CN113468402A - 目标对象确定方法、装置及存储介质 - Google Patents
目标对象确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113468402A CN113468402A CN202110571193.6A CN202110571193A CN113468402A CN 113468402 A CN113468402 A CN 113468402A CN 202110571193 A CN202110571193 A CN 202110571193A CN 113468402 A CN113468402 A CN 113468402A
- Authority
- CN
- China
- Prior art keywords
- information
- determining
- publisher
- target
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000005065 mining Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种目标对象确定方法、装置及存储介质,该方法包括:获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;基于多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;确定每个对象的第一热度信息与第二热度信息;基于每个对象的第一热度信息与第二热度信息,确定第一对象;基于多个对象发布方之间的关联信息,确定目标对象发布方;将目标对象发布方对应的对象确定为第二对象;根据第一对象以及第二对象,确定目标对象。本公开实现了快速、准确、全面地挖掘目标对象。
Description
技术领域
本公开涉及互联网数据挖掘技术领域,尤其涉及一种目标对象确定方法、装置及存储介质。
背景技术
在短视频应用程序中,每天有数千万的作品上传发布。为了给用户提供更好的体验,更优质的内容生态,应用程序需要通过大量的数据和方法挖掘优质的作品。在优质作品挖掘过程中,最常见的方法为人工审核标记法。人工审核标记指的是满足一定条件的作品进入平台运营团队的审核队列,人工根据审核标准标记作品的质量等级,如针对各个不同领域,分别标记每个领域的优质作品;但受限于人力投入和进入审核队列的作品数量,最终挖掘得到的每个领域的优质内容数量较少,不能批量覆盖平台上发布的海量作品。
因此,有必要提供一种目标对象确定方法、装置及存储介质,实现快速、准确、全面地挖掘出目标对象。
发明内容
本公开提供一种目标对象确定方法、装置及存储介质,以至少解决相关技术中无法快速、准确、全面地挖掘出目标对象的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种目标对象确定方法,包括:
获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;
基于上述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;
确定每个对象的第一热度信息与第二热度信息;上述第一热度信息表征上述多个对象消费方对上述每个对象的关注程度,上述第二热度信息表征上述目标对象消费方对上述每个对象的关注程度;
基于上述每个对象的第一热度信息与第二热度信息,确定第一对象;
基于上述多个对象发布方之间的关联信息,确定目标对象发布方;
将上述目标对象发布方对应的对象确定为第二对象;
根据上述第一对象以及上述第二对象,确定目标对象。
在一示例性实施例中,所述基于所述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方,包括:
对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;
根据所述每个对象消费方的分类结果,确定所述目标对象消费方。
在一示例性实施例中,所述对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果,包括:
基于对象消费方的类别预测模型对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;所述对象消费方的类别预测模型基于样本对象消费方的属性信息、消费行为信息以及类别信息构建得到。
在一示例性实施例中,所述确定每个对象的第一热度信息与第二热度信息包括:
获取所述多个对象消费方对所述每个对象的第一关注数据、第一播放数据以及所述目标对象消费方对所述每个对象的第二关注数据、第二播放数据;
基于所述每个对象的第一关注数据以及第一播放数据,确定所述每个对象的第一热度信息;
基于所述每个对象的第二关注数据以及第二播放数据,确定所述每个对象的第二热度信息。
在一示例性实施例中,所述基于所述每个对象的第一热度信息与第二热度信息,确定第一对象,包括:
基于所述每个对象的第一热度信息与第二热度信息,确定所述每个对象的热度指标数据,所述热度指标数据表征所述目标对象消费方相对于所述多个对象消费方,对所述每个对象的热度的影响程度;
根据所述每个对象的热度指标数据,确定所述第一对象。
在一示例性实施例中,所述基于所述多个对象发布方之间的关联信息,确定目标对象发布方之前,所述方法还包括:
获取样本对象发布方对应的历史对象的属性信息;
根据所述样本对象发布方对应的历史对象的属性信息,确定初始对象发布方集合;
确定所述初始对象发布方集合中每个初始对象发布方对应的对象类型;
确定每个对象发布方对应的对象类型;
根据所述每个初始对象发布方对应的对象类型以及所述每个对象发布方对应的对象类型,确定每个对象类型的预设发布方集合,所述预设发布方集合中包括预设初始对象发布方和预设对象发布方;
相应的,所述基于所述多个对象发布方之间的关联信息,确定目标对象发布方,包括:
根据所述每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建所述每个对象类型对应的预设发布方的标识信息有向图;
根据各个对象类型对应的预设发布方的标识信息有向图,确定所述目标对象发布方。
在一示例性实施例中,所述根据各个对象类型对应的预设发布方的标识信息有向图,确定所述目标对象发布方,包括:
根据所述每个对象类型对应的预设发布方的标识信息有向图,确定所述每个对象类型中预设对象发布方的被访问概率,所述预设对象发布方的被访问概率表征所述预设对象发布方与所述预设初始对象发布方之间的关联程度;
根据所述每个对象类型中预设对象发布方的被访问概率,确定所述每个对象类型的候选对象发布方;
将所述各个对象类型的所述候选对象发布方确定为所述目标对象发布方。
在一示例性实施例中,所述每个对象类型中的预设对象发布方为多个,所述根据所述每个对象类型中预设对象发布方的被访问概率,确定所述每个对象类型的候选对象发布方,包括:
根据所述被访问概率对所述每个对象类型中的多个预设对象发布方进行排序;
根据排序结果,确定所述每个对象类型的候选对象发布方。
在一示例性实施例中,所述每个对象类型中的预设对象发布方为多个,所述根据所述每个对象类型中预设对象发布方的被访问概率,确定所述每个对象类型的候选对象发布方之前,所述方法还包括:
确定所述每个对象类型的概率阈值;
相应的,所述根据所述每个对象类型中预设对象发布方的被访问概率,确定所述每个对象类型的候选对象发布方,包括:
将所述每个对象类型中所述被访问概率大于所述概率阈值的预设对象发布方确定为所述每个对象类型的候选对象发布方。
在一示例性实施例中,所述根据所述第一对象以及所述第二对象,确定目标对象之后,所述方法还包括:
确定所述目标对象的关联对象消费方以及关联对象发布方;
向目标用户推荐所述目标对象,所述目标用户包括所述多个对象消费方中除所述关联对象消费方之外的消费方、以及所述多个对象发布方中除所述关联对象发布方之外的发布方。
根据本公开实施例的第二方面,提供一种目标对象确定装置,包括:
信息获取模块,被配置为执行获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;
目标对象消费方确定模块,被配置为执行基于所述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;
热度信息确定模块,被配置为执行确定每个对象的第一热度信息与第二热度信息;所述第一热度信息表征所述多个对象消费方对所述每个对象的关注程度,所述第二热度信息表征所述目标对象消费方对所述每个对象的关注程度;
第一对象确定模块,被配置为执行基于所述每个对象的第一热度信息与第二热度信息,确定第一对象;
目标对象发布方确定模块,被配置为执行基于所述多个对象发布方之间的关联信息,确定目标对象发布方;
第二对象确定模块,被配置为执行将所述目标对象发布方对应的对象确定为第二对象;
目标对象确定模块,被配置为执行根据所述第一对象以及所述第二对象,确定目标对象。
在一示例性实施例中,所述目标对象消费方确定模块包括:
分类结果确定单元,被配置为执行对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;
目标对象消费方确定单元,被配置为执行根据所述每个对象消费方的分类结果,确定所述目标对象消费方。
在一示例性实施例中,所述分类结果确定单元包括:
分类结果确定子单元,被配置为执行基于对象消费方的类别预测模型对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;所述对象消费方的类别预测模型基于样本对象消费方的属性信息、消费行为信息以及类别信息构建得到。
在一示例性实施例中,所述热度信息确定模块包括:
数据获取单元,被配置为执行获取所述多个对象消费方对所述每个对象的第一关注数据、第一播放数据以及所述目标对象消费方对所述每个对象的第二关注数据、第二播放数据;
第一热度信息确定单元,被配置为执行基于所述每个对象的第一关注数据以及第一播放数据,确定所述每个对象的第一热度信息;
第二热度信息确定单元,被配置为执行基于所述每个对象的第二关注数据以及第二播放数据,确定所述每个对象的第二热度信息。
在一示例性实施例中,所述第一对象确定模块包括:
热度指标数据确定单元,被配置为执行基于所述每个对象的第一热度信息与第二热度信息,确定所述每个对象的热度指标数据,所述热度指标数据表征所述目标对象消费方相对于所述多个对象消费方,对所述每个对象的热度的影响程度;
第一对象确定单元,被配置为执行根据所述每个对象的热度指标数据,确定所述第一对象。
在一示例性实施例中,所述目标对象确定装置还包括:
属性信息获取模块,被配置为执行获取样本对象发布方对应的历史对象的属性信息;
初始对象发布方集合确定模块,被配置为执行根据所述样本对象发布方对应的历史对象的属性信息,确定初始对象发布方集合;
第一对象类型确定模块,被配置为执行确定所述初始对象发布方集合中每个初始对象发布方对应的对象类型;
第二对象类型确定模块,被配置为执行确定每个对象发布方对应的对象类型;
预设发布方集合确定模块,被配置为执行根据所述每个初始对象发布方对应的对象类型以及所述每个对象发布方对应的对象类型,确定每个对象类型的预设发布方集合,所述预设发布方集合中包括预设初始对象发布方和预设对象发布方;
相应的,所述目标对象发布方确定模块包括:
标识信息有向图构建子模块,被配置为执行根据所述每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建所述每个对象类型对应的预设发布方的标识信息有向图;
目标对象发布方确定子模块,被配置为执行根据各个对象类型对应的预设发布方的标识信息有向图,确定所述目标对象发布方。
在一示例性实施例中,所述目标对象发布方确定子模块包括:
被访问概率确定单元,被配置为执行根据所述每个对象类型对应的预设发布方的标识信息有向图,确定所述每个对象类型中预设对象发布方的被访问概率,所述预设对象发布方的被访问概率表征所述预设对象发布方与所述预设初始对象发布方之间的关联程度;
候选对象发布方确定单元,被配置为执行根据所述每个对象类型中预设对象发布方的被访问概率,确定所述每个对象类型的候选对象发布方;
目标对象发布方确定单元,被配置为执行将所述各个对象类型的所述候选对象发布方确定为所述目标对象发布方。
在一示例性实施例中,所述每个对象类型中的预设对象发布方为多个,所述目标对象发布方确定单元包括:
排序子单元,被配置为执行根据所述被访问概率对所述每个对象类型中的多个预设对象发布方进行排序;
候选对象发布方确定子单元,被配置为执行根据排序结果,确定所述每个对象类型的候选对象发布方。
在一示例性实施例中,所述每个对象类型中的预设对象发布方为多个,所述目标对象确定装置还包括:
概率阈值确定模块,被配置为执行确定所述每个对象类型的概率阈值;
相应的,所述目标对象发布方确定单元包括:
候选对象发布方确定子单元,被配置为执行将所述每个对象类型中所述被访问概率大于所述概率阈值的预设对象发布方确定为所述每个对象类型的候选对象发布方。
在一示例性实施例中,所述目标对象确定装置还包括:
信息确定模块,被配置为执行确定所述目标对象的关联对象消费方以及关联对象发布方;
对象推荐模块,被配置为执行向目标用户推荐所述目标对象,所述目标用户包括所述多个对象消费方中除所述关联对象消费方之外的消费方、以及所述多个对象发布方中除所述关联对象发布方之外的发布方。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上所述的目标对象确定方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上所述的目标对象确定方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述计算机程序被处理器执行时实现如上所述的目标对象确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
本公开通过多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;并根据每个对象的第一热度信息与第二热度信息,确定第一对象;从而根据确定的目标对象消费方确定消费方对应的优质对象;再根据对象发布方之间的关联信息,确定出目标对象发布方,从而将目标对象发布方对应的对象确定为第二对象,即得到发布方对应的优质对象;再根据第一对象和第二对象,确定出目标对象,从而得到了消费方和发布方对应的所有优质对象,实现了快速、准确、全面地挖掘出目标对象。
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和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种目标对象确定方法的应用环境图;
图2是根据一示例性实施例示出的一种目标对象确定方法的流程图;
图3是根据一示例性实施例示出的一种确定目标对象消费方的方法的流程图。
图4是根据一示例性实施例示出的一种确定每个对象的第一热度信息与第二热度信息的方法的流程图;
图5是根据一示例性实施例示出的一种基于每个对象的第一热度信息与第二热度信息,确定第一对象的方法的流程图;
图6是根据一示例性实施例示出的一种确定每个对象类型的预设发布方集合的方法的流程图;
图7是根据一示例性实施例示出的一种基于多个对象发布方之间的关联信息,确定目标对象发布方的方法的流程图;
图8是根据一示例性实施例示出的一种目标对象确定系统结构示意图;
图9是根据一示例性实施例示出的一种目标对象确定装置的框图;
图10是根据一示例性实施例示出的一种目标对象确定方法的服务器的硬件结构框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
请参阅图1,其所示为根据一示例性实施例示出的一种目标对象确定方法的应用环境图,该应用环境可以包括服务器01和客户端02。
具体的,本说明书实施例中,所述服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器01可以根据目标应用程序中的多个第一用户的属性信息、消费行为信息,以及多个第二用户之间的相互关注信息;确定目标应用程序中的目标对象;还可以向客户端02发送目标对象推送信息。
具体的,本说明书实施例中,所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端等类型的实体设备,也可以包括运行于实体设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,所述客户端02可以用于基于目标对象推送信息,展示所述目标对象。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
图2是根据一示例性实施例示出的一种目标对象确定方法的流程图,如图2所示,上述目标对象确定方法应用于图1所示的服务器01中,包括以下步骤。
在步骤S21中,获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息。
本公开实施例中,多个对象消费方与多个对象发布方均为目标应用程序中的用户;对象可以为目标应用程序中视频、文本、图片等用户作品。多个对象消费方可以为目标应用程序中所有的消费者,消费者即为观看目标应用程序中视频、图片或阅读目标应用程序中文本的用户;多个对象发布方可以为目标应用程序中所有的作者,作者即为发布目标应用程序中视频、文本、图片的用户。
本公开实施例中,对象消费方的属性信息可以包括但不限于画像信息以及地理位置信息;地理位置信息可以采用常驻地类型进行表征,通过对象消费方所使用的移动终端(例如手机)获取;其中对象消费方的画像信息可以包括对象消费方的年龄、性别、常驻城市等级、常驻地类型、移动终端(例如手机)型号及价格等。对象消费方的消费行为信息可以包括但不限于对象消费方使用目标应用程序的时长、对象消费时长、直播消费时长、各个小时内平均消费时长等。对象消费方使用目标应用程序的时长可以为预设目标时段内目标应用程序的使用时长,例如可以为七天内对象消费方对目标应用程序的使用时长;对象发布方之间的关联信息可以为对象发布方之间的相互关注信息,例如关联信息可以为对象发布方A关注对象发布方B,对象发布方B关注对象发布方C的信息。
在一些实施例中,可以获取预设时间段内的多个对象消费方的属性信息以及消费行为信息,并获取预设时间段内的多个对象发布方之间的关联信息;从而可以确定出预设时间段内的目标对象,例如可以通过预设时间段的设置,确定出一个月或一年内的目标对象。
在步骤S22中,基于上述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方。
本公开实施例中,目标对象消费方可以为对象消费方中的在某一领域更为专业的用户。在某一领域较为专业的用户通常具有该领域的教育背景、或是相关领域的工作经历,并且会关注该领域的相关动态和信息。
在一些实施例中,如图3所示,上述基于上述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方,包括:
在步骤S221中,对上述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果。
本公开实施例中,由于在目标应用程序中难以获取真实可靠的用户学历信息,因此,可以利用多个对象消费方的属性信息以及消费行为信息对对象消费方进行分类处理,分类结果包括两种,一种是确定对象消费方为目标对象消费方,另一种是确定对象消费方非目标对象消费方。
本公开实施例中,可以通过对象消费方的属性信息以及消费行为信息对多个对象消费方进行分类,从而全面地确定出目标对象消费方,便于在此基础上从目标对象消费方挖掘出优质对象。
在一些实施例中,上述对上述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果,包括:
基于对象消费方的类别预测模型对上述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;上述对象消费方的类别预测模型基于样本对象消费方的属性信息、消费行为信息以及类别信息构建得到。
本公开实施例中,可以利用对象消费方的画像信息、地理位置信息等属性信息以及消费行为信息等作为特征输入对象消费方的类别预测模型,通过预测模型确定对象消费方为目标对象消费方的概率,例如,当概率为0时,则确定对象消费方非目标对象消费方,当概率大于预设概率阈值时,则确定对象消费方为目标对象消费方。
本公开实施例中,可以通过对象消费方的类别预测模型对多个对象消费方的属性信息以及消费行为信息进行分类处理,实现快速、准确得到对象消费方的分类结果;从而便于进一步快速确定出对象消费方的优质对象。
在一些实施例中,所述对象消费方的类别预测模型的训练方法包括:
在步骤S41中,获取标注有对象消费方类别标签的样本对象消费方数据,所述样本对象消费方数据包括样本对象消费方的属性信息和消费行为信息;所述样本对象消费方包括正样本对象消费方和负样本对象消费方,所述正样本对象消费方为常驻地位于目标区域且对应终端中未安装有第一标识信息的应用程序的样本对象消费方,或对应终端中未安装有第一标识信息的应用程序且安装有第二标识信息的应用程序的样本对象消费方;所述负样本对象消费方为所述样本对象消费方中除所述正样本对象消费方之外的样本对象消费方。
本公开实施例中,对象消费方类别标签可以包括目标对象消费方标签和非目标对象消费方标签;目标区域为目标对象消费方所在区域,例如可以为211、985高校所在的区域,某些领域的专业研究所、研究院所在的区域,某领域的专科院校所在的区域,行业协会的常驻地的所在区域等;第一标识信息的应用程序为非目标应用程序(Application,app);例如可以为XX买菜、XX配送等生活类应用程序;第二标识信息的应用程序为目标应用程序,例如可以为英语流利说、经济学人等专业领域的应用程序。目标app一般是具有目标领域的相关背景的人群才会使用的,如XXXX科技评论、经济学人等专业类应用程序。非目标app主要是能够体现在生活中非目标人群与目标人群的活动轨迹产生交集的因素的应用程序。目标app是用来确定目标人群,即目标对象消费方。而非目标app是用来剔除目标人群规则中的一些易产生混淆的案例,确保规则方式筛选出目标人群的准确性。例如通过常去地理位置发现一个用户经常在某目标专业的院校附近活动,但这个其实还有可能是外卖员、快递员、附近的商户或常驻居民。因此,可以查看该用户是否安装非目标app,如果安装了,则该用户不是目标人群。由此提高了确定正样本对象消费方的准确率,从而提高了确定的目标对象的准确率。
在一些实施例中,目标应用程序为目标对象消费方所使用的应用程序,其中目标对象消费方可以为特定领域的优质作品对应的对象消费方;可以先确定某一个或多个目标领域的优质作品,然后将优质作品对应的对象消费方确定为目标对象消费方,再经过目标对象消费方的许可,获取目标对象消费方的常用应用程序清单,并将常用应用程序清单中应用程序确定为目标应用程序;同理,可以根据某一个或多个领域的非优质作品来确定非目标应用程序。
在步骤S42中,基于所述样本对象消费方数据,使用预设机器学习模型进行对象消费方类别识别训练;
本公开实施例中,预设机器学习模型可以为梯度提升(Extreme GradientBoosting,XGBoost)模型,通过将样本对象消费方数据输入预设机器学习模型,进行对象消费方类别识别训练。
在步骤S43中,在对象消费方类别识别训练中,调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的对象消费方类别标签与输入的样本对象消费方数据相匹配;
在步骤S44中,将当前模型参数所对应的机器学习模型确定为所述对象消费方的类别预测模型。
本公开实施例中,通过设置目标、非目标app,确定出正、负样本对象消费方;并基于此训练得到对象消费方的类别预测模型,有效保证了预测模型的准确率。
在步骤S222中,根据上述每个对象消费方的分类结果,确定上述目标对象消费方。
在一些实施例中,可以根据对象消费方的类别预测模型输出的类别标签,确定出目标对象消费方,目标对象消费方可以为多个。通过确定的多个目标对象消费方,可以全面获取到对应的第一对象,即优质作品。
在步骤S23中,确定每个对象的第一热度信息与第二热度信息;上述第一热度信息表征上述多个对象消费方对上述每个对象的关注程度,上述第二热度信息表征上述目标对象消费方对上述每个对象的关注程度。
本公开实施例中,第一热度信息和第二热度信息统称为热度信息,该热度信息可以包括但不限于用户对该对象的关注率、浏览率、点击率等信息;该热度信息表征对象受到的关注程度;例如,关注率数据大,说明对象受到的关注程度高。
在一些实施例中,如图4所示,上述确定每个对象的第一热度信息与第二热度信息包括:
在步骤S231中,获取上述多个对象消费方对上述每个对象的第一关注数据、第一播放数据以及上述目标对象消费方对上述每个对象的第二关注数据、第二播放数据;
本公开实施例中,第一关注数据、第二关注数据可以为关注次数、浏览次数、点击次数等;第二关注数据与第一关注数据类别一致,第一播放数据与第二播放数据类别一致。
在步骤S232中,基于上述每个对象的第一关注数据以及第一播放数据,确定上述每个对象的第一热度信息;
在一些实施例中,上述基于上述每个对象的第一关注数据以及第一播放数据,确定上述每个对象的第一热度信息,包括:
计算每个对象的第一关注数据与对应的第一播放数据的比值,得到每个对象的第一热度信息。
本公开实施例中,第一播放数据可以为第一播放次数;当第一关注数据为关注次数时,第一热度信息为关注率;当第一关注数据为浏览次数时,第一热度信息为浏览率;当第一热度信息为点击次数时,第一热度信息为点击率。
在步骤S233中,基于上述每个对象的第二关注数据以及第二播放数据,确定上述每个对象的第二热度信息。
在一些实施例中,上述基于上述每个对象的第二关注数据以及第二播放数据,确定上述每个对象的第二热度信息,包括:
计算每个对象的第二关注数据与对应的第二播放数据的比值,得到每个对象的第二热度信息。
本公开实施例中,第二播放数据可以为第二播放次数;当第二关注数据为关注次数时,第二热度信息为关注率;当第二关注数据为浏览次数时,第二热度信息为浏览率;当第二热度信息为点击次数时,第二热度信息为点击率。第二关注数据与第一关注数据一致,第二热度信息与第一热度信息一致。
本公开实施例中,可以根据每个对象的行为数据和展示次数,确定出热度信息;基于此得到的热度信息能够准确地表征对象的受关注程度,从而能够准确得出不同用户群对每个对象的关注程度。
在步骤S24中,基于上述每个对象的第一热度信息与第二热度信息,确定第一对象。
在一些实施例中,如图5所示,上述基于上述每个对象的第一热度信息与第二热度信息,确定第一对象,包括:
在步骤S241中,基于上述每个对象的第一热度信息与第二热度信息,确定上述每个对象的热度指标数据,上述热度指标数据表征上述目标对象消费方相对于多个对象消费方,对每个对象的热度的影响程度。
在一些实施例中,可以将每个对象的第二热度信息与第一热度信息的比值,作为上述每个对象的热度指标数据;当热度信息为关注率时,热度指标数据可以为TGI指数,TGI指数=[目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100。
在步骤S242中,根据上述每个对象的热度指标数据,确定上述第一对象。
本公开实施例中,可以将热度指标数据大于预设指标阈值的对象,确定为第一对象;其中,预设指标阈值可以根据实际情况进行设置,例如可以设置为1。
本公开实施例中,可以根据每个对象的第一热度信息与第二热度信息,确定每个对象的热度指标数据;热度指标数据能够准确反映出目标对象消费方相对于多个对象消费方,对每个对象的热度的影响程度;然后根据热度指标数据快速确定出第一对象,提高了确定的第一对象的速度和准确率。
在步骤S25中,基于上述多个对象发布方之间的关联信息,确定目标对象发布方。
在一些实施例中,如图6所示,上述基于上述多个对象发布方之间的关联信息,确定目标对象发布方之前,上述方法还包括:
在步骤S61中,获取样本对象发布方对应的历史对象的属性信息;
本公开实施例中,历史对象为样本对象发布方在过去的预设时段内发布的对象,历史对象的属性信息可以包括历史对象的质量信息,例如可以为视频的质量信息;根据视频质量可以将历史对象分为优质、普通、灰度和劣质。
在步骤S62中,根据上述样本对象发布方对应的历史对象的属性信息,确定初始对象发布方集合;
本公开实施例中,初始对象发布方集合中包括多个初始对象发布方,即优质的种子对象发布方。可以根据每个样本对象发布方发布的历史对象的质量等属性信息,确定其中的优质发布方,即初始对象发布方,从而得到初始对象发布方集合。
在步骤S63中,确定上述初始对象发布方集合中每个初始对象发布方对应的对象类型;
本公开实施例中,对象类型可以为对象所属的领域,每个初始对象发布方发布的对象属于不同的领域,由此可以确定初始对象发布方集合中每个初始对象发布方对应的对象类型。
在步骤S64中,确定每个对象发布方对应的对象类型;
本公开实施例中,每个对象发布方发布的对象属于不同的领域,由此可以确定每个对象发布方对应的对象类型。
在步骤S65中,根据上述初始对象发布方集合中每个初始对象发布方对应的对象类型以及上述每个对象发布方对应的对象类型,确定每个对象类型的预设发布方集合,上述预设发布方集合中包括预设初始对象发布方和预设对象发布方。
本公开实施例中,预设初始对象发布方和预设对象发布方均为多个,可以根据初始对象发布方集合中每个初始对象发布方对应的对象类型以及上述每个对象发布方对应的对象类型,确定同一对象类型的预设发布方集合,每个预设发布方集合中包括预设初始对象发布方和预设对象发布方;即每个预设发布方集合中包括优质对象的预设初始对象发布方和待测对象的预设对象发布方。
在一些实施例中,如图7所示,上述基于上述多个对象发布方之间的关联信息,确定目标对象发布方,包括:
在步骤S251中,根据上述每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建上述每个对象类型对应的预设发布方的标识信息有向图;
在步骤S252中,根据各个对象类型对应的预设发布方的标识信息有向图,确定上述目标对象发布方。
本公开实施例中,在目标应用程序中,同一领域的优质对象发布方(作者)之间通常会互相关注。以XX游戏主播为例,A主播关注了B主播、C主播以及D主播等XX游戏相关的优秀作者。因此,可以根据对象发布方之间的关联信息,确定出目标对象发布方。
本公开实施例中,可以根据同一对象类型的预设初始对象发布方和预设对象发布方,构建各个对象类型的预设发布方集合,并根据每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建上述每个对象类型对应的预设发布方的标识信息有向图;从而快速、准确地确定出目标对象发布方。
在一些实施例中,上述根据各个对象类型对应的预设发布方的标识信息有向图,确定上述目标对象发布方,包括:
在步骤S2521中,根据上述每个对象类型对应的预设发布方的标识信息有向图,确定上述每个对象类型中预设对象发布方的被访问概率,上述预设对象发布方的被访问概率表征上述预设对象发布方与上述预设初始对象发布方之间的关联程度。
本公开实施例中,可以将每个对象类型对应的预设发布方标识信息作为节点构建有向图,通过个性化的PageRank计算所有预设对象发布方节点相对于预设初始对象发布方节点集合的距离;对于任一对象类型,个性化PageRank假设用户从节点集合U(预设发布方集合)中任选一个节点开始游走,每到一个节点以1-d的概率停止游走并从节点U中任意选出一个新节点重新开始;或者以d的概率继续游走,从当前节点指向的节点中按照均匀分布随机选择一个节点往下游走。因此,用户到达节点i的概率PR(i)等于:
其中in(i)表示到达可以到达节点i的节点个数,|out(j)|表示节点j的出度。经过多轮游走之后,每个顶点被访问到的概率会趋于稳定。其概率值表示这个节点到特定节点集合(预设初始对象发布方集合)的距离,用于表征节点与特点节点集合的关联程度。
在步骤S2522中,根据上述每个对象类型中预设对象发布方的被访问概率,确定上述每个对象类型的候选对象发布方。
本公开实施例中,通过构建预设发布方的标识信息有向图,确定每个对象类型中预设对象发布方的被访问概率,由于被访问概率表征上述预设对象发布方与上述预设初始对象发布方之间的关联程度;因此,能够根据被访问概率快速、全面地确定出每个对象类型的候选对象发布方。
在一些实施例中,上述每个对象类型中的预设对象发布方为多个,上述根据上述每个对象类型中预设对象发布方的被访问概率,确定上述每个对象类型的候选对象发布方,包括:
根据上述被访问概率对上述每个对象类型中的多个预设对象发布方进行排序;
根据排序结果,确定上述每个对象类型的候选对象发布方。
本公开实施例中,可以对每个对象类型中的多个预设对象发布方由高到低进行排序,并将排序靠前的5%预设对象发布方确定为候选对象发布方,即优质作者。
本公开实施例中,可以根据上述被访问概率对上述每个对象类型中的多个预设对象发布方进行排序,并根据排序结果,确定出每个对象类型的候选对象发布方;从而实现将被访问概率较大的目标数量个预设对象发布方确定为候选对象发布方,满足了获取目标数量个候选对象发布方的需求。
在一些实施例中,上述每个对象类型中的预设对象发布方为多个,上述根据上述每个对象类型中预设对象发布方的被访问概率,确定上述每个对象类型的候选对象发布方之前,上述方法还包括:
确定上述每个对象类型的概率阈值;
在一些实施例中,上述根据上述每个对象类型中预设对象发布方的被访问概率,确定上述每个对象类型的候选对象发布方,包括:
将上述每个对象类型中上述被访问概率大于上述概率阈值的预设对象发布方确定为上述每个对象类型的候选对象发布方。
本公开实施例中,通过设置每个对象类型的概率阈值,可以将每个对象类型的被访问概率大于概率阈值的预设对象发布方确定为候选对象发布方,从而满足用户获取被访问概率大于预设概率阈值的候选对象发布方的需求。
本公开实施例中,每个对象类型的候选对象发布方即为与对应的初始对象发布方距离较近的发布方。
在步骤S2523中,将上述各个对象类型的上述候选对象发布方确定为上述目标对象发布方。
本公开实施例中,在确定出一个对象类型中的初始对象发布方(种子作者)之后,将其作为种子节点,从该对象类型中其他对象发布方中找出与种子作者比较近的作者,从而快速、准确地确定出目标对象发布方。
在步骤S26中,将上述目标对象发布方对应的对象确定为第二对象。
在步骤S27中,根据上述第一对象以及上述第二对象,确定目标对象。
本公开实施例中,第一对象与第二对象均可以为多个,根据上述第一对象以及上述第二对象,确定目标对象,包括:
根据多个第一对象以及多个第二对象,确定目标对象。
具体的,可以将多个第一对象与多个第二对象的合集作为目标对象。
在一些实施例中,上述根据上述第一对象以及上述第二对象,确定目标对象之后,上述方法还包括:
确定上述目标对象的关联对象消费方以及关联对象发布方;
向目标用户推荐上述目标对象,上述目标用户包括上述多个对象消费方中除上述关联对象消费方之外的消费方、以及上述多个对象发布方中除上述关联对象发布方之外的发布方。
本公开实施例中,在确定出目标对象之后,可以确定目标对象对应的用户,即目标对象对应的对象消费方和对象发布方,并向目标应用程序中除目标对象对应的用户之外的其他用户推荐目标对象,从而提高目标对象的热度信息(如点击率、浏览量、关注率等)。
在一些实施例中,如图8所示,图8为一种目标对象确定系统结构示意图,其中目标对象为优质内容,该系统包括用户基础特征获取模块,目标领域的专业用户确定模块以及目标对象确定模块,其中用户基础特征获取模块用于获取消费侧用户画像、用户使用APP的时长等信息、消费时长,以及发布侧用户间相互关注信息;目标领域的专业用户确定模块用于根据消费侧用户画像、用户使用APP的时长等信息、消费时长确定目标领域的专业消费者,根据发布侧用户间相互关注信息确定目标领域的专业生产者;优质内容确定模块用于根据目标领域的专业消费者和目标领域的专业生产者,确定目标领域的优质内容,从而可以得到每个领域的优质内容。
本公开构建了“用户多样信息→目标领域的专业用户挖掘→优质内容挖掘”的完整优质内容挖掘体系,更高效且准确地利用丰富多样的用户信息,一方面从消费侧挖掘专业用户,并利用他们的审美和判断力找到具有专业性的优质内容;另一方面从生产侧,以有限的人工审核结果为起点,通过作者之间的关注关系链挖掘其他更多相关领域的专业用户,即优质作者。基于此,平台可以把更多的优质的内容分发到更多用户,帮助更多的作者成长,优化平台整体内容生态和用户消费体验。
本公开通过多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;并根据每个对象的第一热度信息与第二热度信息,确定第一对象;从而根据确定的目标对象消费方确定消费方对应的优质对象;再根据对象发布方之间的关联信息,确定出目标对象发布方,从而将目标对象发布方对应的对象确定为第二对象,即得到发布方对应的优质对象;再根据第一对象和第二对象,确定出目标对象,从而得到了消费方和发布方对应的所有优质对象,实现了快速、准确、全面地挖掘出目标对象。
图9是根据一示例性实施例示出的一种目标对象确定装置框图。参照图9,该装置900包括信息获取模块910,目标对象消费方确定模块920、热度信息确定模块930、第一对象确定模块940、目标对象发布方确定模块950、第二对象确定模块960和目标对象确定模块970。
信息获取模块910,被配置为执行获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;
目标对象消费方确定模块920,被配置为执行基于上述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;
热度信息确定模块930,被配置为执行确定每个对象的第一热度信息与第二热度信息;上述第一热度信息表征上述多个对象消费方对上述每个对象的关注程度,上述第二热度信息表征上述目标对象消费方对上述每个对象的关注程度;
第一对象确定模块940,被配置为执行基于上述每个对象的第一热度信息与第二热度信息,确定第一对象;
目标对象发布方确定模块950,被配置为执行基于上述多个对象发布方之间的关联信息,确定目标对象发布方;
第二对象确定模块960,被配置为执行将上述目标对象发布方对应的对象确定为第二对象;
目标对象确定模块970,被配置为执行根据上述第一对象以及上述第二对象,确定目标对象。
在一些实施例中,上述目标对象消费方确定模块包括:
分类结果确定单元,被配置为执行对上述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;
目标对象消费方确定单元,被配置为执行根据上述每个对象消费方的分类结果,确定上述目标对象消费方。
在一些实施例中,上述分类结果确定单元包括:
分类结果确定子单元,被配置为执行基于对象消费方的类别预测模型对上述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;上述对象消费方的类别预测模型基于样本对象消费方的属性信息、消费行为信息以及类别信息构建得到。
在一些实施例中,上述热度信息确定模块包括:
数据获取单元,被配置为执行获取上述多个对象消费方对上述每个对象的第一关注数据、第一播放数据以及上述目标对象消费方对上述每个对象的第二关注数据、第二播放数据;
第一热度信息确定单元,被配置为执行基于上述每个对象的第一关注数据以及第一播放数据,确定上述每个对象的第一热度信息;
第二热度信息确定单元,被配置为执行基于上述每个对象的第二关注数据以及第二播放数据,确定上述每个对象的第二热度信息。
在一些实施例中,上述第一对象确定模块包括:
热度指标数据确定单元,被配置为执行基于上述每个对象的第一热度信息与第二热度信息,确定上述每个对象的热度指标数据,上述热度指标数据表征上述目标对象消费方相对于多个对象消费方,对每个对象的热度的影响程度;
第一对象确定单元,被配置为执行根据上述每个对象的热度指标数据,确定上述第一对象。
在一些实施例中,上述目标对象确定装置还包括:
属性信息获取模块,被配置为执行获取样本对象发布方对应的历史对象的属性信息;
初始对象发布方集合确定模块,被配置为执行根据上述样本对象发布方对应的历史对象的属性信息,确定初始对象发布方集合;
第一对象类型确定模块,被配置为执行确定上述初始对象发布方集合中每个初始对象发布方对应的对象类型;
第二对象类型确定模块,被配置为执行确定每个对象发布方对应的对象类型;
预设发布方集合确定模块,被配置为执行根据上述初始对象发布方集合中每个初始对象发布方对应的对象类型以及上述每个对象发布方对应的对象类型,确定每个对象类型的预设发布方集合,上述预设发布方集合中包括预设初始对象发布方和预设对象发布方;
相应的,上述目标对象发布方确定模块包括:
标识信息有向图构建子模块,被配置为执行根据上述每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建上述每个对象类型对应的预设发布方的标识信息有向图;
目标对象发布方确定子模块,被配置为执行根据各个对象类型对应的预设发布方的标识信息有向图,确定上述目标对象发布方。
在一些实施例中,上述目标对象发布方确定子模块包括:
被访问概率确定单元,被配置为执行根据上述每个对象类型对应的预设发布方的标识信息有向图,确定上述每个对象类型中预设对象发布方的被访问概率,上述预设对象发布方的被访问概率表征上述预设对象发布方与上述预设初始对象发布方之间的关联程度;
候选对象发布方确定单元,被配置为执行根据上述每个对象类型中预设对象发布方的被访问概率,确定上述每个对象类型的候选对象发布方;
目标对象发布方确定单元,被配置为执行将上述各个对象类型的上述候选对象发布方确定为上述目标对象发布方。
在一些实施例中,上述每个对象类型中的预设对象发布方为多个,上述目标对象发布方确定单元包括:
排序子单元,被配置为执行根据上述被访问概率对上述每个对象类型中的多个预设对象发布方进行排序;
候选对象发布方确定子单元,被配置为执行根据排序结果,确定上述每个对象类型的候选对象发布方。
在一些实施例中,上述每个对象类型中的预设对象发布方为多个,上述目标对象确定装置还包括:
概率阈值确定模块,被配置为执行确定上述每个对象类型的概率阈值;
相应的,上述目标对象发布方确定单元包括:
候选对象发布方确定子单元,被配置为执行将上述每个对象类型中上述被访问概率大于上述概率阈值的预设对象发布方确定为上述每个对象类型的候选对象发布方。
在一些实施例中,上述目标对象确定装置还包括:
信息确定模块,被配置为执行确定上述目标对象的关联对象消费方以及关联对象发布方;
对象推荐模块,被配置为执行向目标用户推荐上述目标对象,上述目标用户包括上述多个对象消费方中除上述关联对象消费方之外的消费方、以及上述多个对象发布方中除上述关联对象发布方之外的发布方。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在示例性实施例中,还提供了一种电子设备,包括:
处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现上述的目标对象确定方法。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器,上述指令可由电子设备的处理器执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的目标对象确定方法。
本公开实施例所提供的目标对象确定方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图10是本申请实施例提供的一种目标对象确定方法的服务器的硬件结构框图。如图10所示,该服务器1000可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentralProcessing Units,CPU)1010(处理器1010可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1030,一个或一个以上存储应用程序1023或数据1022的存储介质1020(例如一个或一个以上海量存储设备)。其中,存储器1030和存储介质1020可以是短暂存储或持久存储。存储在存储介质1020的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1010可以设置为与存储介质1020通信,在服务器1000上执行存储介质1020中的一系列指令操作。服务器1000还可以包括一个或一个以上电源1060,一个或一个以上有线或无线网络接口1050,一个或一个以上输入输出接口1040,和/或,一个或一个以上操作系统1021,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口1040可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1000的通信供应商提供的无线网络。在一个实例中,输入输出接口1040包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口1040可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图10所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器1000还可包括比图10中所示更多或者更少的组件,或者具有与图10所示不同的配置。
本公开通过多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;并根据每个对象的第一热度信息与第二热度信息,确定第一对象;从而根据确定的目标对象消费方确定消费方对应的优质对象;再根据对象发布方之间的关联信息,确定出目标对象发布方,从而将目标对象发布方对应的对象确定为第二对象,即得到发布方对应的优质对象;再根据第一对象和第二对象,确定出目标对象,从而得到了消费方和发布方对应的所有优质对象,实现了快速、准确、全面地挖掘出目标对象。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种目标对象确定方法,其特征在于,包括:
获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;
基于所述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;
确定每个对象的第一热度信息与第二热度信息;所述第一热度信息表征所述多个对象消费方对所述每个对象的关注程度,所述第二热度信息表征所述目标对象消费方对所述每个对象的关注程度;
基于所述每个对象的第一热度信息与第二热度信息,确定第一对象;
基于所述多个对象发布方之间的关联信息,确定目标对象发布方;
将所述目标对象发布方对应的对象确定为第二对象;
根据所述第一对象以及所述第二对象,确定目标对象。
2.根据权利要求1所述的目标对象确定方法,其特征在于,所述基于所述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方,包括:
对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;
根据所述每个对象消费方的分类结果,确定所述目标对象消费方。
3.根据权利要求2所述的目标对象确定方法,其特征在于,所述对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果,包括:
基于对象消费方的类别预测模型对所述多个对象消费方的属性信息以及消费行为信息进行分类处理,得到每个对象消费方的分类结果;所述对象消费方的类别预测模型基于样本对象消费方的属性信息、消费行为信息以及类别信息构建得到。
4.根据权利要求1-3任一项所述的目标对象确定方法,其特征在于,所述确定每个对象的第一热度信息与第二热度信息包括:
获取所述多个对象消费方对所述每个对象的第一关注数据、第一播放数据以及所述目标对象消费方对所述每个对象的第二关注数据、第二播放数据;
基于所述每个对象的第一关注数据以及第一播放数据,确定所述每个对象的第一热度信息;
基于所述每个对象的第二关注数据以及第二播放数据,确定所述每个对象的第二热度信息。
5.根据权利要求1-3任一项所述的目标对象确定方法,其特征在于,所述基于所述每个对象的第一热度信息与第二热度信息,确定第一对象,包括:
基于所述每个对象的第一热度信息与第二热度信息,确定所述每个对象的热度指标数据,所述热度指标数据表征所述目标对象消费方相对于所述多个对象消费方,对所述每个对象的热度的影响程度;
根据所述每个对象的热度指标数据,确定所述第一对象。
6.根据权利要求1所述的目标对象确定方法,其特征在于,所述基于所述多个对象发布方之间的关联信息,确定目标对象发布方之前,所述方法还包括:
获取样本对象发布方对应的历史对象的属性信息;
根据所述样本对象发布方对应的历史对象的属性信息,确定初始对象发布方集合;
确定所述初始对象发布方集合中每个初始对象发布方对应的对象类型;
确定每个对象发布方对应的对象类型;
根据所述每个初始对象发布方对应的对象类型以及所述每个对象发布方对应的对象类型,确定每个对象类型的预设发布方集合,所述预设发布方集合中包括预设初始对象发布方和预设对象发布方;
相应的,所述基于所述多个对象发布方之间的关联信息,确定目标对象发布方,包括:
根据所述每个对象类型的预设发布方集合中预设发布方之间的关联信息,构建所述每个对象类型对应的预设发布方的标识信息有向图;
根据各个对象类型对应的预设发布方的标识信息有向图,确定所述目标对象发布方。
7.一种目标对象确定装置,其特征在于,包括:
信息获取模块,被配置为执行获取多个对象消费方的属性信息以及消费行为信息,并获取多个对象发布方之间的关联信息;
目标对象消费方确定模块,被配置为执行基于所述多个对象消费方的属性信息以及消费行为信息,确定目标对象消费方;
热度信息确定模块,被配置为执行确定每个对象的第一热度信息与第二热度信息;所述第一热度信息表征所述多个对象消费方对所述每个对象的关注程度,所述第二热度信息表征所述目标对象消费方对所述每个对象的关注程度;
第一对象确定模块,被配置为执行基于所述每个对象的第一热度信息与第二热度信息,确定第一对象;
目标对象发布方确定模块,被配置为执行基于所述多个对象发布方之间的关联信息,确定目标对象发布方;
第二对象确定模块,被配置为执行将所述目标对象发布方对应的对象确定为第二对象;
目标对象确定模块,被配置为执行根据所述第一对象以及所述第二对象,确定目标对象。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的目标对象确定方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6中任一项所述的目标对象确定方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的目标对象确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571193.6A CN113468402B (zh) | 2021-05-25 | 2021-05-25 | 目标对象确定方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110571193.6A CN113468402B (zh) | 2021-05-25 | 2021-05-25 | 目标对象确定方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468402A true CN113468402A (zh) | 2021-10-01 |
CN113468402B CN113468402B (zh) | 2024-05-17 |
Family
ID=77871590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110571193.6A Active CN113468402B (zh) | 2021-05-25 | 2021-05-25 | 目标对象确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468402B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641919A (zh) * | 2021-10-12 | 2021-11-12 | 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 |
WO2024109439A1 (zh) * | 2022-11-23 | 2024-05-30 | 腾讯科技(深圳)有限公司 | 对象预测方法、装置、设备、存储介质和程序产品 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834731A (zh) * | 2015-05-15 | 2015-08-12 | 百度在线网络技术(北京)有限公司 | 一种自媒体信息的推荐方法及装置 |
CN107886345A (zh) * | 2016-09-30 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 选取数据对象的方法及装置 |
WO2018113673A1 (zh) * | 2016-12-23 | 2018-06-28 | 北京奇虎科技有限公司 | 针对综艺类query的搜索结果的推送方法及装置 |
CN108269117A (zh) * | 2017-01-03 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 数据的推送、确定方法及装置、计算机终端 |
CN110096646A (zh) * | 2019-05-08 | 2019-08-06 | 广州虎牙信息科技有限公司 | 品类关联信息的生成及其视频推送方法和相关设备 |
CN110198460A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 媒体信息的选取方法和装置、存储介质、电子装置 |
CN111182318A (zh) * | 2019-12-17 | 2020-05-19 | 北京达佳互联信息技术有限公司 | 直播中贡献分生成方法、装置、电子设备及存储介质 |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN111782936A (zh) * | 2020-05-13 | 2020-10-16 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
CN112131472A (zh) * | 2020-09-24 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
CN112464083A (zh) * | 2020-11-16 | 2021-03-09 | 北京达佳互联信息技术有限公司 | 模型训练方法、作品推送方法、装置、电子设备及存储介质 |
CN112487262A (zh) * | 2020-11-25 | 2021-03-12 | 建信金融科技有限责任公司 | 一种数据处理的方法和装置 |
-
2021
- 2021-05-25 CN CN202110571193.6A patent/CN113468402B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834731A (zh) * | 2015-05-15 | 2015-08-12 | 百度在线网络技术(北京)有限公司 | 一种自媒体信息的推荐方法及装置 |
CN107886345A (zh) * | 2016-09-30 | 2018-04-06 | 阿里巴巴集团控股有限公司 | 选取数据对象的方法及装置 |
WO2018113673A1 (zh) * | 2016-12-23 | 2018-06-28 | 北京奇虎科技有限公司 | 针对综艺类query的搜索结果的推送方法及装置 |
CN108269117A (zh) * | 2017-01-03 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 数据的推送、确定方法及装置、计算机终端 |
CN110198460A (zh) * | 2018-03-30 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 媒体信息的选取方法和装置、存储介质、电子装置 |
CN110096646A (zh) * | 2019-05-08 | 2019-08-06 | 广州虎牙信息科技有限公司 | 品类关联信息的生成及其视频推送方法和相关设备 |
CN111182318A (zh) * | 2019-12-17 | 2020-05-19 | 北京达佳互联信息技术有限公司 | 直播中贡献分生成方法、装置、电子设备及存储介质 |
CN111782936A (zh) * | 2020-05-13 | 2020-10-16 | 北京三快在线科技有限公司 | 一种信息推荐方法、装置、电子设备及存储介质 |
CN111784204A (zh) * | 2020-07-28 | 2020-10-16 | 南方电网能源发展研究院有限责任公司 | 一种基于用户用电行为画像的优质用户挖掘方法及系统 |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN112131472A (zh) * | 2020-09-24 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、电子设备和存储介质 |
CN112464083A (zh) * | 2020-11-16 | 2021-03-09 | 北京达佳互联信息技术有限公司 | 模型训练方法、作品推送方法、装置、电子设备及存储介质 |
CN112487262A (zh) * | 2020-11-25 | 2021-03-12 | 建信金融科技有限责任公司 | 一种数据处理的方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641919A (zh) * | 2021-10-12 | 2021-11-12 | 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 |
CN113641919B (zh) * | 2021-10-12 | 2022-03-25 | 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 |
WO2024109439A1 (zh) * | 2022-11-23 | 2024-05-30 | 腾讯科技(深圳)有限公司 | 对象预测方法、装置、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN113468402B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Evaluating and characterizing urban vibrancy using spatial big data: Shanghai as a case study | |
WO2019174141A1 (zh) | 调查问卷生成方法、服务器及计算机可读存储介质 | |
Carrasco et al. | Collecting social network data to study social activity-travel behavior: an egocentric approach | |
Dartanto et al. | Intragenerational economic mobility in Indonesia: a transition from poverty to the middle class in 1993–2014 | |
Mokhtarian | A synthetic approach to estimating the impacts of telecommuting on travel | |
Lazari et al. | Designs of discrete choice set experiments for estimating both attribute and availability cross effects | |
US20170206204A1 (en) | System, method, and device for generating a geographic area heat map | |
Andrews | Analyzing quality-of-place | |
Garson | Computerized simulation in the social sciences: A survey and evaluation | |
US8856229B2 (en) | System and method for social networking | |
WO2022134478A1 (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN113468402B (zh) | 目标对象确定方法、装置及存储介质 | |
CN108463820A (zh) | 经由信息技术基础设施分配通信资源 | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
Zhang et al. | Which platform should I choose? Factors influencing consumers’ channel transfer intention from web-based to mobile library service | |
Al Mazidi et al. | Study of general education diploma students’ performance and prediction in Sultanate of Oman, based on data mining approaches | |
Supak et al. | An open source web-mapping system for tourism planning and marketing | |
Nguyen et al. | An analysis of the relationship between ICT infrastructure and international tourism demand in an emerging market | |
KR20200133976A (ko) | 콘텐츠 큐레이션 방법 및 장치 | |
CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
Sun et al. | Analysis of spatial form and structure of commercial pedestrian blocks based on Isovist and big data | |
Osaysa | Improving the quality of marketing analytics systems | |
EP4047447A1 (en) | Route recommendation method and apparatus, electronic device, and storage medium | |
Jami Pour et al. | What are the determinants of KM 2.0 adoption? A meta-synthesis of the literature | |
Liu et al. | Face recognition of profile images on accommodation platforms |
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 |