CN113724023B - 媒介资源的推送方法、装置、电子设备及存储介质 - Google Patents
媒介资源的推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113724023B CN113724023B CN202111296884.6A CN202111296884A CN113724023B CN 113724023 B CN113724023 B CN 113724023B CN 202111296884 A CN202111296884 A CN 202111296884A CN 113724023 B CN113724023 B CN 113724023B
- Authority
- CN
- China
- Prior art keywords
- account
- feature
- target
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000006399 behavior Effects 0.000 claims description 245
- 238000012545 processing Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 81
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种媒介资源的推送方法、装置、电子设备及存储介质,所述方法包括:获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的特征标签;从第一帐户集中获取特征标签下的第一目标帐户集,从第二帐户集中获取特征标签下的第二目标帐户集;确定第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数;根据特征标签对应的第一行为参数和第二行为参数,确定特征标签的标签影响参数;根据特征标签的标签影响参数确定目标帐户群,向目标帐户群推送媒介资源。通过本方法能够提升媒介资源与用户帐户之间的关联度,提升媒介资源对用户帐户的行为参数的正向影响,进而有助于提升用户的使用时长和频率。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种媒介资源的推送方法、装置、电子设备、计算机可读存储介质、计算机程序产品。
背景技术
随着信息技术和互联网技术的发展,平台通常会向用户帐户推送媒介资源。
以媒介资源为广告视频为例,相关技术中,在广告平台向用户帐户推送广告视频时,若推送的广告视频,不满足用户的观看需求,则会在一定程度上影响用户的体验,进而影响用户登录平台的频次;因此如何实现更好的向用户帐户推送媒介资源,是一个重要研究方向。
发明内容
本公开提供一种媒介资源的推送方法、装置、电子设备、计算机可读存储介质、计算机程序产品,以至少解决相关技术中向用户帐户推送媒介资源导致的用户使用时长和频率降低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种媒介资源的推送方法,包括:
获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签;
从所述第一帐户集中获取所述特征标签下的第一目标帐户集,以及从所述第二帐户集中获取所述特征标签下的第二目标帐户集;
确定所述第一目标帐户集的第一行为参数,以及所述第二目标帐户集的第二行为参数;
根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数;
根据所述特征标签的标签影响参数确定目标帐户群,向所述目标帐户群推送媒介资源。
在其中一个实施例中,所述根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数,包括:
确定所述特征标签下的所述第一行为参数与所述第二行为参数之间的行为差异参数;
根据所述特征标签的所述行为差异参数从多个所述属性特征中确定出目标属性特征,所述目标属性特征包括多个目标特征标签;
以所述目标特征标签为节点,获取属于所述节点的所述第一目标帐户集以及所述第二目标帐户集,得到第一层节点;
根据所述节点的行为差异参数,生成所述第一层节点中节点的节点标签影响参数;
对所述节点进行处理,直至符合预设停止条件,得到至少一层节点;
根据所述节点的节点标签影响参数生成所述特征标签的标签影响参数。
在其中一个实施例中,所述根据所述特征标签的所述行为差异参数结果从多个所述属性特征中确定出目标属性特征,包括:
根据所述属性特征下的特征标签的行为差异参数,生成所述属性特征的特征影响参数;
根据所述特征影响参数从多个所述属性特征中确定出所述目标属性特征。
在其中一个实施例中,所述根据所述节点的行为差异参数,生成所述节点的节点标签影响参数,包括:
获取所述节点下所述第一目标帐户集以及所述第二目标帐户集的节点帐户数量,以及所述第一帐户集与所述第二帐户集的总帐户数量;
根据所述节点帐户数量、所述总帐户数量以及所述行为差异参数,生成所述节点的节点标签影响参数。
在其中一个实施例中,所述根据所述特征标签的标签影响参数确定目标帐户群,包括:
按照所述特征标签的标签影响参数对多个所述特征标签进行排序;
根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群。
在其中一个实施例中,所述根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群,包括:
从排序后的多个所述特征标签中确定出排序最前或者最后的至少一个特征标签;
从所述候选帐户群中获取所述至少一个特征标签下的帐户群,作为所述目标帐户群,所述目标帐户群在所述候选帐户群中的占比符合阈值条件。
在其中一个实施例中,所述确定所述第一目标帐户集的第一行为参数,以及所述第二目标帐户集的第二行为参数,包括:
获取所述第一帐户集以及所述第二帐户集中的帐户在预设天数的历史行为记录;
对多个所述属性特征下的特征标签进行组合,得到多个特征组合,所述特征组合为范围最小的组合;
从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数;
从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数。
在其中一个实施例中,所述从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数,包括:
根据所述特征组合下的第一帐户的历史行为记录,获取预设天数个的当日第一参考帐户数,以及与所述当日第一帐户数相对应的次日第一参考帐户数;
获取所述预设天数个的当日第一参考帐户数之和,以及所述次日第一参考帐户数的之和;
根据所述特征组合对应的所述当日第一参考帐户数之和以及所述次日第一参考帐户数的之和,生成所述特征标签对应的当日第一目标参考帐户数以及次日第一目标参考帐户数,作为所述第一行为参数。
在其中一个实施例中,所述从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数,包括:
根据所述特征组合下的第二帐户的历史行为记录,获取预设天数个的当日第二参考帐户数,以及与所述当日第二参考帐户数相对应的次日第二参考帐户数;
获取所述预设天数个的当日第二参考帐户数之和,以及所述次日第二参考帐户数的之和;
根据所述特征组合对应的所述当日第二参考帐户数之和以及所述次日第二参考帐户数的之和,生成所述特征标签对应的当日第二目标参考帐户数以及次日第二目标参考帐户数,作为所述第二行为参数。
根据本公开实施例的第二方面,提供一种媒介资源的推送装置,包括:
获取模块,被配置为执行获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签;
帐户集确定模块,被配置为执行从所述第一帐户集中获取所述特征标签下的第一目标帐户集,以及从所述第二帐户集中获取所述特征标签下的第二目标帐户集;
第一参数确定模块,别配置为执行确定所述第一目标帐户集的第一行为参数,以及所述第二目标帐户集的第二行为参数;
第二参数确定模块,被配置为执行根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数;
推送模块,被配置为执行根据所述特征标签的标签影响参数确定目标帐户群,向所述目标帐户群推送媒介资源。
在其中一个实施例中,所述第二参数确定模块,包括:
差异参数确定单元,被配置为执行确定所述特征标签下的所述第一行为参数与所述第二行为参数之间的行为差异参数;
属性特征确定单元,被配置为执行根据所述特征标签的所述行为差异参数从多个所述属性特征中确定出目标属性特征,所述目标属性特征包括多个目标特征标签;
帐户集获取单元,被配置为执行以所述目标特征标签为节点,获取属于所述节点的所述第一目标帐户集以及所述第二目标帐户集,得到第一层节点;
节点影响参数生成单元,被配置为执行根据所述节点的行为差异参数,生成所述节点的节点标签影响参数;
迭代单元,被配置为执行对所述节点进行处理,直至符合预设停止条件,得到至少一层节点;
影响参数生成单元,被配置为执行根据所述节点的节点标签影响参数生成所述特征标签的标签影响参数。
在其中一个实施例中,所述属性特征确定单元,包括:
第一参数生成子单元,被配置为执行根据所述属性特征下的特征标签的行为差异参数,生成所述属性特征的特征影响参数;
特征确定子单元,被配置为执行根据所述特征影响参数从多个所述属性特征中确定出所述目标属性特征。
在其中一个实施例中,所述节点影响参数生成单元,包括:
数量获取子单元,被配置为执行获取所述节点下所述第一目标帐户集以及所述第二目标帐户集的节点帐户数量,以及所述第一帐户集与所述第二帐户集的总帐户数量;
第二参数生成子单元,被配置为执行根据所述节点帐户数量、所述总帐户数量以及所述行为差异参数,生成所述节点的节点标签影响参数。
在其中一个实施例中,所述推送模块,包括:
标签排序单元,被配置为执行按照所述特征标签的标签影响参数对多个所述特征标签进行排序;
帐户群确定单元,被配置为执行根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群。
在其中一个实施例中,所述帐户群确定单元,被配置为执行从排序后的多个所述特征标签中确定出排序最前或者最后的至少一个特征标签;从所述候选帐户群中获取所述至少一个特征标签下的帐户群,作为所述目标帐户群,所述目标帐户群在所述候选帐户群中的占比符合阈值条件。
在其中一个实施例中,所述第一参数确定模块,包括:
记录获取单元,被配置为执行获取所述第一帐户集以及所述第二帐户集中的帐户在预设天数的历史行为记录;
标签组合单元,被配置为执行对多个所述属性特征下的特征标签进行组合,得到多个特征组合,所述特征组合为范围最小的组合;
第一行为参数确定单元,被配置为执行从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数;
第二行为参数确定单元,被配置为执行从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数。
在其中一个实施例中,所述第一行为参数确定单元,被配置为执行:根据所述特征组合下的第一帐户的历史行为记录,获取预设天数个的当日第一参考帐户数,以及与所述当日第一帐户数相对应的次日第一参考帐户数;获取所述预设天数个的当日第一参考帐户数之和,以及所述次日第一参考帐户数的之和;根据所述特征组合对应的所述当日第一参考帐户数之和以及所述次日第一参考帐户数的之和,生成所述特征标签对应的当日第一目标参考帐户数以及次日第一目标参考帐户数,作为所述第一行为参数。
在其中一个实施例中,所述第二行为参数确定单元,被配置为执行:
根据所述特征组合下的第二帐户的历史行为记录,获取预设天数个的当日第二参考帐户数,以及与所述当日第二参考帐户数相对应的次日第二参考帐户数;获取所述预设天数个的当日第二参考帐户数之和,以及所述次日第二参考帐户数的之和;根据所述特征组合对应的所述当日第二参考帐户数之和以及所述次日第二参考帐户数的之和,生成所述特征标签对应的当日第二目标参考帐户数以及次日第二目标参考帐户数,作为所述第二行为参数。
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,以实现如上述第一方面任一项实施例所述的媒介资源的推送方法。
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,使得所述电子设备能够执行如第一方面任一项实施例所述的媒介资源的推送方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被电子设备的处理器执行时,使得所述电子设备能够执行如上述第一方面任一项实施例所述的媒介资源的推送方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集。从第一帐户集中获取特征标签下的第一目标帐户集,以及从第二帐户集中获取特征标签下的第二目标帐户集。根据第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数,得到特征标签的标签影响参数,最后根据特征标签的标签影响参数确定目标帐户群,向目标帐户群推送媒介资源,目标帐户群之外的其他帐户不推送媒介资源,从而可以提升媒介资源的推送与用户帐户之间的关联度,提升媒介资源对用户帐户的行为参数的正向影响,有助于提升用户使用体验,提升用户帐户的使用时长和频率。
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媒介资源的推送方法的应用环境图。
图2是根据一示例性实施例示出的一种媒介资源的推送方法的流程图。
图3是根据一示例性实施例示出的一种确定标签影响参数步骤的流程图。
图4是根据一示例性实施例示出的一种多叉树分裂的搜索方法的示意图。
图5是根据一示例性实施例示出的一种确定目标帐户群的示意图。
图6是根据一示例性实施例示出的一种确定第一行为参数和第二行为参数的流程图。
图7是根据一示例性实施例示出的一种媒介资源的推送方法的流程图。
图8是根据一示例性实施例示出的一种媒介资源的推送装置的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
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。
还需要说明的是,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。
本公开所提供的媒介资源的推送方法,可以应用于如图1所示的应用环境中。其中,若干个终端110通过网络与服务器120进行交互。终端110中安装有能够接收媒介资源的应用程序,该应用程序可以是视频类、即时通信类、购物类、直播类等应用程序。服务器120中配置有媒介资源推送系统,通过该媒介资源推送系统获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签。从第一帐户集中获取各个特征标签下的第一目标帐户集,以及从第二帐户集中获取各个特征标签下的第二目标帐户集。确定第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数,根据各个特征标签对应的第一行为参数与第二行为参数确定各个特征标签的标签影响参数;根据各个特征标签的标签影响参数确定目标帐户群;向目标帐户群所在的终端110推送媒介资源。
进一步地,服务器120可以按照预设的时间间隔循环执行本公开所述的媒介资源的推送方法,例如,在每天的24:00执行媒介资源的推送方法,从而可以维持媒介资源的推送准确性。
其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2是根据一示例性实施例示出的一种媒介资源的推送方法的流程图,如图2所示,媒介资源的推送方法用于服务器中,包括以下步骤。
在步骤S210中,获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签。
其中,第一帐户集中包括多个第一帐户;第二帐户集中包括多个第二帐户。帐户选择可以有如下方式,例如,按照预设的帐户选择方式选择一定数量的用户帐户,将其中的一半作为第一帐户,得到第一帐户集;将其中的另一半作为第二帐户,得到第二帐户集。预设的帐户选择方式可以是随机选取;按照帐户特征标签均衡选取等。
属性特征可以用于表征帐户属性的抽象集合。属性特征可以是从已构建的属性体系中选择的指定属性特征,也可以是全部的属性特征。各个属性特征下可以包括至少一个特征标签。例如,属性特征包括性别特征,男、女;地域特征,A~G 7个地区等。
服务器可以从已构建的属性特征体系中得到与各个用户帐户匹配的特征标签,得到与各个用户帐户对应的特征标签集合。例如,某个用户帐户的特征标签集合为[男、地区A]。
在步骤S220中,从第一帐户集中获取特征标签下的第一目标帐户集,以及从第二帐户集中获取特征标签下的第二目标帐户集。
具体地,服务器从第一帐户集中获取属于各个特征标签的第一帐户,得到与各个特征标签对应的第一目标帐户集。服务器从第二帐户集中获取属于各个特征标签的第二帐户,得到与各个特征标签对应的第二目标帐户集。
在步骤S230中,确定第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数。
其中,行为参数可以为活跃度(例如活跃次数、活跃值),可以通过帐户的在线时长、登录频次等确定。目标帐户集的行为参数可以通过目标帐户集中帐户的总行为参数表征。例如,将一天内登录频率多于b次的帐户作为活跃帐户。假设目标帐户集中包括10个帐户。其中5个为活跃帐户,那么可以将目标帐户集的行为参数配置为5。或者,按照各个帐户的在线时长和登录频次确定各个帐户的活跃值,将目标帐户集中所有帐户的总活跃值作为目标帐户集的行为参数。
具体地,服务器获取第一帐户集以及第二帐户集。向第一帐户集中的各个第一帐户推送媒介资源,不向第二帐户集中的各个第二帐户推送媒介资源。在预设时长后,服务器获取各个第一帐户以及各个第二帐户的历史行为记录。根据各个第一帐户以及各个第二帐户的历史行为记录,确定各个第一帐户以及各个第二帐户的行为参数。服务器根据第一目标帐户集中各个第一帐户的行为参数生成与各个特征标签对应的第一行为参数。相应地,根据第二目标帐户集中各个第二帐户的行为参数生成与各个特征标签对应的第二行为参数。
在步骤S240中,根据特征标签对应的第一行为参数和第二行为参数,确定特征标签的标签影响参数。
其中,与特征标签对应的标签影响参数反映媒介资源对该特征标签下帐户的影响程度。标签影响参数可以与影响程度正相关,即,标签影响参数越大表示越容易被影响,代表推送媒介资源较多影响到该特征标签下帐户的行为参数。标签影响参数可以与影响程度负相关,即,标签影响参数越大表示越不容易被影响,代表媒介资源较少影响到该特征标签下帐户的行为参数。
具体地,服务器中部署有第一运算方式。当服务器获取与各个特征标签对应的第一行为参数和第二行为参数后,通过第一运算方式对第一行为参数和第二行为参数进行运算,得到与各个特征标签对应的标签影响参数。其中,标签影响参数运算方式可以根据实际需要设置,例如,设置为减法、比值、预设函数等。
在步骤S250中,根据各个特征标签的标签影响参数确定目标帐户群,向目标帐户群推送媒介资源。
具体地,服务器可以根据各个特征标签的标签影响参数,从多个特征标签中确定标签影响参数满足要求的特征标签。例如,可以根据各个特征标签的标签影响参数选取影响程度最低的特征标签。服务器从候选帐户群(可以为应用程序中的已注册用户帐户)中筛选得到被选取的特征标签下的候选帐户,得到目标帐户群。进而向目标帐户群推送媒介资源,目标帐户群之外的其他帐户则不推送媒介资源。
上述媒介资源的推送方法中,对多个帐户进行反向对照试验,获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集。从第一帐户集中获取特征标签下的第一目标帐户集,以及从第二帐户集中获取特征标签下的第二目标帐户集。根据第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数,得到特征标签的标签影响参数,最后根据特征标签的标签影响参数确定目标帐户群,向目标帐户群推送媒介资源,目标帐户群之外的其他帐户不推送媒介资源,从而可以提升媒介资源的推送与用户帐户之间的关联度,提升媒介资源对用户帐户的行为参数的正向影响,有助于提升用户使用体验,提升用户帐户的使用时长和频率。
在一示例性实施例中,可以采用多叉树分裂的搜索方法得到各个特征标签的标签影响参数。如图3所示,在步骤S240中,根据特征标签对应的第一行为参数和第二行为参数,确定特征标签的标签影响参数,具体可以通过以下步骤实现:
在步骤S310中,确定特征标签下的第一行为参数与第二行为参数之间的行为差异参数。
其中,行为差异参数可以反映第一行为参数和第二行为参数之间的区别程度。
具体地,服务器中部署有第二运算方式。当服务器获取与各个特征标签对应的第一行为参数和第二行为参数后,通过第二运算方式对第一行为参数和第二行为参数进行运算,得到与各个特征标签对应的行为差异参数。其中,行为参数差异运算方式可以根据实际需要设置,例如,设置为减法、比值、预设函数等。
在步骤S320中,根据特征标签的行为差异参数从多个属性特征中确定出目标属性特征,目标属性特征包括多个目标特征标签。
具体地,在得到各个特征标签的行为差异参数后,便可得到与各个属性特征对应的至少一个行为差异参数。服务器对各个属性特征对应的至少一个行为差异参数进行分析处理,确定出目标属性特征。其中,分析处理的方式可以依实际情况而定,例如,获取至少一个行为差异参数的平均值,根据多个属性特征的平均值确定目标属性特征,在此处不做进一步限定。
在步骤S330中,以目标特征标签为节点,获取属于节点的第一目标帐户集以及第二目标帐户集,得到第一层节点。
具体地,参照图4,服务器以各个目标特征标签作为第一层节点中的节点,例如,若目标属性特征包括C个目标特征标签,则得到相应的C个节点。针对各个节点,从第一帐户集中获取对应的目标特征标签下的第一帐户,得到该节点下的第一目标帐户集。相应地,针对各个节点,从第二帐户集中获取对应的目标特征标签下的第二帐户,得到该节点下的第二目标帐户集。
在步骤S340中,根据节点的行为差异参数,生成第一层节点中节点的节点标签影响参数。
具体地,针对第一层节点中的各个节点,服务器获取与各个节点所代表的目标特征标签对应的行为差异参数。通过第一运算方式对各个目标特征标签对应的行为差异参数进行运算,得到与各个目标特征标签(即各个节点)对应的节点标签影响参数。
在步骤S350中,对节点进行处理,直至符合预设停止条件,得到至少一层节点。
具体地,服务器按照步骤S310~步骤S340,分别对已得到的各个节点中的第一目标帐户集和第二目标帐户集及进行分裂处理,直至当前满足预设停止条件,得到至少一层节点,以及与每个节点对应的节点标签影响参数。
在步骤S360中,根据所得到的节点的节点标签影响参数生成特征标签的标签影响参数。
具体地,在停止分裂处理后,服务器对属于相同特征标签的至少一个节点标签影响参数进行聚类。对该至少一个节点标签影响参数进行加工运算,得到各个特征标签的标签影响参数。其中,加工运算的方式可以根据实际需要设置,例如,可以为求和运算、加权和运算、最大值或者查找最小值等,在此不做进一步限定。
本实施例中,基于多叉树分裂的搜索方法对第一帐户集和第二帐户集进行逐层处理,以节点为单位对节点对应的目标属性特征进行分析,能够得到较为准确的标签影响参数,从而有助于提升标签影响参数的准确性。
在一示例性实施例中,预设停止条件可以为以下条件中的至少一个。
(1)属于节点的帐户的数量低于帐户阈值。具体地,对于当前层的每个节点,服务器获取属于每个节点的第一帐户以及第二帐户的总数量。当该总数量低于帐户阈值,则停止对该个节点分裂处理。通过对当前节点中的帐户总数进行监测,停止对帐户总数低于帐户阈值的节点进行分裂处理,可以避免因为帐户数量过少而导致的置信度不高的问题。
(2)节点层数达到层数阈值。具体地,服务器获取当前的层数,当当前层的层数达到层数阈值时,停止对当前层的节点进行分裂处理。例如,当前层为第m层,m等于层数阈值,则停止对当前层的节点进行分裂处理。
在一示例性实施例中,各个属性特征的特征影响参数可以使用方差表征。具体地,服务器在获取与各个属性特征对应的至少一个行为差异参数后,按照方差公式计算得到至少一个行为差异参数的方差,作为各个属性特征的特征影响参数。获取方差最大的属性特征,作为目标属性特征。
本实施例中,方差可以反映各个属性特征下特征标签的行为差异参数的离散程度,即,方差越大,媒体资源的推送对该属性特征的影响程度越大。通过选取方差最大的属性特征作为下一层节点的分裂基础,对影响程度大的属性特征进行优先分裂处理,能够更为准确地确定出受媒介资源的推送影响较多的特征标签。
在一示例性实施例中,影响节点标签影响参数的变量包括节点中的帐户数量,以及节点的行为差异参数。步骤S340,根据节点的行为差异参数,生成节点的节点标签影响参数,包括:获取属于节点的第一目标帐户集以及第二目标帐户集的节点帐户数量,以及第一帐户集与第二帐户集的总帐户数量;根据节点帐户数量、总帐户数量以及行为差异参数,生成节点的节点标签影响参数。
具体地,对于当前节点,服务器在确定属于当前节点(即目标特征标签)的第一目标帐户集和第二目标帐户集后,获取存在于第一目标帐户集以及第二目标帐户集中帐户的帐户数量。获取存在于第一帐户集以及第二帐户集中帐户的总帐户数量。通过预设函数根据当前节点的行为差异参数、帐户数量以及总帐户数量,生成当前节点的节点标签影响参数。
本实施例中,将节点中的帐户数量以及节点的行为差异参数都作为节点标签影响参数的变量,体现帐户数量以及行为差异参数的变化给节点标签影响参数带来的影响,可以准确地确定出受媒介资源的推送影响较多的特征标签。
在一示例性实施例中,可以采用以下公式得到各个节点的节点标签影响参数:
其中,S代表节点标签影响参数;D 1 代表存在于节点中的帐户数量;D 2 代表第一帐户集和第二帐户集的总帐户数量;x代表预设的调节参数值;R代表行为差异参数。
在一示例性实施例中,根据特征标签的标签影响参数确定出目标帐户群,包括:按照特征标签的标签影响参数对多个特征标签进行排序;根据排序后的多个特征标签,从候选帐户群中确定出目标帐户群。
具体地,服务器可以按照各个特征标签的标签影响参数对多个特征标签进行值从高到低,或者,值从低到高的排序。从排序后的多个特征标签中确定出排序最前或者最后的至少一个特征标签。从候选帐户群中获取该至少一个特征标签下的帐户,得到目标帐户群。目标帐户群在候选帐户群中的占比符合阈值条件。
更为具体地,标签影响参数与影响程度正相关。假设按照标签影响参数的值从高到低的顺序对多个特征标签进行排序。从排序最高的特征标签开始,从候选帐户群中获取排序最高的特征标签下的第一帐户群。计算第一帐户群在候选帐户群中的占比。若占比符合阈值条件,则将第一帐户群之外的其他帐户群作为目标帐户群;否则继续进行以下步骤。继续获取排序第二的特征标签。根据排序最高和排序第二的特征标签生成特征标签组合,从候选帐户群中获取特征标签组合下的第二帐户群。计算第二帐户群在候选帐户群中的占比。若占比符合阈值条件,则第二帐户群之外的其他帐户群作为目标帐户群;否则重复上述步骤,直至所获取的帐户群在候选帐户群中的占比符合阈值条件。
示例性地,阈值条件为目标帐户群占比大于或等于95%(即除目标帐户群之外的其他帐户群占比小于5%)。如图5所示,假设按照标签影响参数的值从高到低的顺序对多个特征标签进行排序。从城市:A类城市开始,从候选帐户群中获取属于一线城市的第一帐户群。但是第一帐户群在候选帐户群中的占比为10%,则获取A类城市且年龄在某区间的第二帐户群。计算第二帐户群在候选帐户群中的占比为4%。则将候选帐户群中除第二帐户群之外的其他帐户群确定为目标帐户群。
本实施例中,根据各个特征标签的标签影响参数从多个特征标签中定位到对媒介资源的推送影响较大的帐户群,不向该帐户群推送媒介资源,从而可以提升媒介资源的推送与用户帐户的之间的关联度,减少媒介资源对用户帐户的行为参数的影响,有助于提升用户帐户的使用时长和频率。
在一示例性实施例中,对第一行为参数和第二行为参数的一种生成方式进行说明。如图6所示,确定第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数,具体可以通过以下步骤实现:
在步骤S610中,获取第一帐户集以及第二帐户集中的帐户在预设天数的历史行为记录。
具体地,服务器在确定第一帐户集以及第二帐户集后,向第一帐户集中的各个第一帐户推送媒介资源,不向第二帐户集中的各个第二帐户推送媒介资源。在预设天数(例如30天)后,服务器获取各个第一帐户以及各个第二帐户的历史行为记录。按照步骤S230中所述的内容确定各个第一帐户以及各个第二帐户在每天是否为活跃帐户,作为历史行为记录。
在步骤S620中,对多个属性特征下的特征标签进行组合,得到多个特征组合。
其中,特征组合是指能够筛选得到范围最小的帐户的特征组合。
具体地,服务器所获取的属性特征的数量为多个。在这种情况下,服务器对多个属性特征下的特征标签进行组合,得到多个特征组合。示例性地,多个属性特征包括属性特征1和属性特征2。属性特征1包括特征标签A和特征标签B;属性特征2包括特征标签C和特征标签D。可以得到[特征标签A,特征标签C]、[特征标签B,特征标签C]、[特征标签A,特征标签D]、[征标标签C,特征标签D]四个范围最小的特征组合。
在步骤S630中,从第一帐户集中获取特征组合下的第一帐户,并根据特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据第一参考帐户数,生成特征标签的第一目标参考帐户数,作为第一行为参数。
其中,参考帐户数可以表示历史行为为活跃的帐户数。
具体地,服务器从第一帐户集中获取各个特征组合下的第一帐户。获取特征组合下的第一帐户在每天的参考帐户数。获取预设天数的参考帐户数之和,作为该特征组合对应的第一参考帐户数。
示例性地,预设天数为2天。某个特征组合下的第一帐户包括帐户A、帐户B、帐户C。帐户A在2天中都为活跃帐户;帐户B在第一天为活跃帐户;帐户C在第二天为活跃帐户。那么,可以得到特征组合下的第一帐户在第一天的参考帐户数为2,在第二天的参考帐户数为2,则该特征组合对应的第一参考帐户数为4。
服务器将各个特征组合对应的第一参考帐户数作为输入数据,便可快速对各个特征组合对应的第一参考帐户数求和,得到与各个特征标签对应的第一目标参考帐户数,将该第一目标参考帐户数作为第一行为参数。
继续以上述示例举例说明,特征标签A为特征组合[特征标签A,特征标签C]和[特征标签A,特征标签D]之和,则特征标签A的第一目标参考帐户数为这两个组合的第一参考帐户数之和。
在步骤S640中,从第二帐户集中获取特征组合下的第二帐户,并根据特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据第二参考帐户数,生成特征标签的第二目标参考帐户数,作为第二行为参数。
具体地,服务器从第二帐户集中获取各个特征组合下的第二帐户。获取特征组合下的第二帐户在每天的参考帐户数。获取预设天数的参考帐户数之和,作为该特征组合对应的第二参考帐户数。服务器将各个特征组合对应的第二参考帐户数作为输入数据,便可快速对各个特征组合对应的第二参考帐户数求和,得到与各个特征标签对应的第二目标参考帐户数,将第二目标参考帐户数作为第二行为参数。
本实施例中,通过先获取特征组合对应的参考帐户数,将特征组合对应的参考帐户数作为后续分析各个特征标签的行为参数的输入数据,极大地加快了行为参数的生成效率。通过累计预设天数的历史行为记录,从而有充分的参考帐户数以供处理,可以提升行为参数的置信度。
在一示例性实施例中,对第一行为参数的另一种生成方式进行说明。
具体地,服务器首先按照步骤S230中所述的内容,根据每个第一帐户的历史行为记录确定每个第一帐户在每天是否为活跃帐户。然后,从第一帐户集中获取各个特征组合下的第一帐户。将每天作为当日,确定每天的当日第一参考帐户数,以及每天的次日对应的次日第一参考帐户数。对于最后一天的次日,可以将其次日第一参考帐户数配置为0。服务器获取预设天数个的当日第一参考帐户数之和,以及获取预设天数个的次日第一参考帐户数之和,将所获取的两个和作为第一参考帐户数。
示例性地,预设天数为3天。某个特征组合下的第一帐户包括帐户A、帐户B、帐户C。帐户A在3天中都为活跃帐户;帐户B在第一天和第二天为活跃帐户;帐户C在第二天和第三天为活跃帐户。那么,可以得到特征组合下的第一帐户:
在第一天的当日第一参考帐户数为2,第一天的次日第一参考帐户数为3;
在第二天的当日第一参考帐户数为3,第二天的次日第一参考帐户数为2;
在第三天的当日第一参考帐户数为2,第三天的次日第一参考帐户数为0。
那么,第一参考帐户数包括当日第一参考帐户数之和为7、次日第一参考帐户数之和为5。
相应地,由于第一参考帐户数包含当日第一参考帐户数之和、次日第一参考帐户数之和这两个参数值,因此,对各个特征组合对应的当日第一参考帐户数之和进行求和,得到当日第一目标参考帐户数;对各个特征组合对应的次日第一目标参考帐户数之和进行求和,得到次日第一目标参考帐户数,将当日第一目标参考帐户数和次日第一目标参考帐户数作为各个特征标签的第一行为参数。
本实施例中,通过累计预设天数的历史行为记录,从而有充分的参考帐户数以供处理,可以提升行为参数的置信度。
在一示例性实施例中,对第二行为参数的另一种生成方式进行说明。从第二帐户集中获取特征组合下的第二帐户,并根据特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据第二参考帐户数,生成特征标签的第二目标参考帐户数,作为第二行为参数,包括:根据特征组合下的第二帐户的历史行为记录,获取预设天数个的当日第二参考帐户数,以及与当日第二参考帐户数相对应的次日第二参考帐户数;获取预设天数个的当日第二参考帐户数之和,以及次日第二参考帐户数的之和,作为第二参考帐户数;根据特征组合对应的当日第二参考帐户数之和以及次日第二参考帐户数的之和,生成特征标签对应的当日第二目标参考帐户数以及次日第二目标参考帐户数,将当日第二目标参考帐户数以及次日第二目标参考帐户数作为第二行为参数。
具体地,关于第二行为参数的具体生成方式可以参照第一行为参数的生成方式,在此不做具体阐述。
在一个示例性实施例中,在各个特征标签的第一行为参数包括当日第一目标参考帐户数和次日第一目标参考帐户数,各个特征标签的第二行为参数包括当日第二目标参考帐户数和次日第二目标参考帐户数的情况下,可以按照以下公式得到各个特征标签的行为参数差异结果:
行为参数差异结果=( 次日第二目标参考帐户数/当日第二目标参考帐户数)-(次日第一目标参考帐户数/当日第一目标参考帐户数)。
图7是根据一示例性实施例示出的一种媒介资源的推送方法的流程图。如图7所示,包括以下步骤。
在步骤S702中,获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及第一帐户集以及第二帐户集中的各个帐户在预设天数的历史行为记录。
在步骤S704中,从预先构建的属性特征表中获取多个属性特征,每个属性特征包括的多个特征标签。
在步骤S706中,对多个属性特征下的特征标签进行组合,得到多个特征组合。
在步骤S708中,根据第一帐户集中各个帐户的历史行为记录生成各个特征组合对应的第一参考帐户数。根据第二帐户集中各个帐户的历史行为记录生成各个特征组合对应的第二参考帐户数。第一参考帐户数和第二参考帐户数的具体生成方式可以参照上述实施例,在此不做具体阐述。
在步骤S710中,根据第一参考帐户数生成第一帐户集下各个特征标签对应的第一行为参数。第一行为参数包括当日第一目标参考帐户数和次日第一目标参考帐户数。根据第二参考帐户数生成第二帐户集下各个特征标签对应的第二行为参数。第二行为参数包括当日第二目标参考帐户数和次日第二目标参考帐户数。
在步骤S712中,根据各个特征标签对应的第一行为参数和第二行为参数,计算得到各个特征标签的行为差异参数。
在步骤S714中,获取各个属性特征对应的多个行为差异参数的方差,将方差最大的属性特征作为目标属性特征。目标属性特征包括多个目标特征标签。
在步骤S716中,以各个目标特征标签为节点,从第一帐户集中获取属于各个节点的第一目标帐户集,从第二帐户集中获取属于各个节点的第二目标帐户集,得到第一层节点。
在步骤S718中,获取属于各个节点的第一目标帐户集以及第二目标帐户集的节点帐户数量、第一帐户集与第二帐户集的总帐户数量、行为差异参数,生成各个节点的节点标签影响参数。
在步骤S720,按照上述步骤S710~步骤S718继续分别对第一层节点中的每个节点进行处理,直至满足预设停止条件,对属于相同特征标签的节点标签影响参数进行求和,得到各个特征标签的标签影响参数。
在步骤S722,根据各个特征标签的标签影响参数,从候选帐户群中确定出目标帐户群,向目标帐户群推送媒介资源(如开屏广告),目标帐户群推之外的其他帐户不推送媒介资源。目标帐户群的具体确定方式可以参照上述实施例,在此不做具体阐述。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
可以理解的是,本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见,每个实施例重点说明的是与其他实施例的不同之处,相关之处参见其他方法实施例的说明即可。
图8是根据一示例性实施例示出的一种媒介资源的推送装置800框图。参照图8,该装置包括获取模块802、帐户集确定模块804、第一参数确定模块806、第二参数确定模块808、推送模块810。
获取模块802,被配置为执行获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签;帐户集确定模块804,被配置为执行从第一帐户集中获取特征标签下的第一目标帐户集,以及从第二帐户集中获取特征标签下的第二目标帐户集;第一参数确定模块806,别配置为执行确定第一目标帐户集的第一行为参数,以及第二目标帐户集的第二行为参数;第二参数确定模块808,被配置为执行根据特征标签对应的第一行为参数和第二行为参数,确定特征标签的标签影响参数;推送模块810,被配置为执行根据特征标签的标签影响参数确定目标帐户群,向目标帐户群推送媒介资源。
在一示例性实施例中,第二参数确定模块806,包括:差异参数确定单元,被配置为执行确定特征标签下的第一行为参数与第二行为参数之间的行为差异参数;属性特征确定单元,被配置为执行根据特征标签的行为差异参数从多个属性特征中确定出目标属性特征,目标属性特征包括多个目标特征标签;帐户集获取单元,被配置为执行以目标特征标签为节点,获取属于节点的第一目标帐户集以及第二目标帐户集,得到第一层节点;节点影响参数生成单元,被配置为执行根据节点的行为差异参数,生成节点的节点标签影响参数;迭代单元,被配置为执行对节点进行处理,直至符合预设停止条件,得到至少一层节点;影响参数生成单元,被配置为执行根据节点的节点标签影响参数生成特征标签的标签影响参数。
在一示例性实施例中,属性特征确定单元,包括:第一参数生成子单元,被配置为执行根据属性特征下的特征标签的行为差异参数,生成属性特征的特征影响参数;特征确定子单元,被配置为执行根据特征影响参数从多个属性特征中确定出目标属性特征。
在一示例性实施例中,节点影响参数生成单元,包括:数量获取子单元,被配置为执行获取节点下第一目标帐户集以及第二目标帐户集的节点帐户数量,以及第一帐户集与第二帐户集的总帐户数量;第二参数生成子单元,被配置为执行根据节点帐户数量、总帐户数量以及行为差异参数,生成节点的节点标签影响参数。
在一示例性实施例中,推送模块810,包括:标签排序单元,被配置为执行按照特征标签的标签影响参数对多个特征标签进行排序;帐户群确定单元,被配置为执行根据排序后的多个特征标签,从候选帐户群中确定出目标帐户群。
在一示例性实施例中,帐户群确定单元,被配置为执行从排序后的多个特征标签中确定出排序最前或者最后的至少一个特征标签;从候选帐户群中获取至少一个特征标签下的帐户群,作为目标帐户群,目标帐户群在候选帐户群中的占比符合阈值条件。
在一示例性实施例中,第一参数确定模块806,包括:记录获取单元,被配置为执行获取第一帐户集以及第二帐户集中的帐户在预设天数的历史行为记录;标签组合单元,被配置为执行对多个属性特征下的特征标签进行组合,得到多个特征组合,特征组合为范围最小的组合;第一行为参数确定单元,被配置为执行从第一帐户集中获取特征组合下的第一帐户,并根据特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据第一参考帐户数,生成特征标签的第一目标参考帐户数,作为第一行为参数;第二行为参数确定单元,被配置为执行从第二帐户集中获取特征组合下的第二帐户,并根据特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据第二参考帐户数,生成特征标签的第二目标参考帐户数,作为第二行为参数。
在一示例性实施例中,第一行为参数确定单元,被配置为执行:根据特征组合下的第一帐户的历史行为记录,获取预设天数个的当日第一参考帐户数,以及与当日第一帐户数相对应的次日第一参考帐户数;获取预设天数个的当日第一参考帐户数之和,以及次日第一参考帐户数的之和;根据特征组合对应的当日第一参考帐户数之和以及次日第一参考帐户数的之和,生成特征标签对应的当日第一目标参考帐户数以及次日第一目标参考帐户数,作为第一行为参数。
在一示例性实施例中,第二行为参数确定单元,被配置为执行:根据特征组合下的第二帐户的历史行为记录,获取预设天数个的当日第二参考帐户数,以及与当日第二参考帐户数相对应的次日第二参考帐户数;获取预设天数个的当日第二参考帐户数之和,以及次日第二参考帐户数的之和;根据特征组合对应的当日第二参考帐户数之和以及次日第二参考帐户数的之和,生成特征标签对应的当日第二目标参考帐户数以及次日第二目标参考帐户数,作为第二行为参数。
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。
图9是根据一示例性实施例示出的一种用于推送媒介资源的电子设备S00的框图。例如,电子设备S00可以为服务器。参照图9,电子设备S00包括处理组件S20,其进一步包括一个或多个处理器,以及由存储器S22所代表的存储器资源,用于存储可由处理组件S20的执行的指令,例如应用程序。存储器S22中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件S20被配置为执行指令,以执行上述方法。
电子设备S00还可以包括:电源组件S24被配置为执行电子设备S00的电源管理,有线或无线网络接口S26被配置为将电子设备S00连接到网络,和输入输出(I/O)接口S28。电子设备S00可以操作基于存储在存储器S22的操作系统,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD或类似。
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S22,上述指令可由电子设备S00的处理器执行以完成上述方法。存储介质可以是计算机可读存储介质,例如,所述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,所述计算机程序产品中包括指令,上述指令可由电子设备S00的处理器执行以完成上述方法。
需要说明的,上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
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。本公开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 (15)
1.一种媒介资源的推送方法,其特征在于,包括:
获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签;
从所述第一帐户集中获取所述特征标签下的第一目标帐户集,以及从所述第二帐户集中获取所述特征标签下的第二目标帐户集;
根据所述第一目标帐户集中各个第一帐户的历史行为记录,确定所述第一目标帐户集的第一行为参数,以及根据所述第二目标帐户集中各个第二帐户的历史行为记录,确定所述第二目标帐户集的第二行为参数;
根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数,所述标签影响参数的确定方式包括:基于所述第一行为参数和所述第二行为参数进行运算得到所述标签影响参数;
根据所述特征标签的标签影响参数确定目标帐户群,向所述目标帐户群推送媒介资源。
2.根据权利要求1所述的媒介资源的推送方法,其特征在于,所述根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数,包括:
确定所述特征标签下的所述第一行为参数与所述第二行为参数之间的行为差异参数;
根据所述特征标签的所述行为差异参数从多个所述属性特征中确定出目标属性特征,所述目标属性特征包括多个目标特征标签;
以所述目标特征标签为节点,获取属于所述节点的所述第一目标帐户集以及所述第二目标帐户集,得到第一层节点;
根据所述节点的行为差异参数,生成所述第一层节点中节点的节点标签影响参数;
对所述节点进行处理,直至符合预设停止条件,得到至少一层节点;
根据所述节点的节点标签影响参数生成所述特征标签的标签影响参数。
3.根据权利要求2所述的媒介资源的推送方法,其特征在于,所述根据所述特征标签的所述行为差异参数结果从多个所述属性特征中确定出目标属性特征,包括:
根据所述属性特征下的特征标签的行为差异参数,生成所述属性特征的特征影响参数;
根据所述特征影响参数从多个所述属性特征中确定出所述目标属性特征。
4.根据权利要求2所述的媒介资源的推送方法,其特征在于,所述根据所述节点的行为差异参数,生成所述节点的节点标签影响参数,包括:
获取所述节点下所述第一目标帐户集以及所述第二目标帐户集的节点帐户数量,以及所述第一帐户集与所述第二帐户集的总帐户数量;
根据所述节点帐户数量、所述总帐户数量以及所述行为差异参数,生成所述节点的节点标签影响参数。
5.根据权利要求1所述的媒介资源的推送方法,其特征在于,所述根据所述特征标签的标签影响参数确定目标帐户群,包括:
按照所述特征标签的标签影响参数对多个所述特征标签进行排序;
根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群。
6.根据权利要求5所述的媒介资源的推送方法,其特征在于,所述根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群,包括:
从排序后的多个所述特征标签中确定出排序最前或者最后的至少一个特征标签;
从所述候选帐户群中获取所述至少一个特征标签下的帐户群,作为所述目标帐户群,所述目标帐户群在所述候选帐户群中的占比符合阈值条件。
7.根据权利要求1~6任一项所述的媒介资源的推送方法,其特征在于,所述根据所述第一目标帐户集中各个第一帐户的历史行为记录,确定所述第一目标帐户集的第一行为参数,以及根据所述第二目标帐户集中各个第二帐户的历史行为记录,确定所述第二目标帐户集的第二行为参数,包括:
获取所述第一帐户集以及所述第二帐户集中的帐户在预设天数的历史行为记录;
对多个所述属性特征下的特征标签进行组合,得到多个特征组合,所述特征组合为范围最小的组合;
从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数;
从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数。
8.根据权利要求7所述的媒介资源的推送方法,其特征在于,所述从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数,包括:
根据所述特征组合下的第一帐户的历史行为记录,获取预设天数个的当日第一参考帐户数,以及与所述当日第一帐户数相对应的次日第一参考帐户数;
获取所述预设天数个的当日第一参考帐户数之和,以及所述次日第一参考帐户数的之和;
根据所述特征组合对应的所述当日第一参考帐户数之和以及所述次日第一参考帐户数的之和,生成所述特征标签对应的当日第一目标参考帐户数以及次日第一目标参考帐户数,作为所述第一行为参数。
9.根据权利要求7所述的媒介资源的推送方法,其特征在于,所述从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数,包括:
根据所述特征组合下的第二帐户的历史行为记录,获取预设天数个的当日第二参考帐户数,以及与所述当日第二参考帐户数相对应的次日第二参考帐户数;
获取所述预设天数个的当日第二参考帐户数之和,以及所述次日第二参考帐户数的之和;
根据所述特征组合对应的所述当日第二参考帐户数之和以及所述次日第二参考帐户数的之和,生成所述特征标签对应的当日第二目标参考帐户数以及次日第二目标参考帐户数,作为所述第二行为参数。
10.一种媒介资源的推送装置,其特征在于,包括:
获取模块,被配置为执行获取已推送媒介资源的第一帐户集、未推送媒介资源的第二帐户集,以及属性特征下包括的多个特征标签;
帐户集确定模块,被配置为执行从所述第一帐户集中获取所述特征标签下的第一目标帐户集,以及从所述第二帐户集中获取所述特征标签下的第二目标帐户集;
第一参数确定模块,被 配置为执行根据所述第一目标帐户集中各个第一帐户的历史行为记录,确定所述第一目标帐户集的第一行为参数,以及根据所述第二目标帐户集中各个第二帐户的历史行为记录,确定所述第二目标帐户集的第二行为参数;
第二参数确定模块,被配置为执行根据所述特征标签对应的所述第一行为参数和所述第二行为参数,确定所述特征标签的标签影响参数,所述标签影响参数的确定方式包括:基于所述第一行为参数和所述第二行为参数进行运算得到所述标签影响参数;
推送模块,被配置为执行根据所述特征标签的标签影响参数确定目标帐户群,向所述目标帐户群推送媒介资源。
11.根据权利要求10所述的媒介资源的推送装置,其特征在于,所述第二参数确定模块,包括:
差异参数确定单元,被配置为执行确定所述特征标签下的所述第一行为参数与所述第二行为参数之间的行为差异参数;
属性特征确定单元,被配置为执行根据所述特征标签的所述行为差异参数从多个所述属性特征中确定出目标属性特征,所述目标属性特征包括多个目标特征标签;
帐户集获取单元,被配置为执行以所述目标特征标签为节点,获取属于所述节点的所述第一目标帐户集以及所述第二目标帐户集,得到第一层节点;
节点影响参数生成单元,被配置为执行根据所述节点的行为差异参数,生成所述节点的节点标签影响参数;
迭代单元,被配置为执行对所述节点进行处理,直至符合预设停止条件,得到至少一层节点;
影响参数生成单元,被配置为执行根据所述节点的节点标签影响参数生成所述特征标签的标签影响参数。
12.根据权利要求10所述的媒介资源的推送装置,其特征在于,所述推送模块,包括:
标签排序单元,被配置为执行按照所述特征标签的标签影响参数对多个所述特征标签进行排序;
帐户群确定单元,被配置为执行根据排序后的多个所述特征标签,从候选帐户群中确定出所述目标帐户群。
13.根据权利要求10~12任一项所述的媒介资源的推送装置,其特征在于,所述第一参数确定模块,包括:
记录获取单元,被配置为执行获取所述第一帐户集以及所述第二帐户集中的帐户在预设天数的历史行为记录;
标签组合单元,被配置为执行对多个所述属性特征下的特征标签进行组合,得到多个特征组合,所述特征组合为范围最小的组合;
第一行为参数确定单元,被配置为执行从所述第一帐户集中获取所述特征组合下的第一帐户,并根据所述特征组合下的第一帐户的历史行为记录生成对应的第一参考帐户数,根据所述第一参考帐户数,生成所述特征标签的第一目标参考帐户数,作为所述第一行为参数;
第二行为参数确定单元,被配置为执行从所述第二帐户集中获取所述特征组合下的第二帐户,并根据所述特征组合下的第二帐户的历史行为记录生成对应的第二参考帐户数,根据所述第二参考帐户数,生成所述特征标签的第二目标参考帐户数,作为所述第二行为参数。
14.一种电子设备,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9中任一项所述的媒介资源的推送方法。
15.一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,使得所述电子设备能够执行如权利要求1至9中任一项所述的媒介资源的推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296884.6A CN113724023B (zh) | 2021-11-04 | 2021-11-04 | 媒介资源的推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296884.6A CN113724023B (zh) | 2021-11-04 | 2021-11-04 | 媒介资源的推送方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724023A CN113724023A (zh) | 2021-11-30 |
CN113724023B true CN113724023B (zh) | 2022-04-01 |
Family
ID=78686683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296884.6A Active CN113724023B (zh) | 2021-11-04 | 2021-11-04 | 媒介资源的推送方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724023B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6876986B1 (en) * | 2000-10-30 | 2005-04-05 | Hewlett-Packard Development Company, L.P. | Transaction payment system |
CN112612949A (zh) * | 2020-12-15 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 推荐数据集合的建立方法及装置 |
CN113362109A (zh) * | 2021-05-31 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 媒介资源的推荐方法、装置、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060113B (zh) * | 2016-05-10 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 账号推送方法及装置 |
-
2021
- 2021-11-04 CN CN202111296884.6A patent/CN113724023B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6876986B1 (en) * | 2000-10-30 | 2005-04-05 | Hewlett-Packard Development Company, L.P. | Transaction payment system |
CN112612949A (zh) * | 2020-12-15 | 2021-04-06 | 北京达佳互联信息技术有限公司 | 推荐数据集合的建立方法及装置 |
CN113362109A (zh) * | 2021-05-31 | 2021-09-07 | 北京达佳互联信息技术有限公司 | 媒介资源的推荐方法、装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113724023A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Time-aware cloud service recommendation using similarity-enhanced collaborative filtering and ARIMA model | |
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
Hu et al. | Crowdsourced POI labelling: Location-aware result inference and task assignment | |
CN105022761B (zh) | 群组查找方法和装置 | |
CN108280670B (zh) | 种子人群扩散方法、装置以及信息投放系统 | |
US10820296B2 (en) | Generating wireless network access point models using clustering techniques | |
CN110348362B (zh) | 标签生成、视频处理方法、装置、电子设备及存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN113536097B (zh) | 基于自动特征分组的推荐方法及装置 | |
CN114268839B (zh) | 视频发布账户筛选方法、装置、电子设备及存储介质 | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
Zhang et al. | Ontology-based collaborative filtering recommendation algorithm | |
CN113098912B (zh) | 用户账户异常的识别方法、装置、电子设备及存储介质 | |
Németh et al. | A snapshot of the frontiers of client selection in federated learning | |
CN113518072B (zh) | 一种基于物联网的大数据分析方法 | |
CN114119106A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113158022A (zh) | 业务推荐方法、装置、服务器及存储介质 | |
CN113724023B (zh) | 媒介资源的推送方法、装置、电子设备及存储介质 | |
CN114186050A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN111860870A (zh) | 交互行为确定模型的训练方法、装置、设备及介质 | |
Abdullah et al. | Predicting qos for web service recommendations based on reputation and location clustering with collaborative filtering | |
CN112488743A (zh) | 一种满意度预测方法、网络设备及存储介质 | |
CN115098793B (zh) | 基于大数据的用户画像分析方法及系统 | |
CN114742479B (zh) | 账号识别方法、装置、服务器及存储介质 | |
CN114820085B (zh) | 用户筛选方法、相关装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |