CN114168761B - 多媒体数据的推送方法、装置、电子设备及存储介质 - Google Patents

多媒体数据的推送方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114168761B
CN114168761B CN202111442885.7A CN202111442885A CN114168761B CN 114168761 B CN114168761 B CN 114168761B CN 202111442885 A CN202111442885 A CN 202111442885A CN 114168761 B CN114168761 B CN 114168761B
Authority
CN
China
Prior art keywords
classification rule
classification
rule
rules
value
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
Application number
CN202111442885.7A
Other languages
English (en)
Other versions
CN114168761A (zh
Inventor
周明付
黄耀军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yiworld Information Technology Group Co ltd Guangzhou Branch
Original Assignee
Shanghai Yiworld Information Technology Group Co ltd Guangzhou Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yiworld Information Technology Group Co ltd Guangzhou Branch filed Critical Shanghai Yiworld Information Technology Group Co ltd Guangzhou Branch
Priority to CN202111442885.7A priority Critical patent/CN114168761B/zh
Publication of CN114168761A publication Critical patent/CN114168761A/zh
Application granted granted Critical
Publication of CN114168761B publication Critical patent/CN114168761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/45—Clustering; Classification
    • 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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供了一种多媒体数据的推送方法、装置、电子设备及存储介质，涉及数据处理领域。该方法包括：获取多媒体数据的至少两个评价参数；基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则；针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。本申请实施例克服了单靠推送者个人经验进行判断，而无法精准判断的评价参数间的差异的技术问题。

Description

多媒体数据的推送方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体而言，本申请实施例涉及多媒体数据的推送方法、装置、电子设备及存储介质。
背景技术
目前，多媒体行业在评价推送效果时，会使用多重指标去综合判断推送效果的好坏，根据评价结果去做进一步的决策，如增加预算或者停止推送。以游戏广告为例，常用的评价指标有投资回报率(ROI)，注册成本，付费成本，付费单价，人均付费金额(ARPU)，用户生命周期总价值(LTV)等。使用的评价指标琳琅满目，眼花缭乱。而且性质相同的指标也有很多，以投资回报率指标来看，就有几种不同的评价参数，按自然日划分的ROI(首日ROI，3日ROI，7日ROI等)，按用户注册时间划分的ROI(相对6小时ROI，相对12小时ROI，相对24小时ROI等)，按照统计时间算的ROI(前6小时ROI，前12小时ROI，前24小时ROI)。
对于广告推送方式，一般都是靠广告推送者自己抉择，按照个人理解与偏好进行数据分析，但每种指标都有各自的用处，在不同目的下应当选用不同的指标进行分析，在同一场景下，不同指标的性价比应该是不同的，但是无法单靠推送者个人经验对评价参数进行判断，并完成精准向用户推送多媒体数据，而且单靠经验也无法得到评价参数的最优使用方案。
发明内容
本申请实施例的目的旨在能够解决现有技术中单靠推送者个人经验进行判断，而无法精准判断的评价参数间的差异的技术问题，提供一种多媒体数据的推送方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面，本申请提供一种多媒体数据的推送方法，包括以下步骤：
获取多媒体数据的至少两个评价参数；
基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则；
针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
在第一方面的可选实施例中，针对每个所述评价参数，执行所述基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则的步骤，该步骤包括：
获取所述评价参数的最大值和最小值；
针对每个所述分类数值，在所述最大值和最小值所形成的区间内随机生成预设数量的数组，以每个数组形成一个分类规则；
基于所述分类规则的离散程度对所述分类规则进行变异得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则；
其中，每个所述分类规则包含的数据数量是基于所述预设的分类数值所确定的。
在第一方面的可选实施例中，所述基于所述分类规则的离散程度对所述分类规则进行变异，得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则的步骤，包括：
基于所述评价参数的每个分类规则的数据的离散数值，得到所述分类规则对应的离散数值的矩阵；其中，所述离散数值用于度量评价参数的离散程度；
基于所述离散数值矩阵，得到所述分类规则的第一离散数值，以及所述分类规则和其他分类规则之间的第二离散数值；
基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则。
在第一方面的可选实施例中，所述基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则的步骤，包括：
基于所述第一离散数值或第二离散数值，对每个所述分类规则进行评分，以评分作为依据以评分作为依据选取预设判断数量的评分最高的分类规则作为第一分类规则；
随机抽取所述评价参数的若干个数据对所述第一分类规则进行遗传变异，得到变异后的第二分类规则；
以及；
随机抽取所述评价参数的若干个分类规则与所述第一分类规则进行逐个配对，得到变异后的第三分类规则；
根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则。
在第一方面的可选实施例中，所述随机抽取所述评价参数的若干个数据对所述第一分类规则进行遗传变异，得到变异后的第二分类规则的步骤，包括：
在所述最大值和最小值所形成的区间内随机抽取一个数据对所述第一分类规则的每个数据进行替换，得到变异后的第二分类规则。
在第一方面的可选实施例中，所述随机抽取所述评价参数的若干个分类规则与所述第一分类规则进行逐个配对，得到变异后的第三分类规则的步骤，包括：
将随机抽取所述评价参数的若干个分类规则中的每个数据通过模拟DNA交叉的方式逐一替换每个所述第一分类规则中的每个数据，得到变异后的第三分类规则。
在第一方面的可选实施例中，所述根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则的步骤，包括：
针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到本次迭代的最优的分类规则的评分；
将所述本次迭代的最优的分类规则的评分与上一次的最优的分类规则分别与预设评分对比，得到第一误差值和第二误差值；当所述第一误差值和第二误差值之间的差值满足第一设定值时，和/或所述第一误差值满足第二设定值时，将所述本次迭代的最优的分类规则确定为所述评价参数的目标分类规则。
在第一方面的可选实施例中，所述根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则的步骤，包括：
针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到每一次迭代的最优的分类规则的评分，并进行对比；
当迭代次数达到预设上限次数时，以所有迭代中评分最高的最优的分类规则作为所述评价参数的目标分类规则。
在第一方面的可选实施例中，所述针对每个所述评价参数的目标分类规则确定所述评价参数的有效程度的步骤，包括：
根据所述目标分类规则的第一离散数值或第二离散数值，得到每个所述评价参数的目标分类规则的有效性；
基于所有所述评价参数的有效性的对比结果，得到每个所述评价参数的有效程度。
在第一方面的可选实施例中，所述离散数值为方差、极差、平均差和标准差中任一项。
第二方面，本申请实施例提供一种多媒体数据的推送装置，包括：
评价参数获取模块，用于获取多媒体数据的至少两个评价参数；
分类规则确定模块，用于基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则；
多媒体数据推送模块，用于针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一方面任一项实施例所述的多媒体数据的推送方法的步骤。
第四方面，本申请实施例提供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第一方面任一项实施例所述的多媒体数据的推送方法的步骤。
第五方面，本申请实施例提供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第一方面任一项实施例所述的多媒体数据的推送方法的步骤。
本申请实施例提供的技术方案带来的有益效果是：
在本申请中所提供的一种多媒体数据的推送方法，将所获取的多个评价参数的数据转化为多个分组的分类规则，每个分类规则所包含根据该分类数值所确定的有限个数的评价参数的数据，因此，将众多数据的分析分解成有限个数的评价参数的数据分析，以便降低对大量数据分析的复杂度。并且，根据各个分类规则之间的对比结果确定对应评价参数的目标分类规则。然后，基于每个评价参数的目标分类规则的有效程度，无论是相同评价指标下的各个评价参数之间，还是不同评价指标下的各自的评价参数之间，获取最有利于多媒体推荐的分类规则，以便为多媒体推荐提供最可靠的推荐数据。在该方法中，对于评价参数的数据的推送依据，是对各评价参数的数据的处理的结果，因此，使得后续对多媒体数据的推送避免了因推送者的个人理解与偏好进行数据分析，无法得到评价参数的最优使用方案，而造成不能够向用户精准推送对应的多媒体数据，影响推广效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请公开的实施例所提供的一种多媒体数据的推送方法的流程示意图；
图2为本申请公开的实施例所提供的一种多媒体数据的推送方法的步骤S120的详细流程图；
图3为本申请公开的另一实施例所提供的多媒体数据的推送方法的流程示意图；
图4为本申请公开的实施例所提供的一多媒体数据的推送装置的结构示意图；
图5为本申请一个实施例所提供的一种多媒体数据的推送的电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”指示实现为“A”，或者实现为“A”，或者实现为“A和B”。
本文涉及的最好/最优等用词在具体的应用场景下，如在该场景存在其它更好/更优的条件/结果/数据，则最好/最优等用词应当理解为相对较好/相对较优，而非传统客观意义上的极致限定，在某些情况下，允许有更好/更优的条件/结果/数据好于/优于本文指代的最好/最优的条件/结果/数据。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在当前信息时代中，为了能够争取到客户的注意，通常需要进行多渠道的广告推送。例如，电视推送和网络推送或游戏广告，但是，对于应该如何推送、推送的时间点，以及何时集中推送等问题，都是根据一些评价指标的数据，以及人的经验来进行判断以及做出相应的决策。在评价指标方面，常用的有投资回报率(ROI)，注册成本，付费成本，付费单价，人均付费金额(ARPU)，用户生命周期总价值(LTV)等。使用的评价指标琳琅满目，眼花缭乱。
现有的推送方法是通过对上述评价指标体现在如报表和分析模型上，对当前的推送情况进行分析，然后根据分析结果，再利用人的经验判断后续的推送方法。而每个评价指标中又可以包含不同评价参数，如投资回报率(ROI)，按自然日划分的ROI(首日ROI，3日ROI，7日ROI等)，按用户注册时间划分的ROI(相对6小时ROI，相对12小时ROI，相对24小时ROI等)，按照统计时间算的ROI(前6小时ROI，前12小时ROI，前24小时ROI)。
对于推送分析而言，需要清楚每个评价参数对于推送的产品以及行业而言所体现的商业现象和分析意义，才能对此做出正常的分析结果，而且，按照现有的推送方法的决策过程而言，一般需要较长的周期。对于用户数据变化较快的互联网的商业环境而言，如游戏广告等领域，用户的上线和行为数据会随着时间的推移而快速变化，因此，如传统的多媒体数据的推送方法往往是严重滞后的，导致多媒体数据的推送效果往往无法实现预测的效果。
为了能够克服现有技术中无法单靠推送者个人经验对评价参数进行判断，并完成精准向用户推送多媒体数据的技术问题，本申请提供了一种多媒体数据的推送方法。
在本方法中，可以利用服务器收集用户的行为数据、用户对产品的体验和消费数据，并且，根据本方法所提供的发明构思对所收集的用户数据执行相应的数据处理操作，并根据该数据处理操作所得到的结果，及时向用户和网络推送对应产品的多媒体数据，从而能够根据当前的用户数据的分析结果，实时执行相应的推送方案，因此，克服了现有技术中无法单靠推送者个人经验对评价参数进行判断，并完成精准向用户推送多媒体数据的技术问题。
参照图1，图1为本申请公开的实施例所提供的一种多媒体数据的推送方法的流程示意图。
本申请实施例所提供的多媒体数据的推送方法，包括以下步骤：
S110、获取多媒体数据的至少两个评价参数；
S120、基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则；
S130、针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
为了能够更加清楚说明本发明所提供的技术方案，在以下利用实施例对本申请所提供的多媒体数据的推送方法的说明中，以游戏广告的推送作为例子进行详细描述，但是，并没有排除符合本申请所提供的多媒体数据的推送方法的发明构思的其他多媒体的推送方法。
在步骤S110中，在所收集的用户数据中，获取至少两个评价参数，该评价参数可以分属于同一评价指标，也可以分属于不同的评价指标。基于该步骤，能够就用户数据的某一单一方面的数据进行精准分析以及容易得到最优数据，或者就某个多媒体推广方案中对不同的评价指标之间进行对比分析，确定最优的评价指标，以便得到针对该用户数据做出最优的推送方案。
在本实施例中，以投资回报率(ROI)作为该评价指标进行举例说明。该投资回报率(ROI)投资性商业活动的投资中得到的经济回报，可以是投资利润和投资总额的比值。而在游戏广告中的ROI，可以以对应时段的广告制作成本的分摊费用和推送费用得到投资总额，而投资利润则是用户对该推送的内容的分享或消费等其中至少一项的体验行为。而在该投资回报率(ROI)的评价指标下的评价参数，可以是首日ROI，3日ROI，7日ROI，或者是相对6小时ROI，相对12小时ROI，相对24小时ROI等。在本实施例中，以首日ROI和相对24小时ROI作为评价参数。
在步骤S120中，基于上述步骤S110所获取的两个评价参数，得到就每个评价参数在设定时段内所收集得到的所有的数值。
另外，针对每个评价参数预设分类数值，该分类数值是对每个评价参数的所有数据进行分类的依据，每个评价参数根据当前预设的分类数值，形成多个分类规则。而每个分类规则包含对应区间的评价参数的数据。
基于该评价参数中的所有分类规则的数据处理和数据分析的结果，得到该评价参数的目标分类规则。基于该目标分类规则，使得所得到的数据处理的结果更接近于最优解，以使得更容易得到推送结果的最优方案。
在步骤S130中，上述的分类规则中的评价参数的有效程度，对应不同的推送决策程度或达到不同程度的推送效果。基于步骤S120中所确定的目标分类规则，则能够在相同评价指标或不同评价指标的所有分类规则中最能够实现推送决策或达到推送程度最好的分类规则。在本实施例中，将该推送程度最好的分类规则定义为决策分类规则。利用该决策分类规则作为后续推送多媒体数据的依据。
在本申请中所提供的一种多媒体数据的推送方法，将所获取的多个评价参数的数据转化为多个分组的分类规则，每个分类规则所包含根据该分类数值所确定的有限个数的评价参数的数据，因此，将众多数据的分析分解成有限个数的评价参数的数据分析，以便降低对大量数据分析的复杂度。并且，根据各个分类规则之间的对比结果确定对应评价参数的目标分类规则。然后，基于每个评价参数的目标分类规则的有效程度，无论是相同评价指标下的各个评价参数之间，还是不同评价指标下的各自的评价参数之间，获取最有利于多媒体推荐的分类规则，以便为多媒体推荐提供最可靠的推荐数据。在该方法中，对于评价参数的数据的推送依据，是对各评价参数的数据的处理的结果，因此，使得后续对多媒体数据的推送避免了因推送者的个人理解与偏好进行数据分析，无法得到评价参数的最优使用方案，而造成不能够向用户精准推送对应的多媒体数据，影响推广效果。
参照图2，图2为本申请公开的实施例所提供的步骤S120的详细流程示意图。
在此基础上，针对每个所述评价参数，执行上述步骤S120，该步骤S120可进一步包括：
S121、获取所述评价参数的最大值和最小值；
S122、针对每个所述分类数值，在所述最大值和最小值所形成的区间内随机生成预设数量的数组，以每个数组形成一个分类规则；
S123、基于所述分类规则的离散程度对所述分类规则进行变异得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则；
其中，每个所述分类规则包含的数据数量是基于所述预设的分类数值所确定的。
在上述步骤S121至S123中，包括对每个评价参数的分析处理。
在本实施例中，以相对24小时ROI为例，该相对24小时为最近的24小时，收集用户在最近的24小时内对该游戏广告的相关连接的用户体现数据，得到在最近的24小时的相对24小时ROI。该评价参数的数据规模取决于服务器获取用户行为数据和处理处理的频率。
在上述在最近的24小时内所获取的相对24小时ROI中得到最小值m1和最大值m2，并以该最小值和最大值形成该相对24小时ROI的数值的区间，所有相对24小时ROI的数值均在该区间内。
对于所获取的相对24小时ROI，根据预设数量，随机生成若干个数组。在本实施例中，对于数组的预设数量设定为1000，即(m 1,m2)的区间中随机生成1000个数组。而每个数组对应一个分类规则。
该分类规则实则为根据数组中的数据的数值，划分成对应的区间。所以，每个相对24小时ROI的数值分布在这1000个分类规则所形成的区间内。而每个分类规则所包含的数据个数是根据预设的分类数值所确定的。每个评价参数的分类数可以包含至少两个。不同的分类数值，得到分类规则所包含的数据的数量不同。
在本实施例中，分类规则所包含的数据的数量满足：n-1，其中，n为当前的分类数值。
当分类数n＝2时，在(m1,m2)的区间中，随机生成1000个数值，对每个数组[k]进行二分类，每一个数组[k]得一个分类规则。其中，分类一L1：m1<＝x<k；分类二L2：k<＝x<＝m2。
当分类数n＝3时，对每一个数组[k1，k2]进行三分类，每一个数组[k1，k2]得一个分类规则：分类一L1：m1≤x<k1；分类二L2：k1≤x<k2；分类三L3：k1≤x≤m2。
其中，x是待评价的评价参数的数据。
基于每个分类数的对应形成的分类规则，得到每个评价参数对应的目标分类规则。根据该目标分类规则，可以得到每个评价参数的目标分类规则。
基于该目标分类规则，有助于得到有效程度较高的评价参数的取值区间，以便得到推送多媒体数据的最优方案。
对于上述步骤S123，可以进一步包括：
基于所述评价参数的每个分类规则的数据的离散数值，得到所述分类规则对应的离散数值的矩阵；
基于所述离散数值矩阵，得到所述分类规则的第一离散数值，以及所述分类规则和其他分类规则之间的第二离散数值；
基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则。
在本实施例中，所涉及的离散数值，是用于度量评价参数的离散程度。可以以方差、极差、平均差和标准差中任一项来体现分类规则的数据的离散程度。以下以方差作为例子，对如何基于所述分类规则确定目标分类规则进行详细描述。
在实施例中，基于评价参数的每个分类规则的数据得到各数据的方差的值，在以各数据的方差的值形成该分类规则对应的方差矩阵，基于该方差矩阵，得到该分类规则的组内方差作为第一离散数值，以及该分类规则与同一分类数下的其他分类规则的组间方差作为第二离散数值。
对于单个评价参数而言，其数据在确定了之后，其数据的总方差是恒定的；而对于该个评价参数，对于其任意确定出来的将其进行划分的分类规则，每个分类规则对应的组内方差以及全部分类规则之间的组间方差，其满足以下公式：
总方差＝各个组内方差+组间方差。
因此，组内方差和组间方差的数值之间存在此消彼长的特点。
在本实施例中，基于各个分类规则的第一离散数值或第二离散数值，能够得到对应分类规则的充分程度。具体地，第一离散数值越小或第二离散数值越大，表示该分类规则越充分，即该分类规则相对于同一分类数的其他分类规则的差异程度越大。因为第一离散数值可以有多个，而第二离散数值是单个的，因此通过第二离散数值更易于判断分类规则的差异程度。
基于该充分程度对所有分类规则进行评分，得到评分最高的若干个分类规则。在本实施例中，选择其中评分最高的预设判断数量的分类规则，如100个，并从中抽取若干个(如设定比例)的分类规则作为第一分类规则并保存，以用于后续确定目标分类规则。在本实施例中，该设定比例为10％，得到评分较高的10个分类规则，其分别为第一号分类规则～第十号分类规则。
在上述实施例所形成的(m1,m2)的区间中随机抽取一个数据，该数据可以是评价参数的某个数据，也可以不是。将该数据逐一替换上述号分类规则～第十号分类规则中的各个数据，进行遗传变异，得到变异后的第二分类规则。
根据上述的变异的构思，进行举例说明：
以其中的第一号分类规则进行遗传变异进行说明。该第一号分类规则为[0.1,0.3,0.5,0.7]，而在(m1,m2)的区间中随机抽取的数据为0.9，以该数据0.9随机代替第一号分类规则中的任意一个数据，得到[0.1,0.3,0.7,0.9],[0.1,0.3,0.5,0.9],[0.3,0.5,0.7,0.9]或[0.1,0.5,0.7,0.9]其中一个。同理，可以利用相同的方法，分别对上述第一号分类规则～第十号分类规则进行10次遗传变异，得到变异后的100个第二分类规则。
后续，以该变异后得到的第二分类规则，来确定该评价参数的目标分类规则。
另外，延用上述实施例所获取的评分最高的100个第一分类规则，并且，原来的1000个分类规则中随机抽取若干个分类规则，如8个分类规则，进行逐个配对，得到变异后的第三分类规则。在本实施例中，具体是，通过模拟DNA交叉的方式，将上述8个分类规则中的每个分类规则的每个数据逐一替换至100个第一分类规则中的每个数据，从而使每个第一分类规则都对应产生8个第三分类规则。当全部替换完毕后，得到800个变异后的第三分类规则。基于该800个第三分类规则，进行循环迭代。
对于上述实施例中，针对同一分类数值对该评价参数进行一次迭代，将上述所获取的第一分类规则、第二分类规则和第三分类规则中的至少两种分类规则组合起来，形成新的分类规则的集合。
例如将上述的800个第三分类规则、100个第二分类规则以及评价最高的第一分类规则，形成包含1000个分类规则的新的分类规则的集合。
上述例子是通过第一分类规则、第二分类规则和第三分类规则三种分类规则组合起来形成新的分类规则的集合，其中，第一分类规则、第二分类规则以及第三分类规则的具体个数和比例可以根据实际需要进行调整，且三种分类规则的总个数应等于预设数量，如上述举例的1000个。当通过第一分类规则、第二分类规则和第三分类规则之中的两种分类规则组合起来，形成新的分类规则的集合，则该两种分类规则的具体个数和比例可以根据实际需要进行设计，并且该两种分类规则的总个数应等于预设数量，如上述举例的1000个。
可以根据方差矩阵计算各分类规则的组间方差和组内方差，组间方差越大或组内方差越小，该分类规则越充分。根据各个分类规则的充分性进行评分，得到本次迭代评分最佳的分类规则作为最优的分类规则。在本实施例中，本次迭代的最优的分类规则的评分A与预设评分S对比，得到第一误差值A-S；上一次迭代的最优的分类规则的评分B与预设评分S对比，得到第一误差值B-S。
当第一误差值A-S和第二误差值B-S之间的差值(A-S)-(B-S)满足第一设定值C时，和/或第一误差值A-S满足第二设定值D时，将本次迭代的最优的分类规则确定为所述评价参数的目标分类规则。
其中，上述的第一设定值C和第二设定值D均可以是以一个数值或两个数值所确定的取值范围，也可以是一个确定的数值。
另外，基于上述同一新的分类规则的集合的基础上，还可以另一方法确定所述评价参数的最优的分类规则的方法，其包括以下步骤：
针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到每一次迭代的最优的分类规则的评分，并进行对比；
当迭代次数达到预设上限次数时，以所有迭代中评分最高的最优的分类规则作为所述评价参数的目标分类规则。
若包括多个分类数值时，则参照上述所提供的方法针对每一个分类数值确定所述评价参数的最优的分类规则。在本实施例中该分类数值可以根据多媒体推荐方案的实际需要，取2～10的正整数，或者是大于10的正整数。
基于上述实施例得到两个通过变异得到第二分类规则和第三分类规则，结合其对应的第一分类规则，针对同一分类数值，从所述第一分类规则、第二分类规则和第三分类规则中的选取至少两种分类规则组合起来，形成新的分类规则的集合，基于该新的分类规则的集合的所有分类规则的评分，得到每个分类数的分类规则在迭代中所获取的最优的分类规则的评分。经过同一评价参数中的所有分类数在迭代中得到的最优的分类规则的评分，将不同分类数值对应的多次迭代得到的最优的分类规则进行对比择优，从而得到该评价参数的目标分类规则。
在本申请所提供的技术方案中，将大量的用户数据通过在最小值和最大值的区间内，在不同的分类数划分为有限的分类规则的区间，并进行区间之间的数据处理，使得数据的处理次数大幅减少，并且，对每个分类规则进行内部数据的遗产变异，降低因分类规则的数据划分不恰当所造成误差程度，从而实现了简化算法，降低计算错误率和提高了计算效率的技术效果。
在上述获取当前的评价参数在所述分类数值的条件下的最优分类规则的基础上，需要获取每个分类数所对应的最优分类规则的第一离散数值或第二离散数值，延用上述实施例，该第一离散数值可以为每个目的分类规则的组内方差，第二离散数值可以为每个目的分类规则之间的组间方差。基于每个目的分类规则的组内方差的对比结果或组间方差的对比结果，确定所述评价参数的目标分类规则。
除了上述通过遗产算法得到评价参数的分类规则以外，还可以通过如粒子群算法、蚁群算法、神经网络算法等算法获取当前数据的局部最优分类规则。
若分类规则在之前已指定，则可直接通过获取分类规则的离散程度的矩阵，得到各评价参数的有效程度。具体为对上述步骤S130中的针对每个所述评价参数的目标分类规则确定所述评价参数的有效程度的步骤进一步限定：
根据所述目标分类规则的第一离散数值或第二离散数值，得到每个所述评价参数的目标分类规则的有效性；
基于所有所述评价参数的有效性的对比结果，得到每个所述评价参数的有效程度。
延用上述实施例，得到每个评价参数的目标分类规则。基于每个目标分类规则的第一离散数值或第二离散数值，得到所有评价参数的最优分类规则的有效性。基于所有所述评价参数的有效性的对比结果，得到每个所述评价参数的有效程度。延用上述实施例对有效性的判断，当组间方差越大或组内方差越小，有效程度越高，从而该有效程度最高的评价参数为依据所得到的对多媒体数据的推送效果也更加精准。
根据本申请上述就如何判断评价参数的有效性的整体思路，可以具体体现于以下实施例的执行过程。
参照图3，图3为本申请所提供的另一多媒体数据的推送方法的执行流程图。
该方法包括以下步骤：
S1、获取多媒体数据在相同或不同评价指标下的至少两个评价参数；
S2、判断是否有指定分类规则，如果是，则执行步骤S31，否则，执行步骤S32；
S31、按照分类规则，获取各个评价参数的离散数值的矩阵；
S32、获取每个评价参数在每个分类数的最优的分类规则，以及获取各个评价参数的离散数值的矩阵；
S4、根据所述离散数值的矩阵的数据分析，对比各评价参数的有效程度；
S5、通过所有所述评价参数的有效程度确定决策分类规则，作为推送多媒体数据的依据。
为了能够更加清楚、具体地体现本申请中对于多媒体数据精准地提供有效性数据的发明构思，以下以具体的使用首日ROI指标以及相对24小时ROI指标进行举例说明，两种指标都采取四分类计算(即n＝4)，分类规则根据游戏广告推送经验设置如下：
Figure BDA0003383960890000171
表1
Figure BDA0003383960890000172
表2
根据表1和表2，首日ROI和相对24小时ROI和的目标分类规则均为[4％,7％,10％]。根据表1和表2的方差矩阵对比，相对24小时ROI的组间方差和比首日ROI要大，所以，对应的有效性要高。组间方差越大，代表指标的数据分组差异性更大，能有区分度。因此，可以将相对24小时ROI作为依据所得到的对多媒体数据推送的数据依据。
其中，用于比较的不同评价参数，其分类规则也可以不同，例如首日ROI指标的分类规则为ROI<4％，4％≤ROI<7％，7％≤ROI<10％，10％≤ROI，相对24小时ROI指标的分类规则为ROI<4％，4％≤ROI<7％，7％≤ROI。
基于与一多媒体数据的推送方法相同的申请构思，本申请实施例还提供了一种多媒体数据的推送确定装置200。参考图4，图4为本申请公开的实施例所提供的一多媒体数据的推送装置的结构示意图。
评价参数获取模块210，用于获取多媒体数据的至少两个评价参数；
分类规则确定模块220，用于基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则；
多媒体数据推送模块230，用于针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
本申请中所提供的多媒体数据的推送装置200，将所获取的多个评价参数的数据转化为多个分组的分类规则，每个分类规则所包含根据该分类数值所确定的有限个数的评价参数的数据，因此，将众多数据的分析分解成有限个数的评价参数的数据分析，以便降低对大量数据分析的复杂度。并且，根据各个分类规则之间的对比结果确定对应评价参数的目标分类规则。然后，基于每个评价参数的目标分类规则的有效程度，无论是相同评价指标下的各个评价参数之间，还是不同评价指标下的各自的评价参数之间，获取最有利于多媒体推荐的分类规则，以便为多媒体推荐提供最可靠的推荐数据。在该方法中，对于评价参数的数据的推送依据，是对各评价参数的数据的处理的结果，因此，使得后续对多媒体数据的推送避免了因推送者的个人理解与偏好进行数据分析，无法得到评价参数的最优使用方案，而造成不能够向用户精准推送对应的多媒体数据，影响推广效果。
分类规则确定模块220，针对每个所述评价参数，用于获取所述评价参数的最大值和最小值；
针对每个所述分类数值，在所述最大值和最小值所形成的区间内随机生成预设数量的数组，以每个数组形成一个分类规则；
基于所述分类规则的离散程度对所述分类规则进行变异得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则；
其中，每个所述分类规则包含的数据数量是基于所述预设的分类数值所确定的。
所述离散数值为方差、极差、平均差和标准差中任一项。
分类规则确定模块220，用于基于所述评价参数的每个分类规则的数据的离散数值，得到所述分类规则对应的离散数值的矩阵；其中，所述离散数值用于度量评价参数的离散程度；
基于所述离散数值矩阵，得到所述分类规则的第一离散数值，以及所述分类规则和其他分类规则之间的第二离散数值；
基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则。
分类规则确定模块220，用于基于所述第一离散数值或第二离散数值，对每个所述分类规则进行评分，以评分作为依据以评分作为依据选取预设判断数量的评分最高的分类规则作为第一分类规则；
随机抽取所述评价参数的若干个数据对所述第一分类规则进行遗传变异，得到变异后的第二分类规则；
以及；
随机抽取所述评价参数的若干个分类规则与所述第一分类规则进行逐个配对，得到变异后的第三分类规则；
根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则。
分类规则确定模块220，用于在所述最大值和最小值所形成的区间内随机抽取一个数据对所述第一分类规则的每个数据进行替换，得到变异后的第二分类规则。
分类规则确定模块220，用于将随机抽取所述评价参数的若干个分类规则中的每个数据通过模拟DNA交叉的方式逐一替换每个所述第一分类规则中的每个数据，得到变异后的第三分类规则。
分类规则确定模块220，用于针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到本次迭代的最优的分类规则的评分；
将所述本次迭代的最优的分类规则的评分与上一次的最优的分类规则分别与预设评分对比，得到第一误差值和第二误差值；当所述第一误差值和第二误差值之间的差值满足第一设定值时，和/或所述第一误差值满足第二设定值时，将所述本次迭代的最优的分类规则确定为所述评价参数的目标分类规则。
分类规则确定模块220，用于针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到每一次迭代的最优的分类规则的评分，并进行对比；
当迭代次数达到预设上限次数时，以所有迭代中评分最高的最优的分类规则作为所述评价参数的目标分类规则。
多媒体数据推送模块230，用于根据所述目标分类规则的第一离散数值或第二离散数值，得到每个所述评价参数的目标分类规则的有效性；基于所有所述评价参数的有效性的对比结果，得到每个所述评价参数的有效程度。
另一种装置与方法的对应说明：
本申请实施例的装置可执行本申请实施例所提供的方法，其实现原理相类似，本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的，对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述，此处不再赘述。
本申请实施例中提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现上述即席查询的异常确定方法的步骤，与现有技术相比可实现：将所获取的多个评价参数的数据转化为多个分组的分类规则，每个分类规则所包含根据该分类数值所确定的有限个数的评价参数的数据，因此，将众多数据的分析分解成有限个数的评价参数的数据分析，以便降低对大量数据分析的复杂度。并且，根据各个分类规则之间的对比结果确定对应评价参数的目标分类规则。然后，基于每个评价参数的目标分类规则的有效程度，无论是相同评价指标下的各个评价参数之间，还是不同评价指标下的各自的评价参数之间，获取最有利于多媒体推荐的分类规则，以便为多媒体推荐提供最可靠的推荐数据。在该方法中，对于评价参数的数据的推送依据，是对各评价参数的数据的处理的结果，因此，使得后续对多媒体数据的推送避免了因推送者的个人理解与偏好进行数据分析，无法得到评价参数的最优使用方案，而造成不能够向用户精准推送对应的多媒体数据，影响推广效果。
在一个可选实施例中提供了一种电子设备，如图5所示，参照图5，图5为本申请一个实施例所提供的一种多媒体数据的推送的电子设备的结构示意图。
电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述即席查询的异常确定方法实施例的步骤及相应内容。与现有技术相比，本申请实施例中的计算机可读存储介质能够将所获取的多个评价参数的数据转化为多个分组的分类规则，每个分类规则所包含根据该分类数值所确定的有限个数的评价参数的数据，因此，将众多数据的分析分解成有限个数的评价参数的数据分析，以便降低对大量数据分析的复杂度。并且，根据各个分类规则之间的对比结果确定对应评价参数的目标分类规则。然后，基于每个评价参数的目标分类规则的有效程度，无论是相同评价指标下的各个评价参数之间，还是不同评价指标下的各自的评价参数之间，获取最有利于多媒体推荐的分类规则，以便为多媒体推荐提供最可靠的推荐数据。在该方法中，对于评价参数的数据的推送依据，是对各评价参数的数据的处理的结果，因此，使得后续对多媒体数据的推送避免了因推送者的个人理解与偏好进行数据分析，无法得到评价参数的最优使用方案，而造成不能够向用户精准推送对应的多媒体数据，影响推广效果。
本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时可实现前述多媒体数据的推送方法实施例的步骤及相应内容。
该计算机程序产品为主要通过计算机程序实现本申请所涉及的多媒体数据的推荐方法的软件产品。例如，在网站上供用户下载和安装于计算机上的软件产品、移动终端上的应用程序等。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。

Claims (12)

1.一种多媒体数据的推送方法，其特征在于，包括：
获取多媒体数据的至少两个评价参数；
基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则，包括：针对每个所述评价参数，获取所述评价参数的最大值和最小值；针对每个所述分类数值，在所述最大值和最小值所形成的区间内随机生成预设数量的数组，以每个数组形成一个分类规则；基于所述分类规则的离散程度对所述分类规则进行变异得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则；其中，每个所述分类规则包含的数据数量是基于所述预设的分类数值所确定的；
针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
2.根据权利要求1所述多媒体数据的推送方法，其特征在于，
所述基于所述分类规则的离散程度对所述分类规则进行变异，得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则的步骤，包括：
基于所述评价参数的每个分类规则的数据的离散数值，得到所述分类规则对应的离散数值的矩阵；其中，所述离散数值用于度量评价参数的离散程度；
基于所述离散数值矩阵，得到所述分类规则的第一离散数值，以及所述分类规则和其他分类规则之间的第二离散数值；
基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则。
3.根据权利要求2所述多媒体数据的推送方法，其特征在于，
所述基于所述第一离散数值或第二离散数值对所述分类规则进行变异，根据变异后的分类规则确定目标分类规则的步骤，包括：
基于所述第一离散数值或第二离散数值，对每个所述分类规则进行评分，以评分作为依据选取预设判断数量的评分最高的分类规则作为第一分类规则；
随机抽取所述评价参数的若干个数据对所述第一分类规则进行遗传变异，得到变异后的第二分类规则；
以及；
随机抽取所述评价参数的若干个分类规则与所述第一分类规则进行逐个配对，得到变异后的第三分类规则；
根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则。
4.根据权利要求3所述多媒体数据的推送方法，其特征在于，
所述随机抽取所述评价参数的若干个数据对所述第一分类规则进行遗传变异，得到变异后的第二分类规则的步骤，包括：
在所述最大值和最小值所形成的区间内随机抽取一个数据对所述第一分类规则的每个数据进行替换，得到变异后的第二分类规则。
5.根据权利要求3所述多媒体数据的推送方法，其特征在于，
所述随机抽取所述评价参数的若干个分类规则与所述第一分类规则进行逐个配对，得到变异后的第三分类规则的步骤，包括：
将随机抽取所述评价参数的若干个分类规则中的每个数据通过模拟DNA交叉的方式逐一替换每个所述第一分类规则中的每个数据，得到变异后的第三分类规则。
6.根据权利要求3所述多媒体数据的推送方法，其特征在于，所述根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则的步骤，包括：
针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到本次迭代的最优的分类规则的评分；
将所述本次迭代的最优的分类规则的评分与上一次的最优的分类规则分别与预设评分对比，得到第一误差值和第二误差值；当所述第一误差值和第二误差值之间的差值满足第一设定值时，和/或所述第一误差值满足第二设定值时，将所述本次迭代的最优的分类规则确定为所述评价参数的目标分类规则。
7.根据权利要求3所述多媒体数据的推送方法，其特征在于，所述根据所述第一分类规则、第二分类规则以及第三分类规则确定目标分类规则的步骤，包括：
针对同一分类数值，将所述评价参数的对应的第一分类规则、第二分类规则和第三分类规则中的其中至少两种分类规则组合起来，形成新的分类规则的集合；
对所述新的分类规则的集合中的所有分类规则进行评分，得到每一次迭代的最优的分类规则的评分，并进行对比；
当迭代次数达到预设上限次数时，以所有迭代中评分最高的最优的分类规则作为所述评价参数的目标分类规则。
8.根据权利要求2所述多媒体数据的推送方法，其特征在于，
所述针对每个所述评价参数的目标分类规则确定所述评价参数的有效程度的步骤，包括：
根据所述目标分类规则的第一离散数值或第二离散数值，得到每个所述评价参数的目标分类规则的有效性；
基于所有所述评价参数的有效性的对比结果，得到每个所述评价参数的有效程度。
9.根据权利要求2所述多媒体数据的推送方法，其特征在于，
所述离散数值为方差、极差、平均差和标准差中任一项。
10.一种多媒体数据的推送装置，其特征在于，包括：
评价参数获取模块，用于获取多媒体数据的至少两个评价参数；
分类规则确定模块，用于基于每个所述评价参数的数据与其至少一个预设的分类数值得到对应的分类规则，从所述分类规则中确定该评价参数的目标分类规则，包括：针对每个所述评价参数，获取所述评价参数的最大值和最小值；针对每个所述分类数值，在所述最大值和最小值所形成的区间内随机生成预设数量的数组，以每个数组形成一个分类规则；基于所述分类规则的离散程度对所述分类规则进行变异得到变异后的分类规则，基于所述变异后的分类规则确定所述评价参数的目标分类规则；其中，每个所述分类规则包含的数据数量是基于所述预设的分类数值所确定的；
多媒体数据推送模块，用于针对所述目标分类规则确定对应所述评价参数的有效程度，通过所有所述评价参数的有效程度确定决策分类规则；其中，所述决策分类规则用于决策所述多媒体数据的推送。
11.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-9任一项所述的多媒体数据的推送方法的步骤。
12.一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1-9任一项所述的多媒体数据的推送方法的步骤。
CN202111442885.7A 2021-11-30 2021-11-30 多媒体数据的推送方法、装置、电子设备及存储介质 Active CN114168761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111442885.7A CN114168761B (zh) 2021-11-30 2021-11-30 多媒体数据的推送方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111442885.7A CN114168761B (zh) 2021-11-30 2021-11-30 多媒体数据的推送方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114168761A CN114168761A (zh) 2022-03-11
CN114168761B true CN114168761B (zh) 2022-10-28

Family

ID=80481889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111442885.7A Active CN114168761B (zh) 2021-11-30 2021-11-30 多媒体数据的推送方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114168761B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398501B (zh) * 2022-03-25 2022-06-28 腾讯科技（深圳）有限公司 多媒体资源的分组方法、装置、设备及存储介质
CN115193061B (zh) * 2022-06-29 2023-06-09 上海益世界信息技术集团有限公司 推荐目标操作的方法、装置、服务器及存储介质
CN115379264A (zh) * 2022-08-23 2022-11-22 深圳百果园实业(集团)股份有限公司 多媒体数据推送方法、设备、装置、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090906A (zh) * 2014-05-28 2014-10-08 腾讯科技（深圳）有限公司 多媒体推送方法及多媒体推送装置
CN112150182A (zh) * 2019-06-28 2020-12-29 腾讯科技（深圳）有限公司 多媒体文件推送方法和装置、存储介质及电子装置
CN112559900A (zh) * 2021-02-26 2021-03-26 深圳索信达数据技术有限公司 产品推荐方法、装置、计算机设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9292516B2 (en) * 2005-02-16 2016-03-22 Sonic Solutions Llc Generation, organization and/or playing back of content based on incorporated parameter identifiers
US20070112827A1 (en) * 2005-11-10 2007-05-17 International Business Machines Corporation Abstract rule sets
CN105159910A (zh) * 2015-07-03 2015-12-16 安一恒通（北京）科技有限公司 信息推荐方法和装置
CN105701216B (zh) * 2016-01-13 2017-03-08 北京三快在线科技有限公司 一种信息推送方法及装置
CN110443441B (zh) * 2019-06-20 2023-08-22 中国平安财产保险股份有限公司 规则效能监测方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090906A (zh) * 2014-05-28 2014-10-08 腾讯科技（深圳）有限公司 多媒体推送方法及多媒体推送装置
CN112150182A (zh) * 2019-06-28 2020-12-29 腾讯科技（深圳）有限公司 多媒体文件推送方法和装置、存储介质及电子装置
CN112559900A (zh) * 2021-02-26 2021-03-26 深圳索信达数据技术有限公司 产品推荐方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN114168761A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN114168761B (zh) 多媒体数据的推送方法、装置、电子设备及存储介质
CN107633444B (zh) 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法
CN103106262B (zh) 文档分类、支持向量机模型生成的方法和装置
WO2015120798A1 (en) Method for processing network media information and related system
CN109389321B (zh) 一种项目清单的分类方法及装置
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
US8725735B2 (en) Information processing system, information processing method, program, and non-transitory information storage medium
CN111371853B (zh) 资源信息推送方法、装置、服务器及存储介质
CN106846029B (zh) 基于遗传算法和新型相似度计算策略的协同过滤推荐算法
CN110930218A (zh) 一种识别欺诈客户的方法、装置及电子设备
Liu et al. Diverse personalized recommendations with uncertainty from implicit preference data with the Bayesian Mallows model
CN111061624A (zh) 策略执行效果确定方法、装置、电子设备及存储介质
Chaturvedi et al. Recommender system for news articles using supervised learning
CN107656918A (zh) 获取目标用户的方法及装置
WO2023024408A1 (zh) 用户特征向量确定方法、相关设备及介质
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN111309994A (zh) 用户匹配方法、装置、电子设备及可读存储介质
Jin et al. Imputing dropouts for single-cell RNA sequencing based on multi-objective optimization
CN104572623B (zh) 一种在线lda模型的高效数据总结分析方法
CN111177564B (zh) 一种产品推荐方法及装置
CN111159540A (zh) 数据处理方法及装置
CN115564578B (zh) 欺诈识别模型生成方法
CN114511409A (zh) 用户样本处理方法、装置及电子设备
CN114461899A (zh) 对用户的协同过滤推荐方法、装置、电子设备及存储介质
CN114418624A (zh) 项目推荐方法、装置、电子设备及可读介质

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