,根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包,从而能够根据用户的负反馈行为构建对应的人群包,以根据构建的人群包进行正确的广告推送效果,降低了用户的负反馈率,极大地提高了广告的点击率,改善了用户体验,流量得到了合理的应用。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本公开实施例提供的基于负反馈的人群包构建方法的一种可选的应用环境图;
图2为本公开实施例提供的基于负反馈的人群包构建方法的一种可选的流程示意图;
图3为所述图2中步骤S102的一种可选的具体流程示意图;
图4为所述图2中步骤S106的一种可选的具体流程示意图;
图5为所述图4中步骤S304的一种可选的具体流程示意图;
图6为所述图5中步骤S402的一种可选的具体流程示意图;
图7为本公开实施例提供的基于负反馈的人群包构建方法的另一种可选的具体流程示意图;
图8为本公开实施例提供的基于负反馈的人群包构建系统的一种可选的程序模块示意图;
图9为本公开实施例提供的计算机设备的一种可选的硬件架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明提供的基于负反馈的人群包构建方法进行说明。
图1为本发明基于负反馈的人群包构建方法的一种可选的环境应用图。图1中服务器与多个终端设备进行通信连接。用户通过终端设备对多媒体视频进行操作,包括:对视频内容进行负反馈行为、对广告进行负反馈行为、发送弹幕或评论、付费行为以成为应用程序的会员,例如:应用程序1的注册用户对应用程序1中的视频内容不感兴趣行为,对应用程序1中的广告不感兴趣行为、对应用程序1中的视频内容发送弹幕或评论或者付费成为应用程序1的会员。服务器从终端设备获取用户操作的信息,并根据该信息将具有相同操作行为的用户构建为对应的人群包,以根据构建的人群包进行多媒体视频的推送。需要说明的是,所述多媒体视频包括视频内容和广告。
图2为本发明基于负反馈的人群包构建方法的一种可选的流程示意图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定,下面以计算机设备为执行主体进行示例性描述。所述计算机设备可以是移动电话、平板个人计算机(tablet personalcomputer)、膝上型计算机(laptop computer)、服务器等具有数据传输功能的设备。
如图2所示,该方法具体包括步骤S100~S106。
步骤S100:获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息。其中,所述行为数据包括负反馈行为数据和活跃行为数据,所述负反馈行为数据至少包括:负反馈行为类型和与所述负反馈行为对应的次数,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为数据至少包括:活跃行为类型和与所述活跃行为类型对应的次数,所述活跃行为类型包括:发送弹幕或评论行为和付费行为,所述视频信息至少包括视频标签和视频内容。在本发明实施例中,所述负反馈行为类型和活跃行为类型统称为行为类型。
需要说明的是,用户每执行一个行为操作,则生成对应的行为数据。例如:用户针对视频内容甲发送一个弹幕,则生成一个发送弹幕行为,发送弹幕行为的次数为1;用于针对广告A做出一次负反馈行为,则生成一个对广告A的负反馈行为,对广告A负反馈行为的次数为1。
具体地,当应用程序1的所有注册用户中,用户1对广告A有过多次负反馈行为、用户2对广告B有过多次负反馈行为时,则所述计算机设备获取所述用户1对广告A的负反馈行为、广告A的信息、所述用户2对广告B的负反馈行为和广告B的信息。其中,广告A的信息包括广告A的视频标签和广告A的内容,广告B的信息包括广告B的视频标签和广告B的内容。例如:婚恋交友类型广告,广告信息包括:“婚恋”、“交友”、“相亲”的视频标签和具体的婚恋交友的视频内容。当应用程序1的所有注册用户中,用户1有过付费行为或发送弹幕或评论行为时,则获取该付费行为和付费次数,发送弹幕或评论行为和发送弹幕或评论次数。
步骤S102:根据所述视频信息确定每个用户敏感的视频类型。
具体地,根据每个用户执行负反馈行为操作的所有视频信息,确定每个用户敏感的视频类型。所述负反馈行为操作包括对内容执行负反馈操作和/或对广告执行负反馈操作。例如:用户1执行负反馈行为操作的每个视频信息中均包括视频标签,则根据所述视频标签确定对应的视频类型。
在示例性的实施例中,如图3所示,所述步骤S102可以包括步骤S200~S202。
步骤S200:将所述视频标签与预设视频类型中的预设标签进行相似度计算,并得到所述视频标签与各个预设标签的相似度值,其中,所述预设视频类型包括目标视频类型,所述目标视频类型包括第一预设标签。
具体地,当获取到用户执行行为操作的视频信息时,将所述视频信息中的视频标签与预先存储的视频类型中的各个预设标签进行相似度计算,以得到所述视频标签与各个预设标签的相似度。例如:预先存储有“婚恋交友”视频类型和“手机”视频类型,“婚恋交友”视频类型的视频标签包括:“婚恋”、“交友”和“相亲”,“手机”视频类型的视频标签包括:“手机”,用户做出行为操作的视频信息中的视频标签包括:“同城”、“交友”,通过相似度计算,结果为用户执行行为操作的视频信息中的视频标签与“婚恋交友”视频类型中的“交友”视频标签相似度最高、其次为“相亲”视频标签、再其次为“婚恋”视频标签、最后为“手机”视频标签。
需要说明的是,相似度计算的方法包括模糊计算和精确计算,当然也可以采用余弦相似度计算,在本发明实施例中不作限定。
步骤S202:当所述视频标签与所述目标视频类型中所述第一预设标签的相似度值高于预设相似度值时,则确定所述视频信息的视频类型为所述目标视频类型。
具体地,由于当用户执行行为操作的视频信息中的视频标签与预设标签的相似度高于预设值时,则表示所述用户执行行为操作的视频类型即为所述预设标签所属的视频类型。例如:用户执行行为操作的视频信息中的视频标签为“同城”、“交友”,所述视频标签与“婚恋交友”视频类型中的“交友”、“相亲”、“婚恋”的预设视频标签的相似度均高于预设相似度值,则确定所述用户执行行为操作的视频信息的视频类型为“婚恋交友”视频类型。本发明实施例通过用户有过负反馈行为的视频标签,可以快速、准确的确定每个用户有过负反馈行为的视频类型,也即每个用户敏感的视频类型。
步骤S104:统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据。
具体地,当确定出每个用户执行过负反馈行为操作的视频信息的视频类型后,统计每个视频类型下所有用户执行对内容进行负反馈行为和对广告进行负反馈行为的次数。例如:统计“婚恋交友”视频类型下的所有执行过负反馈行为操作用户的次数。
步骤S106:根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个视频类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
具体地,根据所有用户的活跃行为数据,可确定所述用户是否为主要用户,以优先为所述用户提供推送服务。根据每个视频类型下所有用户的负反馈行为数据,可确定每个视频类型对应的不同敏感程度的用户人群,也即对每个视频类型不感兴趣甚至反感的用户人群,进而根据用户对同一视频类型的不同敏感程度构建对应的人群包。
在示例性的实施例中,如图4所示,所述步骤S106中的所述用户结合的构建方法可以包括步骤S300~S304。
步骤S300:获取所有用户的活跃行为数据和同一种视频类型下的所有负反馈行为数据。
步骤S302:将所有负反馈行为数据按照所述负反馈行为类型进行分类,并将所述活跃行为数据按照所述活跃行为类型进行分类,以得到每种行为类型对应的目标行为数据,其中,所述行为类型包括负反馈行为类型和活跃行为类型。
步骤S304:将与所述目标行为数据对应的用户构建一个集合。
具体地,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为类型包括:发送弹幕或评论行为和付费行为,经过行为类型分类和构建,得到集合A={对广告有过负反馈行为的用户};集合B={对内容有过负反馈行为的用户};集合C={有过发送弹幕或评论行为的用户};集合D={有过付费行为的用户}。通过将用户进行分类,可获得每种视频类型下不同负反馈行为的用户,以便将每种视频类型的用户构建出更精细的人群包。
在示例性的实施例中,如图5所示,所述步骤S304可以包括步骤S400~S402。步骤S304中每个集合至少包括一个子集。
步骤S400:统计每个用户做出所述行为类型的次数。
步骤S402:根据所述次数,将所述用户划分至所述集合对应的子集中。
具体地,集合A={对广告有过负反馈行为的用户}=A1∪A2...∪Ak;集合B={对内容有过负反馈行为的用户}=B1∪B2...∪Bi;集合C={有过发送弹幕或评论行为的用户}=C1∪C2...∪Cj;集合D={有过付费行为的用户}=D1∪D2...∪Dm;其中,A1、A2…Ak表示所述集合A的子集,B1、B2…Bi表示所述集合B的子集,C1、C2…Cj表示所述集合C的子集,D1、D2…Dm表示所述集合D的子集,k、i、j和m均为正整数。
根据对广告有过负反馈行为次数的不同,将对应用户划分为子集A1、A2…Ak。同理,根据对内容有过负反馈行为次数的不同,将对应用户划分为子集B1、B2…Bi。根据有过发送弹幕或评论行为次数的不同,将对应用户划分为子集C1、C2…Cj。根据有过付费行为次数的不同,将对应用户划分为子集D1、D2…Dm。
需要说明的是,根据实际情况的不同,可对用户划分的次数进行相应性的调整。例如:集合A的划分结果为:对广告有过负反馈次数为0~2次的用户划分为A1,对广告有过负反馈次数为3~5次的用户划分为A2,对广告有过负反馈次数为6次以上的用户划分为A3,若用户普遍对该广告的负反馈次数较多,则可对集合A的划分结果调整为:对广告有过负反馈次数为0~5次的用户划分为A1,对广告有过负反馈次数为6~15次的用户划分为A2,对广告有过负反馈次数为16次及以上的用户划分为A3。
通过用户行为次数的不同,将对应集合划分为更小的子集,为人群包的构建提供更为精细的划分,以区分用户对对应视频类型的敏感程度。
在示例性的实施例中,如图6所示,步骤S402可以包括步骤S500~S502。
步骤S500:根据预设的多个阈值范围,判断所述次数所处的目标阈值范围,其中,每个阈值范围与一个子集对应。
步骤S502:当所述次数处于第一阈值和第二阈值范围之间时,则将所述用户划分至与所述第一阈值和所述第二阈值范围对应的子集。
示例性地,当用户发送弹幕或评论次数为50次,集合C=C1∪C2...∪C6,其中,C3为发送弹幕或评论次数为45~60次的用户,所述用户发送弹幕或评论次数处于45~60次的阈值范围之间,则将该用户划分至子集C3。当用户对视频类型1的广告执行过负反馈次数为5次,集合A=A1∪A2∪A3,其中A1为对广告有过负反馈次数为0~2次的用户,A2为对广告有过负反馈次数为3~5次的用户,A3为对广告有过负反馈次数为6次及以上的用户,所述用户对视频类型1的广告执行过负反馈次数处于3~5次之间,则将该用户划分至子集A2。本实施例能够根据用户的次数,确定用户所属的子集,可精细的确定用户对该视频类型的敏感程度。
在示例性的实施例中,步骤S106具体包括:
获取所有的注册用户信息,以得到总体用户;
总体用户={注册用户};
第一人群包=A2∩C1∪A1∩D1;
第二人群包=A2∩C1∪A1;
第三人群包=[(B2∩C1)∪B1]∪[A2-(A2∩C1)]∪[D1-(A2∩C1∪A1∩D1)];
第四人群包=[(A3∪B3)∩C1]∪[(B2∪A3)∩C2];
第五人群包=(A∪B∪C∪D)-{第一人群包}-{第二人群包}-{第三人群包}-{第四人群包};
第六人群包={总体用户}-(A∪B∪C∪D)。
其中,所述第一人群包为高净值极度敏感人群,所述第二人群包为极度敏感人群,所述第三人群包为敏感人群,所述第四人群包为潜在敏感人群,所述第五人群包为低敏感温和人群,所述第六人群包为无行为用户。换句话说,按照对该视频类型敏感程度的划分,敏感程度由高到低,依次为第一人群包、第二人群包、第三人群包、第四人群包、第五人群包、第六人群包。
从上述集合计算方法可以看出,当两个用户的行为数据大致相同,均对视频类型1有过负反馈行为,区别仅仅在于一个用户有过付费行为,另一个用户没有过付费行为,则在人群包的构建时,有过付费行为的用户敏感程度比没有过付费行为的用户敏感程度更高。在推送视频类型1的广告时,优先避免向有过付费行为的用户推送视频类型1的广告。
当两个用户的行为数据大致相同,均对视频类型2有过负反馈行为,区别仅在于一个用户有过发送弹幕或评论行为,另一个用户则没有过发送弹幕或评论行为,则在人群包的构建时,有过发送弹幕或评论行为的用户对视频类型2的敏感程度高于没有过发送弹幕或评论行为的用户。在推送视频类型2的广告时,优先避免向有过发送弹幕或评论行为的用户推送视频类型2的广告。
通过构建不同敏感程度的人群包,以实现对用户的细分,进而实现对人群包的不同,做出不同的广告投放策略,并根据广告投放效果广告投放策略进行动态调整。
在示例性的实施例中,如图7所示,所述基于负反馈的人群包构建方法还包括步骤S600~S602。
步骤S600:识别待投放视频的视频类型。
步骤S602:根据所述视频类型,将所述待投放视频投放至对应的目标人群包。
具体地,当需要对广告进行投放时,首先对广告的视频类型进行识别,以确定与对所述视频类型具有不同敏感程度的人群包,然后将所述广告投放至对所述视频类型不敏感的人群包中。示例性地,若用户对“婚恋交友”视频类型的广告有过10次负反馈,发送过2次弹幕或评论,有过5次付费行为,通过集合计算,对于“婚恋交友”视频类型,所述用户属于极度敏感人群,则在广告投放时,投放策略为不对极度敏感人群投放,当然也就不对所述用户进行广告投放。
在示例性的实施例中,当根据用户a的行为数据,计算出用户a仅对“婚恋交友”视频类型极度敏感,属于极度敏感人群,则不向用户a推送“婚恋交友”视频类型的广告。同时,在预先设置的广告库中,将其他视频类型的广告按照广告的受欢迎程度或者不同敏感程度人群包的用户数量推送至用户a的终端,通过人群包的构建,为其他视频类型广告的推送提供依据。例如:“汽车”视频类型各个敏感程度人群包的用户数量均少于其他视频类型各个敏感程度人群包的用户数量,则向用户a推送“汽车”视频类型的广告。
本发明实施例通过获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息;然后,根据所述视频信息确定每个用户敏感的视频类型;接着,统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;最后,根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包,从而能够根据用户的负反馈行为构建对应的人群包,以根据构建的人群包进行正确的广告推送效果,降低了用户的负反馈率,极大地提高了广告的点击率,改善了用户体验,流量得到了合理的应用。
基于上述实施例中提供的基于负反馈的人群包构建方法,本实施例中提供一种基于负反馈的人群包构建系统,所述基于负反馈的人群包构建系统可以应用于计算机设备。具体地,图8示出了该基于负反馈的人群包构建系统的可选的结构框图,该基于负反馈的人群包构建系统被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合描述基于负反馈的人群包构建系统在存储介质中的执行过程,以下描述将具体介绍本实施例各程序模块的功能。
如图8所示,基于负反馈的人群包构建系统具体包括以下组成部分:
获取模块201,用于获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息。其中,所述行为数据包括负反馈行为数据和活跃行为数据,所述负反馈行为数据至少包括:负反馈行为类型和与所述负反馈行为对应的次数,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为数据至少包括:活跃行为类型和与所述活跃行为类型对应的次数,所述活跃行为类型包括:发送弹幕或评论行为和付费行为,所述视频信息至少包括视频标签和视频内容。在本发明实施例中,所述负反馈行为类型和活跃行为类型统称为行为类型。
需要说明的是,用户每执行一个行为操作,则生成对应的行为数据。例如:用户针对视频内容甲发送一个弹幕,则生成一个发送弹幕行为,发送弹幕行为的次数为1;用于针对广告A做出一次负反馈行为,则生成一个对广告A的负反馈行为,对广告A负反馈行为的次数为1。
具体地,当应用程序1的所有注册用户中,用户1对广告A有过多次负反馈行为、用户2对广告B有过多次负反馈行为时,则所述获取模块201获取所述用户1对广告A的负反馈行为、广告A的信息、所述用户2对广告B的负反馈行为和广告B的信息。其中,广告A的信息包括广告A的视频标签和广告A的内容,广告B的信息包括广告B的视频标签和广告B的内容。例如:婚恋交友类型广告,广告信息包括:“婚恋”、“交友”、“相亲”的视频标签和具体的婚恋交友的视频内容。当应用程序1的所有注册用户中,用户1有过付费行为或发送弹幕或评论行为时,则所述获取模块201获取该付费行为和付费次数,发送弹幕或评论行为和发送弹幕或评论次数。
确定模块202,用于根据所述视频信息确定每个用户敏感的视频类型。
具体地,根据每个用户执行负反馈行为操作的所有视频信息,所述确定模块202确定每个用户敏感的视频类型。所述负反馈行为操作包括对内容执行负反馈操作和/或对广告执行负反馈操作。例如:用户1执行负反馈行为操作的每个视频信息中均包括视频标签,则所述确定模块202根据所述视频标签确定对应的视频类型。
在示例性的实施例中,所述确定模块202还包括计算单元和确定单元。
所述计算单元,用于将所述视频标签与预设视频类型中的预设标签进行相似度计算,并得到所述视频标签与各个预设标签的相似度值,其中,所述预设视频类型包括目标视频类型,所述目标视频类型包括第一预设标签。
具体地,当获取到用户执行行为操作的视频信息时,所述计算单元将所述视频信息中的视频标签与预先存储的视频类型中的各个预设标签进行相似度计算,以得到所述视频标签与各个预设标签的相似度。例如:预先存储有“婚恋交友”视频类型和“手机”视频类型,“婚恋交友”视频类型的视频标签包括:“婚恋”、“交友”和“相亲”,“手机”视频类型的视频标签包括:“手机”,用户做出行为操作的视频信息中的视频标签包括:“同城”、“交友”,通过相似度计算,结果为用户执行行为操作的视频信息中的视频标签与“婚恋交友”视频类型中的“交友”视频标签相似度最高、其次为“相亲”视频标签、再其次为“婚恋”视频标签、最后为“手机”视频标签。
需要说明的是,相似度计算的方法包括模糊计算和精确计算,当然也可以采用余弦相似度计算,在本发明实施例中不作限定。
所述确定单元,用于当所述视频标签与所述目标视频类型中所述第一预设标签的相似度值高于预设相似度值时,则确定所述视频信息的视频类型为所述目标视频类型。
具体地,由于当用户执行行为操作的视频信息中的视频标签与预设标签的相似度高于预设值时,则表示所述用户执行行为操作的视频类型即为所述预设标签所属的视频类型。例如:用户执行行为操作的视频信息中的视频标签为“同城”、“交友”,所述视频标签与“婚恋交友”视频类型中的“交友”、“相亲”、“婚恋”的预设视频标签的相似度均高于预设相似度值,则所述确定单元确定所述用户执行行为操作的视频信息的视频类型为“婚恋交友”视频类型。本发明实施例通过用户有过负反馈行为的视频标签,可以快速、准确的确定每个用户有过负反馈行为的视频类型,也即每个用户敏感的视频类型。
统计模块203,用于统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据。
具体地,当确定出每个用户执行过负反馈行为操作的视频信息的视频类型后,所述统计模块203统计每个视频类型下所有用户执行对内容进行负反馈行为和对广告进行负反馈行为的次数。例如:统计“婚恋交友”视频类型下的所有执行过负反馈行为操作用户的次数。
构建模块204,用于根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个视频类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
具体地,根据所有用户的活跃行为数据,可确定所述用户是否为主要用户,以优先为所述用户提供推送服务。根据每个视频类型下所有用户的负反馈行为数据,可确定每个视频类型对应的不同敏感程度的用户人群,也即对每个视频类型不感兴趣甚至反感的用户人群,所述构建模块204根据用户对同一视频类型的不同敏感程度构建对应的人群包。
在示例性的实施例中,所述构建模块204具体用于:获取所有用户的活跃行为数据和同一种视频类型下的所有负反馈行为数据;将所有负反馈行为数据按照所述负反馈行为类型进行分类,并将所述活跃行为数据按照所述活跃行为类型进行分类,以得到每种行为类型对应的目标行为数据,其中,所述行为类型包括负反馈行为类型和活跃行为类型;将与所述目标行为数据对应的用户构建一个集合。
具体地,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为类型包括:发送弹幕或评论行为和付费行为,所述构建模块204经过行为类型分类和构建,得到集合A={对广告有过负反馈行为的用户};集合B={对内容有过负反馈行为的用户};集合C={有过发送弹幕或评论行为的用户};集合D={有过付费行为的用户}。通过将用户进行分类,可获得每种视频类型下不同负反馈行为的用户,以便将每种视频类型的用户构建出更精细的人群包。
在示例性的实施例中,所述构建模块204还用于:统计每个用户做出所述行为类型的次数;根据所述次数,将所述用户划分至所述集合对应的子集中。需要说明的是,每个集合至少包括一个子集。
具体地,集合A={对广告有过负反馈行为的用户}=A1∪A2...∪Ak;集合B={对内容有过负反馈行为的用户}=B1∪B2...∪Bi;集合C={有过发送弹幕或评论行为的用户}=C1∪C2...∪Cj;集合D={有过付费行为的用户}=D1∪D2...∪Dm;其中,A1、A2…Ak表示所述集合A的子集,B1、B2…Bi表示所述集合B的子集,C1、C2…Cj表示所述集合C的子集,D1、D2…Dm表示所述集合D的子集,k、i、j和m均为正整数。
根据对广告有过负反馈行为次数的不同,所述构建模块204将对应用户划分为子集A1、A2…Ak。同理,根据对内容有过负反馈行为次数的不同,所述构建模块204将对应用户划分为子集B1、B2…Bi。根据有过发送弹幕或评论行为次数的不同,所述构建模块204将对应用户划分为子集C1、C2…Cj。根据有过付费行为次数的不同,所述构建模块204将对应用户划分为子集D1、D2…Dm。
需要说明的是,根据实际情况的不同,可对用户划分的次数进行相应性的调整。例如:集合A的划分结果为:对广告有过负反馈次数为0~2次的用户划分为A1,对广告有过负反馈次数为3~5次的用户划分为A2,对广告有过负反馈次数为6次以上的用户划分为A3,若用户普遍对该广告的负反馈次数较多,则可对集合A的划分结果调整为:对广告有过负反馈次数为0~5次的用户划分为A1,对广告有过负反馈次数为6~15次的用户划分为A2,对广告有过负反馈次数为16次及以上的用户划分为A3。
通过用户行为次数的不同,将对应集合划分为更小的子集,为人群包的构建提供更为精细的划分,以区分用户对对应视频类型的敏感程度。
在示例性的实施例中,所述构建模块204还用于:根据预设的多个阈值范围,判断所述次数所处的目标阈值范围,其中,每个阈值范围与一个子集对应;当所述次数处于第一阈值和第二阈值范围之间时,则将所述用户划分至与所述第一阈值和所述第二阈值范围对应的子集。
示例性地,当用户发送弹幕或评论次数为50次,集合C=C1∪C2...∪C6,其中,C3为发送弹幕或评论次数为45~60次的用户,所述用户发送弹幕或评论次数处于45~60次的阈值范围之间,则所述构建模块204将该用户划分至子集C3。当用户对视频类型1的广告执行过负反馈次数为5次,集合A=A1∪A2∪A3,其中A1为对广告有过负反馈次数为0~2次的用户,A2为对广告有过负反馈次数为3~5次的用户,A3为对广告有过负反馈次数为6次及以上的用户,所述用户对视频类型1的广告执行过负反馈次数处于3~5次之间,则所述构建模块204将该用户划分至子集A2。本实施例能够根据用户的次数,确定用户所属的子集,可精细的确定用户对该视频类型的敏感程度。
在示例性的实施例中,所述构建模块204,还用于:
获取所有的注册用户信息,以得到总体用户;
总体用户={注册用户};
第一人群包=A2∩C1∪A1∩D1;
第二人群包=A2∩C1∪A1;
第三人群包=[(B2∩C1)∪B1]∪[A2-(A2∩C1)]∪[D1-(A2∩C1∪A1∩D1)];
第四人群包=[(A3∪B3)∩C1]∪[(B2∪A3)∩C2];
第五人群包=(A∪B∪C∪D)-{第一人群包}-{第二人群包}-{第三人群包}-{第四人群包};
第六人群包={总体用户}-(A∪B∪C∪D)。
其中,所述第一人群包为高净值极度敏感人群,所述第二人群包为极度敏感人群,所述第三人群包为敏感人群,所述第四人群包为潜在敏感人群,所述第五人群包为低敏感温和人群,所述第六人群包为无行为用户。换句话说,按照对该视频类型敏感程度的划分,敏感程度由高到低,依次为第一人群包、第二人群包、第三人群包、第四人群包、第五人群包、第六人群包。
从上述集合计算方法可以看出,当两个用户的行为数据大致相同,均对视频类型1有过负反馈行为,区别仅仅在于一个用户有过付费行为,另一个用户没有过付费行为,则在所述构建模块204进行人群包的构建时,有过付费行为的用户敏感程度比没有过付费行为的用户敏感程度更高。在推送视频类型1的广告时,优先避免向有过付费行为的用户推送视频类型1的广告。
当两个用户的行为数据大致相同,均对视频类型2有过负反馈行为,区别仅在于一个用户有过发送弹幕或评论行为,另一个用户则没有过发送弹幕或评论行为,则在所述构建模块204进行人群包的构建时,有过发送弹幕或评论行为的用户对视频类型2的敏感程度高于没有过发送弹幕或评论行为的用户。在推送视频类型2的广告时,优先避免向有过发送弹幕或评论行为的用户推送视频类型2的广告。
通过构建不同敏感程度的人群包,以实现对用户的细分,进而实现对人群包的不同,做出不同的广告投放策略,并根据广告投放效果广告投放策略进行动态调整。
在示例性的实施例中,所述基于负反馈的人群包构建系统还包括识别模块和投放模块,其中:
所述识别模块,用于识别待投放视频的视频类型。
所述投放模块,用于根据所述视频类型,将所述待投放视频投放至对应的目标人群包。
具体地,当需要对广告进行投放时,首先所述识别模块对广告的视频类型进行识别,以确定与对所述视频类型具有不同敏感程度的人群包,然后所述投放模块将所述广告投放至对所述视频类型不敏感的人群包中。示例性地,若用户对“婚恋交友”视频类型的广告有过10次负反馈,发送过2次弹幕或评论,有过5次付费行为,通过集合计算,对于“婚恋交友”视频类型,所述用户属于极度敏感人群,则在广告投放时,投放策略为不对极度敏感人群投放,当然所述投放模块也就不对所述用户进行广告投放。
在示例性的实施例中,当根据用户a的行为数据,计算出用户a仅对“婚恋交友”视频类型极度敏感,属于极度敏感人群,则所述投放模块不向用户a推送“婚恋交友”视频类型的广告。同时,在预先设置的广告库中,将其他视频类型的广告按照广告的受欢迎程度或者不同敏感程度人群包的用户数量推送至用户a的终端,通过人群包的构建,为其他视频类型广告的推送提供依据。例如:“汽车”视频类型各个敏感程度人群包的用户数量均少于其他视频类型各个敏感程度人群包的用户数量,则向用户a推送“汽车”视频类型的广告。
本发明实施例通过获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息;然后,根据所述视频信息确定每个用户敏感的视频类型;接着,统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;最后,根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包,从而能够根据用户的负反馈行为构建对应的人群包,以根据构建的人群包进行正确的广告推送效果,降低了用户的负反馈率,极大地提高了广告的点击率,改善了用户体验,流量得到了合理的应用。
本实施例还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图8所示,本实施例的计算机设备30至少包括但不限于:可通过系统总线相互通信连接的存储器301、处理器302。需要指出的是,图9仅示出了具有组件301-302的计算机设备30,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器301(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器301可以是计算机设备30的内部存储单元,例如该计算机设备30的硬盘或内存。在另一些实施例中,存储器301也可以是计算机设备30的外部存储设备,例如该计算机设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器301还可以既包括计算机设备30的内部存储单元也包括其外部存储设备。在本实施例中,存储器301通常用于存储安装于计算机设备30的操作系统和各类应用软件,例如上述实施例提供的基于负反馈的人群包构建系统的程序代码等。此外,存储器301还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器302在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器302通常用于控制计算机设备30的总体操作。
具体的,在本实施例中,处理器302用于执行处理器302中存储的基于负反馈的人群包构建方法的程序,所述基于负反馈的人群包构建方法的程序被执行时实现如下步骤:
获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
根据所述视频信息确定每个用户敏感的视频类型;
统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
上述方法步骤的具体实施例过程可参见上述实施例,本实施例在此不再重复赘述。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,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下方法步骤:
获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
根据所述视频信息确定每个用户敏感的视频类型;
统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
上述方法步骤的具体实施例过程可参见上述实施例,本实施例在此不再重复赘述。
本实施例提供的计算机设备及可读存储介质,通过获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息;然后,根据所述视频信息确定每个用户敏感的视频类型;接着,统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;最后,根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包,从而能够根据用户的负反馈行为构建对应的人群包,以根据构建的人群包进行正确的广告推送效果,降低了用户的负反馈率,极大地提高了广告的点击率,改善了用户体验。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种负反馈的人群包构建方法,其特征在于,所述方法包括:
获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
根据所述视频信息确定每个用户敏感的视频类型;
统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
2.如权利要求1所述的人群包构建方法,其特征在于,所述视频信息至少包括一个视频标签,所述根据所述视频信息确定每个用户敏感的视频类型,包括:
将所述视频标签与预设视频类型中的预设标签进行相似度计算,并得到所述视频标签与各个预设标签的相似度值,其中,所述预设视频类型包括目标视频类型,所述目标视频类型包括第一预设标签;
当所述视频标签与所述目标视频类型中所述第一预设标签的相似度值高于预设相似度值时,则确定所述视频信息的视频类型为所述目标视频类型。
3.如权利要求1所述的人群包构建方法,其特征在于,所述行为用户集合的构建方法,包括:
获取所有用户的活跃行为数据和同一种视频类型下的所有负反馈行为数据,所述负反馈行为数据至少包括:负反馈行为类型和与所述负反馈行为类型对应的次数,所述负反馈行为类型包括:对内容进行负反馈行为和对广告进行负反馈行为,所述活跃行为数据至少包括:活跃行为类型和与所述活跃行为类型对应的次数,所述活跃行为类型包括:发送弹幕或评论行为和付费行为;
将所有负反馈行为数据按照所述负反馈行为类型进行分类,并将所述活跃行为数据按照所述活跃行为类型进行分类,以得到每种行为类型对应的目标行为数据,其中,所述行为类型包括负反馈行为类型和活跃行为类型;
将与所述目标行为数据对应的用户构建一个集合;
其中,集合A={对广告有过负反馈行为的用户};
集合B={对内容有过负反馈行为的用户};
集合C={有过发送弹幕或评论行为的用户};
集合D={有过付费行为的用户}。
4.如权利要求3所述的人群包构建方法,其特征在于,所述集合至少包括一个子集,所述将与所述目标行为数据对应的用户构建一个集合,包括:
统计每个用户做出所述行为类型的次数;
根据所述次数,将所述用户划分至所述集合对应的子集中;
其中,所述集合A={对广告有过负反馈行为的用户}=A1∪A2...∪Ak;
所述集合B={对内容有过负反馈行为的用户}=B1∪B2...∪Bi;
所述集合C={有过发送弹幕或评论行为的用户}=C1∪C2...∪Cj;
所述集合D={有过付费行为的用户}=D1∪D2...∪Dm;
其中,A1、A2…Ak表示所述集合A的子集,B1、B2…Bi表示所述集合B的子集,C1、C2…Cj表示所述集合C的子集,D1、D2…Dm表示所述集合D的子集,k、i、j和m均为正整数。
5.如权利要求4所述的人群包构建方法,其特征在于,所述根据所述次数,将所述用户划分至所述集合中对应的子集中,包括:
根据预设的多个阈值范围,判断所述次数所处的目标阈值范围,其中,每个阈值范围与一个子集对应;
当所述次数处于第一阈值和第二阈值范围之间时,则将所述用户划分至与所述第一阈值和所述第二阈值范围对应的子集。
6.如权利要求5所述的人群包构建方法,其特征在于,所述根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个视频类型下所有用户按照预先构建的行为用户集合构建对应的人群包,包括:
获取所有的注册用户信息,以得到总体用户;
注册用户={总体用户};
第一人群包=A2∩C1∪A1∩D1;
第二人群包=A2∩C1∪A1;
第三人群包=[(B2∩C1)∪B1]∪[A2-(A2∩C1)]∪[D1-(A2∩C1∪A1∩D1)];
第四人群包=[(A3∪B3)∩C1]∪[(B2∪A3)∩C2];
第五人群包=(A∪B∪C∪D)-{第一人群包}-{第二人群包}-{第三人群包}-{第四人群包};
第六人群包={总体用户}-(A∪B∪C∪D)。
7.如权利要求1或6所述的人群包构建方法,其特征在于,所述方法还包括:
识别待投放视频的视频类型;
根据所述视频类型,将所述待投放视频投放至对应的目标人群包。
8.一种基于负反馈的人群包构建系统,其特征在于,所述系统包括:
获取模块,用于获取每个用户的行为数据和所述行为数据中负反馈行为数据对应的视频信息,所述行为数据包括负反馈行为数据和活跃行为数据;
确定模块,用于根据所述视频信息确定每个用户敏感的视频类型;
统计模块,用于统计所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据;
构建模块,用于根据所有用户的活跃行为数据和每个视频类型下所有用户的负反馈行为数据,将每个类型下所有用户按照预先构建的行为用户集合构建对应的人群包。
9.一种计算机设备,所述计算机设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项的所述基于负反馈的人群包构建方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项的所述基于负反馈的人群包构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063566.4A CN113139824A (zh) | 2020-01-20 | 2020-01-20 | 基于负反馈的人群包构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063566.4A CN113139824A (zh) | 2020-01-20 | 2020-01-20 | 基于负反馈的人群包构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139824A true CN113139824A (zh) | 2021-07-20 |
Family
ID=76808819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010063566.4A Pending CN113139824A (zh) | 2020-01-20 | 2020-01-20 | 基于负反馈的人群包构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139824A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781122A (zh) * | 2021-09-14 | 2021-12-10 | 深圳市酷开网络科技股份有限公司 | 广告投放方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241990A (zh) * | 2016-12-26 | 2018-07-03 | 北京奇虎科技有限公司 | 移动广告投放配置、控制方法及其相应的装置 |
CN108460060A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN108874805A (zh) * | 2017-05-09 | 2018-11-23 | 腾讯科技(北京)有限公司 | 数据的处理方法和装置 |
CN109120964A (zh) * | 2018-09-30 | 2019-01-01 | 武汉斗鱼网络科技有限公司 | 视频集合的消息推送方法、装置、计算机设备及存储介质 |
CN109377250A (zh) * | 2018-08-22 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 基于大数据分析的广告投放控制方法及装置 |
CN109871380A (zh) * | 2019-01-14 | 2019-06-11 | 深圳市东信时代信息技术有限公司 | 一种基于Redis的人群包应用方法及系统 |
CN109961310A (zh) * | 2017-12-26 | 2019-07-02 | 北京奇虎科技有限公司 | 广告投放方法、服务器和计算机可读存储介质 |
CN110020122A (zh) * | 2017-10-16 | 2019-07-16 | Tcl集团股份有限公司 | 一种视频推荐方法、系统及计算机可读存储介质 |
CN110619548A (zh) * | 2019-09-20 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 媒体内容投放策略的确定方法、装置、设备及存储介质 |
-
2020
- 2020-01-20 CN CN202010063566.4A patent/CN113139824A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241990A (zh) * | 2016-12-26 | 2018-07-03 | 北京奇虎科技有限公司 | 移动广告投放配置、控制方法及其相应的装置 |
CN108460060A (zh) * | 2017-02-22 | 2018-08-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN108874805A (zh) * | 2017-05-09 | 2018-11-23 | 腾讯科技(北京)有限公司 | 数据的处理方法和装置 |
CN110020122A (zh) * | 2017-10-16 | 2019-07-16 | Tcl集团股份有限公司 | 一种视频推荐方法、系统及计算机可读存储介质 |
CN109961310A (zh) * | 2017-12-26 | 2019-07-02 | 北京奇虎科技有限公司 | 广告投放方法、服务器和计算机可读存储介质 |
CN109377250A (zh) * | 2018-08-22 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 基于大数据分析的广告投放控制方法及装置 |
CN109120964A (zh) * | 2018-09-30 | 2019-01-01 | 武汉斗鱼网络科技有限公司 | 视频集合的消息推送方法、装置、计算机设备及存储介质 |
CN109871380A (zh) * | 2019-01-14 | 2019-06-11 | 深圳市东信时代信息技术有限公司 | 一种基于Redis的人群包应用方法及系统 |
CN110619548A (zh) * | 2019-09-20 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 媒体内容投放策略的确定方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781122A (zh) * | 2021-09-14 | 2021-12-10 | 深圳市酷开网络科技股份有限公司 | 广告投放方法、装置、设备及存储介质 |
CN113781122B (zh) * | 2021-09-14 | 2023-09-12 | 深圳市酷开网络科技股份有限公司 | 广告投放方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370780B (zh) | 基于互联网的媒体推送方法、装置和系统 | |
US20100011415A1 (en) | System and method for processing an upload of a program with export compliance information | |
CN108614970B (zh) | 病毒程序的检测方法、模型训练方法、装置及设备 | |
CN111159536B (zh) | 一种在阅读应用中推送呈现信息的方法与设备 | |
EP3313041B1 (en) | Application download method and device | |
CN109670845B (zh) | 一种数据资源分配方法及装置 | |
CN111078742B (zh) | 用户分类模型训练方法、用户分类方法及装置 | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
CN110191119B (zh) | 一种产生异常流量的app的确定方法及装置 | |
CN113139824A (zh) | 基于负反馈的人群包构建方法及系统 | |
CN111949859B (zh) | 用户画像更新方法、装置、计算机设备及存储介质 | |
CN109657164B (zh) | 发布消息的方法、装置及存储介质 | |
US10154080B2 (en) | Enhancing digital content provided from devices | |
CN110008980B (zh) | 识别模型生成方法、识别方法、装置、设备及存储介质 | |
CN110968432B (zh) | 一种控件事件处理方法、装置及可读存储介质 | |
CN113409095B (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN111198986B (zh) | 信息发送方法、装置、电子设备及存储介质 | |
CN116095074A (zh) | 资源分配方法、装置、相关设备及存储介质 | |
CN111882349B (zh) | 一种数据处理方法、装置及存储介质 | |
CN111242778B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114092144A (zh) | 一种基于大数据互联网平台的广告推送方法及系统 | |
CN113128597A (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
WO2019169696A1 (zh) | 平台客户数据回流方法、电子装置、设备及存储介质 | |
CN115563622B (zh) | 一种运行环境的检测方法、装置和系统 | |
CN109409922A (zh) | 数据联合建模方法、装置、计算机设备及存储介质 |
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 |