CN114222146B - 数据投放方法、装置、电子设备及存储介质 - Google Patents

数据投放方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114222146B
CN114222146B CN202111290045.3A CN202111290045A CN114222146B CN 114222146 B CN114222146 B CN 114222146B CN 202111290045 A CN202111290045 A CN 202111290045A CN 114222146 B CN114222146 B CN 114222146B
Authority
CN
China
Prior art keywords
information
delivery
target
sample
preset
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
CN202111290045.3A
Other languages
English (en)
Other versions
CN114222146A (zh
Inventor
李文鹏
陈云
杨宸
陈财旺
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.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
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 Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202111290045.3A priority Critical patent/CN114222146B/zh
Publication of CN114222146A publication Critical patent/CN114222146A/zh
Application granted granted Critical
Publication of CN114222146B publication Critical patent/CN114222146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26208—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints
    • H04N21/26241—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints involving the time of distribution, e.g. the best time of the day for inserting an advertisement or airing a children program
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4751—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user accounts, e.g. accounts for children

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Computer Interaction (AREA)
  • Strategic Management (AREA)
  • Child & Adolescent Psychology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开关于一种数据投放方法、装置、电子设备及存储介质。该方法包括：获取多个目标主播账号的主播属性信息以及预设时间段内目标主播账号的关联信息；将主播属性信息和关联信息输入目标指标预测模型，进行目标指标的预测处理，得到多个目标主播账号各自的目标指标预测信息；目标指标与第一投放渠道对应，第一投放渠道为至少一个预设投放渠道中的一个；根据目标指标预测信息进行投放展示量补偿处理，得到多个目标主播账号各自的投放展示量补偿信息；投放展示量补偿信息与对应的目标指标预测信息正相关；基于投放展示量补偿信息，在至少一个预设投放渠道上对目标主播账号的目标直播间和关联多媒体进行投放处理。根据本公开提供的技术方案，可以提升投放精度和效率。

Description

数据投放方法、装置、电子设备及存储介质
技术领域
本公开涉及互联网应用技术领域，尤其涉及一种数据投放方法、装置、电子设备及存储介质。
背景技术
随着直播的发展，越来越多的电商选择通过直播的方式推荐商品。为了保证电商的转化率以及直播平台的压力，直播平台选择为部分主播(主播账号)进行流量补偿以增加该部分主播的主播间的展示量(曝光量)。相关技术中，通过主播的交互信息和设置多个任务以选择出该部分主播，但多个任务需要覆盖主播在直播平台的不同阶段，导致任务设置较复杂，处理压力大，效率低；且现有选择部分主播的方式不能够有效挖掘主播的潜力，导致流量补偿不够精准，投放效果不佳。相关技术中还选择使用在线学习方式进行实时流量调整，比如使用强化学习算法MAB(Multi-armed bandit，多臂老虎机)进行实时流量调整，对于近期没有进行商品交易的冷启动主播来说，强化学习算法会在所有冷启动主播上进行试探，即对所有冷启动主播进行无差别投放，导致冷启动阶段的资源消耗较高，投放精准度却不高。
发明内容
本公开提供一种数据投放方法、装置、电子设备及存储介质，以至少解决相关技术中如何提升数据投放精度和效率问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种数据投放方法，包括：
获取多个目标主播账号的主播属性信息以及预设时间段内所述目标主播账号的关联信息，所述目标主播账号为推荐预设对象的主播账号，所述关联信息是基于所述目标主播账号的目标直播间关联信息、所述目标主播账号在至少一个预设投放渠道的投放信息、所述目标主播账号的关联对象信息、关联多媒体信息、以及所述预设对象的业务信息得到的；
将所述主播属性信息和所述关联信息输入目标指标预测模型，进行目标指标的预测处理，得到所述多个目标主播账号各自的目标指标预测信息；所述目标指标与第一投放渠道对应，所述第一投放渠道为所述至少一个预设投放渠道中的一个；
根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息；所述投放展示量补偿信息与对应的目标指标预测信息正相关；
基于所述投放展示量补偿信息，在所述至少一个预设投放渠道上对所述目标主播账号的目标直播间和关联多媒体进行投放处理。
在一种可能的实现方式中，所述根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息，包括：
获取预设补偿投放展示量；
基于所述目标指标预测信息，对所述多个目标主播账号进行排序，得到排序结果；
根据所述排序结果，从所述预设补偿投放展示量中，分别为所述多个目标主播账号分配补偿投放展示量，得到所述多个目标主播账号各自的投放展示量补偿信息。
在一种可能的实现方式中，所述方法还包括：
获取所述多个目标主播账号的投放展示量初始信息；
所述基于所述投放展示量补偿信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理，包括：
根据所述投放展示量初始信息和所述投放展示量补偿信息，确定所述多个目标主播账号各自的目标投放展示量信息；
基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理。
在一种可能的实现方式中，所述基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理，包括：
确定所述第一投放渠道和第二投放渠道各自对应的投放权重，所述第二投放渠道为所述至少一个预设投放渠道中除所述第一投放渠道之外的投放渠道；
基于所述投放权重和所述目标投放展示量信息，确定所述目标主播账号在所述第一投放渠道下的第一投放展示量信息以及在所述第二投放渠道下的第二投放展示量信息；
根据所述第一投放展示量信息和所述第二投放展示量信息，在所述第一投放渠道和所述第二投放渠道投放所述目标直播间和所述关联多媒体。
在一种可能的实现方式中，所述基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理，包括：
基于所述目标投放展示量信息，确定所述目标直播间的第三投放展示量信息和所述关联多媒体的第四投放展示量信息，其中，所述第三投放展示量信息高于所述第四投放展示量信息；
基于所述第三投放展示量信息，在所述至少一个预设投放渠道上投放所述目标直播间；
基于所述第四投放展示量信息，在所述至少一个预设投放渠道上投放所述关联多媒体。
在一种可能的实现方式中，所述目标指标预测模型通过以下步骤得到：
获取多个样本数据，所述多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内所述多个样本主播账号各自的样本关联信息，所述样本主播账号为推荐所述预设对象的主播账号，所述样本关联信息是基于所述样本主播账号的样本直播间关联信息、所述样本主播账号在至少一个预设投放渠道的样本投放信息、所述样本主播账号的样本关联对象信息、样本关联多媒体信息、以及所述预设对象的样本业务信息得到的；
获取所述多个样本数据各自在所述目标指标下的样本指标信息；
根据所述样本指标信息，确定所述多个样本数据各自对应的标签信息；
将所述样本主播属性信息和所述样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；
根据所述样本指标预测信息和所述标签信息，确定损失信息；
基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型。
在一种可能的实现方式中，所述样本主播属性信息和所述样本关联信息包括第一数量的特征信息，所述基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型，包括：
基于所述损失信息训练所述预设决策树模型，得到初始指标预测模型；
从所述初始指标预测模型中，获取所述特征信息对应的权重参数信息；
基于所述权重参数信息，从所述第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
利用所述第二数量的特征信息以及对应的标签信息，训练所述预设决策树模型，得到所述目标指标预测模型。
根据本公开实施例的第二方面，提供一种数据投放装置，包括：
第一获取模块，被配置为执行获取多个目标主播账号的主播属性信息以及预设时间段内所述目标主播账号的关联信息，所述目标主播账号为推荐预设对象的主播账号，所述关联信息是基于所述目标主播账号的目标直播间关联信息、所述目标主播账号在至少一个预设投放渠道的投放信息、所述目标主播账号的关联对象信息、关联多媒体信息、以及所述预设对象的业务信息得到的；
目标指标预测信息获取模块，被配置为执行将所述主播属性信息和所述关联信息输入目标指标预测模型，进行目标指标的预测处理，得到所述多个目标主播账号各自的目标指标预测信息；所述目标指标与第一投放渠道对应，所述第一投放渠道为所述至少一个预设投放渠道中的一个；
投放展示量补偿信息获取模块，被配置为执行根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息；所述投放展示量补偿信息与对应的目标指标预测信息正相关；
投放模块，被配置为执行基于所述投放展示量补偿信息，在所述至少一个预设投放渠道上对所述目标主播账号的目标直播间和关联多媒体进行投放处理。
在一种可能的实现方式中，所述投放展示量补偿信息获取模块包括：
预设补偿展示量获取单元，被配置为执行获取预设补偿投放展示量；
排序单元，被配置为执行基于所述目标指标预测信息，对所述多个目标主播账号进行排序，得到排序结果；
投放补偿展示量分配单元，被配置为执行根据所述排序结果，从所述预设补偿投放展示量中，分别为所述多个目标主播账号分配补偿投放展示量，得到所述多个目标主播账号各自的投放展示量补偿信息。
在一种可能的实现方式中，所述装置还包括：
展示量初始信息获取模块，被配置为执行获取所述多个目标主播账号的投放展示量初始信息；
所述投放模块包括：
目标投放展示量信息确定单元，被配置为执行根据所述投放展示量初始信息和所述投放展示量补偿信息，确定所述多个目标主播账号各自的目标投放展示量信息；
投放单元，被配置为执行基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理。
在一种可能的实现方式中，所述投放单元包括：
投放权重确定子单元，被配置为执行确定所述第一投放渠道和第二投放渠道各自对应的投放权重，所述第二投放渠道为所述至少一个预设投放渠道中除所述第一投放渠道之外的投放渠道；
投放渠道分配子单元，被配置为执行基于所述投放权重和所述目标投放展示量信息，确定所述目标主播账号在所述第一投放渠道下的第一投放展示量信息以及在所述第二投放渠道下的第二投放展示量信息；
投放子单元，被配置为执行根据所述第一投放展示量信息和所述第二投放展示量信息，在所述第一投放渠道和所述第二投放渠道投放所述目标直播间和所述关联多媒体。
在一种可能的实现方式中，所述投放单元包括：
展示量分配子单元，被配置为执行基于所述目标投放展示量信息，确定所述目标直播间的第三投放展示量信息和所述关联多媒体的第四投放展示量信息，其中，所述第三投放展示量信息高于所述第四投放展示量信息；
直播间投放子单元，被配置为执行基于所述第三投放展示量信息，在所述至少一个预设投放渠道上投放所述目标直播间；
关联多媒体投放子单元，被配置为执行基于所述第四投放展示量信息，在所述至少一个预设投放渠道上投放所述关联多媒体。
在一种可能的实现方式中，所述装置还包括：
第二获取模块，被配置为执行获取多个样本数据，所述多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内所述多个样本主播账号各自的样本关联信息，所述样本主播账号为推荐所述预设对象的主播账号，所述样本关联信息是基于所述样本主播的样本直播间关联信息、所述样本主播账号在至少一个预设投放渠道的样本投放信息、所述样本主播账号的样本关联对象信息、样本关联多媒体信息、以及所述预设对象的样本业务信息得到的；
样本指标信息获取模块，被配置为执行获取所述多个样本数据各自在所述目标指标下的样本指标信息；
标签信息确定模块，被配置为执行根据所述样本指标信息，确定所述多个样本数据各自对应的标签信息；
样本指标预测信息获取模块，被配置为执行将所述样本主播属性信息和所述样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；
损失信息确定模块，被配置为执行根据所述样本指标预测信息和所述标签信息，确定损失信息；
训练模块，被配置为执行基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型。
在一种可能的实现方式中，所述样本主播属性信息和所述样本关联信息包括第一数量的特征信息，所述训练模块包括：
第一训练单元，被配置为执行基于所述损失信息训练所述预设决策树模型，得到初始指标预测模型；
权重参数信息获取单元，被配置为执行从所述初始指标预测模型中，获取所述特征信息对应的权重参数信息；
特征信息筛选单元，被配置为执行基于所述权重参数信息，从所述第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
第二训练单元，被配置为执行利用所述第二数量的特征信息以及对应的标签信息，训练所述预设决策树模型，得到所述目标指标预测模型。
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中任一项所述的方法。
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本公开实施例的第一方面中任一所述的方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时，使得计算机执行本公开实施例的第一方面中任一项所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
通过设置关联信息包括较丰富的、与目标主播账号相关的信息，可以提升目标指标预测模型的预测精准度，并且利用模型的方式预测目标指标预测信息，以进行投放展示量补偿处理，可以提高展示量补偿信息的获取效率和精度，降低处理压力；以及设置目标指标与一个预设投放渠道对应，使得目标指标预测信息能够充分且有效地表征目标主播账号的潜力，可以进一步提升投放展示量补偿的精准度，提升投放精度；另外，基于目标指标预测模型的离线预测方式，可以提升投放展示量补偿的离线预测能力，从而可以帮助解决线上MAB算法在数据投放中的冷启动问题，大大减少冷启动中的资源消耗。
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应用环境的示意图。
图2是根据一示例性实施例示出的一种数据投放方法的流程图。
图3是根据一示例性实施例示出的一种根据目标指标预测信息进行投放展示量补偿处理，得到多个目标主播账号各自的投放展示量补偿信息的方法流程图。
图4是根据一示例性实施例示出的另一种数据投放方法的流程图。
图5是根据一示例性实施例示出的一种基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理的方法流程图。
图6是根据一示例性实施例示出的另一种基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理的方法流程图。
图7是根据一示例性实施例示出的一种目标指标预测模型的训练方法流程图。
图8是根据一示例性实施例示出的一种基于损失信息训练预设决策树模型，得到目标指标预测模型的方法流程图。
图9是根据一示例性实施例示出的一种数据投放装置框图。
图10是根据一示例性实施例示出的一种用于数据投放的电子设备的框图。
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。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本申请实施例提供的方案涉及机器学习/深度学习等技术，具体通过如下实施例进行说明：
请参阅图1，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括服务器01和终端02。
在一个可选的实施例中，服务器01可以用于数据投放处理。具体的，服务器01可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，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(Content Delivery 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。
在一个可选的实施例中，终端02可以用于展示直播间和多媒体。具体的，终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
本说明书实施例中，上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
需要说明的是，以下图中示出的是一种可能的步骤顺序，实际上并不限定必须严格按照此顺序。有些步骤可以在互不依赖的情况下并行执行。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、用户行为信息等)和数据(包括但不限于用于展示的数据、训练的数据等)，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数据投放方法的流程图。如图2所示，可以包括以下步骤。
在步骤S201中，获取多个目标主播账号的主播属性信息以及预设时间段内目标主播账号的关联信息；该关联信息可以是基于目标主播账号的目标直播间关联信息、目标主播账号在至少一个预设投放渠道的投放信息、目标主播账号的关联对象信息、关联多媒体信息、以及预设对象的业务信息得到的；
其中，目标主播账号可以为推荐预设对象的主播，这里的预设对象可以是指能够在直播间展示以及被交互的对象，该对象可以是多种行业下多种品类的对象，比如书籍、衣服等，本公开对此不作限定。目标主播账号可以在直播间中通过展示预设对象，实现对预设对象的推荐，从而可以让用户对预设对象进行预设操作，该预设操作可以包括关注、购买等，本公开对此不作限定。
实际应用中，主播属性信息可以包括目标主播账号对应的性别、是否被禁、封禁级别、粉丝数量级别、账户类型、推荐的预设对象所属行业、所属品类等。其中，是否被禁可以是指是否被多媒体平台禁止推荐预设对象。行业可以包括服饰、珠宝等，品类可以是指所属行业下的细分类别，比如服饰行业下的品类可以包括帽子、上衣、连衣裙等，预设对象所属行业可以是上述行业中的一种或多种，所属品类可以是上述品类中的一种或多种。
本说明书实施例中，目标主播账号的目标直播间可以是指目标主播账号的任一场直播的直播间。目标直播间关联信息可以是指与目标直播间关联的信息，例如直播时长、直播场次、直播展示次数、直播自动观看次数、有效直播观看次数、目标直播间中购物车的展示次数、目标直播间中商品列表的点击次数、目标直播间中预设对象的订单量等，本公开对此不作限定。其中，一个目标主播账号的直播自动观看次数可以是指在其它主播账号的直播结束时，自动播放该一个目标主播账号的目标直播间的视频的次数；有效直播观看次数可以是指观看时长大于一定时长的次数，一定时长可以是60秒，本公开对此不作限定。
预设投放渠道可以是指能够用于投放数据的渠道，这里的数据可以包括目标直播间和关联多媒体，比如可以包括多媒体展示页的投放渠道、直播流展示页的投放渠道、多媒体平台内部推广相关的内部投放渠道等。作为一个示例，多媒体展示页的投放渠道和直播流展示页的投放渠道可以是短视频应用中的推荐页、发现页、关注页等的短视频投放渠道，本公开对此不作限定。相应地，投放信息可以包括目标直播间和关联多媒体的投放展示量(曝光量)、投放消耗的资源(比如金额)、投放的收益等，本公开对此不作限定。其中，投放的收益可以包括在预设投放渠道的预设对象的总收益、预设投放渠道的直接链路收益(简称ROI，return on investment，或称投资回报率)，该ROI＝预设对象的总收益/投放消耗的资源，也就是说，ROI可以表征单位投放消耗的资源带来的收益，相同的投放消耗资源，若预设对象的总收益越高，ROI越高。在实际应用中，该投放消耗的资源可以是投放消耗的金额，或者也可以是投放消耗的金额换取的投放展示量。投放消耗的金额可以与投放展示量正相关，也就是说，在相同的投放展示量下，预设对象的总收益越高，ROI越高，即ROI可以表征投放展示量与预设对象的总收益的关联关系。在一个示例中，该ROI可以作为下面的目标指标。其中，在预设投放渠道的预设对象的总收益可以是预设对象在预设投放渠道上获取的总金额。
关联多媒体可以是指目标主播账号发布在多媒体平台的多媒体，比如短视频。相应地，关联多媒体信息可以是指与关联多媒体有关的信息，例如短视频的播放次数、短视频展示次数、短视频有效播放次数(播放时长大于播放时长阈值的次数)、短视频反馈数量(比如评论数量、点赞数量等)、短视频分享次数、短视频播放进度、短视频在各内容类别上数量的变化信息(比如儿童帽子类的短视频在近期减少)等。
关联对象信息可以是指目标主播账号的关联对象的信息，目标主播账号的关联对象可以包括该目标主播账号在多媒体平台中关注的账户、多媒体平台中关注该目标主播账号的账户、对目标直播间中预设对象执行过预设操作的账户等。关联对象信息可以是指目标主播账号的关联对象的数量信息、在目标直播间送礼物的信息、点赞信息、收藏信息、分享信息、观看直播的时长信息、平均购买额度信息等。
预设对象的业务信息可以是指预设对象在至少一个业务下的信息，该至少一个业务可以包括订单量业务、订单额度业务、用户偏好程度业务等。
实际应用中，预设时间段可以是距离当前时间预设时长的时间段，该预设时长可以小于时长阈值，比如预设时长可以为一天。可以获取最近一天内目标主播账号的关联信息以及目标主播账号的主播属性信息。例如，可以获取预设时间段内目标主播账号的目标直播间关联信息、目标主播账号在至少一个预设投放渠道的投放信息、目标主播账号的关联多媒体信息、目标主播账号的关联对象信息以及预设对象的业务信息；进一步地，可以从主播属性信息、目标直播间关联信息、投放信息、关联对象信息和业务信息中提取出第二数量的特征信息，作为关联信息。本公开对第二数量不作限定，比如可以是35～75之间的数量。
在步骤S203中，将主播属性信息和关联信息输入目标指标预测模型，进行目标指标的预测处理，得到多个目标主播账号各自的目标指标预测信息。
其中，目标指标可以与第一投放渠道对应，第一投放渠道为至少一个预设投放渠道中的一个，在一个示例中，第一投放渠道可以是内部投放渠道中的一个。
实际应用中，可以将主播属性信息和关联信息输入目标指标预测模型，进行目标指标的预测处理，得到多个目标主播账号各自的目标指标预测信息，例如可以是ROI预测信息，例如ROI预测概率。
在步骤S205中，根据目标指标预测信息进行投放展示量补偿处理，得到多个目标主播账号各自的投放展示量补偿信息。
实际应用中，可以根据目标指标预测信息对多个目标主播账号进行排序，例如按照目标指标预测信息从高到低进行排序，从而可以基于该排序，为多个目标主播账号分配用于投放的投放展示量补偿信息，本公开对分配方式不作限定，只要投放展示量补偿信息与对应的目标指标预测信息正相关即可。
在步骤S207中，基于投放展示量补偿信息，在至少一个预设投放渠道上对目标主播账号的目标直播间和关联多媒体进行投放处理。
实际应用中，可以基于投放展示量补偿信息，确定每个目标主播账号的投放频率、投放顺序等，将目标主播账号的目标直播间和关联多媒体在至少一个预设投放渠道上投放，本公开对具体的投放方式不作限定，只要能够有效提升投放展示量补偿信息较高的目标主播账号的目标直播间和关联多媒体得到较高的展示量即可。
通过设置关联信息包括较丰富的、与目标主播账号相关的信息，可以提升目标指标预测模型的预测精准度，并且利用模型的方式预测目标指标预测信息，以进行投放展示量补偿处理，可以提高展示量补偿信息的获取效率和精度，降低处理压力；以及设置目标指标与一个预设投放渠道对应，使得目标指标预测信息能够充分且有效地表征目标主播账号的潜力，可以进一步提升投放展示量补偿的精准度，提升投放精度；另外，基于目标指标预测模型的离线预测方式，可以提升投放展示量补偿的离线预测能力，从而可以帮助解决线上MAB算法在数据投放中的冷启动问题，大大减少冷启动中的资源消耗。
图3是根据一示例性实施例示出的一种根据目标指标预测信息进行投放展示量补偿处理，得到多个目标主播账号各自的投放展示量补偿信息的方法流程图。如图3所示，在一种可能的实现方式中，该步骤S205可以包括：
在步骤S301中，获取预设补偿投放展示量；
在步骤S303中，基于目标指标预测信息，对多个目标主播账号进行排序，得到排序结果；
在步骤S305中，根据排序结果，从预设补偿投放展示量中，分别为多个目标主播账号分配补偿投放展示量，得到多个目标主播账号各自的投放展示量补偿信息。
实际应用中，多媒体平台中对于补偿投放展示量可以设置上限以保证资源消耗的可控性，例如可以预先设置用于投放展示量扶持的预设补偿投放展示量，以用于扶持多媒体平台中的目标主播账号。由于预设补偿投放展示量的设置，需要选择出预设对象推荐潜力大的目标主播账号，给予较大扶持，使得预设补偿投放展示量充分发挥作用。基于此，可以基于目标指标预测信息，对多个目标主播账号进行排序，得到排序结果；并可以根据排序结果，从预设补偿展示量中，分别为多个目标主播账号分配补偿投放展示量，得到多个目标主播账号各自的投放展示量补偿信息。比如预设补偿投放展示量为20000，以目标指标预测信息从高到低排序为例，多个目标主播账号各自的投放展示量补偿信息可以如下：
排序1，目标主播账号8，投放展示量补偿信息：500；
排序2，目标主播账号23，投放展示量补偿信息：300；
……
排序N，目标主播账号5，投放展示量补偿信息：5。
其中，N可以是多个目标主播账号的数量，N个目标主播账号的投放展示量补偿信息的和可以小于或等于预设补偿投放展示量。本公开对补偿投放展示量的分配方式不作限定，只要目标指标预测信息较高的目标主播账号得到的投放展示量补偿信息较高即可。
通过设置预设补偿投放展示量，既可以进行投放展示量补偿(流量扶持)以快速提升具有业务潜力的目标主播账号的投放展示量，又可以保证资源消耗的可控性，充分发挥预设补偿投放展示量的作用，实现资源消耗与目标主播账号挖掘的平衡。
图4是根据一示例性实施例示出的另一种数据投放方法的流程图。如图4所示，在一种可能的实现方式中，该方法还可以包括：
在步骤S401中，获取多个目标主播账号的投放展示量初始信息；该投放展示量初始信息可以是目标主播账号通过投放资源获取的，比如使用一定的投放资金换取的投放展示量，可以作为目标主播账号的投放展示量初始信息。每个目标主播账号自身获取的投放展示量初始信息可以存储在多媒体平台中，从而可以从多媒体平台中查找以获取多个目标主播账号的投放展示量初始信息。
相应地，步骤S207可以包括：
在步骤S403中，根据投放展示量初始信息和投放展示量补偿信息，确定多个目标主播账号各自的目标投放展示量信息。
在一个示例中，可以将多个目标主播账号各自的投放展示量初始信息与投放展示量补偿信息的和，确定为多个目标主播账号各自的目标投放展示量信息；或者可以将多个目标主播账号各自的投放展示量初始信息与投放展示量补偿信息的加权和，确定为多个目标主播账号各自的目标投放展示量信息。其中，投放展示量初始信息的权重可以小于投放展示量补偿信息的权重，以保证业务潜力大的目标主播账号得到较多的投放展示量，本公开对此不作限定。
在步骤S405中，基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理。
本说明书实施例中，该步骤的方式可以参见步骤S207，在此不再赘述。
通过结合投放展示量初始信息和投放展示量补偿信息，确定多个目标主播账号各自的目标投放展示量信息，并基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理，可以提升目标直播间和关联多媒体的合理性。
图5是根据一示例性实施例示出的一种基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理的方法流程图。如图5所示，在一种可能的实现方式中，该步骤S405可以包括：
在步骤S501中，确定第一投放渠道和第二投放渠道各自对应的投放权重，第二投放渠道可以为至少一个预设投放渠道中除第一投放渠道之外的投放渠道；在一个示例中，投放权重可以是预设的，例如第一投放渠道对应的投放权重可以高于第二投放渠道对应的投放权重。
在步骤S503中，基于投放权重和目标投放展示量信息，确定目标主播账号在第一投放渠道下的第一投放展示量信息以及在第二投放渠道下的第二投放展示量信息；
在步骤S505中，根据第一投放展示量信息和第二投放展示量信息，在第一投放渠道和第二投放渠道投放目标直播间和关联多媒体。
举例来说，3个预设投放渠道：第一投放渠道、第二投放渠道：第二投放渠道1和第二投放渠道2；若目标主播账号H的目标投放展示量为1000；第一投放渠道对应的投放权重为0.6；第二投放渠道对应的投放权重为1-0.6＝0.4；从而可以得到第一投放展示量信息：0.6*1000＝600；第二投放展示量信息：0.4*1000＝400。进一步地，可以将第二投放展示量划分至第二投放渠道1和第二投放渠道2，比如平均划分后，第二投放渠道1：200、第二投放渠道2：200。
进一步地，可以基于第一投放展示量信息600，在第一投放渠道投放目标直播H的目标直播间和关联多媒体；可以基于第二投放渠道1的投放展示量信息200，在第二投放渠道1投放目标直播H的目标直播间和关联多媒体，以及基于第二投放渠道2的投放展示量信息200，在第二投放渠道2投放目标直播H的目标直播间和关联多媒体。具体基于目标投放展示量的投放方式，可以参见步骤S207，本公开对此不作限定。
确定第一投放渠道和第二投放渠道各自对应的投放权重，实现同一目标主播账号在第一投放渠道和第二投放渠道下的差异化投放，提升投放灵活性；并且在第一投放渠道对应的投放权重高于第二投放渠道对应的投放权重时，由于目标指标与第一投放渠道对应，可以有效保证投放展示的转化率。
上述是同一目标主播账号的目标投放展示量按照对应权重分配至不同投放渠道，实现投放渠道的差异化；下面可以将目标投放展示量划分至同一目标主播账号的直播间和关联多媒体上，实现直播间和关联多媒体在投放展示量上的差异化投放，具体介绍如下。
图6是根据一示例性实施例示出的另一种基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理的方法流程图。如图6所示，在一种可能的实现方式中，该步骤S405可以包括：
在步骤S601中，基于目标展示量信息，确定目标直播间的第三投放展示量信息和关联多媒体的第四投放展示量信息。
其中，第三投放展示量信息高于第四投放展示量信息。作为一个示例，第三投放展示量信息可以为目标投放展示量信息，第四投放展示量信息可以为0。
在步骤S603中，基于第三投放展示量信息，在至少一个预设投放渠道上投放目标直播间；
在步骤S605中，基于第四投放展示量信息，在至少一个预设投放渠道上投放关联多媒体。
具体的基于第三投放展示量信息和第四投放展示量信息的投放方式，可以参见步骤S207，本公开对此不作限定。
通过目标投放展示量信息，确定目标直播间的第三投放展示量信息和关联多媒体的第四投放展示量信息，实现直播间和关联多媒体在投放展示量上的差异化投放；并且通过设置第三投放展示量信息高于第四投放展示量信息，可以提高直播间的投放展示量以保证展示量的转化率。
图7是根据一示例性实施例示出的一种目标指标预测模型的训练方法流程图。如图7所示，在一种可能的实现方式中，可以包括：
在步骤S701中，获取多个样本数据，该多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内多个样本主播账号各自的样本关联信息，样本主播账号可以为推荐预设对象的主播账号，样本关联信息是基于样本主播账号的样本直播间关联信息、样本主播账号在至少一个预设投放渠道的样本投放信息、样本主播账号的样本关联对象信息、样本关联多媒体信息、以及预设对象的样本业务信息得到的。
在一种可能的实现方式中，历史时间段可以包括第一时间段和第二时间段，第一时间段的起始时间在第二时间段的起始时间之后，第一时间段的终止时间和第二时间段的终止时间均可以为训练时所处的历史时间点，第二时间段的时长小于预设时长。例如，第一时间段可以是距离历史时间点7天的时间段，第二时间段可以是距离历史时间点30天的时间段。该步骤S701可以包括以下步骤：
获取第一时间段内样本主播账号的样本直播间关联信息、样本主播账号在至少一个预设投放渠道的样本投放信息和样本主播账号的样本关联多媒体信息；
获取第二时间段内样本主播账号的样本关联对象信息以及预设对象的样本业务信息；
从样本直播间关联信息、样本投放信息、样本关联对象信息和样本业务信息中提取出第一数量的特征信息，作为关联信息，其中，第一数量可以大于第二数量，本公开对第一数量不作限定，比如可以是75。
本说明书实施例中，为了提升目标指标预测模型的输入特征的丰富性以提升预测精准度、且保证目标指标预测模型的预测效率，可以从多种信息中提取部分信息作为特征信息。这样既可以保证关联信息的种类丰富性，又可以保证后续目标指标预测模型的预测效率，并且，对于不同信息的时间段设置为不同，可以有效体现与时效性更加紧密的特征以及与时效性紧密性不强的特征的准确性，从而可以提高目标指标预测模型的预测精度。
在步骤S703中，获取多个样本数据各自在目标指标下的样本指标信息；
在步骤S705中，根据样本指标信息，确定多个样本数据各自对应的标签信息。
以目标指标为ROI为例，可以获取每个样本主播对应的单位投放展示量下的商品交易总额，例如可以获取样本主播在7日内的投放展示量为200，该7日内的商品交易总额为1000，则可以确定该样本主播对应的样本数据在目标指标下的样本指标信息为1000/200＝5。
进一步地，可以根据样本指标信息，确定该样本数据对应的标签信息，例如可以将样本指标信息直接作为标签信息。或者，可以获取预先设置的样本指标阈值，将样本指标信息大于3的样本数据的标签信息设置为1；将样本指标信息小于或等于3的样本数据的标签信息设置为0。其中，标签信息为1的样本数据可以作为正样本、标签信息为0的样本数据可以作为负样本。
可选地，可以对样本数据进行预处理，在正样本较多、负样本较少的情况下，可以对负样本进行欠采样以实现正负样本的均衡。
在步骤S707中，将样本主播属性信息和样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；该步骤的实现方式可以参见步骤S203，在此不再赘述。
在步骤S709中，根据样本指标预测信息和标签信息，确定损失信息。
实际应用中，可以将样本指标预测信息与标签信息的差值作为损失信息
在步骤S711中，基于损失信息训练预设决策树模型，得到目标指标预测模型。
本说明书实施例中，可以基于损失信息，利用梯度上升算法GBDT(GradientBoosting Decision Tree)训练预设决策树模型，得到目标指标预测模型。可选地，可以在GBDT中设置参数以限制决策树叶子节点的数量以及单叶子节点上样本数据的最小数量，并可以添加正则项来约束训练过程，以减少过拟合，本公开对这些均不作限定。
通过选择预设决策树模型进行训练，可以有效适应样本数据量较少、单个样本数据的特征较多的训练场景；并且通过目标指标下的样本指标信息确定标签信息，使得标签信息能够有效表征样本主播的潜力，从而可以提升目标指标预测模型的预测精准度。
在一种可能的实现方式中，所述样本主播属性信息和所述样本关联信息包括第一数量的特征信息，图8是根据一示例性实施例示出的一种基于损失信息训练预设决策树模型，得到目标指标预测模型的方法流程图。如图8所示，步骤S711可以包括：
在步骤S801中，基于损失信息训练预设决策树模型，得到初始指标预测模型；
在步骤S803中，从初始指标预测模型中，获取特征信息对应的权重参数信息；
在步骤S805中，基于权重参数信息，从第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
在步骤S807中，利用第二数量的特征信息以及对应的标签信息，训练预设决策树模型，得到目标指标预测模型。
实际应用中，考虑到每个样本数据中的特征较多，可以基于损失信息训练预设决策树模型，得到初始指标预测模型，从而可以从初始指标预测模型中，获取特征信息对应的权重参数信息。进一步地，可以基于权重参数信息，从第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息，实现减少模型输入的特征数量的目的。其中，预设条件可以是权重阈值，本公开对此不作限定。这样利用第二数量的特征信息以及对应的标签信息，训练预设决策树模型，得到的目标指标预测模型，由于输入特征的减少，可以提高处理效率。
图9是根据一示例性实施例示出的一种数据投放装置框图。参照图9，该装置可以包括：
第一获取模块901，被配置为执行获取多个目标主播账号的主播属性信息以及预设时间段内目标主播账号的关联信息，目标主播账号为推荐预设对象的主播账号，关联信息是基于目标主播账号的目标直播间关联信息、目标主播账号在至少一个预设投放渠道的投放信息、目标主播账号的关联对象信息、关联多媒体信息、以及预设对象的业务信息得到的；
目标指标预测信息获取模块903，被配置为执行将主播属性信息和关联信息输入目标指标预测模型，进行目标指标的预测处理，得到多个目标主播账号各自的目标指标预测信息；目标指标与第一投放渠道对应，第一投放渠道为至少一个预设投放渠道中的一个；
投放展示量补偿信息获取模块905，被配置为执行根据目标指标预测信息进行投放展示量补偿处理，得到多个目标主播账号各自的投放展示量补偿信息；投放展示量补偿信息与对应的目标指标预测信息正相关；
投放模块907，被配置为执行基于投放展示量补偿信息，在至少一个预设投放渠道上对目标主播账号的目标直播间和关联多媒体进行投放处理。
在一种可能的实现方式中，上述投放展示量补偿信息获取模块905可以包括：
预设补偿展示量获取单元，被配置为执行获取预设补偿投放展示量；
排序单元，被配置为执行基于目标指标预测信息，对多个目标主播账号进行排序，得到排序结果；
投放补偿展示量分配单元，被配置为执行根据排序结果，从预设补偿投放展示量中，分别为多个目标主播账号分配补偿投放展示量，得到多个目标主播账号各自的投放展示量补偿信息。
在一种可能的实现方式中，该装置还可以包括：
展示量初始信息获取模块，被配置为执行获取多个目标主播账号的投放展示量初始信息；
上述投放模块907可以包括：
目标投放展示量信息确定单元，被配置为执行根据投放展示量初始信息和投放展示量补偿信息，确定多个目标主播账号各自的目标投放展示量信息；
投放单元，被配置为执行基于目标投放展示量信息，在至少一个预设投放渠道上对目标直播间和关联多媒体进行投放处理。
在一种可能的实现方式中，上述投放单元可以包括：
投放权重确定子单元，被配置为执行确定第一投放渠道和第二投放渠道各自对应的投放权重，第二投放渠道为至少一个预设投放渠道中除第一投放渠道之外的投放渠道；
投放渠道分配子单元，被配置为执行基于投放权重和目标投放展示量信息，确定目标主播账号在第一投放渠道下的第一投放展示量信息以及在第二投放渠道下的第二投放展示量信息；
投放子单元，被配置为执行根据第一投放展示量信息和第二投放展示量信息，在第一投放渠道和第二投放渠道投放目标直播间和关联多媒体。
在一种可能的实现方式中，上述投放单元还可以包括：
展示量分配子单元，被配置为执行基于目标投放展示量信息，确定目标直播间的第三投放展示量信息和关联多媒体的第四投放展示量信息，其中，第三投放展示量信息高于第四投放展示量信息；
直播间投放子单元，被配置为执行基于第三投放展示量信息，在至少一个预设投放渠道上投放目标直播间；
关联多媒体投放子单元，被配置为执行基于第四投放展示量信息，在至少一个预设投放渠道上投放关联多媒体。
在一种可能的实现方式中，该装置还可以包括：
第二获取模块，被配置为执行获取多个样本数据，多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内多个样本主播账号各自的样本关联信息，样本主播账号为推荐预设对象的主播账号，样本关联信息是基于样本主播的样本直播间关联信息、样本主播账号在至少一个预设投放渠道的样本投放信息、样本主播账号的样本关联对象信息、样本关联多媒体信息、以及预设对象的样本业务信息得到的；
样本指标信息获取模块，被配置为执行获取多个样本数据各自在目标指标下的样本指标信息；
标签信息确定模块，被配置为执行根据样本指标信息，确定多个样本数据各自对应的标签信息；
样本指标预测信息获取模块，被配置为执行将样本主播属性信息和样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；
损失信息确定模块，被配置为执行根据样本指标预测信息和标签信息，确定损失信息；
训练模块，被配置为执行基于损失信息训练预设决策树模型，得到目标指标预测模型。
在一种可能的实现方式中，样本主播属性信息和样本关联信息包括第一数量的特征信息，上述训练模块可以包括：
第一训练单元，被配置为执行基于损失信息训练预设决策树模型，得到初始指标预测模型；
权重参数信息获取单元，被配置为执行从初始指标预测模型中，获取特征信息对应的权重参数信息；
特征信息筛选单元，被配置为执行基于权重参数信息，从第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
第二训练单元，被配置为执行利用第二数量的特征信息以及对应的标签信息，训练预设决策树模型，得到目标指标预测模型。
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10是根据一示例性实施例示出的一种用于数据投放的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据投放的方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的数据投放方法。
在示例性实施例中，还提供了一种计算机可读存储介质，当该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本公开实施例中的数据投放方法。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，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的数据投放的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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 (14)

1.一种数据投放方法，其特征在于，包括：
获取多个目标主播账号的主播属性信息以及预设时间段内所述目标主播账号的关联信息，所述目标主播账号为推荐预设对象的主播账号，所述关联信息是基于所述目标主播账号的目标直播间关联信息、所述目标主播账号在至少一个预设投放渠道的投放信息、所述目标主播账号的关联对象信息、关联多媒体信息、以及所述预设对象的业务信息得到的；所述关联多媒体信息是指与关联多媒体有关的信息，所述关联多媒体是指所述目标主播账号发布的多媒体；
将所述主播属性信息和所述关联信息输入目标指标预测模型，进行目标指标的预测处理，得到所述多个目标主播账号各自的目标指标预测信息；所述目标指标与第一投放渠道对应，所述第一投放渠道为所述至少一个预设投放渠道中的一个；
根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息；所述投放展示量补偿信息与对应的目标指标预测信息正相关；
获取所述多个目标主播账号的投放展示量初始信息；
根据所述投放展示量初始信息和所述投放展示量补偿信息，确定所述多个目标主播账号各自的目标投放展示量信息；
基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理。
2.根据权利要求1所述的数据投放方法，其特征在于，所述根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息，包括：
获取预设补偿投放展示量；
基于所述目标指标预测信息，对所述多个目标主播账号进行排序，得到排序结果；
根据所述排序结果，从所述预设补偿投放展示量中，分别为所述多个目标主播账号分配补偿投放展示量，得到所述多个目标主播账号各自的投放展示量补偿信息。
3.根据权利要求1或2所述的数据投放方法，其特征在于，所述基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理，包括：
确定所述第一投放渠道和第二投放渠道各自对应的投放权重，所述第二投放渠道为所述至少一个预设投放渠道中除所述第一投放渠道之外的投放渠道；
基于所述投放权重和所述目标投放展示量信息，确定所述目标主播账号在所述第一投放渠道下的第一投放展示量信息以及在所述第二投放渠道下的第二投放展示量信息；
根据所述第一投放展示量信息和所述第二投放展示量信息，在所述第一投放渠道和所述第二投放渠道投放所述目标直播间和所述关联多媒体。
4.根据权利要求1或2所述的数据投放方法，其特征在于，所述基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理，包括：
基于所述目标投放展示量信息，确定所述目标直播间的第三投放展示量信息和所述关联多媒体的第四投放展示量信息，其中，所述第三投放展示量信息高于所述第四投放展示量信息；
基于所述第三投放展示量信息，在所述至少一个预设投放渠道上投放所述目标直播间；
基于所述第四投放展示量信息，在所述至少一个预设投放渠道上投放所述关联多媒体。
5.根据权利要求1所述的数据投放方法，其特征在于，所述目标指标预测模型通过以下步骤得到：
获取多个样本数据，所述多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内所述多个样本主播账号各自的样本关联信息，所述样本主播账号为推荐所述预设对象的主播账号，所述样本关联信息是基于所述样本主播账号的样本直播间关联信息、所述样本主播账号在至少一个预设投放渠道的样本投放信息、所述样本主播账号的样本关联对象信息、样本关联多媒体信息、以及所述预设对象的样本业务信息得到的；
获取所述多个样本数据各自在所述目标指标下的样本指标信息；
根据所述样本指标信息，确定所述多个样本数据各自对应的标签信息；
将所述样本主播属性信息和所述样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；
根据所述样本指标预测信息和所述标签信息，确定损失信息；
基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型。
6.根据权利要求5所述的数据投放方法，其特征在于，所述样本主播属性信息和所述样本关联信息包括第一数量的特征信息，所述基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型，包括：
基于所述损失信息训练所述预设决策树模型，得到初始指标预测模型；
从所述初始指标预测模型中，获取所述特征信息对应的权重参数信息；
基于所述权重参数信息，从所述第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
利用所述第二数量的特征信息以及对应的标签信息，训练所述预设决策树模型，得到所述目标指标预测模型。
7.一种数据投放装置，其特征在于，包括：
第一获取模块，被配置为执行获取多个目标主播账号的主播属性信息以及预设时间段内所述目标主播账号的关联信息，所述目标主播账号为推荐预设对象的主播账号，所述关联信息是基于所述目标主播账号的目标直播间关联信息、所述目标主播账号在至少一个预设投放渠道的投放信息、所述目标主播账号的关联对象信息、关联多媒体信息、以及所述预设对象的业务信息得到的；所述关联多媒体信息是指与关联多媒体有关的信息，所述关联多媒体是指所述目标主播账号发布的多媒体；
目标指标预测信息获取模块，被配置为执行将所述主播属性信息和所述关联信息输入目标指标预测模型，进行目标指标的预测处理，得到所述多个目标主播账号各自的目标指标预测信息；所述目标指标与第一投放渠道对应，所述第一投放渠道为所述至少一个预设投放渠道中的一个；
投放展示量补偿信息获取模块，被配置为执行根据所述目标指标预测信息进行投放展示量补偿处理，得到所述多个目标主播账号各自的投放展示量补偿信息；所述投放展示量补偿信息与对应的目标指标预测信息正相关；
投放模块，被配置为执行基于所述投放展示量补偿信息，在所述至少一个预设投放渠道上对所述目标主播账号的目标直播间和关联多媒体进行投放处理；
其中，所述装置还包括：
展示量初始信息获取模块，被配置为执行获取所述多个目标主播账号的投放展示量初始信息；
相应地，所述投放模块包括：
目标投放展示量信息确定单元，被配置为执行根据所述投放展示量初始信息和所述投放展示量补偿信息，确定所述多个目标主播账号各自的目标投放展示量信息；
投放单元，被配置为执行基于所述目标投放展示量信息，在所述至少一个预设投放渠道上对所述目标直播间和所述关联多媒体进行投放处理。
8.根据权利要求7所述的数据投放装置，其特征在于，所述投放展示量补偿信息获取模块包括：
预设补偿展示量获取单元，被配置为执行获取预设补偿投放展示量；
排序单元，被配置为执行基于所述目标指标预测信息，对所述多个目标主播账号进行排序，得到排序结果；
投放补偿展示量分配单元，被配置为执行根据所述排序结果，从所述预设补偿投放展示量中，分别为所述多个目标主播账号分配补偿投放展示量，得到所述多个目标主播账号各自的投放展示量补偿信息。
9.根据权利要求7或8所述的数据投放装置，其特征在于，所述投放单元包括：
投放权重确定子单元，被配置为执行确定所述第一投放渠道和第二投放渠道各自对应的投放权重，所述第二投放渠道为所述至少一个预设投放渠道中除所述第一投放渠道之外的投放渠道；
投放渠道分配子单元，被配置为执行基于所述投放权重和所述目标投放展示量信息，确定所述目标主播账号在所述第一投放渠道下的第一投放展示量信息以及在所述第二投放渠道下的第二投放展示量信息；
投放子单元，被配置为执行根据所述第一投放展示量信息和所述第二投放展示量信息，在所述第一投放渠道和所述第二投放渠道投放所述目标直播间和所述关联多媒体。
10.根据权利要求7或8所述的数据投放装置，其特征在于，所述投放单元包括：
展示量分配子单元，被配置为执行基于所述目标投放展示量信息，确定所述目标直播间的第三投放展示量信息和所述关联多媒体的第四投放展示量信息，其中，所述第三投放展示量信息高于所述第四投放展示量信息；
直播间投放子单元，被配置为执行基于所述第三投放展示量信息，在所述至少一个预设投放渠道上投放所述目标直播间；
关联多媒体投放子单元，被配置为执行基于所述第四投放展示量信息，在所述至少一个预设投放渠道上投放所述关联多媒体。
11.根据权利要求7所述的数据投放装置，其特征在于，所述装置还包括：
第二获取模块，被配置为执行获取多个样本数据，所述多个样本数据包括多个样本主播账号的样本主播属性信息以及历史时间段内所述多个样本主播账号各自的样本关联信息，所述样本主播账号为推荐所述预设对象的主播账号，所述样本关联信息是基于所述样本主播的样本直播间关联信息、所述样本主播账号在至少一个预设投放渠道的样本投放信息、所述样本主播账号的样本关联对象信息、样本关联多媒体信息、以及所述预设对象的样本业务信息得到的；
样本指标信息获取模块，被配置为执行获取所述多个样本数据各自在所述目标指标下的样本指标信息；
标签信息确定模块，被配置为执行根据所述样本指标信息，确定所述多个样本数据各自对应的标签信息；
样本指标预测信息获取模块，被配置为执行将所述样本主播属性信息和所述样本关联信息输入预设决策树模型，进行目标指标的预测处理，得到样本指标预测信息；
损失信息确定模块，被配置为执行根据所述样本指标预测信息和所述标签信息，确定损失信息；
训练模块，被配置为执行基于所述损失信息训练所述预设决策树模型，得到所述目标指标预测模型。
12.根据权利要求11所述的数据投放装置，其特征在于，所述样本主播属性信息和所述样本关联信息包括第一数量的特征信息，所述训练模块包括：
第一训练单元，被配置为执行基于所述损失信息训练所述预设决策树模型，得到初始指标预测模型；
权重参数信息获取单元，被配置为执行从所述初始指标预测模型中，获取所述特征信息对应的权重参数信息；
特征信息筛选单元，被配置为执行基于所述权重参数信息，从所述第一数量的特征信息中筛选出权重参数信息满足预设条件的第二数量的特征信息；
第二训练单元，被配置为执行利用所述第二数量的特征信息以及对应的标签信息，训练所述预设决策树模型，得到所述目标指标预测模型。
13.一种电子设备，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中任一项所述的数据投放方法。
14.一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6中任一项所述的数据投放方法。
CN202111290045.3A 2021-11-02 2021-11-02 数据投放方法、装置、电子设备及存储介质 Active CN114222146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111290045.3A CN114222146B (zh) 2021-11-02 2021-11-02 数据投放方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111290045.3A CN114222146B (zh) 2021-11-02 2021-11-02 数据投放方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114222146A CN114222146A (zh) 2022-03-22
CN114222146B true CN114222146B (zh) 2023-10-31

Family

ID=80696441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111290045.3A Active CN114222146B (zh) 2021-11-02 2021-11-02 数据投放方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114222146B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115037969B (zh) * 2022-08-12 2022-11-18 道有道科技集团股份公司 基于数据识别的短视频广告投放智能分析系统与方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109862376A (zh) * 2019-02-28 2019-06-07 广州华多网络科技有限公司 直播内容投放系统、方法、装置、列表服务器及存储介质
CN111371882A (zh) * 2020-02-28 2020-07-03 北京字节跳动网络技术有限公司 数据共享投放控制方法、装置、电子设备及计算机可读介质
CN112016773A (zh) * 2019-05-13 2020-12-01 腾讯科技（深圳）有限公司 一种确定潜力主播的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109862376A (zh) * 2019-02-28 2019-06-07 广州华多网络科技有限公司 直播内容投放系统、方法、装置、列表服务器及存储介质
CN112016773A (zh) * 2019-05-13 2020-12-01 腾讯科技（深圳）有限公司 一种确定潜力主播的方法及装置
CN111371882A (zh) * 2020-02-28 2020-07-03 北京字节跳动网络技术有限公司 数据共享投放控制方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
CN114222146A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN107808295B (zh) 多媒体数据投放方法及装置
CN109597904B (zh) 用于提供社交网络的方法和系统
CN110781321A (zh) 一种多媒体内容推荐方法及装置
CN110147882B (zh) 神经网络模型的训练方法、人群扩散方法、装置及设备
CN110008397B (zh) 一种推荐模型训练方法及装置
TW201923675A (zh) 資訊推薦方法及裝置、設備
CN111767466A (zh) 基于人工智能的推荐信息推荐方法、装置及电子设备
CN114461871B (zh) 推荐模型训练方法、对象推荐方法、装置及存储介质
CN105045859A (zh) 一种智能设备的用户特征分析方法及装置
CN112132634A (zh) 虚拟馈赠资源发放方法、装置、计算机设备和存储介质
CN112579876A (zh) 基于用户兴趣的信息推送方法、装置、系统及存储介质
CN114222146B (zh) 数据投放方法、装置、电子设备及存储介质
CN113918738B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN112905879B (zh) 推荐方法、装置、服务器以及存储介质
WO2014026059A2 (en) Automates system for delivering priced access to content where prices vary with user behavior, including facilities to derive accumulated rating of articles, authors, and/or publishers as aids for locating content matching users' interests
US11580153B1 (en) Lookalike expansion of source-based custom audience by an online system
CN113850416A (zh) 广告推广合作对象确定方法和装置
CN111476657B (zh) 信息推送方法、装置及系统
CN113329233B (zh) 直播数据的处理方法、装置、电子设备及存储介质
CN114372199A (zh) 业务推送方法及装置、存储介质和电子设备
CN115456691A (zh) 线下广告位的推荐方法、装置、电子设备及存储介质
WO2014026062A2 (en) Computerized system for delivering reasonably priced access to content to remotely located users at prices varying in time per user behavior and with automated access to outside websites matching a user's inquiry or interest
CN111275473B (zh) 内容项投放方法、装置、服务器及存储介质
CN113868522B (zh) 对象推荐方法、装置、电子设备及存储介质
CN114547434B (zh) 对象推荐方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant