CN113630334B - 网络对象处理方法、装置、电子设备及可读存储介质 - Google Patents
网络对象处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113630334B CN113630334B CN202110740748.5A CN202110740748A CN113630334B CN 113630334 B CN113630334 B CN 113630334B CN 202110740748 A CN202110740748 A CN 202110740748A CN 113630334 B CN113630334 B CN 113630334B
- Authority
- CN
- China
- Prior art keywords
- target
- gear
- value
- flow value
- flow
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2408—Traffic characterised by specific attributes, e.g. priority or QoS for supporting different services, e.g. a differentiated services [DiffServ] type of service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2416—Real-time traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络对象处理方法、装置、电子设备及可读存储介质,该方法中,响应于目标请求,获取目标请求的相关特征,以作为目标相关特征。基于目标相关特征,确定目标请求所属的流量价值档位,得到目标价值档位,目标请求的流量价值越高,目标价值档位越高。基于目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象。本发明实施例中按照目标请求的流量价值高低,差异化的为请求选择与流量价值适配的对象选择模型和/或候选对象数量,并基于适配的对象选择模型和/或候选对象数量选择目标网络对象,从而一定程度上可以更充分有效的实现算力分配,避免算力浪费。
Description
技术领域
本发明属于网络技术领域,特别是涉及一种网络对象处理方法、装置、电子设备及可读存储介质。
背景技术
目前,用户可以通过向网络平台发送请求,来访问网络平台,为网络平台带来流量,即,一个请求可以视为一条流量。网络平台经常会提供信息展示位以向用户展示网络对象,从而方便用户选择。针对网络平台中的每一条流量,即,用户发送的目标请求,网络平台往往需要从该信息展示位对应的众多备选网络对象中选择目标网络对象,并通过该信息展示位向用户展示该目标网络对象。
相关技术中,网络平台往往是直接使用默认大小的候选对象数量N,每次均以N个备选网络对象作为候选对象,并直接使用固定的对象选择模型从N个备选网络对象中选择目标网络对象。这种方式中,有时会对网络平台的算力造成浪费。
发明内容
本发明提供一种网络对象处理方法、装置、电子设备及可读存储介质,以便解决算力浪费的问题。
第一方面,本发明提供一种网络对象处理方法,应用于网络平台,所述方法包括:
响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征;
基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高;
基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位。
第二方面,本发明提供一种网络对象处理装置,应用于网络平台,所述装置包括:
第一获取模块,用于响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征;
确定模块,用于基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高;
选择模块,用于基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位。
第三方面,本发明提供一种电子设备,包括:处理器、存储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程序时实现上述网络对象处理方法。
第四方面,本发明提供一种可读存储介质,当所述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上述网络对象处理方法。
本发明实施例提供的网络对象处理方法,响应于目标请求,获取目标请求的相关特征,以作为目标相关特征。基于目标相关特征,确定目标请求所属的流量价值档位,得到目标价值档位,目标请求的流量价值越高,目标价值档位越高。基于目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象,目标展示位为目标请求命中的信息展示位。相较于直接采用固定候选对象数量以及固定对象选择模型的方式,本发明实施例中先确定目标请求所属的目标价值档位,以目标价值档位适配的候选对象数量和/或对象选择模型选择目标网络对象,即,按照目标请求的流量价值高低,差异化的为请求选择与流量价值适配的对象选择模型和/或候选对象数量,并基于适配的对象选择模型和/或候选对象数量选择目标网络对象,从而一定程度上可以更充分有效的实现算力分配,避免算力浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种网络对象处理方法的步骤流程图;
图2是本发明实施例提供的一种流量环比示意图;
图3是本发明实施例中提供的一种流量价值分布示意图;
图4是本发明实施例提供的一种模块示意图;
图5是本发明实施例提供的一种处理过程示意图;
图6是本发明实施例提供的一种网络对象处理装置的结构图;
图7是本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
图1是本发明实施例提供的一种网络对象处理方法的步骤流程图,该方法可以应用于网络平台,如图1所示,该方法可以包括:
步骤101、响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征。
本发明实施例中,网络平台的具体类型可以是根据实际需求设置的,示例的,网络平台可以是视频平台、音频平台、生活服务平台、网购平台、外卖平台,等等。相应地,网络对象可以为视频、音频、生活服务、物品、店铺、店铺中提供的外卖,等等。进一步地,目标请求可以是在线阶段中,用户对网络平台的特定操作触发的,目标请求可以用于指示网络平台为该目标请求命中的信息展示位选择目标网络对象,以在该信息展示位中展示。其中,特定操作可以是预先设定的。示例的,特定操作可以包括启动操作、页面刷新操作、页面切换操作,等等。相应地,目标请求命中的信息展示位可以是该目标请求对应的页面中的信息展示位,目标请求命中的信息展示位可以与该特定操作相关。示例的,对于启动操作触发的目标请求,目标请求命中的信息展示位可以是该网络平台的首页中的信息展示位。对于页面刷新操作触发的目标请求,目标请求命中的信息展示位可以是该被刷新页面中的信息展示位。对于页面切换操作触发的目标请求,目标请求命中的信息展示位可以是切换后的页面中的信息展示位。
进一步地,相关特征的具体类型可以根据实际需求设置,具体的,可以选择与请求的流量价值相关、能够较大程度体现流量价值的特征,例如,可以通过人工/多次试验,筛选出最能够体现流量价值的特征,作为相关特征。这样,通过获取目标请求的相关特征,可以基于相关特征较为客观的表征目标请求的流量价值。其中,流量价值可以用于表征目标请求相对目标展示位中所展示网络对象的点击率和/或下单率。具体的,流量价值可以为点击率和/或下单率本身,或者,是与点击率和/或下单率正相关的参数。目标请求相对目标展示位中所展示网络对象的点击率/下单率可以指的是:响应该目标请求,在目标展示位中展示网络对象之后,目标请求的发送方针对所显示的网络对象进行点击/下单的概率。如果点击率/下单率越高,那么该目标请求可以为网络平台以及目标展示位中所展示网络对象增加更多的网络资源。其中,网络资源可以包括访问量、成交量、用户整体活跃度,等等。本发明实施例中,以点击率和/或下单率作为流量价值,一定程度上可以确保流量价值能够更客观精准的衡量目标请求。当然,流量价值还可以表征其他信息,例如,收藏率,等等,本发明实施例中对此不作限制。
进一步地,相关特征可以包括触发该请求的用户的相关特征以及上下文特征,其中,上下文特征可以是请求命中的信息展示位的相关特征。示例的,上下文特征可以包括目标请求命中的信息展示位的位置信息、位置编码值(geohash)、所投放的商圈、城市,等等。用户相关特征可以包括年龄、性别、职业、历史时段内在网络平台中所下订单的均价等。
步骤102、基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高。
本发明实施例中,流量价值档位可以是预先划分,不同的流量价值档位可以对应覆盖不同的流量价值,即,一个流量价值档位可以对应表征一个流量价值范围。对应覆盖的流量价值越大,流量价值档位越高,反之,对应覆盖的流量价值越小,流量价值档位越低。需要说明的是,一个流量价值档位对应覆盖的流量价值可以是多个,即,流量价值档位对应表征的流量价值范围内可以包含多个值。这样,可以避免流量价值档位过多,进而导致实现成本增加的问题。当然,也可以设置流量价值档位对应表征的流量价值范围仅包含一个值,本发明实施例对此不作限定。
进一步地,由于目标请求的目标相关特征能够体现目标请求的流量价值,因此,可以基于目标相关特征进一步确定目标请求所属的目标价值档位,以通过目标价值档位体现目标请求的价值高低。具体的,目标价值档位的高低可以与目标请求的流量价值的高低正相关,即,目标请求的流量价值越高,确定的目标价值档位越高。相应地,如果目标价值档位越高,则可以说明目标请求的流量价值越高,反之,如果目标价值档位越低,则可以说明目标请求的流量价值越低。
步骤103、基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位。
本发明实施例中,对象选择模型的具体类型可以根据实际需求设置,示例的,对象选择模型可以为排序模型。各流量价值档位适配的候选对象数量和/或对象选择模型可以是根据该流量价值档位的高低预先设置的。具体的,可以先从各流量价值档位适配的候选对象数量和/或对象选择模型中,确定目标价值档位适配的候选对象数量和/或对象选择模型。然后,基于目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中选择目标网络对象。具体的,可以基于目标价值档位适配的候选对象数量以及对象选择模型进行选择,或者,基于目标价值档位适配的候选对象数量以及预设的固定的对象选择模型进行选择,或者,基于固定的候选对象数量以及目标价值档位适配的对象选择模型进行选择。其中,备选网络对象可以是预先为目标展示位设置的。示例的,以信息展示位为广告位为例,备选网络对象可以是参与该广告位竞拍的网络对象。
进一步地,在候选对象数量越大,对象选择模型的规模越大的情况下,对象选择模型的处理速度、处理精度以及处理效果往往越优,相应地,最终选择的目标网络对象往往更优,但网络平台在选择目标网络对象的操作上所付出的算力越大。在候选对象数量越小,对象选择模型的规模越小的情况下,网络平台在选择目标网络对象的操作上所付出的算力越小,但最终选择的目标网络对象可能会变差。相较于在收到目标请求之后,直接使用固定的候选对象数量以及对象选择模型,为目标展示位选择目标网络对象的方式,本发明实施例中使用与目标价值档位适配的候选对象数量和/或对象选择模型,即,与目标请求的流量价值适配的候选对象数量和/或对象选择模型,为目标展示位选择目标网络对象,可以实现根据目标请求的流量价值差异化的分配网络平台的算力,从而一定程度上可以更充分有效的实现算力分配,避免算力浪费。
本发明实施例提供的网络对象处理方法,响应于目标请求,获取用户发送的目标请求的相关特征,以作为目标相关特征。基于目标相关特征,确定目标请求所属的流量价值档位,得到目标价值档位,目标请求的流量价值越高,目标价值档位越高。基于目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象,目标展示位为目标请求命中的信息展示位。相较于直接采用固定候选对象数量以及固定对象选择模型的方式,本发明实施例中先确定目标请求所属的目标价值档位,以目标价值档位适配的候选对象数量和/或对象选择模型选择目标网络对象,即,按照目标请求的流量价值高低,差异化的为请求选择与流量价值适配的对象选择模型和/或候选对象数量,并基于适配的对象选择模型和/或候选对象数量选择目标网络对象,从而一定程度上可以更充分有效的实现算力分配,避免算力浪费。
同时,本发明实施例中,通过预先划分好流量价值档位,通过确定目标请求所属的目标价值档位,来表征目标请求的流量价值,可以使得仅需从流量价值档位的维度,为各个流量价值档位预先设置适配的候选对象数量和/或对象选择模型,从而一定程度上可以避免所需设置的对象选择模型过多,进而导致实现成本过大的问题。
可选的,本发明实施例中还可以执行步骤:获取当前时刻所属的时间片,以作为当前时间片。其中,时间片可以是预先划分的,一个时间片可以表征一个时段,示例的,可以以15分钟为单位,将一天划分为96个时间片,或者,以1小时为单位,将一天划分为24个时间片,本发明实施例对此不作限定。具体确定时,可以先确定当前时刻,即,请求接收时刻,然后将当前时刻与各时间片表征的时间段进行比对,以确定当前时刻所属的时间片,从而得到当前时间片。
实际应用场景中,在不同时段内网络平台的总流量的大小可能不同。例如,对于外卖平台而言,总流量整体呈现较为明显的双峰结构,在午餐时段和晚餐时段为流量波峰,即,在午餐时段以及晚餐时段,平台的总流量往往较大,其他时段内平台的总流量往往较小。示例的,图2是本发明实施例提供的一种流量环比示意图,如图2所示,相邻两天内的流量变化趋势基本相同。同时,由于不同时段内请求的流量价值分布情况往往也存在变化,例如,有些时段中往往充斥着大量流量价值较低的请求,有些时段中流量价值较高的请求就较多。相应地,同一用户发送的同一目标请求的流量价值,在不同时段内相对网络平台的相对高低可能会不同,因此,在不同时段内所属的流量价值档位可能不同。例如,在总流量较大、流量价值较大的请求较多的时段,由于此时存在较多流量价值本身较大的其他目标请求,相比之下该目标请求对于网络平台而言,流量价值就相对较低,此时该目标请求相对网络平台而言可能属于低价值流量。但是在总流量较小、流量价值较大的请求较少的时段,该目标请求的流量价值此时相对网络平台而言可能属于较高的流量价值,此时该目标请求相对网络平台而言就可能属于高价值流量。因此,本步骤中可以进一步获取当前时刻所属的当前时间片,以便于后续步骤中可以基于当前时间片进一步兼顾到流量价值的相对高低差异,从而一定程度上确保后续选择操作的准确性。
需要说明的是,上述获取目标相关特征的操作与获取当前时间片的操作可以同时进行,或者,是先获取目标相关特征再获取当前时间片,又或者是先获取当前时间片再获取目标相关特征,本发明实施例对此不作限定。
相应地,上述基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位的操作,可以包括:
步骤S21、从预划分的各时间片对应的流量价值档位中,选择对应的时间片与所述当前时间片相匹配的流量价值档位,以作为备选价值档位。
本发明实施例中,每个时间片可以分别对应有划分的流量价值档位,各时间片对应的流量价值档位可以是根据该时间片内收到的历史目标请求划分的。由于网络平台中各时间片内的总流量以及流量价值分布情况不同,因此,不同时间片中同一流量价值档位所表征的流量价值范围可能不同,从而确保基于各时间片对应的流量价值档位,可以较为准确的衡量该时间片内请求相对网络平台的流量价值高低。具体的,可以先检测与当前时间片相匹配的时间片,然后将该时间片对应的流量价值档位作为备选价值档位。
步骤S22、基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位。
本步骤中,可以基于目标相关特征,从各备选价值档位中选择出最能表征该目标请求的流量价值高度的档位,以作为目标价值档位。
本发明实施例中在目标相关特征的基础上进一步结合当前时间片,先获取当前时间片,将对应的时间片与当前时间片相匹配的流量价值档位作为备选价值档位,然后从当前时间片对应的备选价值档位中选择目标价值档位,一定程度上可以使得从中选择的目标价值档位可以更准确的表征当前所需响应的目标请求相对网络平台的流量价值高低,从而可以使得为该目标请求分配的候选对象数量和/或对象选择模型更适配该目标请求的流量价值,使得算力分配更加准确。
可选的,本发明实施例中,流量价值档位可以包括第一档位以及第二档位。其中,第一档位可以高于第二档位,第一档位适配的候选对象数量和/或对象选择模型的规模可以大于第二档位适配的候选对象数量和/或对象选择模型的规模。这样,可以确保为流量价值更大的目标请求投入更多的算力,为流量价值较小的目标请求投入较少的算力,从而避免在高价值流量上算力分配不足,导致高价值流量没有被充分挖掘的问题。以及,避免为大量低价值流量投入和高价值流量同等的算力,导致大量的机器成本浪费的问题。
具体的,第一档位、第二档位中可以为一个或多个,第一档位以及第二档位可以是根据实际需求划分的。示例的,假设总共有Q个流量价值档位,按照由低至高的顺序,可以将第1~n-1个流量价值档位作为第二档位,可以将第n~Q个流量价值档位作为第一档位。其中,第一档位适配的候选对象数量可以大于第二档位适配的候选对象数量,第一档位适配的对象选择模型的规模可以大于第二档位适配的对象选择模型的规模。第一档位/第二档位中的各档位适配的候选对象数量以及对象选择模型的规模可以相同,或者,也可以是与档位高低正相关,即,对于第一档位/第二档位中的各档位而言,档位越高,适配的候选对象数量、对象选择模型的规模可以越大,从而使得后续可以为流量价值越高的目标请求,分配更大的候选对象数量以及对象选择模型,为流量价值越低的目标请求,分配更小的候选对象数量以及更小的对象选择模型,本发明实施例对此不作限定。
可选的,可以设置第一档位以及第二档位中各档位适配的候选对象数量与档位得高低正相关,第一档位中各档位适配的对象选择模型均为第一选择模型,第二档位中各档位适配的对象选择模型均为第二选择模型,第一选择模型的规模大于第二选择模型的规模。这样,可以在最大程度实现对候选对象数量进行差异化分配的同时,避免为每个档位均设置对象选择模型,从而避免由于所需配置的对象选择模型较多,导致实现成本过大的问题。
进一步地,第一选择模型可支持的最大对象处理量不小于第一数量,第二选择模型可支持的最大对象处理量不小于第二数量;第一数量为第一档位中各档位内所需处理的候选对象数量之和,第二数量为第二档位中各档位内所需处理的候选对象数量之和。
其中,第一选择模型/第二选择模型可支持的最大对象处理量可以是该第一选择模型/第二选择模型在满足规定的响应时间的情况下,最多能处理的网络对象的数量。各档位内所需处理的候选对象数量可以是属于该档位内的目标请求的总数量与该档位适配的候选对象数量的乘积。其中,属于各档位内的目标请求的总数量可以是预先预估的。假设一个时间片内对象选择模型所需处理的对象总数量为C。其中,C=所需处理的目标请求数量*候选对象数量均值Queuearg,Queuearg为该时间片对应的所有档位适配的候选对象数量的均值,所需处理的目标请求数量可以是根据该时间片内的历史目标请求数量预先设置的,示例的,所需处理的目标请求数量可以表征该时间片内的最大请求并发量。在该时间片总共对应有Q个流量价值档位、各档位内流量均匀的情况下,则每个档位内的目标请求的总数量可以表示为C/Q*Queuearg。以C1表示第一选择模型可支持的最大对象处理量,C2表示第二选择模型可支持的最大对象处理量,C1+C2>C。在档位[1,Q]中,定义档位n作为第一选择模型与第二选择模型之间的分界档位,那么对象选择模型与档位i的关系可以表示为:
其中,Modelsmall表示第二选择模型,Modelbig表示第一选择模型,Queuei表示第i个档位适配的候选对象数量。需要说明的是,在满足预设约束的情况下,可以根据实际需求动态调整n的具体值。示例的,可以使n最大化,以使得更多的目标请求被规模更大的第一选择模型处理,从而一定程度上提高算力效率,以及,使得最终选择的目标网络对象更有吸引力,最大化信息展示位的展示效果,从而提高目标请求所能带来的整体网络资源量。或者,也可以使n最小化,以使得更多的目标请求被规模更小的第二选择模型处理,从而在一定程度上确保处理性能的同时,减轻第一选择模型的处理压力,节省算力成本,以及减少因处理大量低价值流量产生的算力成本消耗。
由于模型所需处理的网络对象越多,所需消耗的算力就会越多,因此,所需处理的候选对象数量可以表征模型服务所需付出的算力消耗。本发明实施例中,通过设置可支持的最大对象处理量不小于第一数量,即,最多能处理的网络对象的数量不小于所有第一档位内所需处理的候选对象数量之和的第一选择模型,设置可支持的最大对象处理量不小于第二数量,即,最多能处理的网络对象的数量不小于所有第二档位内所需处理的候选对象数量之和的第二选择模型,可以确保第一选择模型以及第二选择模型可以为第一档位以及第二档位提供充足的算力支撑,进而一定程度上可以确保在目标请求高并发的情况下,网络平台可以正常处理。
可选的,本发明实施例中的流量价值档位,可以通过下述步骤预先获取:
步骤S31、对于任一时间片,获取所述时间片内的各历史目标请求的相关特征,得到历史相关特征。
本步骤中,可以对时间片进行流量回放,即,从历史目标请求中,获取该时间片内接收到的历史目标请求,然后进行特征提取,以获取各历史目标请求的相关特征,以作为历史相关特征。具体的,可以从网络平台的后台数据中,按照相关特征的具体种类进行提取,从而得到相关特征。其中,历史目标请求的相关特征可以与前述目标请求的相关特征的种类相同。
需要说明的是,为了确保获取到该时间片内充足的历史目标请求,可以采用环比流量,从接收时间由近到远的次序,从接收时间在该时间片内的所有历史目标请求中依次获取历史目标请求,直至获取到P个历史目标请求为止。其中,P可以是根据实际需求设置。示例的,假设P为800,时间片为8点至8点15分,昨天该时间片内的历史目标请求为400个,前天该时间片内的历史目标请求为398个,大前天该时间片内的历史目标请求为404个,那么可以获取昨天该时间片内的400个历史目标请求、前天该时间片内的398个历史目标请求以及大前天该时间片内的2个历史目标请求,以实现获取操作。
步骤S32、将各所述历史相关特征输入预设的流量价值预估模型,以获取各所述历史目标请求的流量价值。
其中,流量价值预估模型可以是预先训练好的,流量价值预估模型可以用于基于输入的特征预估流量价值。示例的,流量价值预估模型的训练样本可以为样本目标请求的相关特征以及该样本目标请求带来的整体网络资源量。其中,整体网络资源量可以与该样本目标请求为网络平台带来的网络资源量CPM以及为样本目标请求关联的网络对象带来的网络资源量GMV正相关。例如,整体网络资源量可以为:k1*CPM+k2*GMV,其中,k1以及k2为预设权重。这样,可以使得最终得到的流量价值预估模型可以根据相关特征,预估请求所能带来的整体网络资源量,该整体网络资源量越高,一定程度上可以反映出请求的流量价值越高。具体的,实际场景中,网络平台在响应用户触发的目标请求后,在信息展示位中向用户展示网络对象,如果用户针对展示网络对象进行下单,那么相应地,就可以为网络平台带来的网络资源量以及为该网络对象带来的网络资源量。相应地,如果带来的整体网络资源量越大,则可以认为该请求的流量价值较高。
进一步地,本步骤中可以将各历史相关特征输入该流量价值预估模型,然后将该流量价值预估模型的输出,作为历史相关特征对应的历史目标请求的流量价值。
步骤S33、基于各所述历史目标请求的流量价值,生成所述时间片对应的流量价值范围。
其中,一个所述流量价值范围用于表征一个流量价值档位。本步骤中,可以按照该时间片内的历史目标请求的流量价值分布,对应划分流量价值范围。
步骤S34、为各所述流量价值范围设置对应的流量价值档位;所述流量价值档位的高低与所述流量价值范围的端值大小正相关。
其中,流量价值范围的端值可以为范围的最大端值或者是最小端值。流量价值范围的端值越大,则说明该流量价值范围表征的流量价值更大,因此,可以为该流量价值范围设置更高流量价值档位。示例的,假设有流量价值范围a:[0,30]、流量价值范围b:[31,68]以及流量价值范围c:[69,100],那么可以为流量价值范围c设置的最高的流量价值档位,为流量价值范围b设置的次高的流量价值档位,为流量价值范围a设置的最低的流量价值档位。需要说明的是,上述划分流量价值档位的步骤S31~步骤S34,可以与上述步骤101~步骤103的执行主体相同,也可以不同,本发明实施例对此不作限制。
由于不同时间片内历史目标请求的流量价值分布可能不同,因此,针对不同时间片划分的流量价值档位对应的流量价值范围可能不同。本发明实施例中,每个时间片对应一个回放结果,即,针对性的为各时间片分别划分流量价值范围,以表征流量价值档位,一定程度上可以使得各时间片对应的流量价值档位可以更准确的衡量该时间片内请求相对网络平台的流量价值高低。
同时,由于各时间片内网络平台中的流量较为稳定,相邻两天之间流量变化趋势和大小基本相同,每天的同一时间片内的目标请求数量往往差异较小,且每天的各时间片内的流量变化趋势基本一致。因此,本发明实施例中,根据历史目标请求为每个时间片划分流量价值档位,一定程度上可以确保为各个时间片划分的流量价值档位可以较为精准的适配在线服务中当前所需响应的目标请求,从而确保处理效果。
可选的,上述基于各所述历史目标请求的流量价值,生成所述时间片对应的流量价值范围的操作,可以包括:
步骤S41、根据各所述历史目标请求的流量价值中的最大流量价值,确定总流量价值范围。
本步骤中,先从各历史目标请求的流量价值中确定出最大流量价值,然后,将最大流量价值作为总流量价值范围的最大端值,将预设数值作为总流量价值范围的最小端值,基于最小端值以及最大端值组成总流量价值范围。示例的,假设预设数值为0,以Value表示流量价值,最大流量价值为Valuemax,那么总流量价值范围可以为[0,Valuemax]。
步骤S42、将所述总流量价值范围划分为预设数量个流量价值范围;各所述流量价值范围对应的请求数量相同,所述请求数量是流量价值属于所述流量价值范围的历史目标请求的数量。
本步骤中,预设数量可以是预先设置的,预设数量可以为所需的流量价值档位的总数量。进一步地,可以先确定该时间片内的历史目标请求的流量价值的分布,可以将历史目标请求进行均分,使得每个流量价值范围内流量相同,即,各个流量价值范围对应覆盖的请求数量相同。
由于流量(即,目标请求)的流量价值往往呈长尾分布,即,流量价值越高的请求,数量越少,网络平台中往往会存在大量的低价值流量。因此,越高的流量价值档位对应的流量价值范围可以更宽。示例的,以预设数量为Q-P为例,图3是本发明实施例中提供的一种流量价值分布示意图,如图3所示,最高的流量价值档位Q对应的流量价值范围比最小的流量价值档位P对应的流量价值范围更宽,从而确保各档位内的流量占比相同。
本发明实施例中,根据各历史目标请求的流量价值中的最大流量价值,确定总流量价值范围,将总流量价值范围划分为预设数量个流量价值范围,各流量价值范围对应的请求数量相同,请求数量是流量价值属于该流量价值范围的历史目标请求的数量。即,按照流量均分的方式,确定出每个档位的价值空间,即,对应的流量价值范围,从而一定程度上确保所划分的流量价值范围更加合理准确。
可选的,在一种实现方式中,上述基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位,包括:
步骤S51、根据预先存储的各所述流量价值档位与所述流量价值档位对应的历史相关特征,查找对应的历史相关特征与所述目标相关特征相匹配的备选价值档位;所述流量价值档位对应的历史相关特征是流量价值属于所述流量价值档位所对应流量价值范围的历史目标请求的相关特征。
本发明实施例中,可以在生成各个时间片对应的流量价值档位之后,对于任一流量价值档位,将流量价值档位与该流量价值档位对应的历史目标请求的历史相关特征以及时间片对应存储,示例的,可以以时间片+历史相关特征组装为键,以流量价值档位作为值,以键值对的方式进行存储,进而方便查找。其中,历史目请求的相关特征可以包括多种,相应地,存储历史相关特征时可以以特征组合的形式进行存储。各历史目标请求的流量价值所属的流量价值档位可以通过二分查找的方式确定。假设流量价值档位i的流量价值范围以[Valuei-1,Valuei]表示,那么对于历史目标请求j而言,所属的流量价值档位Quotak和该历史目请求的流量价值Valuej的关系可以表示为:
Quotaj=Quotak
s.t.Valuek≤Valuej≤Valuek+1
进一步地,本步骤中,可以从预先存储的键值对中,查找各备选价值档位所对应的历史相关特征,然后将这些历史相关特征与目标相关特征进行比对,以从中确定对应的历史相关特征与所述目标相关特征相匹配的备选价值档位。
步骤S52、将所述相匹配的备选价值档位,确定为所述目标价值档位。
具体的,由于与目标相关特征与流量价值属于该备选价值档位的历史目标请求的相关特征匹配,因此,可以认为当前所需处理的目标请求与该历史目标请求的流量价值相近,该目标请求属于该相匹配的备选价值档位。因此,可以将该相匹配的备选价值档位,确定为目标价值档位。
本发明实施例中,基于预先存储的流量价值档位以及流量价值档位对应的历史相关特征,直接使用目标相关特征与备选价值档位对应的历史相关特征进行匹配,即可确定出目标价值档位,因此,一定程度上可以提高确定效率。
可选的,在一种实现方式中,上述基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位的操作,可以包括:
步骤S61、将所述目标相关特征输入预设的流量价值预估模型,以获取所述目标请求的流量价值,得到目标流量价值。
具体的,可以将目标相关特征输入预设的流量价值预估模型,然后将该流量价值预估模型的输出,作为目标流量价值。其中,该流量价值预估模型可以与前述划分流量价值范围环节所使用的流量价值预估模型相同。
步骤S62、基于所述备选价值档位对应的流量价值范围,查找所述目标流量价值所属的流量价值范围对应的备选价值档位,以作为所述目标价值档位。
示例的,可以通过二分查找的方式,从备选价值档位对应的流量价值范围中,查找目标流量价值所属的流量价值范围,然后将该所属的流量价值范围对应的备选价值档位,确定为目标价值档位。其中,本发明实施例中可以预先存储有各时间片的流量价值范围与流量价值档位之间的对应关系,以方便查找。
相较于直接基于历史相关特征与目标相关特征进行匹配的方式,本发明实施例中,先基于预设的流量价值预估模型以及目标相关特征,确定目标流量价值,然后将目标流量价值所属的流量价值范围对应的备选价值档位,确定为目标价值档位,使得无需预先存储流量价值范围对应的历史相关特征,进而一定程度上可以节省存储资源以及简化存储操作。
可选的,上述基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象的操作,可以包括:
步骤S71、为所述目标请求分配候选队列;所述候选队列可容纳的元素数量X与所述目标价值档位适配的候选对象数量相同。
本发明实施例中,相邻两个流量价值档位适配的候选对象数量之间的差值可以相同,假设最低流量价值档位P适配的候选对象数量为N,那么,流量价值档位P+1适配的候选对象数量可以为N+K,流量价值档位P+2适配的候选对象数量可以为N+2K,…,最高流量价值档位Q适配的候选对象数量可以为N+(Q-P)*K。相应地,可以根据目标价值档位进行弹性队列分配:在目标价值档位为流量价值档位P时分配X=N的候选队列,在目标价值档位为流量价值档位P+1时,分配X=N+K的候选队列,…,在目标价值档位为流量价值档位Q时,分配X=N+(Q-P)*K的候选队列。即,所有流量价值档位(流量价值档位1~流量价值档位Q)内,候选对象数量的可选范围可以为[Queue1,QueueQ],其中,Queue1为预设的最低下限值,例如,Queue1=N,每个流量价值档位之间的候选对象数量的差值为K,QueueQ=Queue1+流量价值档位的总数量*K。每一个流量价值档位i内的目标请求的候选队列可容纳的元素数量X为:Queuei=Queuei-1+K。
步骤S72、选择X个备选网络对象作为所述候选队列中的队列元素,并基于所述目标价值档位适配的对象选择模型从所述队列元素中选择所述目标网络对象。
示例的,可以从所有备选网络对象中,随机选择备选网络对象作为候选队列中的队列元素,直至候选队列被填满位置。然后,将候选队列中的队列元素作为候选对象,将这些候选对象的相关信息作为目标价值档位适配的对象选择模型的输入,以得到选择结果,然后根据选择结果,确定目标网络对象。需要说明的是,前述划分流量价值档位的操作可以是离线预先进行的。通过离线预先划分好流量价值档位,为在线环节的流量价值预估提供依据。使得在线环节,可以针对用户发送的目标请求,进行弹性算力分配:按照目标请求所属的目流量价值档位的高低,动态分配适配的候选对象数量以及所使用的对象选择模型,即,进行弹性队列分配以及弹性模型分配。其中,分配算力Allocation和流量价值档位的关系可以定义为:Allocationj=F(Quotaj),即,流量价值档位越大,为该目标请求分配的算力可以越大。
进一步地,需要说明的是,由于网络平台对接的用户以及参与信息展示位竞价的备选网络对象的数量往往较为庞大,为了应对用户端用户极大的在线服务压力以及信息展示位庞大的候选集(即,备选网络对象),实际应用场景中通常会通过多个模块完成整个选择过程,例如,拆分为召回模块->粗排模块->精排模块->重排模块。其中,每个模块被设计为候选集依次递减的架构,即,每个模块所需处理的备选网络对象的数量依次递减。示例的,图4是本发明实施例提供的一种模块示意图,如图4所示,各个模块的候选集依次递减。但是对于任一模块而言,针对不同的目标请求,每次均是以相同的数量的备选网络对象作为候选对象并进行选择,即,对所有流量同等对待。由于每个模块都涉及到从各自对应的备选网络对象中进行选择的操作,因此,本发明实施例中的网络对象处理方法可以应用至其中的单个模块,或者,也可以应用于多个模块。在本发明实施例中的网络对象处理应用于不同的模块时,每次需要选择出的目标网络对象的数量Y可以不同。示例的,在应用于最后一个环节的模块时,Y可以为1,在应用于第j个环节的模块时,Y可以为第j+1个环节的模块所需的输入数量。最后一个环节的模块选择的目标网络对象即为最终在目标展示位上展示的网络对象。
进一步地,在应用于单个模块时,长度为X的候选队列可以仅提供给该单个模块使用,相应地,候选队列中的队列元素可以是从该单个模块对应所需处理的备选网络对象中选择的。在应用于多个模块时,长度为X的候选队列可以被这多个模块共用,其中,这多个模块中各模块可以使用的部分候选队列的长度可以按照模块所处理的环节由早到晚的顺序依次递减,各模块可以使用的部分候选队列的长度之和等于X。相应地,对于这多个模块中的任一模块而言,模块可使用的部分候选队列中的队列元素可以是从该模块对应所需处理的备选网络对象中选择的。
本发明实施例中,通过为目标请求分配与目标价值档位适配的候选对象数等长的候选队列,使得针对目标请求选择目标网络对象时,可以基于候选队列便捷的控制选择操作的候选对象数量,从而一定程度确保选择效率。
示例的,图5是本发明实施例提供的一种处理过程示意图,如图5所示,可以在离线阶段,通过流量回放、特征提取、流量价值模型预估、价值分档的环节,确定各时间片对应的流量价值档位。然后以历史相关特征以及时间片作为键,以对应的流量价值档位作为值,以键值对的方式进行存储。相应地,在线环节中,可以在用户进行访问时,即,触发目标请求的情况下,可以经过特征提取、流量价值预估,进行弹性算力分配。即,确定目标请求所属的目标流量价值档位适配的候选对象数量和/或对象选择模型,以应用至网络平台中投放引擎的模块中。其中,图中的大模型可以为前述的第一选择模型,小模型可以为前述的第二选择模型。投放引擎可以应用于网络平台的广告系统、搜索系统、推荐系统等系统中,投放引擎处理过的目标请求可以作为历史目标请求,后续在离线环节中使用。
本发明实施例中,通过离线阶段先进行价值分档为在线环节提供依据,在线环节根据流量价值高低,进行弹性算力分配,为高价值流量投入更多的算力,为低价值流量投入更少的算力,从而使得网络平台的算力能够充分发挥效果,以及,避免在低价值流量上浪费算力的问题。
图6是本发明实施例提供的一种网络对象处理装置的结构图,该装置20可以应用于网络平台,该装置20可以包括:
第一获取模块201,用于响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征;
确定模块202,用于基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高;
选择模块203,用于基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位。
可选的,所述装置20还包括:第二获取模块,用于获取当前时刻所属的时间片,以作为当前时间片;
所述确定模块202,具体用于:
从预划分的各时间片对应的流量价值档位中,选择对应的时间片与所述当前时间片相匹配的流量价值档位,以作为备选价值档位;
基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位。
可选的,所述流量价值档位包括第一档位以及第二档位;所述第一档位高于所述第二档位,所述第一档位适配的候选对象数量和/或对象选择模型的规模大于所述第二档位适配的候选对象数量和/或对象选择模型的规模。
可选的,所述流量价值档位通过下述模块得到:
第三获取模块,用于对于任一时间片,获取所述时间片内的各历史目标请求的相关特征,得到历史相关特征;
第四获取模块,用于将各所述历史相关特征输入预设的流量价值预估模型,以获取各所述历史目标请求的流量价值;
生成模块,用于基于各所述历史目标请求的流量价值,生成所述时间片对应的流量价值范围;
设置模块,用于为各所述流量价值范围设置对应的流量价值档位;所述流量价值档位的高低与所述流量价值范围的端值大小正相关。
可选的,所述生成模块,具体用于:
根据各所述历史目标请求的流量价值中的最大流量价值,确定总流量价值范围;
将所述总流量价值范围划分为预设数量个流量价值范围;各所述流量价值范围对应的请求数量相同,所述请求数量是流量价值属于所述流量价值范围的历史目标请求的数量。
可选的,所述确定模块202,还具体用于:
根据预先存储的各所述流量价值档位与所述流量价值档位对应的历史相关特征,查找对应的历史相关特征与所述目标相关特征相匹配的备选价值档位;所述流量价值档位对应的历史相关特征是流量价值属于所述流量价值档位所对应流量价值范围的历史目标请求的相关特征;
将所述相匹配的备选价值档位,确定为所述目标价值档位。
可选的,所述确定模块202,还具体用于:
将所述目标相关特征输入预设的流量价值预估模型,以获取所述目标请求的流量价值,得到目标流量价值;
基于所述备选价值档位对应的流量价值范围,查找所述目标流量价值所属的流量价值范围对应的备选价值档位,以作为所述目标价值档位。
可选的,所述选择模块203,具体用于:
为所述目标请求分配候选队列;所述候选队列可容纳的元素数量X与所述目标价值档位适配的候选对象数量相同;
选择X个备选网络对象作为所述候选队列中的队列元素,并基于所述目标价值档位适配的对象选择模型从所述队列元素中选择所述目标网络对象。
可选的,所述第一档位中各档位适配的对象选择模型为第一选择模型,所述第二档位中各档位适配的对象选择模型为第二选择模型;
所述第一选择模型可支持的最大对象处理量不小于第一数量,所述第二选择模型可支持的最大对象处理量不小于第二数量;所述第一数量为所述第一档位中各档位内所需处理的候选对象数量之和,所述第二数量为所述第二档位中各档位内所需处理的候选对象数量之和。
可选的,所述流量价值用于表征所述目标请求相对所述目标展示位中所展示网络对象的点击率和/或下单率。
本发明还提供了一种电子设备,参见图7,包括:处理器301、存储器302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3021,所述处理器执行所述程序时实现前述实施例的网络对象处理方法。
本发明还提供了一种可读存储介质,当所述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前述实施例的网络对象处理方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明的排序设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种网络对象处理方法,其特征在于,应用于网络平台,所述方法包括:
响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征;
基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高;
基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位;
获取当前时刻所属的时间片,以作为当前时间片;
所述基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位,包括:
从预划分的各时间片对应的流量价值档位中,选择对应的时间片与所述当前时间片相匹配的流量价值档位,以作为备选价值档位;
基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位。
2.根据权利要求1所述的方法,其特征在于,所述流量价值档位包括第一档位以及第二档位;所述第一档位高于所述第二档位,所述第一档位适配的候选对象数量和/或对象选择模型的规模大于所述第二档位适配的候选对象数量和/或对象选择模型的规模。
3.根据权利要求1所述的方法,其特征在于,所述流量价值档位通过下述方式得到:
对于任一时间片,获取所述时间片内的各历史目标请求的相关特征,得到历史相关特征;
将各所述历史相关特征输入预设的流量价值预估模型,以获取各所述历史目标请求的流量价值;
基于各所述历史目标请求的流量价值,生成所述时间片对应的流量价值范围;
为各所述流量价值范围设置对应的流量价值档位;所述流量价值档位的高低与所述流量价值范围的端值大小正相关。
4.根据权利要求3所述的方法,其特征在于,所述基于各所述历史目标请求的流量价值,生成所述时间片对应的流量价值范围,包括:
根据各所述历史目标请求的流量价值中的最大流量价值,确定总流量价值范围;
将所述总流量价值范围划分为预设数量个流量价值范围;各所述流量价值范围对应的请求数量相同,所述请求数量是流量价值属于所述流量价值范围的历史目标请求的数量。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位,包括:
根据预先存储的各所述流量价值档位与所述流量价值档位对应的历史相关特征,查找对应的历史相关特征与所述目标相关特征相匹配的备选价值档位;所述流量价值档位对应的历史相关特征是流量价值属于所述流量价值档位所对应流量价值范围的历史目标请求的相关特征;
将所述相匹配的备选价值档位,确定为所述目标价值档位。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位,包括:
将所述目标相关特征输入预设的流量价值预估模型,以获取所述目标请求的流量价值,得到目标流量价值;
基于所述备选价值档位对应的流量价值范围,查找所述目标流量价值所属的流量价值范围对应的备选价值档位,以作为所述目标价值档位。
7.根据权利要求1、5或6所述的方法,其特征在于,所述基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象,包括:
为所述目标请求分配候选队列;所述候选队列可容纳的元素数量X与所述目标价值档位适配的候选对象数量相同;
选择X个备选网络对象作为所述候选队列中的队列元素,并基于所述目标价值档位适配的对象选择模型从所述队列元素中选择所述目标网络对象。
8.根据权利要求2所述的方法,其特征在于,所述第一档位中各档位适配的对象选择模型为第一选择模型,所述第二档位中各档位适配的对象选择模型为第二选择模型;
所述第一选择模型可支持的最大对象处理量不小于第一数量,所述第二选择模型可支持的最大对象处理量不小于第二数量;所述第一数量为所述第一档位中各档位内所需处理的候选对象数量之和,所述第二数量为所述第二档位中各档位内所需处理的候选对象数量之和。
9.根据权利要求1、5或6所述的方法,其特征在于,所述流量价值用于表征所述目标请求相对所述目标展示位中所展示网络对象的点击率和/或下单率。
10.一种网络对象处理装置,其特征在于,应用于网络平台,所述装置包括:
第一获取模块,用于响应于目标请求,获取所述目标请求的相关特征,以作为目标相关特征;
确定模块,用于基于所述目标相关特征,确定所述目标请求所属的流量价值档位,得到目标价值档位;所述目标请求的流量价值越高,所述目标价值档位越高;
选择模块,用于基于所述目标价值档位适配的候选对象数量和/或对象选择模型,从备选网络对象中为目标展示位选择目标网络对象;所述目标展示位为所述目标请求命中的信息展示位;
第二获取模块,用于获取当前时刻所属的时间片,以作为当前时间片;
所述确定模块,具体用于:
从预划分的各时间片对应的流量价值档位中,选择对应的时间片与所述当前时间片相匹配的流量价值档位,以作为备选价值档位;
基于所述目标相关特征,从所述备选价值档位中选择所述目标价值档位。
11.一种电子设备,其特征在于,包括:
处理器、存储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程序时实现如权利要求1-9中一个或多个所述的网络对象处理方法。
12.一种可读存储介质,其特征在于,当所述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权利要求1-9中一个或多个所述的网络对象处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740748.5A CN113630334B (zh) | 2021-06-30 | 2021-06-30 | 网络对象处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740748.5A CN113630334B (zh) | 2021-06-30 | 2021-06-30 | 网络对象处理方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113630334A CN113630334A (zh) | 2021-11-09 |
CN113630334B true CN113630334B (zh) | 2023-05-26 |
Family
ID=78378743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740748.5A Active CN113630334B (zh) | 2021-06-30 | 2021-06-30 | 网络对象处理方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113630334B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7649838B2 (en) * | 2003-03-31 | 2010-01-19 | Adknowledge, Inc. | System and method for ranking the quality of internet traffic directed from one web site to another |
CN112308580A (zh) * | 2019-07-24 | 2021-02-02 | 阿里巴巴集团控股有限公司 | 资源位提供方法、装置、设备及可读存储介质 |
CN112767053A (zh) * | 2021-01-29 | 2021-05-07 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-30 CN CN202110740748.5A patent/CN113630334B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113630334A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885796B (zh) | 信息推荐方法及装置、设备 | |
US11222273B2 (en) | Service recommendation method, apparatus, and device | |
CN111651704B (zh) | 一种内容推荐方法、计算设备以及存储介质 | |
US8583618B2 (en) | Determination of graphical format to present search results | |
CN112307344B (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
JP6964689B2 (ja) | サンプル重み設定方法及び装置、電子装置 | |
CN107808314B (zh) | 用户推荐方法及装置 | |
WO2008005796A2 (en) | System and method for generating a display of tags | |
CN111210258A (zh) | 广告投放方法、装置、电子设备及可读存储介质 | |
CN110147514B (zh) | 一种资源展示方法、装置及其设备 | |
JP2018077821A (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
CN111259272B (zh) | 搜索结果排序方法及装置 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN111124676A (zh) | 资源分配方法、装置、可读存储介质和电子设备 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CA3085463A1 (en) | Search engine for identifying analogies | |
CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN111143555A (zh) | 基于大数据的客户画像生成方法、装置、设备及存储介质 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN110570271A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN113630334B (zh) | 网络对象处理方法、装置、电子设备及可读存储介质 | |
CN112100511A (zh) | 一种偏好程度数据获得方法、装置以及电子设备 | |
CN109934689B (zh) | 目标对象排名解释方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |