CN114564511A - 针对错误认定误差补偿媒体的印象的方法和装置 - Google Patents

针对错误认定误差补偿媒体的印象的方法和装置 Download PDF

Info

Publication number
CN114564511A
CN114564511A CN202210144904.6A CN202210144904A CN114564511A CN 114564511 A CN114564511 A CN 114564511A CN 202210144904 A CN202210144904 A CN 202210144904A CN 114564511 A CN114564511 A CN 114564511A
Authority
CN
China
Prior art keywords
media
type
impression
impressions
demographic group
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.)
Pending
Application number
CN202210144904.6A
Other languages
English (en)
Inventor
库马尔·纳加拉贾·拉奥
罗天珏
艾伯特·罗纳德·佩雷兹
斯蒂芬·S·贝尔
张米米
詹妮弗·哈斯凯尔
大卫·黄
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.)
Nielsen Co US LLC
Original Assignee
Nielsen Co US LLC
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=54069304&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN114564511(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Nielsen Co US LLC filed Critical Nielsen Co US LLC
Publication of CN114564511A publication Critical patent/CN114564511A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0245—Surveys
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/18—Information format or content conversion, e.g. adaptation by the network of the transmitted or received information for the purpose of wireless delivery to users or terminals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications

Abstract

本申请涉及针对错误认定误差补偿媒体的印象的方法和装置。示例性方法包括：在第一因特网域的第一服务器从第一类型的计算设备接收第一网络通信，其指示在第一类型的计算设备处的媒体访问；从第一服务器发送第二网络通信以请求人口统计信息，其对应于从第一类型的计算设备接收的第一网络通信和第三网络通信；生成聚合受众分布，其包括第一受众分布，第一受众分布基于第一家庭成员对媒体的访问；将聚合受众分布归一化以生成错误认定校正矩阵，其包括如下概率：当数据库所有者确定媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；通过使用错误认定校正矩阵将印象重新分配给第一人口统计组来补偿印象中的错误认定误差。

Description

针对错误认定误差补偿媒体的印象的方法和装置
本申请是申请日为2014年12月4日、申请号为“201480077152.X”、发明名称为“通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置”的发明专利申请的分案申请。
本专利要求2014年3月13日递交的序列号为61/952,726的美国临时专利申请、2014年4月14日递交的序列号为61/979,391的美国临时专利申请、2014年4月30日递交的序列号为61/986,784的美国临时专利申请、2014年5月9日递交的序列号为61/991,286的美国临时专利申请、2014年6月19日递交的序列号为62/014,659的美国临时专利申请、2014年7月11日递交的序列号为62/023,675的美国临时专利申请、以及2014年7月29日递交的序列号为62/030,571的美国临时专利申请的优先权。序列号为61/952,726的美国临时专利申请、序列号为61/979,391的美国临时专利申请、序列号为61/986,784的美国临时专利申请、序列号为61/991,286的美国临时专利申请、序列号为62/014,659的美国临时专利申请、序列号为62/023,675的美国临时专利申请、以及序列号为62/030,571的美国临时专利申请的全部内容通过引用并入在本文中。
技术领域
本发明总体涉及监控媒体，更具体地涉及通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置。
背景技术
传统地，受众测量实体基于注册的小组成员确定对于媒体节目的受众参与度。即，受众测量实体将同意被监控的人登记到小组中。然后受众测量实体监控那些小组成员以确定暴露于那些小组成员的媒体(例如，电视节目或广播节目、电影、DVD、广告等)。采用该方式，受众测量实体可以基于收集的媒体测量数据确定对于不同媒体的曝光测量。
用于监控用户对因特网资源(诸如网页、广告和/或其它媒体)的访问的技术多年来已经显著进化。一些现有系统主要通过服务器日志来执行这类监控。特别地，因特网上的实体服务媒体可以使用这类现有系统来在其服务器处记录针对其媒体所接收的请求的数量。
附图说明
图1示出收集在移动设备处呈现的媒体的印象以及从分布式数据库所有者收集用户信息用于与收集的印象相关联的示例性系统。
图2为示例性印象数据补偿器，该示例性印象数据补偿器可以被实施在图1的示例性受众测量服务器中以针对与源于数据库所有者的印象收集技术的错误认定和未覆盖有关的不准确而补偿印象数据。
图3A至图3C共同地示出示例性数据流，该示例性数据流可由图2的示例性印象数据补偿器执行以针对与源于数据库所有者的印象收集技术的错误认定和未覆盖有关的不准确而补偿印象数据。
图4为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以针对与源于数据库所有者的印象收集技术的错误认定和未覆盖有关的不准确而补偿印象数据。
图5为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以计算错误认定校准矩阵和/或共同查看矩阵。
图6为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以针对多对人口统计组确定错误认定的概率。
图7为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以生成错误认定校准矩阵和/或共同查看矩阵。
图8为示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以生成共同查看矩阵。
图9为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以生成与未被数据库所有者覆盖的媒体受众相关联的α因子。
图10为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以基于错误认定校准矩阵调整印象。
图11为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以基于数据库所有者的印象收集技术所对应的未覆盖因子调整印象。
图12为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以计算与未被数据库所有者覆盖的媒体受众相关联的人口统计资料(或未覆盖因子)。
图13为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图2的示例性印象数据补偿器，以基于用于数据库所有者的未覆盖因子调整印象和/或独特受众。
图14示出根据本发明的教导构造成确定用于收集的媒体印象数据的类型的示例性系统。
图15示出图14的确定用于收集的媒体印象数据的类型的类型预测器的示例。
图16示出图15的对待由图15的类型分析器用来预测类型的收集的媒体印象数据进行分类的数据分类器的示例。
图17示出绘制由图14和图15的类型预测器使用的示例性白天部分和示例性白天类别的示例性图表。
图18示出图14的可用于构造类型模型的类型建模器的示例。
图19为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图14和图18的示例性类型建模器，以构造类型模型。
图20为表示示例性机器可读指令的流程图，该示例性机器可读指令可被执行以实施图14和图15的示例性类型预测器，以为收集的媒体印象数据分配类型。
图21为示例性处理器平台，该示例性处理器平台可用于执行图4至图13的示例性指令以实施本文中所公开的示例性装置和系统。
图22为另一示例性处理器平台，该另一示例性处理器平台可用于执行图19和/或图20的示例性指令以实施本文中所公开的示例性装置和系统。
具体实施方式
用于监控用户对因特网资源(诸如网页、广告和/或其它媒体)的访问的技术多年来已经显著进化。在过去一度是主要通过服务器日志来完成这类监控。特别地，因特网上的实体服务媒体会在其服务器处记录针对其媒体所接收的请求的数量。出于几个原因，使因特网使用研究基于服务器日志是有问题的。例如，可以直接或借助僵尸程序篡改服务器日志，该僵尸程序重复地向服务器请求媒体以提高所请求的媒体所对应的服务器日志计数。第二，媒体有时被检索一次，被本地缓存，然后从本地缓存重复地观看，而在重复观看时不涉及服务器。服务器日志无法跟踪这些对缓存媒体的观看，这是因为重现本地缓存媒体不需要再向服务器请求该媒体。因此，服务器日志易受过量计数错误和缺量计数错误二者影响。
在Blumenau的美国专利6,108,637中公开的发明从根本上改变了执行因特网监控的方式且克服了上文描述的服务器侧日志监控技术的限制。例如，Blumenau公开了一种技术，其中待跟踪的因特网媒体被标记有信标指令。特别地，监控指令与待跟踪的媒体的超文本置标语言(HTML)相关联。当客户端请求媒体时，该媒体和信标指令均被下载到客户端。因此无论何时从服务器或从缓存访问媒体时都执行信标指令。
信标指令引起监控待从客户端发送的、反应关于对媒体的访问的信息的数据，该客户端将媒体下载到监控实体。通常，监控实体为受众测量实体(AME)(例如，对测量或跟踪广告、媒体、和/或任何其它媒体的受众接触率感兴趣的任何实体)，该AME不将媒体提供给客户端且为用于提供准确使用情况统计信息的可信第三方(例如，尼尔森有限公司)。有利地，因为信标指令与媒体相关联且无论何时访问媒体都被客户端浏览器执行，所以不管客户端是否为AME的小组成员，监控信息都被提供给AME。
然而，有用的是将人口统计资料和/或其它用户信息链接到监控信息。为了解决该问题，AME建立已经同意提供其人口统计信息以及让其因特网浏览活动被监控的用户小组。当个人加入该小组时，他们将关于其身份和人口统计资料(例如，性别、种族、收入、家庭住址、职业等)的详细信息提供给AME。AME在小组成员计算机上设置网络跟踪器，该网络跟踪器使AME能够识别小组成员(无论该小组成员何时访问标记的媒体)，因此将监控信息发送到AME。
由于从标记页面提供监控信息的大部分客户端不是小组成员，从而对于AME来说是未知的，因此需要使用统计方法以将基于针对小组成员收集的数据的人口统计信息归因于更大人口量的提供用于标记媒体的数据的用户。然而，相比于用户的总人口，AME的小组规格很小。因此，呈现出关于如何提高小组规格同时保证小组的人口统计数据准确的问题。
具有许多运行在因特网上的数据库所有者。这些数据库所有者向大量订阅者提供服务(例如，社交网络服务、电子邮件服务、媒体访问服务等)。作为提供这类服务的交换，订阅者向所有者注册。作为该注册的一部分，订阅者提供详细的人口统计信息。这类数据库所有者的示例包括社交网络供应商，诸如Facebook、Myspace、Twitter等。这些数据库所有者在其订阅者的计算机上设置网络跟踪器，以使数据库所有者能够在注册用户访问其网站时认出这类注册用户。
本文中所公开的示例可以用于使用用户信息来确定媒体印象、广告印象、媒体接触率、和/或广告接触率，该用户信息在因特网上被分布在不同的数据库(例如，不同的网站拥有者、服务供应商等)上。本文中所公开的示例性方法、装置和制品不仅实现了因特网媒体接触率与用户信息的准确相关，而且还有效地将超出参与受众测量实体和/或收视评级实体的小组的人员的小组规格和组成扩展到在其它因特网数据库中注册的人员，该其它因特网数据库诸如无线服务运营商、移动软件/服务供应商、社交媒介网站(例如Facebook、Twitter、Google等)、和/或任何其它因特网网站，诸如Yahoo！、MSN、Apple iTunes、Experian等的数据库。该扩展有效地利用AME的媒体印象跟踪能力以及对非AME实体(诸如社交媒体和其它网站)的数据库的使用以创建庞大的、人口统计准确的小组，其形成对因特网媒体(诸如广告和/或节目)的接触率的准确的、可靠的测量。这类媒体的示例包括网站、在网站上呈现的图像、和/或可借助计算设备访问的流媒体(Amazon Video、Netflix、Hulu等)。
传统地，AME(本文中也称为“收视评级实体”)基于注册的小组成员确定用于广告和媒体节目的人口统计范围。即，AME将同意被监控的人登记到小组中。在登记期间，AME从登记人员接收人口统计信息，从而可以制定出对那些小组成员的广告/媒体接触率和不同的人口统计市场之间的后续相关性。不像AME单独地依赖于它们自身的小组成员数据来收集基于人口统计资料的受众测量的传统技术，本文中所公开的示例性方法、装置和/或制品使AME能够与其它实体共享人口统计信息，该其它实体基于用户注册模型而运行。如在本文中所使用的，用户注册模型为用户通过创建账户且提供关于其自身的与人口统计有关的信息来订阅那些实体的服务的模型。与数据库所有者的注册用户相关联的人口统计信息的共享使AME能够利用来自外部源(例如，数据库所有者)的基本上可靠的人口统计信息扩展或补充其小组数据，因此扩展了其基于人口统计资料的受众测量的覆盖范围、准确率和/或完整性。这类访问也使AME能够监控另外不会加入AME小组的人员。具有标识一组个体的人口统计资料的数据库的任何实体可以与AME合作。这类实体可以被称为“数据库所有者”且包括诸如无线服务运营商、移动软件/服务供应商、社交媒介网站(例如Facebook、Twitter、Google等)和/或任何其它因特网网站(诸如Yahoo！、MSN、Apple iTunes、Experian等)的实体，该实体收集可作为服务的交换的用户的人口统计数据。
本文中所公开的示例可以由AME(例如，对测量或跟踪广告、内容、和/或任何其它媒体的受众接触率感兴趣的任何实体)与任何数量的数据库所有者合作来实现，该数据库所有者诸如开发在线媒体接触率度量的在线网络服务供应商。这类数据库所有者/在线网络服务供应商可以是无线服务运营商、移动软件/服务供应商、社交网站(例如Facebook、Twitter、MySpace等)、多服务站点(例如Yahoo！、Google、Experian等)、在线零售商站点(例如Amazon.com、Buy.com等)、和/或保持用户注册记录的任何其它网络服务站点。
来自异构数据源的人口统计信息(例如，来自受众测量实体的小组的高质量人口统计信息和/或网络服务供应商的注册用户数据)的使用提高了用于在线广告活动和线下广告活动二者的度量的上报效率。本文中所公开的示例性技术使用在线注册数据来识别用户的人口统计资料、和/或其它用户信息，以及使用服务器印象计数和/或其它技术来跟踪由那些用户引起的印象的量。在线网络服务供应商(诸如无线服务运营商、移动软件/服务供应商、社交网站(例如Facebook、Twitter、MySpace等)、多服务站点(例如Yahoo！、Google、Experian等)、在线零售商站点(例如Amazon.com、Buy.com等))(在本文中统称为和单独称为在线数据库所有者)保持借助用户注册过程收集的详细的人口统计信息(例如年龄、性别、地理位置、种族、收入水平、教育水平、宗教信仰等)。印象对应于已经接触对应媒体和/或广告的家庭或个人。因此，印象表示已经接触广告或媒体或一组广告或媒体的家庭或个人。在因特网广告中，印象的量或印象计数为广告或广告活动已被网络人群访问的总次数(例如，包括如通过例如弹出窗口拦截器而减少的和/或通过例如从本地高速缓存的检索而增多的访问的次数)。
本文中所公开的示例调整从一个或多个客户端设备和一个或多个数据库所有者获得的印象信息，以提高对应于记录的印象的人口统计资料的准确度。当使用数据库所有者数据来提供用于印象的人口统计信息时，从一个或多个客户端设备和一个或多个数据库所有者获得的受众人口统计资料和/或印象信息可以由于误差而出现偏差，该误差包括：1)源自设备共享的错误认定误差，和/或2)数据库所有者未覆盖误差。在一些情况下，这两个不同的偏差源出现以形成类似的误差因子，但实际上是不同的偏差。本文中所公开的示例生成校准因子并将校准因子应用于受众数据以校正这些误差。
错误认定误差指的是在实际上当属于第二人口统计组的第二人为媒体印象针对其发生的人时将属于第一人口统计组的第一人认为是与设备上的媒体印象相关联的人的情况下发生的测量偏差。在这类情况的一些示例中，在家庭的多个人之间共享移动设备。初始地，家庭中的第一人使用移动设备访问与数据库所有者相关联的网站(例如，借助移动设备的网络浏览器、借助安装在移动设备上的应用程序等)，以及数据库所有者可以基于第一人进行的访问(例如登录事件)将第一人识别成与移动设备相关联。随后，第一人停止使用该设备但在设备上不退出数据库所有者系统，和/或第二人不登录到数据库所有者系统，以允许数据库所有者将第二人识别成不同于第一人的用户。因此，当第二人开始使用同一移动设备访问媒体时，数据库所有者继续(在该情况下，错误地)将移动设备(例如媒体印象)的使用识别成与第一人相关联。因此，应当归属于第二人和第二人口统计组的印象被错误地归属于第一人和第一人口统计组。大规模错误认定误差的效果可以通过错误地表示媒体印象在大量受众之间的人口统计分布且因此歪曲针对广告和/或其它媒体所收集的印象的受众人口统计而创建测量偏差误差，该广告和/或其它媒体的接触率由受众测量实体监控。
所公开的示例的示例性技术优势
校正错误认定误差的现有技术包括通过比较下列项确定调整因子：A)为了使用安装在客户端计算机处的小组成员计量软件计算会话所收集的人口统计信息，B)使用来自数据库所有者的基于网络跟踪器的印象确定的、用于同一计算会话的人口统计信息。在2013年1月31日递交的序列号为13/756,493的美国专利申请中公开了这类技术的示例。序列号为13/756,493的美国专利申请的全部内容通过引用并入在本文中。在序列号为13/756,493的美国专利申请中公开的示例依赖于本地安装在客户端计算机处的小组成员计量软件来准确地识别登记在受众测量实体的小组中的小组成员。在序列号为13/756,493的美国专利申请中公开的示例也依赖于网络跟踪器或类网络跟踪器的数据来确定调整因子。这类技术不适合于校正设备上的错误认定误差，该设备未安装小组成员计量软件和/或不提供可用作客户端设备标识符的网络跟踪器，诸如一些移动设备(例如iOS设备)。换言之，现有技术依赖于本地安装的小组成员计量软件和网络跟踪器来生成错误认定调整因子。在不具有这类本地安装的小组成员计量软件和/或不具有这类网络跟踪器的情况下，现有技术将不能成功地生成错误认定调整因子。
相比于现有的系统和方法，本文中所公开的示例基于对随机选择的人员和/或家庭所进行的调查的响应而使用错误认定校正矩阵生成错误认定因子，以及不依赖于网络跟踪器或使用网络跟踪器来生成错误认定校正因子和/或错误认定校正矩阵。如在本文中所使用的，如参考一个人所使用的术语“数据库所有者注册状态”指的是这个人是否向一个或多个特定的数据库所有者进行注册。依赖于本地安装的小组成员计量软件来收集数据库所有者注册状态(例如，各个家庭成员是否向特定的数据库所有者进行注册)以及收集家庭成员进行的媒体访问数据的现有技术可能无法准确地校正用于错误认定偏差误差和/或未覆盖偏差误差的印象信息，上述误差针对发生在不受小组成员计量软件监控的设备类型上的印象。本文中所公开的示例生成错误认定校正因子而不依赖于本地安装在客户端计算机处的小组成员计量软件来收集数据库所有者注册状态数据。本文中所公开的示例还生成错误认定校正因子而不依赖于这类本地安装的小组成员计量软件来收集关于家庭成员的媒体访问的数据。因此，本文中所公开的示例确定用于任何设备类型的错误认定校正因子，包括这样的设备类型：按照该设备类型，数据库所有者注册状态数据、数据库所有者登录数据和/或关于家庭成员的媒体访问的数据不使用本地安装的小组成员计量软件来收集(和/或是不可收集的)。这类设备在本文中被称为“非本地计量设备”。
在一些这类公开的示例中，以不同于现有技术的方式来不同地收集和使用小组成员数据。在这类示例中，采用小组成员数据来调整错误认定校正因子以更准确地确定人口统计组中的人员一起生活的发生率。如在本文中所使用的，“人口统计组中的人员一起生活的发生率”指的是发生第一人口统计组中的人员与第二人口统计组中的人员一起生活的相对频率(例如，与人口统计组B中的某人一起生活的人口统计组A中的人员的百分比)。然而，仍生成收集的印象所对应的聚合受众分布，而不参考小组成员数据。在本文中所公开的示例中，小组成员数据仅用于调整所生成的聚合受众分布。调整的聚合受众分布用于生成和/或调整错误认定校正因子。例如，可用于调整人口统计组中的人员一起生活的发生率的小组成员数据可以包括与第二人口统计组(例如，与第一人口统计组相同的人口统计组或不同的人口统计组)中的人员一起生活的第一人口统计组中的人员的相应数目。在一些示例中，用于调整人口统计组中的人员一起生活的发生率的小组成员数据不指示小组成员是否为数据库所有者的注册用户(例如不包括网络跟踪器)且不包括指示使用计算设备的媒体访问的信息。
所公开的示例通过确定如下事件的概率来确定错误认定的概率：当数据库所有者将人口统计组(i)中的人员识别为媒体的观看者时，人口统计组(j)中的人员为媒体的实际观看者。在一些示例中，错误认定的概率通过重新分布受众和/或与使用调查校准数据源的家庭相关联地观察到的印象来计算。在这类示例中，调查校准数据源用于针对用于过采样和/或欠采样的多个家庭而聚合和调整重新分布的受众和/或印象。在一些这类示例中，形成的概率被归一化以反映对于由数据库所有者所观察到的且与人口统计组相关联的每个印象的错误认定的概率。
其它所公开的示例由于设备共享而将错误认定的概率确定成三个单独概率的组合：a)生活在同一家庭中的概率，b)访问该家庭中的移动设备(任何类型)的概率，以及c)针对特定内容类型而共享移动设备的概率。在本文中所公开的示例将形成的错误认定的概率应用于印象数据，作为补偿在由收集的印象数据所表示的独特受众中的误差的因子。在一些示例中，提供这类误差补偿涉及构造错误认定校正矩阵以反映被数据库所有者识别成与第一人口统计组相关联的印象实际上应当与第二人口统计组相关联的概率。
如在本文中使用的，未覆盖误差被限定成指的是由于数据库所有者无法识别一部分使用移动设备观看媒体的受众(例如其人口统计资料)而发生的测量偏差。在一些实例中，当从移动设备向数据库所有者发送请求时，如在上文公开的示例中那样，数据库所有者无法将请求中的数据与人员匹配。数据库所有者无法识别与给定印象相关联的人员可能由于如下原因而发生：1)访问引起印象的媒体的人员还未将其自身信息提供给数据库所有者(例如，该人员未向数据库所有者(例如Facebook)注册，从而在数据库所有者处不具有该人员的记录，该人员所对应的注册资料不完整，该人员所对应的注册资料已经被标记为怀疑可能含有不准确信息等)，2)该人员向数据库所有者注册，但未使用其上发生印象的特定移动设备访问数据库所有者(例如，仅从计算机和/或不同于与当前请求相关联的移动设备的其它移动设备访问数据库所有者，和/或对于该人员的用户标识符在其上发生印象的移动设备上不可用)，和/或3)该人员向数据库所有者注册，且使用其上发生印象的移动设备访问(例如，该人员之前已经从移动设备登录到数据库所有者中)数据库所有者，但采取了阻止数据库所有者将移动设备与该人员相关联的其它主动或被动测量(例如阻断或删除网络跟踪器)。在一些示例中，对于人员的用户标识符在其上发生印象的移动设备上不可用，原因是该移动设备和/或该移动设备上的应用程序/软件不是基于网络跟踪器的设备和/或应用程序。
在本文中所公开的示例生成用于媒体类别和/或移动设备类型的不同组合的设备共享矩阵和/或未覆盖因子。媒体类别(可针对其生成单独的设备共享矩阵和/或未覆盖因子)的示例包括广告、儿童节目、喜剧、戏剧、故事片、信息和/或新闻节目、体育运动、综艺(例如，游戏节目、真人秀、脱口秀)和/或其它类别。设备类型(可针对其生成单独的设备共享矩阵和/或未覆盖因子)的示例包括智能手机(例如，iPhone、基于安卓操作系统的智能手机、黑莓智能手机、基于Windows Mobile的智能手机等)、平板电脑(例如，iPad、基于安卓操作系统的平板电脑等)、便携式媒体播放器(例如，iPod等)、和/或其它设备类型。这类设备类型可以是基于网络跟踪器的设备(例如，运行基于网络跟踪器的应用程序/软件的设备)和/或不基于网络跟踪器的设备(例如，运行不采用网络跟踪器的应用程序/软件的设备，诸如苹果iOS设备)。
所公开的用于针对错误认定和/或未覆盖误差补偿印象信息的示例性方法和装置解决了准确地确定与媒体的印象相关联的人口统计资料的技术问题，该媒体的印象借助诸如互联网的网络来传送和监控。使用这类计算设备来收集在计算设备处发生的媒体印象和指示媒体印象发生的数据。这类数据的校准可以包括收集、处理、和/或分析成百上千、上百万、或更多印象。因此，这类大量数据的校准和/或校正呈现出巨大的技术挑战。所公开的示例可以被应用于借助计算设备收集的一组媒体印象，从而以高效且及时的方式产生对于巨大量的媒体印象(例如每周100,000个印象)的准确人口统计信息。这在受众测量的技术领域中提供了显著改进。
在本文中所公开的示例可以与由尼尔森有限公司(美国)开发的在线活动评级(OCR)系统一起使用。OCR系统是用于收集和分析大量数据的有效系统。OCR系统不需要小组成员软件来获得待处理的数据。在本文中所公开的技术能够生成调整因子而不需要引入小组成员软件。这降低了所需的软件的量且消除了对终端用户计算机的需求。这些是降低计算资源的开销和使用的技术优势。在本文中所公开的技术还用于有效地校准OCR自动系统以校正可出现在其操作中的错误认定误差。因此，所公开的技术解决了校准OCR系统以准确地反映真实世界情况的技术问题，因此，通过消除对于分布在整个系统上的小组成员软件的需求来实现校准。
所公开的示例性方法包括：在第一因特网域从第一类型的计算设备接收第一请求。在示例性方法中，第一请求指示在计算设备处对媒体的访问。示例性方法还包括：发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求。所述多个请求包括第一请求。示例性方法还包括：获得发生在第一类型的计算设备上的媒体印象的计数，媒体印象的第一部分对应于数据库所有者可识别其人口统计信息的人员，且媒体印象的第二部分对应于数据库所有者不可用其人口统计信息的人员；以及基于在第一类型的计算设备上访问媒体印象所对应的媒体的第一概率且基于在第二类型的计算设备上访问媒体的第二概率，确定用于媒体印象的第二部分的人口统计信息。
在一些示例性方法中，确定人口统计信息包括将第一概率与第二概率的比率乘以归属于第一人口统计组的媒体印象的数目。在一些示例性方法中，第一概率为第一人口统计组中的人员在第一类型的计算设备上访问媒体的概率，且第二概率为第一人口统计组中的人员在第二类型的计算设备上访问媒体的概率。一些示例性方法还包括：调整媒体印象以对于将媒体印象的子集不正确地归属于第二人口统计组中的第二人员进行补偿，从被调整以补偿不正确归属的媒体印象的子集确定归属于第一人口统计组的媒体印象的数目。
在一些示例性方法中，第一类型的计算设备包括移动设备，第二类型的计算设备包括电视。在一些示例性方法中，第一类型的计算设备包括以下项中的至少一者：智能手机、平板电脑、或便携式媒体播放器。在一些示例性方法中，第一概率和第二概率对应于媒体的媒体类别。在一些示例性方法中，媒体类别为喜剧、戏剧、政治、现实或组合媒体类别中的至少一者。
一些示例性方法还包括：在确定人口统计信息之前，针对以下情况调整媒体印象：媒体印象中的媒体印象正被不正确地归属于未引起该媒体印象的人员。一些示例性方法还包括：基于对人员调查的调查响应计算第一概率和第二概率，计算第一概率包括从调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重，该权重指示在感兴趣的设备类型上访问与媒体印象相关联的媒体的对应概率。
在一些示例性方法中，调查的是随机小组或由受众测量实体维持的受众成员的小组中的至少一者。在一些示例性方法中，确定用于该媒体印象的该部分的人口统计信息包括：确定归属于人员所对应的不同人口统计组的媒体印象的比例，以及将所述媒体印象的比例缩放至该媒体印象的该部分。
一些示例性方法还包括：将指令提供给发行者，其中指令将由发行者提供给计算设备。当被计算设备执行时，由发行者提供的指令引起计算设备发送第一请求。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以确定在第一类型的计算设备上访问媒体印象所对应的媒体的第一概率或确定在第二类型的计算设备上访问媒体的第二概率，来节省计算机处理资源。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以确定在第一类型的计算设备上访问媒体印象所对应的媒体的第一概率或确定在第二类型的计算设备上访问媒体的第二概率，来节省网络通信带宽。
所公开的示例性装置包括印象收集器，该印象收集器用于在第一因特网域从计算设备接收第一请求以及发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第一请求。在所公开的示例性装置中，第一请求指示在计算设备处对媒体的访问。所公开的示例性装置还包括印象信息收集器，该印象信息收集器用于访问发生在第一类型的计算设备上的媒体印象的计数，媒体印象的第一部分对应于数据库所有者可识别其人口统计信息的人员，且媒体印象的第二部分对应于数据库所有者不可用其人口统计信息的人员。所公开的示例性装置还包括未覆盖检测器，该未覆盖检测器用于基于在第一类型的计算设备上访问媒体印象所对应的媒体的第一概率且基于在第二类型的计算设备上访问媒体的第二概率来确定用于媒体印象的所述部分的人口统计信息，印象信息收集器或未覆盖检测器中的至少一者由逻辑电路来实现。
一些示例性装置还包括未覆盖计算器，该未覆盖计算器用于将第一概率与第二概率的比率乘以归属于第一人口统计组的媒体印象的数目。在一些示例性装置中，第一概率为第一人口统计组中的人员在第一类型的计算设备上访问媒体的概率，且第二概率为第一人口统计组中的人员在第二类型的计算设备上访问媒体的概率。
一些示例性装置还包括错误认定校正器，该错误认定校正器用于调整媒体印象以对于将媒体印象的子集不正确地归属于第二人口统计组中的第二人员进行补偿，从被调整以补偿不正确归属的媒体印象的子集确定归属于第一人口统计组的媒体印象的数目。在一些示例性装置中，第一类型的计算设备包括移动设备，第二类型的计算设备包括电视。在一些示例性装置中，第一类型的计算设备包括以下项中的至少一者：智能手机、平板电脑、或便携式媒体播放器。在一些示例性装置中，未覆盖计算器用于基于对人员调查的调查响应计算第一概率和第二概率，且未覆盖计算器用于通过从调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重来计算第一概率，该权重指示在感兴趣的设备类型上访问与媒体印象相关联的媒体的对应概率。
在一些示例性装置中，调查的是随机小组或由受众测量实体维持的受众成员的小组中的至少一者。在一些示例性装置中，第一概率和第二概率对应于媒体的媒体类别。在一些示例性装置中，媒体类别为喜剧、戏剧、政治、现实或组合媒体类别中的至少一者。在一些示例性装置中，未覆盖校正器用于通过确定归属于人员所对应的不同人口统计组的媒体印象的比例、以及将所述媒体印象的比例缩放至该媒体印象的该部分，来确定用于该媒体印象的该部分的人口统计信息。
附加公开的示例性方法包括：在第一因特网域从第一类型的计算设备接收第一请求以及发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第一请求。在所公开的示例性方法中，第一请求指示在计算设备处对媒体的访问。所公开的示例性方法还包括：生成聚合受众分布，该聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，基于第一家庭的调查响应，该第一受众分布包括第一家庭的第一家庭成员在向数据库所有者注册的第一家庭成员的人口统计组中的分布，该第一受众分布基于第一家庭成员对第一媒体的访问；将聚合受众分布归一化以生成错误认定校正矩阵，该错误认定校正矩阵包括如下事件的概率：当数据库所有者确定媒体的印象对应于第二人口统计组中的人员时，该印象归属于第一人口统计组；以及通过使用错误认定校正矩阵将印象从第二人口统计组重新分配给第一人口统计组，来补偿印象中的错误认定误差。
一些示例性方法还包括：生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正聚合受众分布，该调查校准数据源指示第一家庭成员对媒体的访问以及第一家庭成员向数据库所有者的注册状态。在一些示例性方法中，校正指标基于第一人口统计组中的第一人员与第二人口统计组中的第二人员一起生活的第二概率。在一些示例性方法中，生成校正指标包括：基于第一调查校准数据确定第一人员对的第一数量，其表示第一人员对中包括一起生活的第一人口统计组中的第一人员与第二人口统计组中的第二人员的第一人员对；基于第二调查校准数据确定第二人员对的第二数量，其表示第二人员对中包括一起生活的第一人口统计组中的第三人员与第二人口统计组中的第四人员的第二人员对，该第二调查校准数据比第一调查校准数据具有更高的准确度；以及确定第一数量与第二数量的比率。
在一些示例性方法中，针对每个第一人口统计组，聚合受众分布描述第二人口统计组中的将被归属于该第一人口统计组的人员的数目，并且将聚合受众分布归一化包括缩放第二人口统计组中的人员的数目，使得对于第二人口统计组的人员的总数为指定值。一些示例性方法还包括：确定用于第一家庭的共享模式，该共享模式指示第一家庭成员中访问媒体类别的第一家庭成员以及第一家庭成员中不访问媒体类别的其他第一家庭成员；以及基于用于媒体类别的共享模式确定用于第一家庭中的第一家庭成员的设备共享概率的概率密度函数，该概率密度函数指示第一家庭成员访问媒体类别中的媒体的对应概率，第一受众分布基于设备共享概率。
一些示例性方法还包括：当第一家庭具有第一家庭成员中的处于同一第二人口统计组中的两个或更多个注册的第一家庭成员时，聚合用于第一家庭成员的设备共享概率。一些示例性方法还包括：通过将部分数目分布到人口统计组中生成第一受众分布，该部分数目总数达第一家庭成员中向数据库所有者注册的那些第一家庭成员的计数。在一些示例性方法中，生成第一受众分布不使用网络跟踪器。在一些示例性方法中，生成第一受众分布和生成聚合受众分布不使用计量软件来收集家庭成员向数据库所有者的注册状态或收集媒体访问数据。在一些示例性方法中，重新分配印象包括确定错误认定校正矩阵和印象矩阵的乘积，印象矩阵指示由数据库所有者确定的对应于各自人口统计组的印象的数目。在一些示例性方法中，重新分配印象导致印象的总数目与印象矩阵中的印象的总数目相同。
一些示例性方法还包括：将指令提供给发行者，该指令将由发行者提供给计算设备，以及当被计算设备执行时引起计算设备发送第一请求。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以生成聚合受众分布，来节省计算机处理资源。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以生成聚合受众分布，来节省网络通信带宽。
附加公开的示例性装置包括印象收集器，该印象收集器用于在第一因特网域从第一类型的计算设备接收第一请求以及发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第一请求。在所公开的示例性装置中，第一请求指示在计算设备处对媒体的访问。所公开的示例性装置还包括聚合分布生成器，该聚合分布生成器用于生成聚合受众分布，该聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，基于第一家庭的调查响应，该第一受众分布包括第一家庭的第一家庭成员在向数据库所有者注册的第一家庭成员的人口统计组中的分布，该第一受众分布基于第一家庭成员对第一媒体的访问。示例性装置还包括矩阵归一化器，该矩阵归一化器用于将聚合受众分布归一化以生成错误认定校正矩阵，该错误认定校正矩阵包括如下事件的概率：当数据库所有者确定媒体的印象对应于第二人口统计组中的人员时，该印象归属于第一人口统计组。所公开的示例性装置还包括错误认定校正器，该错误认定校正器用于通过使用错误认定校正矩阵将印象从第二人口统计组重新分配给第一人口统计组，来补偿印象中的错误认定误差，聚合分布生成器、矩阵归一化器、或错误认定校正器中的至少一者由逻辑电路来实现。
一些示例性装置还包括矩阵校正器，该矩阵校正器用于生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正聚合受众分布，该调查校准数据源指示第一家庭成员对媒体的访问以及第一家庭成员向数据库所有者的注册状态。在一些示例性装置中，校正指标基于第一人口统计组中的第一人员与第二人口统计组中的第二人员一起生活的第二概率。在一些示例性装置中，矩阵校正器用于通过如下方式生成校正指标：基于第一调查校准数据确定第一人员对的第一数量，即，相应地包括一起生活的第一人口统计组中的第一人员与第二人口统计组中的第二人员的所述第一人员对的数量；基于第二调查校准数据确定第二人员对的第二数量，即，相应地包括一起生活的第一人口统计组中的第三人员与第二人口统计组中的第四人员的所述第二人员对的数量，该第二调查校准数据比第一调查校准数据具有更高的准确度；以及确定第一数量与第二数量的比率。
在一些示例性装置中，针对每个第一人口统计组，聚合受众分布描述第二人口统计组中的将被归属于第一人口统计组的人员的数目，并且矩阵归一化器用于通过缩放第二人口统计组中的人员的相应数目使得对于第二人口统计组的人员的数目为指定值而将聚合受众分布归一化。
一些示例性装置还包括家庭分布生成器，该家庭分布生成器用于：确定用于第一家庭的共享模式，该共享模式指示第一家庭成员中访问媒体类别的第一家庭成员以及第一家庭成员中不访问媒体类别的第一家庭成员；以及基于用于媒体类别的共享模式确定用于第一家庭中的第一家庭成员的设备共享概率的概率密度函数，该概率密度函数指示第一家庭成员访问媒体类别中的媒体的对应概率，第一受众分布基于设备共享概率。
在一些示例性装置中，聚合分布生成器用于：当第一家庭具有第一家庭成员中的处于同一第二人口统计组中的两个或更多个注册的第一家庭成员时，聚合用于第一家庭成员的设备共享概率。一些示例性装置还包括家庭分布生成器，该家庭分布生成器用于通过将部分数目分布到人口统计组中生成第一受众分布，该部分数目总数达第一家庭成员中向数据库所有者注册的那些第一家庭成员的计数。在一些示例性装置中，错误认定校正器用于通过确定错误认定校正矩阵和印象矩阵的乘积来重新分配印象，印象矩阵指示由数据库所有者确定的对应于各自人口统计组的印象的数目。在一些示例性装置中，错误认定校正器用于重新分配印象使得重新分配的印象的总数目为与印象矩阵中的印象的总数目相同的印象总数目。
附加公开的示例性方法包括：在第一因特网域从第一类型的计算设备接收第一请求以及发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第一请求。在所公开的示例性方法中，第一请求指示在计算设备处对媒体的访问。所公开的示例性方法还包括：生成聚合受众分布，该聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，该第一受众分布包括第一家庭的第一家庭成员在向数据库所有者注册的那些第一家庭成员的人口统计组中的分布，该第一受众分布基于第一家庭成员对第一媒体的访问，该聚合受众分布在不使用网络跟踪器的情况下生成；将聚合受众分布归一化以生成错误认定校正矩阵，该错误认定校正矩阵包括如下事件的概率：当数据库所有者确定媒体的印象对应于第二人口统计组中的人员时，该印象归属于第一人口统计组；以及通过使用错误认定校正矩阵将印象从第二人口统计组重新分配给第一人口统计组，来补偿印象中的错误认定误差，印象指示在移动设备上访问的媒体。
一些示例性方法还包括：生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正聚合受众分布，该调查校准数据源指示第一家庭成员对媒体的访问以及第一家庭成员向数据库所有者的注册状态。在一些示例性方法中，校正指标基于第一人口统计组中的第一人员与第二人口统计组中的第二人员一起生活的第二概率。在一些示例性方法中，生成校正指标包括：基于第一调查校准数据确定第一人员对的第一数量，其表示包括一起生活的第一人口统计组中的第一人员与第二人口统计组中的第二人员的所述第一人员对的数量；基于第二调查校准数据确定第二人员对的第二数量，其表示包括一起生活的第一人口统计组中的第三人员与第二人口统计组中的第四人员的所述第二人员对的数量，该第二调查校准数据比第一调查校准数据具有更高的准确度；以及确定第一数量与第二数量的比率。
在一些示例性方法中，针对每个第一人口统计组，聚合受众分布描述第二人口统计组中的将被归属于第一人口统计组的人员的数目，并且将聚合受众分布归一化包括缩放第二人口统计组中的人员的数目，使得对于第二人口统计组的人员的数目为指定值。一些示例性方法还包括：确定用于第一家庭的共享模式，该共享模式指示第一家庭成员中访问媒体类别的第一家庭成员以及第一家庭成员中不访问媒体类别的其他第一家庭成员；以及基于用于媒体类别的共享模式确定用于第一家庭中的第一家庭成员的设备共享概率的概率密度函数，该概率密度函数指示第一家庭成员访问媒体类别中的媒体的对应概率，第一受众分布基于设备共享概率。
一些示例性方法还包括：当第一家庭具有第一家庭成员中的处于同一第二人口统计组中的两个或更多个注册的第一家庭成员时，聚合用于第一家庭成员的设备共享概率。一些示例性方法还包括：通过将部分数目分布到人口统计组中生成第一受众分布，该部分数目总数达第一家庭成员中向数据库所有者注册的那些第一家庭成员的计数。在一些示例性方法中，生成第一受众分布不使用网络跟踪器。在一些示例性方法中，生成第一受众分布和生成聚合受众分布不使用计量软件来收集家庭成员向数据库所有者的注册状态或收集媒体访问数据。在一些示例性方法中，重新分配印象包括确定错误认定校正矩阵和印象矩阵的乘积，印象矩阵指示由数据库所有者确定的对应于各自人口统计组的印象的数目。在一些示例性方法中，重新分配印象导致印象的总数目与印象矩阵中的印象的总数目相同。
一些示例性方法还包括：将指令提供给发行者，该指令将由发行者提供给计算设备，以及当被计算设备执行时引起计算设备发送第一请求。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以生成聚合受众分布，来节省计算机处理资源。一些示例性方法还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向在线用户请求调查响应以生成聚合受众分布，来节省网络通信带宽。
附加公开的示例性装置包括印象收集器，该印象收集器用于在第一因特网域从第一类型的计算设备接收第一请求以及发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第一请求。在所公开的示例性装置中，第一请求指示在计算设备处对媒体的访问。所公开的示例性装置还包括聚合分布生成器，该聚合分布生成器用于生成聚合受众分布，该聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，该第一受众分布包括第一家庭的第一家庭成员在向数据库所有者注册的那些第一家庭成员的人口统计组中的分布，该聚合分布生成器在不使用网络跟踪器的情况下生成聚合受众分布，以及该第一受众分布基于第一家庭成员对第一媒体的访问。示例性装置还包括矩阵归一化器，该矩阵归一化器用于将聚合受众分布归一化以生成错误认定校正矩阵，该错误认定校正矩阵包括如下事件的概率：当数据库所有者确定媒体的印象对应于第二人口统计组中的人员时，该印象归属于第一人口统计组。示例性装置还包括错误认定校正器，该错误认定校正器用于通过使用错误认定校正矩阵将印象重新分配给第一人口统计组，来补偿印象中的错误认定误差，印象指示在移动设备上访问的媒体。聚合分布生成器、矩阵归一化器、或错误认定校正器中的至少一者由逻辑电路来实现。
一些示例性装置还包括矩阵校正器，该矩阵校正器用于生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正聚合受众分布，该调查校准数据源指示第一家庭成员对媒体的访问以及第一家庭成员向数据库所有者的注册状态。在一些示例性装置中，校正指标基于第一人口统计组中的第一人员与第二人口统计组中的第二人员一起生活的第二概率。在一些示例性装置中，矩阵校正器用于通过如下方式生成校正指标：基于第一调查校准数据确定第一人员对的第一数量，即，相应地包括一起生活的第一人口统计组中的第一人员与第二人口统计组中的第二人员的所述第一人员对的数量；基于第二调查校准数据确定第二人员对的第二数量，即，相应地包括一起生活的第一人口统计组中的第三人员与第二人口统计组中的第四人员的所述第二人员对的数量，该第二调查校准数据比第一调查校准数据具有更高的准确度；以及确定第一数量与第二数量的比率。
在一些示例性装置中，针对每个第一人口统计组，聚合受众分布描述第二人口统计组中的将被归属于第一人口统计组的人员的数目，并且矩阵归一化器用于通过缩放第二人口统计组中的人员的数目使得对于第二人口统计组的人员的数目为指定值而将聚合受众分布归一化。
一些示例性装置还包括家庭分布生成器，该家庭分布生成器用于：确定用于第一家庭的共享模式，该共享模式指示第一家庭成员中访问媒体类别的第一家庭成员以及第一家庭成员中不访问媒体类别的其他第一家庭成员；以及基于用于媒体类别的共享模式确定用于第一家庭中的第一家庭成员的设备共享概率的概率密度函数，该概率密度函数指示第一家庭成员访问媒体类别中的媒体的对应概率，第一受众分布基于设备共享概率。
在一些示例性装置中，聚合分布生成器用于：当第一家庭具有第一家庭成员中的处于同一第二人口统计组中的两个或更多个注册的第一家庭成员时，聚合用于第一家庭成员的设备共享概率。一些示例性装置还包括家庭分布生成器，该家庭分布生成器用于通过将部分数目分布到人口统计组中生成第一受众分布，该部分数目总数达第一家庭成员中向数据库所有者注册的那些第一家庭成员的计数。在一些示例性装置中，错误认定校正器用于通过确定错误认定校正矩阵和印象矩阵的乘积来重新分配印象，印象矩阵指示由数据库所有者确定的对应于各自人口统计组的印象的数目。在一些示例性装置中，错误认定校正器用于重新分配印象使得重新分配的印象的总数目为与印象矩阵中的印象的总数目相同的印象总数目。
附加公开的示例性方法包括：从第一类型的计算设备收集媒体印象；向数据库所有者请求用于媒体印象的人口统计信息，媒体印象的第一部分对应于数据库所有者存储其人口统计信息的人员，且媒体印象的第二部分对应于数据库所有者不可用其人口统计信息的人员；从数据库所有者接收媒体印象的第一部分所对应的人口统计信息；使用处理器确定媒体印象的第二部分中的媒体印象的数目；以及基于在第一类型的计算设备上访问媒体印象所对应的媒体的第一概率且基于在第二类型的设备上访问媒体的第二概率，使用处理器确定用于媒体印象的第二部分的人口统计信息。
附加公开的示例性方法包括：在第一因特网域从第一类型的计算设备接收第一请求以及在第一因特网域从该计算设备接收第二请求，第一请求指示在计算设备处对媒体的访问，第二请求指示在计算设备处对媒体的持续时间单元的访问。示例性方法还包括：发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第二请求。所公开示例性方法还包括：获得发生在第一类型的计算设备上的持续时间单元的计数，持续时间单元的第一部分对应于数据库所有者可识别其人口统计信息的人员，且持续时间单元的第二部分对应于数据库所有者不可用其人口统计信息的人员；以及基于在第一类型的计算设备上访问持续时间单元所对应的媒体的第一概率且基于在第二类型的计算设备上访问媒体的第二概率，确定用于持续时间单元的第二部分的人口统计信息。
附加公开的示例性装置包括印象收集器。在所公开的示例性装置中，该印象收集器用于在第一因特网域从第一类型的计算设备接收第一请求，第一请求指示在计算设备处对媒体的访问。在所公开的示例性装置中，该印象收集器还用于在第一因特网域从该计算设备接收第二请求，第二请求指示在计算设备处对媒体的持续时间单元的访问。在所公开的示例性装置中，印象收集器还用于发送对于人口统计信息的请求，该人口统计信息对应于在第一因特网域从第一类型的计算设备接收的多个请求，所述多个请求包括第二请求。所公开的示例性装置还包括印象信息收集器，该印象信息收集器用于访问发生在第一类型的计算设备上的持续时间单元的计数，持续时间单元的第一部分对应于数据库所有者可识别其人口统计信息的人员，且持续时间单元的第二部分对应于数据库所有者不可用其人口统计信息的人员。所公开的示例性装置还包括未覆盖校正器，该未覆盖校正器用于基于在第一类型的计算设备上访问持续时间单元所对应的媒体的第一概率且基于在第二类型的计算设备上访问媒体的第二概率确定用于持续时间单元的第二部分的人口统计信息，印象信息收集器或未覆盖校正器中的至少一者由逻辑电路来实现。
尽管参考补偿或调整从移动设备获得的印象信息来描述在本文中所公开的示例，但是这些示例也适用于非移动设备，诸如台式电脑、电视、视频游戏机、机顶盒和/或其它设备。
印象和人口统计信息收集
图1示出了从分布式数据库所有者104a、104b收集用于与在客户端设备106处呈现的媒体的印象相关联的用户信息(例如用户信息102a、102b)的示例性系统100。在图示示例中，用户信息102a、102b或用户数据包括如下项中的一者或多者：人口统计数据，购买数据，和/或指示关于借助因特网访问的信息的用户活动、行为和/或偏好的其它数据，购买，在电子设备上访问的媒体，用户访问的物理位置(例如零售或商业机构、餐厅、场馆等)等。结合移动设备描述本文中所公开的示例，该移动设备可以为移动电话、移动通信设备、平板电脑、游戏设备、便携式媒体呈现设备等。然而，可以结合非移动设备实现本文中所公开的示例，该非移动设备诸如因特网设施、智能电视、因特网终端、计算机、或能够呈现借助网络通信接收的媒体的任何其它设备。
在图1的图示示例中，为了跟踪客户端设备106上的媒体印象，受众测量实体(AME)108与应用程序发行者110合作或协作来在客户端设备106上下载和安装数据收集器112。图示示例的应用程序发行者110可以是开发应用程序并将应用程序分布到移动设备的软件应用程序开发商，和/或从软件应用程序开发商接收应用程序并将应用程序分布到移动设备的经销商。数据收集器112可以被包括在加载到客户端设备106上的其它软件中，诸如操作系统114、应用程序(或app)116、网络浏览器117、和/或任何其它软件。图1的示例性客户端设备106为非本地计量的设备。即，客户端设备106不支持和/或未设置有计量软件(例如由AME 108提供的计量软件)。
示例性软件114-117中的任一者可以呈现从媒体发行者120接收的媒体118。该媒体118可以为广告、视频、音频、文本、图形、网页、新闻、教育媒体、娱乐媒体、或任何其它类型的媒体。在图示示例中，在媒体118中提供媒体ID 122以实现标识媒体118，从而当媒体118被呈现在客户端设备106或由AME 108监控的任何其它设备上时，AME 108可以相信媒体118具有媒体印象。
图示示例的数据收集器112包括指令(例如Java、Java脚本、或任何其它计算机语言或脚本)，该指令在被客户端设备106执行时使客户端设备106收集由应用程序116和/或客户端设备106呈现的媒体118的媒体ID 122，以及收集存储在客户端设备106中的一个或多个设备/用户标识符124。图示示例的一个或多个设备/用户标识符124包括可被合作数据库所有者104a-b中对应的数据库所有者用来识别客户端设备106的一个或多个用户以及用来定位该一个或多个用户所对应的用户信息102a-b的标识符。例如，一个或多个设备/用户标识符124可以包括软件标识符(例如，国际移动设备标识(IMEI)、移动设备标识符(MEID)、媒体访问控制(MAC)地址等)、应用程序存储标识符(例如，谷歌安卓ID、苹果ID、亚马逊ID等)、开源的唯一设备标识符(OpenUDID)、开敞设备识别号(ODIN)、登录标识符(例如用户名)、电子邮箱地址、用户代理数据(例如应用程序类型、操作系统、软件供应商、软件版本等)、第三方服务标识符(例如广告服务标识符、设备使用分析服务标识符、人口统计资料收集服务标识符)、网络存储数据、文档对象模型(DOM)存储数据、本地共享的对象(也称为“Flash Cookies”)等。在一些示例中，可以使用更少或更多的设备/用户标识符124。此外，尽管在图1中仅示出两个合作数据库所有者104a-b，但是AME 108可以与任何数目的合作数据库所有者合作来收集分布的用户信息(例如用户信息102a-b)。
在一些示例中，客户端设备106可以不允许访问存储在客户端设备106中的识别信息。对于这类实例，所公开的示例使AME 108能够将AME提供的标识符(例如由AME 108管理和跟踪的标识符)存储在客户端设备106中以跟踪客户端设备106上的媒体印象。例如，AME108可以提供数据收集器112中的指令以将AME提供的标识符设置在可被应用程序116访问和/或分配给应用程序116的存储空间中，并且数据收集器112使用标识符作为设备/用户标识符124。在这类示例中，由数据收集器112设置的AME提供的标识符存留在存储空间中，甚至在应用程序116和数据收集器112不运行时。采用该方式，相同的AME提供的标识符可以在延长的持续时间内保持与客户端设备106相关联。在数据收集器112设置客户端设备106中的标识符的一些示例中，AME 108可以征募客户端设备106的用户作为小组成员，以及可以存储在小组成员注册过程期间从用户收集的和/或通过借助客户端设备106和/或由用户使用且由AME 108监控的任何其它设备监控用户活动/行为而收集的用户信息。采用该方式，AME 108可以使用户的用户信息(来自被AME 108存储的小组成员数据)与归属于客户端设备106上的用户的媒体印象相关联。
在图示示例中，数据收集器112将媒体ID 122和一个或多个设备/用户标识符124作为收集的数据126发送到应用程序发行者110。可替选地，数据收集器112可以配置成将收集的数据126发送到另一收集实体(除应用程序发行者110外)，该另一收集实体已经被AME108签约或与AME 108合作以从移动设备(例如客户端设备106)收集媒体ID(例如媒体ID122)和设备/用户标识符(例如一个或多个设备/用户标识符124)。在图示示例中，应用程序发行者110(或收集实体)将媒体ID 122和一个或多个设备/用户标识符124作为印象数据130发送到AME 108处的印象收集器132。图示示例的印象数据130可以包括一个媒体ID 122和一个或多个设备/用户标识符124以上报媒体118的单个印象，或该印象数据130可以基于从客户端设备106和/或其它移动设备接收的收集的数据(例如收集的数据126)的多个实例而包括多个媒体ID 122和一个或多个设备/用户标识符124以上报媒体的多个印象。
在图示示例中，印象收集器132将印象数据130存储在AME媒体印象存储器134(例如数据库或其它数据结构)中。随后，AME 108将一个或多个设备/用户标识符124发送到对应的合作数据库所有者(例如合作数据库所有者104a-b)以从合作数据库所有者104a-b接收一个或多个设备/用户标识符124所对应的用户信息(例如用户信息102a-b)，从而AME108可以将用户信息与在移动设备(例如客户端设备106)处呈现的媒体(媒体118)的对应媒体印象相关联。
在一些示例中，为了保护客户端设备106的用户的隐私，在将媒体标识符122和/或一个或多个设备/用户标识符124发送到AME 108和/或合作数据库所有者104a-b之前，加密媒体标识符122和/或一个或多个设备/用户标识符124。在其它示例中，不加密媒体标识符122和/或一个或多个设备/用户标识符124。
在AME 108接收一个或多个设备/用户标识符124之后，AME 108将设备/用户标识符日志136a-b发送到对应的合作数据库所有者(例如合作数据库所有者104a-b)。在一些示例中，设备/用户标识符日志136a-b中的每一者可以包括单个设备/用户标识符，或设备/用户标识符日志136a-b中的每一者可以包括随时间从一个或多个移动设备接收的多个聚合设备/用户标识符。在接收设备/用户标识符日志136a-b之后，合作数据库所有者104a-b中的每一者在各自的日志136a-b中查找其对应于设备/用户标识符124的用户。采用该方式，合作数据库所有者104a-b中的每一者收集在设备/用户标识符日志136a-b中识别的用户所对应的用户信息102a-b，用以发送到AME 108。例如，如果合作数据库所有者104a为无线服务供应商且设备/用户标识符日志136a包括可由无线服务供应商识别的IMEI码，则无线服务供应商访问其订阅者记录以找到具有匹配在设备/用户标识符日志136a中接收的IMEI码的IMEI码的用户。当用户被识别时，无线服务供应商将用户的用户信息拷贝到用户信息102a用以传送到AME 108。
在一些其它示例中，数据收集器112配置成从客户端设备106收集一个或多个设备/用户标识符124。示例性数据收集器112在收集的数据126中将一个或多个设备/用户标识符124发送到应用程序发行者110，以及示例性数据收集器112还将一个或多个设备/用户标识符124发送到媒体发行者120。在这类其它示例中，数据收集器112不从客户端设备106处的媒体118收集媒体ID 122，因为数据收集器112不在图1的示例性系统100中。代替地，将媒体118发行给客户端设备106的媒体发行者120从其发行的媒体118检索媒体ID 122。媒体发行者120然后将媒体ID 122关联到从在客户端设备106中执行的数据收集器112接收的一个或多个设备/用户标识符124，并将收集的数据138发送到应用程序发行者110，该收集的数据138包括媒体ID 122和客户端设备106的相关联的一个或多个设备/用户标识符124。例如，当媒体发行者120将媒体118发送到客户端设备106时，通过使用从客户端设备106接收的一个或多个设备/用户标识符124中的一者或多者将客户端设备106识别为用于媒体118的目标设备来实现。采用该方式，媒体发行者120可以将媒体118的媒体ID 122与客户端设备106的一个或多个设备/用户标识符124相关联，指示媒体118被发送到特定的客户端设备106用以呈现(例如，生成媒体118的印象)。
在数据收集器112配置成将一个或多个设备/用户标识符124发送到媒体发行者120的一些其它示例中，数据收集器112不从客户端设备106处的媒体118收集媒体ID 122。代替地，将媒体118发行给客户端设备106的媒体发行者120也从其发行的媒体118检索媒体ID 122。媒体发行者120然后将媒体ID 122与客户端设备106的一个或多个设备/用户标识符124相关联。媒体发行者120然后将媒体印象数据130(包括媒体ID 122和一个或多个设备/用户标识符124)发送到AME 108。例如，当媒体发行者120将媒体118发送到客户端设备106时，通过使用一个或多个设备/用户标识符124中的一者或多者将客户端设备106识别为用于媒体118的目标设备来实现。采用该方式，媒体发行者120可以将媒体118的媒体ID 122与客户端设备106的一个或多个设备/用户标识符124相关联，指示媒体118被发送到特定的客户端设备106用以呈现(例如，生成媒体118的印象)。在图示示例中，在AME 108从媒体发行者120接收印象数据130之后，AME 108然后可以将设备/用户标识符日志136a-b发送到合作数据库所有者104a-b以请求上文结合图1描述的用户信息102a-b。
尽管在图1中示出媒体发行者120与应用程序发行者110分离，但是应用程序发行者110可以实现媒体发行者120的至少一些操作以将媒体118发送到客户端设备106用以呈现。例如，广告供应商、媒体供应商或其它信息供应商可以将媒体(媒体118)发送到应用程序发行者110，该应用程序发行者110用于借助例如应用程序116(当其在客户端设备106上执行时)向客户端设备106发行。在这类示例中，应用程序发行者110实施如由媒体发行者120执行的上述操作。
附加地或可替选地，相比于客户端设备106将标识符发送到受众测量实体108(例如借助应用程序发行者110、媒体发行者120、和/或其它实体)的上述示例，在其它示例中，客户端设备106(例如安装在客户端设备106上的数据收集器112)将标识符(例如一个或多个设备/用户标识符124)直接发送到对应的数据库所有者104a、104b(例如不借助AME108)。在这类示例中，示例性客户端设备106将媒体标识符122发送到受众测量实体108(例如直接地或通过媒介物，诸如借助应用程序发行者110)，但不将媒体标识符122发送到数据库所有者104a-b。
如上所述，示例性合作数据库所有者104a-b将用户信息102a-b提供给示例性AME108，用于与媒体标识符122匹配以形成媒体印象信息。也如上所述，数据库所有者104a-b未被提供媒体标识符122的副本。代替地，客户端为数据库所有者104a-b提供印象标识符140。印象标识符相对于客户端设备106的其它印象事件而唯一地识别印象事件，从而可以将印象在客户端设备106处的出现与印象的其它出现区分。然而，印象标识符140本身不识别与印象事件相关联的媒体。在这类示例中，从客户端设备106到AME 108的印象数据130还包括印象标识符140和对应的媒体标识符122。为了使用户信息102a-b与媒体标识符122匹配，示例性合作数据库所有者104a-b将用户信息102a-b提供给与印象标识符140相关联的AME108，该印象标识符140用于触发收集用户信息102a-b的印象事件。采用该方式，AME 108可以将从客户端设备106接收的印象标识符140匹配到从合作数据库所有者104a-b接收的对应印象标识符140以将从客户端设备106接收的媒体标识符122与从数据库所有者104a-b接收的用户信息102a-b中的人口统计信息相关联。印象标识符140可以额外地用于降低或避免人口统计信息的复制。例如，示例性合作数据库所有者104a-b可以在每个印象的基础上(例如每当客户端设备106将包括加密标识符208a-b和印象标识符140的请求发送到合作数据库所有者104a-b时)和/或在聚合基础上(例如将一组用户信息102a-b发送到客户端设备106处呈现的AME 108，该一组用户信息102a-b可以包括在移动设备102a-b处的多个印象的指示(例如多个印象标识符140))将用户信息102a-b和印象标识符140提供给AME 108。
提供给AME 108的印象标识符140使AME 108能够区分独特印象且避免过量计数观看媒体的独特用户和/或设备的数目。例如，用于客户端设备106的来自合作A数据库所有者104a的用户信息102a与来自合作B数据库所有者104b的用户信息102b之间的关系对于AME108不容易是明显的。通过包括印象标识符140(或任何类似标识符)，示例性AME 108可以基于存储在用户信息102a-b二者中的匹配印象标识符140而关联用户信息102a-b之间的同一用户所对应的用户信息。示例性AME 108可以使用用户信息102a-b上的这类匹配印象标识符140来避免过量计数移动设备和/或用户(例如通过仅计数独特用户而非多次计数同一用户)。
例如如果印象使客户端设备106向多个不同的数据库所有者104a-b发送多个设备/用户标识符而不具有印象标识符(例如印象标识符140)，则可能对同一用户多次计数。例如，数据库所有者中的第一者104a将第一用户信息102a发送到AME 108，AME 108发信号通知印象出现。此外，数据库所有者中的第二者104b将第二用户信息102b发送到AME 108，AME 108发信号通知(单独地)印象出现。此外，单独地，客户端设备106将印象的指示发送到AME 108。在不知道用户信息102a-b来自同一印象的情况下，AME 108具有来自客户端设备106的单个印象的指示和来自数据库所有者104a-b的多个印象的指示。
为了避免过量计数印象，AME 108可以使用印象标识符140。例如，在查找用户信息102a-b之后，示例性合作数据库所有者104a-b将印象标识符140传输到具有对应用户信息102a-b的AME 108。AME 108将从客户端设备106直接获得的印象标识符140匹配到从具有用户信息102a-b的数据库所有者104a-b接收的印象标识符140，从而将用户信息102a-b与媒体标识符122相关联以及生成印象信息。这是可行的，因为AME 108直接从客户端设备106接收了与印象标识符140相关联的媒体标识符122。因此，AME 108可以将来自两个或更多个数据库所有者104a-b的用户数据映射到同一媒体接触事件，从而避免双重计数。
在图示示例中的每个唯一的印象标识符140与客户端设备106上的媒体的特定印象相关联。合作数据库所有者104a-b接收各自的设备/用户标识符124并独立地(例如在不管合作数据库所有者104a-b中的其它者的情况下)且在不知道印象中涉及的媒体标识符122的情况下生成用户信息102a-b。在不指示用户信息102a(接收自合作数据库所有者104a)中的特定用户人口统计资料与在客户端设备106处的与用户信息102b(独立于接收自合作数据库所有者104a的用户信息102a而接收自合作数据库所有者104b)中的特定用户人口统计资料相同的印象相关联(例如是其结果)的情况下，且不参考印象标识符140的情况下，AME 108可能无法将用户信息102a与用户信息102b相关联和/或无法确定不同条的用户信息102a-b与同一印象相关联，且因此会将用户信息102a与用户信息102b计数成对应于两个不同的用户/设备和/或两个不同的印象。
上述示例说明了用于在受众测量实体(或其它实体)处收集数据的方法和装置。上文讨论的示例可以用于收集用于任何类型的媒体的印象信息，包括静态媒体(例如广告图像)、流媒体(例如流视频和/或音频，包括内容、广告、和/或其它类型的媒体)、和/或其它类型的媒体。对于静态媒体(例如不具有时间成分的媒体，诸如图像、文本、网页等)，示例性AME 108针对正在呈现到、传送到、或以其它方式提供到客户端设备106的媒体的每次出现记录一次印象。对于流媒体(例如视频、音频等)，示例性AME 108针对在一段时间内出现的媒体测量人口统计资料。例如，当媒体位于客户端应用程序/软件114-117时，AME 108(例如借助应用程序发行者110和/或媒体发行者120)将信标指令提供到在客户端设备106上执行的客户端应用程序或客户端软件(例如OS 114、网络浏览器117、应用程序116等)。在一些示例中，信标指令使客户端应用程序/软件114-117按定期间隔和/或不定期间隔(例如每分、每30秒、每2分钟等)向印象收集器132发送请求(例如广播消息)。通过监控和/或计数按间隔发生的请求，示例性AME 108监控基于持续时间的媒体(例如视频、音频等)的个体印象的持续时间。示例性AME 108可以确定基于持续时间的媒体的印象(例如初始加载)的数量、基于持续时间的媒体的唯一受众、和/或在多个印象中观看的基于持续时间的媒体的总持续时间(单位例如秒或分钟)。如在本文中使用的，术语“印象信息”可以包括印象和/或持续时间单位。示例性印象收集器132识别来自网络浏览器117的请求，并结合一个或多个数据库所有者将用于媒体的印象信息与网络浏览器117的用户的人口统计资料相匹配。
在一些示例中，用户从网站发行者加载(例如借助浏览器117)网页，其中网页对应于特定的60分钟视频。作为示例性网页的一部分或在示例性网页之外，网站发行者使数据收集器112例如通过向浏览器117提供信标指令而将广播消息(例如信标请求)发送到信标服务器142。例如，当信标指令被示例性浏览器117执行时，信标指令使数据收集器112按指定间隔(例如每分钟或任何其它合适间隔)将广播消息(例如信标请求、HTTP请求、声脉冲)发送到印象收集器132。示例性信标指令(或例如来自印象收集器132或数据库所有者104a-b的重定向消息)还使数据收集器112将广播消息或信标请求发送到一个或多个数据库所有者104a-b，该一个或多个数据库所有者104a-b收集和/或保留关于用户的人口统计信息。数据库所有者104a-b传输关于与数据收集器112相关联的用户的人口统计信息，用于与由印象收集器132确定的印象组合或关联。如果用户在视频结束之前关闭包含视频的网页，则信标指令被停止，并且数据收集器112停止向印象收集器132发送广播消息。在一些示例中，广播消息包括时间戳和/或指示视频中多个广播消息所对应的位置的其它信息。通过确定在印象收集器132处从客户端设备106接收的广播消息的数量和/或内容，示例性印象收集器132可以确定用户观看了视频的特定长度(例如视频的一部分，在印象收集器132处接收了针对该部分的广播消息)。
图示示例的客户端设备106执行导向主网站(例如www.acme.com)的客户端应用程序/软件114-117，从该主网站获得媒体118(例如音频、视频、交互式媒体、流媒体等)，用以借助客户端设备106来呈现。在图示示例中，媒体118(例如广告和/或内容)标有标识符信息(例如媒体ID 122、创建类型ID、布局ID、发行者源URL等)和信标指令。示例性信标指令使客户端应用程序/软件114-117向信标服务器142请求其它信标指令，该信标服务器142将指示客户端应用程序/软件114-117如何以及在哪里发送信标请求以上报媒体118的印象。例如，示例性客户端应用程序/软件114-117将包括媒体118的标识(例如媒体标识符122)的请求发送到信标服务器142。然后信标服务器142生成信标指令144并将其返回到示例性客户端设备106。尽管信标服务器142和印象收集器132被分离示出，但是在一些示例中，信标服务器142和印象收集器132被组合。在图示示例中，信标指令144包括一个或多个数据库所有者(例如合作数据库所有者104a-b中的一者或多者)或任何其它服务器(客户端设备106应当向其发送信标请求(例如印象请求))的URL。在一些示例中，广播消息或信标请求可以被实施成HTTP请求。然而，尽管发送的HTTP请求识别网页或其它待下载的资源，但是广播消息或信标请求包括作为其有效载荷的受众测量信息(例如广告活动标识、内容标识符、和/或设备/用户标识信息)。广播消息或信标请求导向的服务器被编程以记录广播消息或信标请求的受众测量数据作为印象(例如取决于标有信标指令的媒体的性质的广告和/或内容印象)。在一些示例中，与标记的媒体118一起接收的信标指令包括信标指令144。在这类示例中，客户端应用程序/软件114-117不需要向信标服务器142请求信标指令144，这是因为在标记的媒体118中已经提供了信标指令144。
当信标指令144被客户端设备106执行时，信标指令144使客户端设备106将信标请求(例如按指定间隔重复地)发送到在信标指令144中指定的远程服务器(例如印象收集器132、媒体发行者120、数据库所有者104a-b、或其它服务器)。在图示示例中，指定的服务器为受众测量实体108的服务器，即处于印象收集器132。信标指令144可以使用Java脚本或可借助客户端应用程序(例如网络浏览器)执行的任何其它类型的指令或脚本(例如包括Java、HTML等)来实现。
在2013年8月28日递交的序列号为14/127,414的美国专利申请、2014年4月24日递交的序列号为14/261,085的美国专利申请、2014年3月13日递交的序列号为61/952,726的美国临时专利申请、2014年4月14日递交的序列号为61/979,391的美国临时专利申请、2014年4月30日递交的序列号为61/986,784的美国临时专利申请、2014年5月9日递交的序列号为61/991,286的美国临时专利申请、和2014年6月19日递交的序列号为62/014,659的美国临时专利申请中公开了可用于实现图1的系统的示例。序列号为14/127,414的美国专利申请、序列号为14/261,085的美国专利申请、序列号为61/952,726的美国临时专利申请、序列号为61/979,391的美国临时专利申请、序列号为61/986,784的美国临时专利申请、序列号为61/991,286的美国临时专利申请、和序列号为62/014,659的美国临时专利申请的全部内容通过引用并入在本文中。
图2至图11的示例可以用于补偿从客户端设备收集的印象信息中的错误认定和/或未覆盖误差，用户通过该客户端设备访问媒体。这类印象信息可以使用任何合适的技术来收集，包括上文讨论的示例性技术。例如，从数据库所有者104a-b收集的印象信息可以为聚合印象信息，其描述用于感兴趣的媒体项目(例如广告、流媒体、网站等)的多个印象、基于持续时间的媒体在其期间呈现的多个持续时间单位(例如分钟、秒等)、和/或印象所对应的受众成员的计数。从数据库所有者104a-b获得的聚合印象信息可能经受错误认定误差(例如由如下造成的误差：当印象应当与第二人口统计组中的第二人员相关联时，数据库所有者错误地将该印象与第一人口统计组中的第一人员相关联)和/或未覆盖误差(例如由如下造成的误差：数据库所有者无法将印象与人员相关联)。由于无法通过数据库所有者104a-b而与人口统计信息相关联的印象和/或持续时间单位可以不被包括在聚合人口统计信息中，因此在一些公开的示例中，聚合人口统计信息中的未覆盖误差可以使用例如以下方式来检测：在AME 108处对印象进行计数并将计数的印象与数据库所有者104a-b针对其识别人口统计信息的大量印象相比较。在一些其它示例中，数据库所有者104a-b返回印象和/或持续时间单位的数目，数据库所有者104a-b无法针对这些印象和/或持续时间单位确定人口统计信息。数据库所有者104a-b无法针对其确定人口统计信息的印象和/或持续时间单位的数目可以被用作未覆盖印象的数目。
本文中所公开的示例使用调查校准数据来估计各自的误差并生成补偿的印象信息，该补偿的印象信息被调整以校正错误认定误差和/或未覆盖误差。本文中所公开的示例可以用于从客户端设备(例如移动设备和/或非移动设备)收集的印象和/或持续时间单位、可以应用于仅从移动设备收集的印象和/或持续时间单位、可以应用于从移动设备收集的印象和/或持续时间单位(与应用于从非移动设备收集的印象和/或持续时间单位分离)、和/或可以应用于从第一类型的移动设备收集的印象和/或持续时间单位(与应用于从第二类型的移动设备收集的印象分离)。在一些示例中，补偿的印象信息针对移动设备和非移动设备而被分离地呈现或上报、和/或被上报成移动设备和非移动设备二者所对应的聚合数据。
本文中所公开的示例可以实时地或基本上实时地(例如在接收数据的秒或分钟内)应用于输入数据，以及可以用于在任何期望时间段内(例如每小时、每日、每周、每月等)和/或累积地(例如应用于在多个时间段上收集的印象和/或持续时间单位)补偿印象信息(例如印象、持续时间单位)。因此，本文中所公开的示例可以向广告商和/或媒体发布者提供准确的人口统计信息，以实现比已知方法更快速地调整媒体活动策略以符合测量的人口统计资料。
图2为示例性印象数据补偿器200的框图，该示例性印象数据补偿器200可以用于实现图1的示例性印象收集器132以针对错误认定和/或未覆盖误差补偿印象信息。图2的示例性印象数据补偿器200补偿或调整从客户端设备(例如图1的客户端设备106)和/或从数据库所有者104a-b获得的印象信息以减小(例如避免)误差，诸如上文提及的那些误差。
图2的示例性印象数据补偿器200包括校准数据收集器202、共享矩阵生成器204、错误认定校正器206、印象信息收集器208、未覆盖计算器210、未覆盖校正器212、和印象信息调整器214。
图2的示例性校准数据收集器202收集或获得描述受众的移动设备使用特性的调查校准数据。例如，调查校准数据可以包括和/或基于对随机选择的家庭的调查的响应。在一些示例中，校准调查获得包括下列项的信息：家庭中的人员数、家庭的人口统计特性(例如年龄和性别、种族、种族划分、语言特点、家庭收入、地理位置等)、家庭中存在的移动设备(例如智能手机、平板电脑、便携式媒体播放器等)的数目和/或类型、和/或家庭中的人员向指定数据库所有者(例如图1的合作数据库所有者104a-b)的注册。在一些示例中，针对家庭中的每个人员，校准调查获得各个移动设备的使用特性和/或家庭中存在的移动设备的类型；通常由人员观看的媒体类别；通常由人员在各移动设备上观看的媒体类别和/或家庭中的移动设备的类型；由人员在各移动设备上使用的应用程序和/或家庭中的移动设备的类型；和/或在各移动设备上与指定数据库所有者的交互特性和/或家庭中的移动设备的类型。示例性校准数据收集器202从至少阈值数目的家庭获得调查校准数据，且如果合适，则对反映一般人群或受众的结果进行加权。
在一些其它示例中，调查校准数据源包括建立的一个或多个应答者小组的调查，诸如用于收视率的尼尔森全国人民计(NPM)小组。建立的小组的调查经常提供较高质量的调查校准数据。在一些示例中，来自多个调查的数据用于计算不同的补偿因子和/或组合用于计算补偿因子。
错误认定校正
图2的示例性共享矩阵生成器204基于调查校准数据计算设备共享矩阵。在图2的示例中，共享矩阵生成器204为在调查校准数据中表示的设备类型和媒体类别的每个组合创建单独的错误认定校正矩阵。
为了生成用于感兴趣的设备类型和媒体类别的错误认定校正矩阵，示例性共享矩阵生成器204包括家庭分布生成器216、聚合分布生成器218、矩阵校正器220、和矩阵归一化器222。
图2的示例性家庭分布生成器216基于调查校准数据生成家庭的受众分布。例如，家庭分布生成器216确定在调查校准数据中表示的人员使用感兴趣的设备类型来观看感兴趣的媒体类型的媒体的对应可能性。为了说明，考虑如下示例。从其收集调查校准数据的示例性家庭包括四种成员：1)45-54岁的男性，2)35-44岁的女性，3)18-24岁的女性，和4)12-17岁的男性。18-24岁的女性和12-17岁的男性已经向图1的示例性数据库所有者104a(例如Facebook)注册(例如可被图1的示例性数据库所有者104a识别为注册用户)，并使用平板电脑(例如图1的客户端设备106)访问数据库所有者104a(尽管不同时)。45-54岁的男性和35-44岁的女性在平板电脑上不可被数据库所有者104a识别。下表1示出了按媒体类别的用于平板电脑的示例性共享模式。在表1中，标有“X”的单元指示，在单元的人口统计组标注处标出的人员观看具有在内容类型标注中标出的类别的媒体。相反地，在表1中的空白单元指示，在单元的人口统计组标注处标出的人员不观看具有在内容类型标注中标出的类别的媒体。媒体类别可以基于例如在调查校准数据中使用的媒体类别和/或在电视和/或其它媒体评价中使用的媒体类别来限定。
Figure BDA0003508414590000371
在示例性第一家庭中基于调查校准数据按媒体类别的用于平板电脑的示例性共享模式
表1
如表1所示，45-54岁的男性使用平板电脑观看被分类为政治媒体的媒体(例如网站、流媒体等)，35-44岁的女性在平板电脑上观看被分类为戏剧、喜剧、和/或现实的媒体(例如网站、流媒体等)，以及18-24岁的女性使用平板电脑观看被分类为戏剧和喜剧的媒体(例如网站、流媒体等)。当12-17岁的男性使用平板电脑登录数据库所有者104a时，他不在平板电脑上观看被受众测量实体108监控的媒体。基于表1的共享模式，示例性家庭分布生成器216针对表1的各个媒体类别计算设备共享概率，如下表2所示。在表2中将设备共享概率示出成在人口统计组标注中识别的人员在设备上观看内容类型(例如媒体类别)的概率密度函数(PDF)。
Figure BDA0003508414590000381
针对第一示例性家庭的按媒体类别的示例性设备共享概率
表2
在该示例中，如果12-17岁的男性在平板电脑上登录数据库所有者(借助浏览器和/或应用程序)且不退出数据库所有者，以及35-44岁的女性随后使用同一平板电脑(而12-17岁的男性仍登录数据库所有者104a)且不用其自身证书登录数据库所有者104a，当35-44岁的女性在平板电脑上观看媒体时，数据库所有者104a将正确归属于35-44岁的女性的印象和/或持续时间单位错误认定给12-17岁的男性。因此，在这类示例中，使用数据库所有者信息将印象和/或持续时间单位与人口统计信息相关联，导致印象和/或持续时间单位不归属于(或欠归属于)45-54岁的男性和35-44岁的女性，以及印象和/或持续时间单位过归属于18-24岁的女性和/或12-17岁的男性。
为了针对平板电脑和‘喜剧’类别确定用于家庭的错误认定校正矩阵，示例性家庭分布生成器216将上表2中的‘喜剧’概率转换为在下表3中所示的示例性重分布受众矩阵。在表3中，列(识别的人口统计组i)表示被数据库所有者104a识别为与印象相关联的人口统计组，行(实际观看者人口统计组j)表示实际观看(例如实际观看者)印象所对应的媒体的人口统计组。因此，表3包括如下事件的PDF：当数据库所有者将人员识别为在识别的人口统计组i中的人员时，实际的或真实的观看者为实际观看者人口统计组j中的人员。各单元中的值为如下事件的概率γij：当数据库所有者104a将对于媒体的印象与列中的识别的人口统计组i相关联时，该行的实际观看者人口统计组j正在观看该媒体。
j\i M45-54 F35-44 M12-17 F18-24
M45-54 0 0 0 0
F35-44 0 0 0.5 0.5
M12-17 0 0 0 0
F18-24 0 0 0.5 0.5
总数 0 0 1 1
用于针对第一示例性家庭的“喜剧”媒体类别的示例性重分布受众矩阵
表3
作为从表3的用于家庭的重分布受众矩阵确定印象的示例，对于被数据库所有者104a识别为正被识别的人口统计组i中的12-17岁男性观看的‘喜剧’媒体类别中的10个印象，5个印象应当被归于实际观看者人口统计组j中的35-44岁女性(例如10个印象乘以表3中的概率0.5)，5个印象应当被归于实际观看者人口统计组j中的18-24岁女性(例如10个印象乘以表3中的概率0.5)，以及没有印象应当被归于实际观看者人口统计组j中的12-17岁男性或45-54岁男性(例如10个印象乘以表3中的概率0)。
示例性家庭分布生成器216可以使用表2和/或表3中的PDF，其中，PDF具有对于不同人口统计组标注的不同概率(表2)和/或对于不同实际观看者人口统计组的不同概率(表3)。例如，当家庭成员之一比家庭的另一成员更经常地观看显著感兴趣的媒体类别时，可以从调查校准数据来确定PDF中的不同概率。例如，如果表2的35-44岁女性上报‘经常’中观看‘喜剧’类别中的媒体，而表2的18-24岁女性上报‘很少’观看‘喜剧’类别中的媒体，则在表2中用于‘喜剧’类别的PDF可以为(0，0.75，0，0.25)以反映不同的观看频率。附加地或可替选地，示例性家庭分布生成器216可以基于同一人口统计组中的多个人员的存在使用具有表2的示例性共享矩阵中的不同概率的PDF。例如，具有两个12-17岁女性和一个35-44岁女性的家庭可以具有PDF，其中F12-17人口统计组的概率为F35-44人口统计组的概率的两倍。
图2的示例性聚合分布生成器218基于示例性调查校准数据中的所有家庭而针对设备类型和媒体类别的每个组合生成聚合重分布受众矩阵。
在一些示例中，家庭分布生成器216从个体家庭的调查响应生成单独的设备共享矩阵，以及聚合分布生成器218将个体重分布受众矩阵聚合为聚合重分布受众矩阵。例如，家庭分布生成器216可以将识别的人口统计组i中可被数据库所有者104a识别的人员重分布在家庭内。因此，家庭分布生成器216还基于调查校准数据将与那些人员相关联的印象重分布到实际观看者人口统计组j。
在重分布受众矩阵的另一示例中，下表4示出用于家庭的按媒体类别的示例性设备共享概率，该家庭具有同一识别的人口统计组i的两个女性(例如被数据库所有者104a识别为印象所对应的媒体的观看者)，这两个女性被示出成18-24岁女性(F18-24)。在图示示例中，F18-24人口统计组中的两个女性为属于F18-24人口统计组的数据库所有者104a的可识别注册用户。
内容类型 M45-54 F35-44 F18-24 F18-24
所有 0.33 0.33 0 0.33
政治 1 0 0 0
戏剧 0 0.5 0 0.5
喜剧 0 0.5 0 0.5
现实 0 1 0 0
用于第二示例性家庭的按媒体类别的示例性设备共享概率
表4
上表4的单元包括概率密度函数(PDF)，该PDF指示针对指定媒体类别(例如所有、政治、戏剧、喜剧、现实)在属于指定识别的人口统计组i的人员(例如M45-54人口统计组中的一个人员、F35-44人口统计组中的一个人员、以及F18-24人口统计组中的两个人员)之间共享媒体设备的概率。例如，对于M45-54识别的人口统计组i中的人员、F35-44识别的人口统计组i中的人员、和F18-24识别的人口统计组i中的人员之一中的每一者，观看“所有”媒体类别中的媒体的PDF为0.33。在图示示例中，对于F18-24识别的人口统计组i中的另一人员，该PDF为0。表4中的数据基于调查校准数据源(例如随机选择的人员和/或家庭的调查)，该调查校准数据源提供关于由家庭中的人员观看的媒体的信息。
在图示示例中，由上表4表示的示例性家庭的F18-24识别的人口统计组i中的两个女性为数据库所有者104a(例如社交网络服务)的注册用户。基于上表4的数据，家庭分布生成器216基于从示例性调查校准数据源中的家庭收集的设备共享模式和观看模式而在家庭中观看感兴趣类别的媒体的实际观看者人口统计组j M45-54、F35-44、和F18-24之间重分布每个注册的数据库所有者用户(例如F18-24人口统计组中的观看者)的受众(和因此相关联的印象)。用于“所有”媒体类别的示例性重分布受众和表4的第二示例性家庭在下表5中示出。
j\i M45-54 F35-44 F18-24 F18-24
M45-54 0 0 0.33 0.33
F35-44 0 0 0.33 0.33
F18-24 0 0 0 0
F18-24 0 0 0.33 0.33
总数 0 0 1 1
用于“所有”类别的示例性重分布受众矩阵
表5
在上表5中，家庭分布生成器216将同一PDF(例如0.33)应用于同一识别的人口统计组i中的每个注册的数据库所有者用户(例如人口统计组F18-24的两个家庭成员)。在表5的图示示例中，单元值指示如下事件的对应概率：当家庭中的人员被数据库所有者识别为识别的人口统计组i中的人员(即列中指示的人员和/或人口统计组)时，实际或真实观看者为实际观看者人口统计组j的人员(即行中指示的人员和/或人口统计组)。例如，如下事件的概率为0.33：当数据库所有者识别F18-24识别的人口统计组i中的第一人员时，“所有”类别中的媒体的真实观看者为M45-54实际观看者人口统计组j中的人员。在该示例中，如下事件的概率相同(例如0.33)：当数据库所有者识别F18-24识别的人口统计组i中的第二人员时，“所有”类别中的媒体的实际或真实观看者为M45-54实际观看者人口统计组j中的人员。
在图示示例中，无所谓的是，F18-24识别的人口统计组i中的女性观看者是否指示她们在特定设备上观看由表5的示例性重分布受众矩阵表示的特定媒体类别。只要数据库所有者104a捕获关于该特定设备的印象和/或持续时间单位，则家庭分布生成器216可以在该家庭的所有的实际观看者人口统计组j M45-54、F35-44、和F18-24之间等同地重分布印象和/或持续时间单位。因此，标为F18-24的两列(例如对应于家庭的两个女儿)填有相等的重分布0.33(对于M45-54实际观看者人口统计组j)、0.33(对于F35-44实际观看者人口统计组j)、和0.33(对于F18-24实际观看者人口统计组j)。对于F18-24实际观看者人口统计组j的同一行中的概率值然而在F18-24列之间求和，因为这些值对应于同一个识别的人口统计组i F18-24。“总数”行中的单元指示在相应的识别的人口统计组i(M45-54、F35-44、F18-24)内为数据库所有者104a的注册用户的受众成员的数目。
下表6示出“所有”类型的示例性重分布受众矩阵，其中，用于F18-24识别的人口统计组i的求和值被示出。
j\i M45-54 F35-44 F18-24
M45-54 0 0 0.66
F35-44 0 0 0.66
M12-17 0 0 0
F18-24 0 0 0.66
总数 0 0 2
针对具有F18-24人口统计组中的两个人员的家庭的用于“所有”媒体类别的示例性重分布受众矩阵
表6
在示例性上表6中，每列(识别的人口统计组i M45-54、F35-44和F18-24)对应于家庭中的识别的人口统计组i中的数据库所有者104a的注册用户的总数目。“总数”行中的单元指示在对应的识别的人口统计组i(例如M45-54、F35-44、F18-24)内为数据库所有者104a的注册用户的受众成员的数目。在一些示例中，表6的重分布受众矩阵的实际观看者人口统计组j(例如行)被扩展成包括由受众测量实体108和/或数据库所有者104a使用的所有识别的人口统计组i以实现矩阵的聚合。因此，尽管由上表6表示的家庭不具有实际观看者人口统计组M12-17中的任何家庭成员，但是示例性上表6包括M12-17行以实现表6的PDF与下表7的PDF的聚合。
在表4中示出的设备共享概率用于生成用于上文结合表5和表6所描述的第二家庭的重分布受众矩阵之后，表6和表7的重分布受众矩阵在家庭上被聚合(例如求和)以组合识别的人口统计组i中的数据库所有者104a的注册用户以及对用于实际观看者人口统计组j的重分布受众求和。例如上表6和下表7的重分布受众被聚合以生成在下表8中示出的跨家庭的聚合重分布受众。在图示示例中，表6和表7对应于两个不同家庭。
j\i M45-54 F35-44 M12-17 F18-24
M45-54 0 0 0.33 0.33
F35-44 0 0 0.33 0.33
M12-17 0 0 0 0
F18-24 0 0 0.33 0.33
总数 0 0 1 1
针对具有一个M12-17人员和一个F18-24人员的家庭的用于“所有”媒体类别的示例性重分布受众矩阵
表7
Figure BDA0003508414590000431
Figure BDA0003508414590000441
针对多个家庭的用于“所有”媒体类别的示例性聚合重分布受众矩阵
表8
上表8中的概率反映在表6和表7中对应表中表示的两个家庭中的用于数据库所有者104a的注册用户的重分布受众。M12-17和F18-24识别的人口统计组i列的总和反映识别的人口统计组i中的数据库所有者104a的注册用户的总数目。“总数”行中的单元指示在相应的识别的人口统计组i(M45-54、F35-44、M12-17、F18-24)内为数据库所有者104a的注册用户的受众成员的数目。
在一些示例中，矩阵校正器220生成尼尔森全国人民计(NPM)指标以解释同一家庭中一起生活的人口统计对i，j(例如来自识别的人口统计组i的一人和来自实际观看者人口统计组j的一人)的概率。例如，P(L)ij为识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率。在图示示例中，NPM指标为校准数据的另一源。在本文中所公开的示例中，从家庭收集NPM数据，其中当家庭成员借助与家庭相关联的媒体设备观看/聆听媒体时，由AME 108(图1)安装的仪表收集家庭成员的标识。由于在家庭使用促进家庭成员识别自身的本地安装的仪表收集NPM数据(或者以其它方式准确地收集观看/聆听媒体的家庭成员的标识)，因此NPM数据具有关于识别哪个家庭成员实际正在观看由媒体设备呈现的媒体(例如为该媒体的实际观看者)的高准确度。
下文描述的NPM指标可以用于解释P(L)ij概率。在这些示例中，矩阵校正器220将NPM指标应用于重分布数据库所有者注册用户的表中的对应i，j单元(例如在上表5中示出的用于“所有”类别的示例性重分布受众矩阵)。下表9示出了基于从家庭收集的调查响应(在这些示例中，这也用作调查校准数据源，从其确定重分布受众表)的一起生活的人员的人口统计组i，j对的估计量。下表10示出了基于收集的NPM数据的一起生活的人员的人口统计组i，j对的估计量。下表11示出了由矩阵校正器220基于表9和表10的估计量生成的NPM指标。
j\i M45-54 F35-44 M12-17 F18-24
M45-54 100 60 10 55
F35-44 30 100 10 80
M12-17 20 50 80 15
F18-24 50 20 20 90
基于调查响应的一起生活的人员的人口统计组i，j对的示例性估计量
表9
j\i M45-54 F35-44 M12-17 F18-24
M45-54 105 50 15 48
F35-44 35 102 12 80
M12-17 25 40 70 20
F18-24 40 15 18 98
基于NPM数据的一起生活的人员的人口统计组i，j对的示例性估计量
表10
j\i M45-54 F35-44 M12-17 F18-24
M45-54 1.05 0.83 1.50 0.87
F35-44 1.17 1.02 1.20 1.00
M12-17 1.25 0.80 0.88 1.33
F18-24 0.80 0.75 0.90 1.09
示例性NPM指标
表11
上表11的示例性NPM指标通过将表10的值(基于小组成员数据的一起生活的人员的人口统计组i，j对的估计量)除以表9的对应值(基于调查响应的一起生活的人员的人口统计组i，j对的估计量)来计算。在图示示例中，表11用于解释在同一家庭中一起生活的来自不同人口统计组i，j的任何观看者的过采样/欠采样。例如，表9基于调查响应估计M45-54的人口统计组i，j中的100个人一起生活。基于更准确的NPM数据，表10估计同一M45-54的人口统计组i，j中的105个人一起生活在同一家庭中。因此，用于该人口统计组M45-54的表11的示例性NPM指标为1.05，其大于1以补偿表9相对于表10的对应值105而对来自M45-54的人口统计组i，j的一起生活的人员的数目欠采样(例如100)。对于表9中的估计量相对于表10中的对应量过采样的实例，表11中的对应NPM指标将小于1(例如，对于F18-24的实际观看者人口统计组j和F35-44的识别的人口统计组i，表11中的NPM指标＝0.75)。
在一些示例中，来自表9的一起生活的一些人口统计组对i，j的估计(例如基于调查响应来确定)与来自表10的基于NPM数据的估计对准，这是因为NPM数据为比来自数据库所有者104a的人口统计数据质量更高的数据源。表12和表13示出示例性数据，其中一起生活的人员的人口统计组i，j对的估计被对准更靠近NPM数据。在表12中，矩阵校正器220调整上表8的用于识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij的重分布受众值。在图示示例中，矩阵校正器220通过将上表8的i，j单元中的重分布受众值乘以上表11的i，j单元值中的对应NPM指标来确定表12中的每个i，j单元值。采用该方式，共享矩阵校正器220将NPM指标应用于由数据库所有者104a在不同家庭收集的重分布印象以解释识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij。
Figure BDA0003508414590000461
Figure BDA0003508414590000471
针对P(L)ij调整的示例性数据库所有者重分布受众
表12
j\i M45-54 F35-44 M12-17 F18-24
M45-54 0 0 0.417 0.295
F35-44 0 0 0.333 0.338
M12-17 0 0 0 0
F18-24 0 0 0.250 0.368
总数 0 0 1 1
示例性归一化重分布受众
表13
在上表13中，矩阵归一化器222使来自上表12的调整的印象重分布归一化，从而识别的人口统计组i的列(例如M12-17和F18-24识别的人口统计组i)的总和为1。采用该方式，每列(例如识别的人口统计组i M12-17和F18-24)表示如下事件的概率密度函数(PDF)：当数据库所有者104a检测特定识别的人口统计组i时，AME 108将什么确定为媒体的真实观看者的实际观看者人口统计组j。在图示示例中，表13的归一化重分布受众为错误认定校正因子，或对于每对人口统计组i，j的概率γij，该概率γij为如下事件的概率：当识别的人口统计组i中的人员被数据库所有者104a识别为媒体观看者时，实际观看者人口统计组j中的人员为实际观看者(例如γij＝0.417、0.295、0.333、0.338、0.250和0.368)。
在一些示例中，对于每对由数据库所有者检测的识别的人口统计组i和分配为真实或实际观看者的实际观看者人口统计组j的概率γij可以在所有的个体家庭矩阵中被加权和/或求均值以确定聚合概率。在图示示例中，真实观看者或实际观看者指示特定人口统计组中被视为在设备上接触(例如观看、聆听、消费等)媒体的实际受众成员的人员。例如，实际观看者可以为被AME 108确定为实际上观看或接触监控媒体的人员的观看者。人员为实际观看者的确定可以基于统计概率，其基于上文讨论的对随机选择的人员和/或家庭调查的响应指示实际观看者的可能性。如由AME 108感知的实际观看者的确定还可以基于表示家庭中的实际观看者的观察或其它收集的数据(例如NPM数据)。在任何情况下，实际观看者为AME 108对谁是实际观看者的强推论，但如在本文中使用的，实际观看者不一定为实际观看者的身份的绝对确定。然而，如结合本文中所公开的示例所使用的实际观看者的推论强度足以准确地结合本文中所公开的示例来用于提供具有高准确度的校正的印象和/或持续时间单位。在一些示例中，共享矩阵生成器204基于附加的和/或替选的区别生成设备共享矩阵，诸如不同的人口统计市场、不同站、和/或不同时段。
作为如上所述的用于使用重分布受众计算γij的示例性方法的替选，在一些示例中，聚合分布生成器218通过计算复合概率来计算聚合重分布受众矩阵，如等式1所示：
γij＝P(L)ij×P(D|L)ij×P(Sx|D)ij (等式1)
在以上等式1中，P(L)ij为识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率；P(D|L)ij为如下事件的概率：假定识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中，两人在该家庭中访问移动设备(任何类型)；以及P(Sx|D)ij为如下事件的概率：假定识别的人口统计组i中的第一人员访问与实际观看者人口统计组j中的人员相同的所选类型的移动设备，两人针对所选类别的媒体共享移动设备。如在本文中使用的，“所选类别”指的是经受分析的感兴趣的类别。因此“所选”指的是“针对分析所选”，如在本上下文中所使用。相同含义应用于“所选设备类型”、“所选人口统计组”和“所选人口统计组的对”。
在一些示例中，聚合分布生成器218使用来自一个或多个校准数据源的数据(例如调查校准数据)来确定概率中的一者或多者。例如，在一些示例中，共享矩阵计算器从建立小组的调查确定概率P(L)ij和P(D|L)ij以及从随机家庭的另一调查确定P(Sx|D)ij，该建立小组诸如用于确定上文讨论的NPM指标数据的小组。
参考上文参照表1-13所描述的示例，示例性聚合分布生成器218针对每对人口统计组i，j使用重分布聚合受众矩阵计算如下概率γij：(1)识别的人口统计组i中的人员被数据库所有者104a识别为媒体的观看者，和(2)实际观看者人口统计组j的人员为实际观看者。示例性聚合分布生成器218生成错误认定校正矩阵，其包括各个所计算的概率γij。示例性聚合分布生成器218可以使用上文的示例性等式(1)和/或可以使用上文描述的NPM指标方法来计算错误认定校正矩阵的概率γij。用于所选的平板电脑设备类型和所选的喜剧媒体类型的示例性聚合重分布受众矩阵在下表14中被示出为示例性错误认定校正矩阵。示例性表14的后续章节延伸到右侧使得该表具有相等数量的行和列。
Figure BDA0003508414590000491
Figure BDA0003508414590000501
Figure BDA0003508414590000502
Figure BDA0003508414590000511
Figure BDA0003508414590000512
Figure BDA0003508414590000521
Figure BDA0003508414590000522
Figure BDA0003508414590000531
示例性错误认定校正矩阵
表14
如上表14的示例性错误认定校正矩阵中所示，各列的值总计为100％。因此，当基于上表14的示例性错误认定校正矩阵重分布印象、持续时间单位、和/或受众时，解释归属于识别的人口统计组i的印象、持续时间单位、和/或受众。如下文更详细地描述，图2的错误认定校正器206将上表14的示例性错误认定校正矩阵应用于补偿用于错误认定误差的印象信息。
共同观看矩阵
在一些示例中，共享矩阵生成器204还包括共同观看矩阵生成器224，除了上表14的示例性错误认定校正矩阵外，该共同观看矩阵生成器224还生成共同观看矩阵(例如针对媒体类别和设备类型的每个组合)。共同观看矩阵为提供两个人口统计组之间的同时观看的概率的PDF的矩阵。例如，共同观看概率κij为如下事件的概率：当数据库所有者将识别的人口统计组i中的人员识别为与媒体印象相关联时，实际观看者人口统计组j中的人员也正在与识别的人一起看(例如共同观看)媒体。因此，对于印象可以正确地与多个人相关联的情况，共同观看矩阵中的概率κij可用于补偿印象信息。
像上表14的示例性错误认定校正矩阵一样，也由共同观看矩阵生成器224生成的共同观看矩阵具有相等数目的行和列。然而，不像上表14的示例性错误认定校正矩阵，共同观看矩阵的列不一定总计为任何特定数(例如100％)。在图示示例中，示例性共同观看矩阵生成器224使用上文讨论的概率P(L)ij和P(D|L)ij且还使用概率P(Cx|D)ij来计算共同观看概率κij，概率P(Cx|D)ij描述了如下事件的概率：生活在同一家庭中且访问所选设备类型的移动设备的识别的人口统计组i中的人员与实际观看者人口统计组j中的人员同时使用设备类型x的同一移动设备来观看所选媒体类别的媒体。在一些示例中，共同观看矩阵生成器224用P(Cx|D)ij替代上文等式(1)中的P(Sx|D)ij项来计算共同观看概率κij。
在一些示例中，错误认定校正器206将共同观看矩阵应用于针对设备共享错误认定而调整的印象和/或持续时间单位。在一些其它示例中，由于共同观看可以被视为表示在数据收集中未解释的附加的印象和/或持续时间单位，因此错误认定校正器206将共同观看矩阵中的概率κij应用于由数据库所有者104a针对设备共享错误认定而调整的且针对未覆盖而调整的印象和/或持续时间单位，从而基于补偿的(例如校正的)印象和/或持续时间单位确定共同观看。
错误认定校正示例1
在生成上表14的示例性错误认定校正矩阵之后，示例性错误认定校正器206将错误认定校正矩阵应用于从图2的印象信息收集器208获得的一组印象。在错误认定校正的第一示例中，错误认定校正矩阵应用于校正印象归属于人口统计组，且不影响受众计数。这类示例可以例如被应用于校正基于因特网的流媒体(例如流视频和/或流音频)的印象。例如，用于基于因特网的流媒体的校正的印象信息可以与用于另一类型设备的印象信息组合，可以附加地或可替选地在该另一类型设备上访问媒体。例如，在电视上呈现(例如广播)剧集之后，受众成员可以借助用于延迟的或时间偏移的流回放的计算设备访问电视剧集。借助计算设备访问的流媒体的印象可以被添加到Live+7收视率指标，这测量初始呈现的观看印象(或对应的受众规模)和发生在初始调度的广播呈现的当天以及在初始调度的广播呈现之后的7天内的印象(或对应的受众规模)的总和。
图2的示例性印象信息收集器208从数据库所有者104a收集印象信息且收集从客户端设备(例如图1的客户端设备106)获得的印象量信息。从数据库所有者104a获得的示例性印象信息包括通过数据库所有者104a从每个人口统计组而与该人口统计组相关联的印象的聚合数目。
示例性数据库所有者104a可以提供用于感兴趣的每个媒体项目(例如正被受众测量实体108监控的媒体项目)的印象信息(例如被数据库所有者104a识别为与识别的人相关联的印象的数目)。附加地或可替选地，示例性数据库所有者104a向印象信息收集器208提供用于各类设备的印象信息。下表15示出了通过印象信息收集器208从示例性数据库所有者104a获得的用于平板电脑设备的示例性印象信息。示例性印象信息收集器208可以收集用于其它类型的移动设备(例如智能手机、便携式媒体播放器等)的类似数据。
Figure BDA0003508414590000551
Figure BDA0003508414590000561
用于平板电脑设备的示例性印象信息
表15
在一些示例中，在向印象信息收集器208提供印象之前，通过决策树处理印象。在一些示例中，决策树用于确定识别的人口统计组i和/或实际观看者人口统计组j之间的描述。在2011年8月12日递交的序列号为13/209,292的美国专利申请中和在2014年1月6日递交的序列号为61/923,959的美国临时专利申请中公开了处理印象的示例。序列号为13/209,292的美国专利申请和序列号为61/923,959的美国临时专利申请的全部内容通过引用并入本文中。
图2的示例性错误认定校正器206调整或补偿从数据库所有者104a获得的用于错误认定误差的印象信息。图3A示出了由错误认定校正器206执行以调整印象信息的示例性计算。在图2和图3A的示例中，错误认定校正器206使用由示例性共享矩阵生成器204生成的设备共享矩阵来调整由数据库所有者104a提供的人口统计信息(例如每设备类型和/或媒体类别的每人口统计组的印象计数等)。
使用由印象信息收集器208获得的数据库所有者数据(例如图1的印象信息102a，102b)，图2的错误认定校正器206计算用于设备类型和/或媒体类别的n×n错误认定校正矩阵302和用于设备类型和/或媒体类别的n×1数据库所有者数据304(例如印象计数矩阵)的点积。点积的结果是n×1错误认定调整的数据矩阵306，其具有调整数目的用于设备类型和/或媒体类别的印象。
下表16示出由错误认定校正器206使用表14的示例性错误认定校正矩阵和表15的印象信息所计算的示例性错误认定调整的印象。表16包括基于上文参照图3A所讨论的点积所计算的调整印象。为了便于比较而在表16中也示出来自上表15的未调整的印象。
Figure BDA0003508414590000571
Figure BDA0003508414590000581
错误认定调整的印象和未调整的印象
表16
因此，如上表16所示，调整的印象补偿从示例性数据库所有者104a接收的印象信息102a，102b的错误认定误差。
错误认定校正示例2
在错误认定校正的第二示例中，上表14的错误认定校正矩阵应用于校正印象和受众到人口统计组的错误认定。如上所述，当数据库所有者104a将印象归属于第一人口统计组中的人员而实际上该印象正确地归属于第二人口统计组中的第二人员时可以出现将印象错误认定到不正确的人口统计组(例如由于在第二人口统计组中的第二人员观看给出印象的媒体的时间期间，第一人口统计组中的人员在设备上登录数据库所有者)。例如当可从不同类型的计算设备访问媒体和可以解复制针对那些计算设备记录或测量的受众时，可以使用印象和受众的示例性错误认定校正。例如，当受众成员多次从同一设备和/或不同设备访问同一媒体时，记录的受众成员的复制发生。同一受众成员对同一媒体的多次访问导致受众复制，这是因为基于针对该受众成员对同一媒体的多次访问而记录的多个印象而在受众规模计数中两次或更多次计数同一受众成员。这类受众复制可以导致接触或访问特定媒体的真实受众规模的膨胀表示。因此，可以使用解复制来更准确地计数媒体的印象可归属于的受众规模。
图2的示例性印象信息收集器208从数据库所有者104a收集印象信息以及收集用于发生在客户端设备106处的印象的量信息。从数据库所有者104a获得的示例性印象信息包括由数据库所有者104a生成的按人口统计组的印象的聚合数目和/或来自各个人口统计组的受众规模。
示例性数据库所有者104a可以提供用于感兴趣的每个媒体项目(例如正被受众测量实体108监控的媒体项目)的印象信息(例如印象计数、按人口统计组的印象计数等)和/或受众信息(例如受众规模、按人口统计组的受众规模等)。附加地或可替选地，示例性数据库所有者104a向印象信息收集器208提供用于各类设备的印象和/或受众信息。在一些示例中，印象信息收集器208还收集印象和/或用于发生在计算机平台(例如非移动设备平台，诸如台式电脑和/或笔记本电脑)上的媒体印象的受众信息。下表17示出由印象信息收集器208从示例性数据库所有者104a获得的用于平板电脑设备的示例性印象和受众信息(例如未校正的印象计数和受众规模)。示例性印象信息收集器208可以收集用于其它类型的移动设备(例如智能手机、便携式媒体播放器等)和/或计算机平台的类似数据。示例性下表17类似于示例性上表15，除了下表17还包括受众规模和频率信息(例如来自数据库所有者104a)。
Figure BDA0003508414590000591
Figure BDA0003508414590000601
从示例性数据库所有者获得的用于平板电脑设备的示例性印象和受众信息
表17
在一些示例中，在将数据库所有者总印象和受众规模提供给印象信息收集器208之前，通过决策树处理数据库所有者总印象和受众规模。在2011年8月12日递交的美国非临时专利申请No.13/209,292中和在2014年1月6日递交的美国临时专利申请No.61/923,959中公开了处理印象和特殊受众的示例。美国非临时专利申请No.13/209,292和美国临时专利申请No.61/923,959的全部内容通过引用并入在本文中。
图2的示例性错误认定校正器206调整或补偿从数据库所有者104a获得的用于错误认定误差的印象信息。上文讨论的图3A也示出了由错误认定校正器206执行以调整印象和/或受众信息的示例性计算。在该示例中，错误认定校正器206使用由示例性共享矩阵生成器204生成的设备共享矩阵来调整由数据库所有者104a提供的人口统计信息(例如每设备类型和/或媒体类别的每人口统计组的印象计数、每设备类型和/或媒体类别的每人口统计组的受众规模等)。
使用由印象信息收集器208获得的数据库所有者数据(例如印象计数和/或受众规模信息)，图2的错误认定校正器206计算用于设备类型和/或媒体类别的n×n错误认定校正矩阵302和/或n×1数据库所有者数据304(例如印象计数矩阵、受众规模矩阵)的点积。点积的结果是n×1错误认定调整的数据矩阵306，其具有调整的印象计数或调整的受众规模。
下表18示出由错误认定校正器206使用上表14的错误认定校正矩阵和上表17的示例性印象计数和/或受众规模数据所计算的示例性错误认定调整的数据矩阵。下表18包括基于上文所讨论的点积所计算的受众、以及错误认定校正器206使用调整的受众规模所计算的印象计数信息。在该示例中，错误认定校正器206通过将错误认定调整的受众规模(例如用于F45-49的人口统计组的12,216)除以上表17的对应于该人口统计组的频率(例如用于F45-49的人口统计组的9.7)来确定错误认定调整的印象(例如用于F45-49的人口统计组的118,492)。为了便于比较而在表18中也示出未调整的受众规模和未调整的印象计数。
Figure BDA0003508414590000611
Figure BDA0003508414590000621
错误认定调整的印象计数和受众规模、以及用于比较的未调整的印象计数和受众规模
表18
因此，如上表18所示，错误认定调整的印象计数和错误认定调整的受众规模补偿从示例性数据库所有者104a接收的印象计数和受众规模信息中的错误认定误差。总的错误认定调整的受众规模基本上等于(例如除了舍入误差，等于)由数据库所有者104a上报的总的未调整的受众规模。针对如在下文示例中所描述的未覆盖误差，校正该示例的示例性错误认定调整的受众规模和/或错误认定调整的印象计数。
用于未覆盖的α因子
在一些示例中，诸如补偿与收视率相关联的媒体(例如可用于流式传输的电视节目剧集)所对应的印象计数信息中的误差，图2的未覆盖计算器210使用“α因子”计算用于受众的未覆盖因子。如在本文中使用的，术语“α因子”指的是B/A的比值，其中B被定义为人员(例如感兴趣的人口统计组中的人员)使用未被数据库所有者覆盖的感兴趣的设备类型(例如在移动设备上和/或在特定类型的移动设备上，诸如平板电脑、智能手机、或便携式媒体播放器)访问感兴趣的媒体项目(例如借助流视频的电视节目的剧集)的概率。例如，如果数据库所有者不在感兴趣的设备类型上访问任何标识符或信息(例如图1的一个或多个设备/用户标识符124)，则数据库所有者可以未覆盖该设备类型，数据库所有者可以使用该设备类型来与注册用户信息(例如人口统计资料)相关联。如在本文中使用的，在α因子比值B/A中，A被定义为人员在移动设备之外的一种设备(诸如用于访问感兴趣的媒体项目的标准设备，例如在电视节目的情况下为电视机)上访问感兴趣的媒体项目的概率。例如，对于特定媒体类别中的电视节目的剧集，指定类型可以为电视且第一设备类型可以为计算设备(例如移动设备和/或更具体类型的移动设备，诸如智能手机、平板电脑、和/或便携式媒体播放器)，可以在该计算设备上借助流视频访问电视节目的剧集。在电视上的初始或首映呈现之后，经常使这类电视节目借助流视频而可用。因此，人员可以在电视上和/或在计算设备上借助流媒体访问电视节目的剧集。
图2的示例性未覆盖计算器210可以生成用于不同人口统计组、不同媒体类别、不同移动设备类型、移动和非移动设备、不同地理区域、不同站、不同时段的不同α因子、和/或基于调查校准数据源识别的任何其它因子。
在图2的示例中，示例性未覆盖计算器210将概率B(例如人员使用感兴趣的设备类型观看感兴趣的媒体项目的概率)计算为在所选设备类型上访问感兴趣的媒体项目的所选人口统计组(例如基于来自调查或另一校准数据源的响应)占所选人口统计组中人员的总数(例如基于来自调查或另一校准数据源的响应)的比例。例如，如果M18-24人口统计组中的40个人响应于他们在平板电脑上访问‘喜剧’媒体类别中的媒体的调查(在调查中表示的M18-24人口统计组中的100人中)，则概率B为40％或0.40。类似地，示例性未覆盖计算器210将概率A(例如人员使用所选的其它设备类型观看感兴趣的媒体项目的概率)计算为在其它设备类型上访问感兴趣的媒体项目的所选人口统计组(例如基于来自调查或另一校准数据源的响应)占所选人口统计组中人员的总数(例如基于调查或另一校准数据源)的比例。例如，如果M18-24人口统计组中的20个人响应于他们在电视上访问‘喜剧’媒体类别中的媒体的调查(在调查中表示的M18-24人口统计组中的100人中)，则概率A为20％或0.20。下文等式2和等式3分别示出了用于计算概率A和概率B的示例性模型。用于M18-24人口统计组、平板电脑上的‘喜剧’媒体类别的形成的α因子为0.40/0.20＝2。
等式2A＝(年龄和性别组X中在TV上观看媒体类别Y的人员的数目)/(年龄和性别组X中的人员的总数目)
等式3B＝(年龄和性别组X中在感兴趣的设备类型上观看媒体类别Y的人员的数目)/(年龄和性别组X中的人员的总数目)
在未覆盖计算器210确定用于确定数据库所有者104a未覆盖的α因子的示例中，示例性未覆盖校正器212通过将用于人口统计组的α因子乘以用于感兴趣的媒体项目的人口统计组的分布百分比来校正印象信息。例如，如果35-39岁女性组(例如下表19中的F35-39)表示2.9％的用于电视节目的特定剧集的印象，且对于将电视节目分类的媒体类别，用于35-39岁女性组的α因子为3.8，则新计算的百分比约为11.2％。然而，形成的百分比(即11.2％)被归一化，使得对于电视节目的剧集，用于所有人口统计组的百分比总计为100％。示例性未覆盖校正器212将归一化的百分比乘以未被数据库所有者104a关联到用户的印象的数目，以确定归属于35-39岁女性组(F35-39)的印象的数目。在一些示例中，未被数据库所有者104a关联到用户的印象的数目从如下二者的差来确定：1)由AME 108识别的印象的数目和2)被数据库所有者104a关联到用户的印象的数目。附加地或可替选地，数据库所有者104a监控并上报数据库所有者104a无法关联到用户的印象的数目，同时还监控人口统计组所对应的印象(例如数据库所有者能够关联到用户的印象)的数目。
下表19示出了由未覆盖校正器212生成的示例性数据，以使用α因子校正印象信息。在表19的示例中，AME 108计数数据库所有者104a无法关联到人口统计组(例如在下表19的第一列中标出的“Demos”)的2,000个媒体印象。
Figure BDA0003508414590000651
Figure BDA0003508414590000661
未覆盖印象
表19
如上表19的示例所示，针对每个人口统计组(Demos)，未覆盖校正器212将调整的百分比(Adj％)计算成α因子(α＝B/A)与测量的百分比的乘积。未覆盖校正器212将调整的百分比(Adj％)归一化为100％的总和(例如将调整的百分比(Adj％)除以总的调整的百分比(例如160.9％))以获得归一化的百分比(Norm％)。未覆盖校正器212将归一化的百分比(Norm％)乘以未被数据库所有者104a关联到人口统计组(Demos)的印象的数目以获得归属于每个人口统计组(Demos)的未覆盖印象(未覆盖印象)的数目。由未覆盖校正器212确定的示例性印象(未覆盖印象)可以与错误认定调整的印象相加以确定错误认定和未覆盖调整的印象。
用于未覆盖校正的未覆盖因子
作为使用上文公开的示例性α因子(α＝B/A)补偿用于未覆盖误差的印象信息的替选方案，图2的示例性未覆盖计算器210可以计算用于各个示例性人口统计组的未覆盖因子。未覆盖因子反映未被数据库所有者104a归属于人员的部分印象。
为了计算用于人口统计组和特定设备类型的未覆盖因子，示例性未覆盖计算器210从调查校准数据源确定人口统计组中的大量或部分人员(例如调查的应答者)，这些人员指示他们在使用特定设备类型时不会被数据库所有者104a识别为人口统计组中拥有和访问该特定设备类型的部分人员。例如，未覆盖计算器210可以确定，如果应答者指示在应答者的家里没人使用该特定类型的设备访问数据库所有者104a、他没有向数据库所有者104a注册、和/或在人员在特定设备类型上访问媒体时采取阻止数据库所有者104a识别该人员的任何其它行为或无所作为，则应答者在使用特定设备类型时不会被数据库所有者104a识别。
图2的示例性未覆盖计算器210创建用于各个人口统计组和设备类型的未覆盖因子的表，其中未覆盖因子被计算为：未覆盖因子＝(人口统计组中针对设备类型的应答者的未覆盖部分)/(人口统计组中访问该设备类型的设备的应答者的总数目)。在下表20中示出了用于平板电脑的示例性未覆盖因子表。在一些示例中，示例性未覆盖计算器210制作用于其它设备类型的类似表。如表20所示，21-24岁女性人口统计组的20％在平板电脑上未被数据库所有者104a覆盖(例如不可识别)。换言之，访问平板电脑的21-24岁女性的10％不会被数据库所有者104a识别。类似地，18-20岁男性人口统计组的10％在平板电脑上未被数据库所有者104a覆盖。
Figure BDA0003508414590000671
Figure BDA0003508414590000681
用于平板电脑的示例性未覆盖因子
表20
上表20的未覆盖因子可以被用作用于执行针对印象信息的未覆盖调整的α因子(α＝B/A)的替选。例如，由数据库所有者104a所观察的频率(例如在一时段期间每受众成员的平均印象)可以用于计算由数据库所有者104a所观察的印象所对应的受众。然后示例性未覆盖计算器210通过未覆盖因子调整受众(例如调整的受众＝受众/(1-未覆盖因子))，并使用该频率将调整的受众转换为未覆盖调整的印象。
尽管上文示例描述了用于一个数据库所有者的未覆盖因子，但是示例性未覆盖计算器210可以附加地或可替选地计算用于多个数据库所有者的未覆盖因子。例如，如果使用两个数据库所有者，则示例性调查校准数据源可以包括指定为确定应答者是否借助一个或多个设备类型访问数据库所有者104a-b中的任一者的数据。图2的示例性未覆盖计算器210然后确定，未覆盖误差受限于数据库所有者104a-b均不可识别的那些人员和/或印象。在图2的示例中，如果数据库所有者104a-b中的至少一者可以在移动设备上识别人员，则示例性人员被视为被覆盖。
未覆盖误差补偿和缩放示例1
补偿未覆盖误差的第一示例包括将用于人口统计组的α因子(α＝B/A)乘以同一人口统计组所对应的错误认定调整的印象计数。例如，α因子可以用于基于上文参照表16和/或表18所描述的第一错误认定补偿示例的错误认定调整的印象计数来计算未覆盖印象计数。
图3B示出了可由图2的未覆盖校正器212执行以补偿未覆盖误差的示例性计算。在图3B的示例中，未覆盖校正器212获得在图3A的示例中由错误认定校正器206计算的错误认定调整的数据306。未覆盖校正器212将同一设备类型(和/或媒体类别)所对应的未覆盖因子308(例如一组α因子、一组标量)应用于用于该设备类型(和/或媒体类别)的错误认定调整的数据306以确定用于该设备类型(和/或媒体类别)的错误认定和未覆盖调整的数据310。
例如，下表21示出了用于使用上表18的对应的错误认定调整的印象计数的总数目来确定每人口统计组的未覆盖印象的量的示例性计算。未覆盖校正器212使用针对M25-29人口统计组的α因子(α＝B/A)(例如来自上表19的1.68)来调整错误认定调整的印象计数(例如上表18的针对M25-29人口统计组的210,945)。下表21示出了错误认定和未覆盖调整的数据310(例如错误认定和未覆盖调整的印象计数)的示例。在如下示例中，AME 108已经识别了数据库所有者104未将其与人口统计组相关联的1,126,462个总印象。
Figure BDA0003508414590000691
Figure BDA0003508414590000701
Figure BDA0003508414590000711
示例性错误认定和未覆盖调整的印象数据
表21
在上表21中，从上文参照表18描述的错误认定校正示例获得示例性错误认定调整的印象(Misatt.-adjusted Imp.Count)。通过确定错误认定调整的印象计数(例如针对F30-34人口统计组的182,026)相对于总的错误认定调整的印象计数(例如3,034,551)的百分比，而针对各个人口统计组基于错误认定调整的印象计数(Misatt.-adjustedImp.Count)确定表21的示例性测量的百分比(Meas％)。
表21包括用于各个示例性人口统计组的一组示例性α因子(α＝B/A)，其可以如上所述参照示例性表19来计算。例如借助校准调查(例如上文讨论的调查)的结果以及上文公开的等式2和等式3来确定α因子。使用α因子，示例性未覆盖校正器212针对表21的每个示例性人口统计组而通过将测量的百分比(Meas.％)乘以对应的α因子来计算调整的百分比(Adj.％)。示例性未覆盖校正器212还针对表21的每个示例性人口统计组将调整的百分比(Adj.％)归一化以获得归一化的百分比(Norm.％)。
示例性未覆盖校正器212通过将用于表21的每个示例性人口统计组的归一化的百分比(Norm.％)乘以总的未覆盖印象计数(例如1,126,426)来确定未覆盖印象计数(Non-Covered Imp.Count)。例如，用于F30-34人口统计组的未覆盖印象计数(Non-CoveredImp.Count)被计算成3.85％*1,126,426＝43,388。示例性未覆盖校正器212然后可以针对表21的每个示例性人口统计组将未覆盖印象计数(Non-Covered Imp.Count)与错误认定调整的印象计数(Misatt.-adjusted Imp.Count)相加以确定错误认定和未覆盖调整的印象计数(Misatt.and Non-Cov.-Adj.Imp.Count)。
未覆盖误差补偿和缩放示例2
补偿未覆盖误差的第二示例包括使用上表20的未覆盖因子。例如当α因子不可用于特定类型的媒体和/或特定设备类型(例如观看媒体的概率和/或在设备类型上观看的概率不可用)时，可以使用上文结合未覆盖因子公开的示例性未覆盖方法来代替上文结合α因子公开的未覆盖误差补偿示例的α因子。
在本示例中，图2的未覆盖校正器212使用未覆盖因子校正从数据库所有者104a获得的印象信息。例如，未覆盖校正器212可以将印象的调整数目确定为：(上报的印象计数)/(1-(用于人口统计组的未覆盖因子))。
使用图3B的示例，未覆盖校正器212获得在图3A的示例中由错误认定校正器206计算的错误认定调整的数据306。未覆盖校正器212将同一设备类型所对应的未覆盖因子308(例如一组标量而非一组α因子)应用于用于该设备类型的错误认定调整的数据306以确定用于该设备类型的错误认定和未覆盖调整的数据310。例如，未覆盖校正器212使用表20的用于M25-29人口统计组的10.0％未覆盖因子来调整错误认定调整的印象计数(例如上表18的用于M25-29人口统计组的210,945)以将错误认定和未覆盖调整的印象计数确定为19,046。示例性未覆盖校正器212还将错误认定和未覆盖调整的受众规模确定为错误认定和未覆盖调整的印象计数除以从数据库所有者计算或获得的频率(例如来自上表17的频率)的商。表22示出了用于平板电脑设备类型的错误认定和未覆盖调整的数据310(例如错误认定和未覆盖调整的印象和受众)的示例。
Figure BDA0003508414590000721
Figure BDA0003508414590000731
用于平板电脑设备类型的示例性错误认定和未覆盖调整的印象计数和受众规模
表22
在上表22的示例中，示例性未覆盖校正器212通过将对应的错误认定和未覆盖调整的印象计数除以表17的对应频率(例如来自数据库所有者104a)而针对各个人口统计组确定错误认定和未覆盖调整的受众规模。
图2的示例性印象信息调整器214调整补偿的印象计数和受众规模以对齐由受众测量实体108所观察的印象的数目。图3C示出了基于观察的户口普查数据(例如印象量计数)调整补偿的(例如错误认定和未覆盖调整的)印象计数和/或受众规模310的示例性过程。
尽管补偿上文参照表15-22所描述的错误认定和/或未覆盖的示例描述了补偿印象和特殊受众规模，但是图2的示例性错误认定校正器206和/或示例性未覆盖校正器212可以附加地或可替选地使用相同技术来补偿持续时间单位错误认定和/或未覆盖。下表23示出了将上表14的错误认定矩阵应用于与上表18的示例的印象和特殊受众规模相关联的持续时间单位的示例。
Figure BDA0003508414590000741
Figure BDA0003508414590000751
用于平板电脑设备类型的示例性错误认定和未覆盖调整的印象计数、持续时间单位和特殊受众规模，以及未调整的印象计数、持续时间单位和特殊受众规模
表23
如上表23所示，将表14的错误认定校正矩阵应用于表23的未调整的持续时间单位(Unadj.Duration Units)导致在人口统计组(Demo.Group)中重分布持续时间单位。错误认定和特殊受众规模的调整与上文参照表18描述的示例中相同。示例性未覆盖校正器212然后可以使用上文参照表19-21的印象所描述的未覆盖校正技术校正错误认定调整的持续时间单位。
印象缩放、持续时间单位缩放、和/或受众缩放示例
图2的示例性印象信息调整器214调整补偿的印象以与由受众测量实体108观察的印象的数目对齐。图3C示出了基于观察的户口普查数据(例如印象量计数)调整补偿的(例如错误认定和未覆盖调整的)印象的示例性过程。
使用上表21的示例的示例性错误认定和未覆盖调整的印象计数，印象信息调整器214缩放312错误认定和未覆盖调整的印象计数310以匹配(例如等于)从平板电脑观察的印象的数目(例如如由图1的AME 108观察的)，在本示例中为6,385,686个印象。示例性印象信息调整器214可以缩放用于主网站(例如其上主持广告或其它媒体的网站)的印象计数和/或可以缩放投放在主站点上的媒体(广告或其它媒体)的印象。
为了缩放312用于人口统计组的示例性补偿的印象信息，示例性印象信息调整器214将从数据库所有者观察的印象(例如识别的印象和未识别的印象)的总数目(例如在本示例中为6,385,686)与归属于M21-24人口统计组的补偿的印象计数(例如上表21中的158,067)相乘，作为总的补偿印象(例如上表21中的4,161,011)的分数(例如百分比)。例如，印象信息调整器214将用于21-24岁男性人口统计组的缩放的补偿印象确定为(6,385,686)*(123,750/4,161,011)＝189,913。下表24示出了用于平板电脑的示例性缩放的补偿印象计数。
Figure BDA0003508414590000761
Figure BDA0003508414590000771
用于平板电脑的示例性缩放的补偿印象计数
表24
在一些其它示例中，印象信息调整器214基于主持媒体的站点的PDF缩放印象，针对该媒体计算印象信息。例如，为了缩放用于投放在主网站的媒体的印象，示例性印象信息调整器214针对感兴趣的人口统计组和感兴趣的设备(或所有设备)确定如下二者的差：a)由受众测量实体108针对主站点识别的用于设备类型的印象的数目(印象的人口普查计数)和b)用于设备类型的错误认定和未覆盖调整的印象。该差为通过缩放而解释的印象的数目。示例性印象信息调整器214确定该差与可归属于用于感兴趣的设备类型的感兴趣的人口统计组的部分印象的乘积。换言之，印象信息调整器214将用于主站点的人口统计组的概率分布函数应用于缩放错误认定和未覆盖调整的印象所需添加的印象的数目。将该乘积(例如用于人口统计组的部分印象)添加到用于人口统计组的错误认定和未覆盖调整的印象。因此，在本示例中，印象信息调整器214将缩放的印象确定为：缩放的印象＝(用于所选人口统计组和所选设备类型的错误认定和未覆盖调整的印象)+(用于所选设备类型的针对主站点上的媒体的人口普查印象–用于所选设备类型的针对所有人口统计组的总的错误认定和未覆盖调整的印象)*(用于所选人口统计组和所选设备类型的针对主站点的缩放印象/用于所有人口统计组和所选设备类型的针对主站点的总的缩放印象)。
下表25示出了使用上文描述的概率分布函数、以及使用上表19的示例性错误认定和未覆盖调整的印象作为用于被缩放的媒体印象(而非主站点的印象)的调整的印象的示例性缩放。表25基于在用于示例性媒体的主站点上的用于平板电脑的6,385,687个总的人口普查印象。
Figure BDA0003508414590000781
Figure BDA0003508414590000791
示例性缩放
表25
在上表25的示例中，示例性印象信息调整器214将用于F21-24人口统计组和平板电脑设备类型的印象缩放成缩放印象＝(用于设备类型和人口统计组的错误认定和未覆盖调整的印象计数)+(用于所有人口统计组的总的观察的平板电脑印象计数–用于所有人口统计组的总的错误认定和未覆盖调整的平板电脑印象计数)*(用于人口统计组的缩放的主站点印象计数/用于所有人口统计组的总的缩放的主站点印象计数)＝123,750+(6,385,686–4,161,015)*(1,132,301/37,873,074)＝190,262。以上示例的示例性缩放可以被执行以将用于不同人口统计组的印象缩放到其它人口普查印象计数，诸如主站点的印象计数(例如如果主站点排外地呈现感兴趣的媒体)。
尽管参考观看和视频媒体和/或组合音频/视频媒体描述了本文中所公开的示例，但是本文中所公开的示例也可以用于测量仅音频媒体的聆听者。例如，可以针对音频媒体剪裁用于计算α因子的媒体类别、调查校准数据、和/或第二设备类型。例如用于计算“A”项(例如上文等式2)的第二设备类型可以被修改成指的是(年龄和性别组X中在无线电上聆听媒体类别Y的人数)/(年龄和性别组X中的总人数)。
上文参照表24和表25描述的示例性缩放技术可以用于将错误认定和/或未覆盖调整的持续时间单位缩放到针对主站点观察的持续时间单位计数(例如人口普查持续时间计数)。
尽管上文示例公开了执行错误认定校正和未覆盖校正二者，但是可以对印象计数和/或受众规模执行错误认定校正而不执行未覆盖校正。可替选地，可以对印象计数和/或受众规模执行未覆盖校正而不执行错误认定校正。
尽管在图2中示出了实施示例性印象数据补偿器200的示例性方式，但是在图2中所示的元件、过程和/或设备中的一者或多者可以被组合、划分、重排、省略、消除和/或以任何其它方式实现。另外，示例性校准数据收集器202、示例性共享矩阵生成器204、示例性错误认定校正器206、示例性印象信息收集器208、示例性未覆盖计算器210、示例性未覆盖校正器212、示例性印象信息调整器214、示例性家庭分布生成器216、示例性聚合分布生成器218、示例性矩阵校正器220、示例性矩阵归一化器222、示例性共同观看矩阵生成器224和/或更一般地，示例性印象数据补偿器200可以使用硬件，软件，固件，和/或硬件、软件和/或固件的任何组合来实现。因此，例如，示例性校准数据收集器202、示例性共享矩阵生成器204、示例性错误认定校正器206、示例性印象信息收集器208、示例性未覆盖计算器210、示例性未覆盖校正器212、示例性印象信息调整器214、示例性家庭分布生成器216、示例性聚合分布生成器218、示例性矩阵校正器220、示例性矩阵归一化器222、示例性共同观看矩阵生成器224和/或更一般地，示例性印象数据补偿器200中的任一者可以使用如下项来实现：一个或多个模拟或数字电路、一个或多个逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑设备(PLD)和/或一个或多个场可编程设备(FPLD)等。当阅读覆盖纯软件和/或固件实现的本专利的设备或系统权利要求中的任一者时，示例性校准数据收集器202、示例性共享矩阵生成器204、示例性错误认定校正器206、示例性印象信息收集器208、示例性未覆盖计算器210、示例性未覆盖校正器212、示例性印象信息调整器214、示例性家庭分布生成器216、示例性聚合分布生成器218、示例性矩阵校正器220、示例性矩阵归一化器222、和/或示例性共同观看矩阵生成器224中的至少一者由此明确地被限定成包括有形的计算机可读存储设备或存储盘，诸如存储软件和/或固件的内存、数字通用光盘(DVD)、光盘(CD)、蓝光碟等。另外，图2的示例性印象数据补偿器200可以包括除了图2中所示那些以外或代替图2中所示那些的一个或多个元件、过程和/或设备，和/或可以包括图示元件、过程和设备中的任何或全部中的多于一者。
在图4至图13中示出了表示用于实现图2的印象数据补偿器200的示例性机器可读指令的流程图。在本示例中，机器可读指令包括由处理器执行的程序，该处理器诸如在下文结合图14所讨论的示例性处理器平台1400中示出的处理器1412。这些程序可以被嵌入在软件中，该软件存储在有形的计算机可读存储介质上，该存储介质诸如CD-ROM、软盘、硬盘驱动器、数字通用光盘(DVD)、蓝光碟、或与处理器1412相关联的存储器，但是全部程序和/或其部分可以替选地由处理器1412以外的设备来执行和/或体现在固件或专用硬件中。另外，尽管参照在图4至图13中所示的流程图来描述示例性程序，但是可以替选地使用许多其它实现示例性印象数据补偿器200的方法。例如，框的执行次序可以被改变，和/或描述的一些框可以被改变、消除或组合。
如上所述，图4至图13的示例性过程可以使用编码指令(例如计算机和/或机器可读指令)来实现，该编码指令存储在有形的计算机可读存储介质上，该存储介质诸如硬盘驱动器、闪存、只读存储器(ROM)、光盘(CD)、数字通用光盘(DVD)、缓存、随机存取存储器(RAM)和/或任何其它存储设备或存储盘，其中存储信息达任何持续时间(例如延长的时段、永久地、短时地、暂时缓冲、和/或信息的缓存)。如在本文中使用的，术语“有形的计算机可读存储介质”明确地被限定成包括任何类型的计算机可读存储介质和/或存储盘以及排除传播信号和传输媒体。如在本文中使用的，可交换地使用“有形的计算机可读存储介质”和“有形的机器可读存储介质”。附加地或可替选地，图4至图13的示例性过程可以使用编码指令(例如计算机和/或机器可读指令)来实现，该编码指令存储在非易失性计算机和/或机器可读介质上，该可读介质诸如硬盘驱动器、闪存、只读存储器、光盘、数字通用光盘、缓存、随机存取存储器和/或任何其它存储设备或存储盘，其中存储信息达任何持续时间(例如延长的时段、永久地、短时地、暂时缓冲、和/或信息的缓存)。如在本文中使用的，术语“非易失性计算机可读介质”明确地被限定成包括任何类型的计算机可读存储介质和/或存储盘以及排除传播信号和传输媒体。如在本文中使用的，当短语“至少”用作权利要求的前序中的过渡词时，它是开放式的，同样术语“包括”也是开放式的。
图4是表示示例性机器可读指令400的流程图，该示例性机器可读指令400可被执行以实现图2的用于补偿印象数据的示例性印象数据补偿器200。
图2的示例性共享矩阵生成器204生成错误认定校正矩阵和/或共同观看矩阵(框402)。例如，共享矩阵生成器204针对在由校准数据收集器202(图2)从数据库所有者104a(图1)获得的印象信息(例如印象)中表示的每个设备类型计算设备共享矩阵。示例性共享矩阵生成器204可以通过计算上文在等式1中描述的概率和/或通过计算和聚合家庭共享矩阵而计算用于设备类型的错误认定校正矩阵。附加地或可替选地，示例性共享矩阵生成器204可以计算用于每个设备类型和/或媒体类别的包含共同观看概率κij的共同观看矩阵。也可以使用示例性调查校准数据源(例如随机选择的人员和/或家庭的调查)来计算共同观看概率κij，以确定例如在表示家庭中共同观看的发生率。下文参照图5描述可用于实现框402的示例性指令。
图2的示例性未覆盖计算器210确定未覆盖受众在感兴趣的设备类型上访问媒体的概率(框404)。示例性未覆盖计算器210还确定未覆盖因子(框405)。例如，未覆盖计算器210可以确定α因子(例如上文参照表17描述的示例性α因子α＝B/A)，该α因子用于计算用于未被数据库所有者104a关联到人口统计信息的印象的人口统计分布。下文参照图9描述可被执行以实现框404和框405的示例性指令。
图2的示例性印象信息收集器208从印象的容积(例如人口普查)测量获得印象计数(框406)。例如，印象信息收集器208确定在受众测量实体108(图1)处针对各个感兴趣的媒体项目(例如被监控的媒体)和/或针对各个设备类型识别的印象的数量。上表16中示出了示例性容积数据。示例性印象信息收集器208还获得印象(和/或印象的子集)所对应的人口统计信息(框408)。例如，印象信息收集器208接收针对各个设备类型和/或针对所有设备类型通过数据库所有者104a而与每个人口统计组相关联的印象的计数。
图2的示例性错误认定校正器206选择媒体类别(例如喜剧、戏剧、剧情片等)(框410)。示例性错误认定校正器206还选择设备类型(例如智能手机、平板电脑、便携式媒体播放器)(框412)。示例性错误认定校正器206基于用于所选媒体类别和所选设备类型的错误认定校正矩阵调整印象、持续时间单位和/或特殊受众规模(从数据库所有者104a获得)(框414)。例如，错误认定校正器206可以确定错误认定校正矩阵302和数据库所有者印象数据304的点积，如图3A所示。在一些示例中，错误认定校正器206基于错误认定校正的印象和由数据库所有者104a确定的频率计算错误认定校正的特殊受众规模。下文参照图7描述可被执行以实现框414的示例性指令。
图2的示例性未覆盖校正器212还基于用于所选媒体类别和所选设备类型的未覆盖因子调整印象、持续时间单位和/或特殊受众规模(框416)。例如，未覆盖校正器212可以将图3B的错误认定调整的印象306除以覆盖百分比(例如1-未覆盖百分比)以获得错误认定和未覆盖调整的印象信息310。在一些示例中，错误认定校正器206基于错误认定和未覆盖校正的印象和由数据库所有者104a确定的频率计算错误认定和未覆盖校正的受众。下文参照图8描述可被执行以实现框416的示例性指令。
示例性错误认定校正器206确定是否存在其印象信息将被补偿的附加设备类型(框418)。如果存在其印象信息将被补偿的附加设备类型(框418)，则控制返回到框412，以选择另一设备类型。当不存在其印象信息将被补偿的更多设备类型时(框418)，示例性错误认定校正器206确定是否存在其印象信息将被补偿的附加媒体类别(框420)。如果存在其印象信息将被补偿的附加媒体类别(框420)，则控制返回到框410，以选择另一媒体类别。
当不存在其印象信息将被补偿的更多媒体类别时(框420)，图2的示例性印象信息调整器214基于调整的印象信息计算媒体收视率(框422)。例如，印象信息调整器214可以缩放错误认定和未覆盖调整的印象以匹配由受众测量实体108识别的印象。附加地或可替选地，示例性印象信息调整器214可以组合设备类型以确定用于多个或所有移动设备类型的印象信息。图4的示例性指令400然后结束。
图5是表示示例性机器可读指令500的流程图，该示例性机器可读指令500可被执行以实现图2的用于计算错误认定校正矩阵和/或共同观看矩阵的示例性印象数据补偿器200。示例性指令500可以被图2的示例性共享矩阵生成器204执行以实现图4的框402。
图2的示例性共享矩阵生成器204从调查校准数据源(例如从图2的校准数据收集器202)获得调查校准数据(框502)。例如，共享矩阵生成器204可以获得指示应答者家庭中的人员可访问的设备和/或由应答者在不同设备类型上观看的媒体类别的信息。示例性聚合分布生成器218选择媒体类别(框504)。示例性聚合分布生成器218选择设备类型(框506)。在图5的示例中，媒体类别和/或设备类型选自在调查校准数据中表示的媒体类别和/或设备类型。对于所有的人口统计组i和j，示例性聚合分布生成器218确定如下事件的概率γij：(1)识别的人口统计组i中的人员被数据库所有者(例如图1的数据库所有者104a)识别为媒体的观看者，和(2)实际观看者人口统计组j中的人员为实际观看者(框508)。例如，聚合分布生成器218可以使用上文示例性表1-13来生成如上表14所示的错误认定校正矩阵。下文参照图6描述可被执行以实现框508的示例性指令。
对于所有对人口统计组i和j，示例性聚合分布生成器218确定如下事件的概率κij：(1)识别的人口统计组i中的人员被数据库所有者识别为媒体的观看者，和(2)也存在用于实际观看者人口统计组j中的人员的印象(框510)。对用于人口统计组i和j对的概率κij的集合可以被聚合成共同观看矩阵。下文参照图8描述可被执行以实现框510的示例性指令。
示例性聚合分布生成器218确定是否存在针对其而来自调查校准数据源的调查校准数据应当被处理的任何附加设备类型(框512)。如果存在附加设备类型(框512)，则控制返回到框506。如果不存在附加设备类型(框512)，则示例性聚合分布生成器218确定是否存在针对其而来自调查校准数据源的调查校准数据应当被处理的附加媒体类别(框514)。如果存在附加媒体类别，则控制返回到框504。否则，如果不存在附加媒体类别(框514)，则示例性指令500结束，且例如控制返回到图4的框404。
图6是表示示例性机器可读指令600的流程图，该示例性机器可读指令600可被执行以确定错误认定概率γij。示例性指令600可以被执行以实现图5的确定如下事件的概率γij的框508：(1)识别的人口统计组i中的人员被数据库所有者(例如图1的数据库所有者104a)识别为媒体的观看者，和(2)实际观看者人口统计组j中的人员为实际观看者。初始在示例性指令600中，示例性家庭分布生成器216重分布家庭成员中为数据库所有者104a的注册用户的受众(框602)。例如，示例性家庭分布生成器216可以生成用于所选媒体类别的示例性重分布受众矩阵，如上文结合表5和/或表6所描述。示例性聚合分布生成器218聚合被识别的人口统计组i和实际观看者人口统计组j的在家庭中重分布的受众(框604)。例如，聚合分布生成器218可以针对多个家庭生成用于所选媒体类别的示例性重分布受众矩阵，如上文结合表8所描述。
示例性矩阵校正器220生成解释识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij的NPM指标(框606)。例如，示例性矩阵校正器220可以将NPM数据应用于调查响应数据以生成NPM指标，如上文结合表9-11所描述。示例性矩阵校正器220将NPM指标应用于在家庭中重分布的数据库所有者印象以解释识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij(框608)。例如，如上文结合表12所描述，矩阵校正器220可以通过将上表8的i，j单元中的重分布受众值乘以上表11的i，j单元值中对应的NPM指标来确定表12中每个i，j单元值。采用该方式，矩阵校正器220将NPM指标应用于由数据库所有者104a在不同家庭中收集的重分布印象以解释识别的人口统计组i中的第一人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij。
示例性矩阵归一化器222将用于各个识别的人口统计组i的概率归一化(框610)。例如，矩阵归一化器222将表14的错误认定矩阵中的每列(例如被数据库所有者104a识别的每个人口统计组)归一化以使得各列的总数等于同一个数(例如1.00或100％)。对各列归一化使得在校正错误认定之后的印象的数目等于被数据库所有者104a检测的印象的总数目，以及保持通过数据库所有者104a而与各个识别的人口统计组i相关联的印象的比例。图6的示例性指令600结束，且例如控制返回到图5的框510。
图7是表示示例性机器可读指令700的流程图，该示例性机器可读指令700可被执行以实现图2的用于计算错误认定校正矩阵和/或共同观看矩阵的示例性印象数据补偿器200。示例性指令700为上文参照图5描述的实现图4的框402的示例性指令的替选示例。
图2的示例性共享矩阵生成器204从调查校准数据源(例如从图2的校准数据收集器202)获得调查校准数据(框702)。例如，共享矩阵生成器204可以获得指示应答者家庭中的人员可访问的设备和/或由应答者在不同设备类型上观看的媒体类别的信息。示例性聚合分布生成器218选择媒体类别(框704)。示例性聚合分布生成器218选择设备类型(框706)。在图7的示例中，媒体类别和/或设备类型选自在调查校准数据中表示的媒体类别和/或设备类型。对于所有对人口统计组i和j，示例性聚合分布生成器218计算识别的人口统计组i中的人员与实际观看者人口统计组j中的人员生活在同一家庭中的概率P(L)ij(例如基于调查校准数据源)(框708)。例如，聚合分布生成器218可以确定人口统计组i和j中生活在同一家庭中的人员共同观看的发生率。
对于所有对人口统计组i和j，示例性聚合分布生成器218确定生活在同一家庭中的人口统计组i中的人员与实际观看者人口统计组j中的人员均访问所选设备类型的移动设备的概率P(D|L)ij(框710)。
对于所有对人口统计组i和j，示例性聚合分布生成器218确定生活在同一家庭中且访问所选设备类型的移动设备的识别的人口统计组i中的人员(其为数据库所有者用户)与实际观看者人口统计组j中的人员共享用于观看所选媒体类别的媒体的同一移动设备的概率P(Sx|D)ij(框712)。例如，示例性聚合分布生成器218可以确定人口统计组i和j中的人员均在选自调查校准数据的设备类型上访问所选媒体类别的媒体的发生率。
对于所有对人口统计组i和j，示例性聚合分布生成器218针对与所选设备类型和所选媒体类别相关联的错误认定校正矩阵确定用于所选对的人口统计组i，j的共享概率γij(框714)。例如，聚合分布生成器218可以使用上文描述的示例性等式1来计算共享概率γij。
对于所有对人口统计组i和j，示例性共同观看矩阵生成器224确定如下事件的概率κij：(1)识别的人口统计组i中的人员被数据库所有者识别为媒体的观看者，和(2)也存在用于实际观看者人口统计组j中的人员的印象(框716)。对用于人口统计组i和j对的概率κij的集合可以被聚合成共同观看矩阵。下文参照图8描述用于实现框716的示例性指令。
示例性聚合分布生成器218确定是否存在针对其而来自调查校准数据源的调查校准数据应当被处理的任何附加设备类型(框718)。如果存在附加设备类型(框718)，则控制返回到框706。如果不存在附加设备类型(框718)，则示例性聚合分布生成器218确定是否存在针对其而来自调查校准数据源的调查校准数据应当被处理的附加媒体类别(框720)。如果存在附加媒体类别，则控制返回到框704。否则，如果不存在附加媒体类别(框720)，则示例性指令700结束，且例如控制返回到图4的框404。
图8是示例性机器可读指令800的流程图，该示例性机器可读指令800可被执行以计算共同观看矩阵。例如，指令800可以被图2的示例性共同观看矩阵生成器224执行以实现图5的框510和/或图7的框716。
对于所有对人口统计组i和j，示例性共同观看矩阵生成器224确定生活在同一家庭中且访问所选设备类型的移动设备的识别的人口统计组i中的人员与实际观看者人口统计组j中的人员同时使用同一移动设备来访问(例如观看)所选媒体类别的媒体的概率P(Cx|D)ij(框802)。换言之，假定人员生活在同一家庭中且访问同一移动设备，则示例性共同观看矩阵生成器224针对所选设备类型、媒体类别、以及人口统计组i和j确定共同观看的概率或发生率。示例性共同观看矩阵生成器224针对所选设备类型和所选媒体类别确定用于共同观看矩阵的概率κij(框804)。例如，示例性共同观看矩阵生成器224可以将概率κij计算成κij＝P(L)ij×P(D|L)ij×P(Cx|D)ij。示例性概率κij表示用于所选对的人口统计组i和j、所选设备类型和所选媒体类别的共同观看的概率。
示例性指令800结束，且例如控制返回到图5的框512和/或图7的框718。
图9是表示示例性机器可读指令900的流程图，该示例性机器可读指令900可被执行以实现图2的计算与未被数据库所有者覆盖的媒体受众相关联的人口统计资料(或未覆盖因子)的示例性印象数据补偿器200。示例性指令900可被图2的示例性未覆盖计算器210执行以实现图4的框404和框405。
图2的示例性未覆盖计算器210从调查校准数据源获得调查校准数据(框902)。例如，未覆盖计算器210可以获得调查校准数据(例如从图2的校准数据收集器202)，该调查校准数据指示未向数据库所有者104a注册的和/或向数据库所有者104a注册但未在特定类型的设备上登录数据库所有者104a的人员的数目。
示例性未覆盖计算器210选择设备类型(框904)。示例性未覆盖计算器210选择人口统计组(框906)。示例性未覆盖计算器210选择媒体类别(框908)。在图9的示例中，媒体类别、人口统计组和/或设备类型选自在调查校准数据中表示的媒体类别、人口统计组和/或设备类型。例如，未覆盖计算器210可以基于从调查校准数据源获得的调查校准数据生成用于人口统计组、媒体类别和设备类型的不同组合的不同α因子(例如表17的示例性α因子α＝B/A)。
示例性未覆盖计算器210基于调查校准数据(例如来自调查校准数据源的数据)确定概率B，其中B为所选人口统计组中的人员在所选设备类型上观看所选媒体类别中的媒体项目的概率(框910)。在图9的示例中，未覆盖计算器210基于与从调查校准数据确定的所选设备类型、所选人口统计组和/或所选媒体类别相关联的权重确定概率B。
示例性未覆盖计算器210还基于调查校准数据确定概率A，其中A为所选人口统计组中的人员在不同于所选设备类型的另一设备类型(例如与媒体项目相关联的标准设备类型)上观看所选媒体类别中的媒体项目的概率(框912)。在图9的示例中，未覆盖计算器210基于与从调查校准数据确定的另一设备类型、所选人口统计组和/或所选媒体类别相关联的权重确定概率A。在图9的示例中，针对借助所选设备类型和另一设备类型二者均可访问的媒体来确定概率B和A。
例如，对于特定媒体类别中的电视节目的剧集，另一设备类型可以为电视，且所选设备类型可以为可在其上借助流视频访问电视节目的剧集的计算设备(例如移动设备和/或更具体类型的移动设备，诸如智能手机、平板电脑和/或便携式媒体播放器)。在电视上的初始或首映呈现之后，经常使这类电视节目借助流视频而可用。因此，人员可以在电视(例如另一设备类型)上和/或在计算设备(例如所选设备类型)上借助流媒体访问电视节目的剧集。
示例性未覆盖计算器210确定用于所选人口统计组、所选媒体类别和/或所选设备类型的α因子(例如上表17的α＝B/A)(框914)。因此，在图9的示例中，人口统计组、媒体类别和设备类型的每个组合具有单独的α因子。然而，在其它示例中，α因子对于每个人口统计组、每个媒体类别和/或每个设备类型可以是相同的。附加地或可替选地，示例性未覆盖计算器210使用包括诸如地理区域、站点、时段和/或其它因子等因子的组合确定α因子。
示例性未覆盖计算器210确定是否存在附加媒体类别(框916)。如果存在附加媒体类别(框916)，则控制返回到框908以选择另一媒体类别。当不存在更多媒体类别时(框916)，示例性未覆盖计算器210确定是否存在附加人口统计组(框918)。如果存在附加人口统计组(框918)，则控制返回到框906以选择另一人口统计组。当不存在用于所选设备类型的更多人口统计组时(框918)，示例性未覆盖计算器210确定是否存在附加设备类型(框920)。如果存在附加设备类型(框920)，则控制返回到框904以选择另一设备类型。当不存在用于所选媒体类别的附加设备类型时(框920)，则图9的示例性指令900结束，且例如控制返回到图4的框406。
图10是表示示例性机器可读指令1000的流程图，该示例性机器可读指令1000可被执行以实现图2的基于错误认定校正矩阵调整印象和/或持续时间单位的示例性印象数据补偿器200。示例性指令1000可被图2的示例性错误认定校正器206执行以实现图4的框414。
图2的示例性错误认定校正器206通过计算下列项的点积确定错误认定调整的印象：a)对应于所选媒体类别和所选设备类型的错误认定校正矩阵，和b)针对每个识别的人口统计组i而被数据库所有者识别的印象计数(框1002)。该点积的结果为用于各个人口统计组的错误认定调整的印象。例如，错误认定校正器206可以计算表14的错误认定校正矩阵与表15的印象信息的点积以获得错误认定调整的印象。
图2的示例性错误认定校正器206通过计算下列项的点积确定错误认定调整的持续时间单位：a)对应于所选媒体类别和所选设备类型的错误认定校正矩阵，和b)针对每个识别的人口统计组i而被数据库所有者识别的持续时间单位(框1004)。示例性1000结束且例如控制返回到图4的框416。
图11是表示示例性机器可读指令1100的流程图，该示例性机器可读指令1100可被执行以实现图2的基于用于数据库所有者的未覆盖因子调整印象的示例性印象数据补偿器200。示例性指令1100可被图2的示例性未覆盖校正器212执行以实现图4的框416。
图2的示例性未覆盖校正器212选择人口统计组(框1102)。所选人口统计组可以为上文参照表1-14讨论的识别的人口统计组i和/或实际观看者人口统计组j。未覆盖校正器212通过将错误认定调整的印象乘以与所选人口统计组、所选设备类型和/或所选媒体类别相关联的α因子(例如上表17的α＝B/A)来确定未覆盖印象(框1104)。例如，未覆盖校正器212可以确定可应用于所选人口统计组(例如在框1102中所选的)、所选设备类型(例如在图4的框412中所选的)和/或所选媒体类别(例如在图4的框410中所选的)的α因子(例如在图4的框404中和/或在图6的示例性指令900中确定的)。在框1104，示例性未覆盖校正器212将确定的α因子乘以错误认定调整的印象以确定未覆盖印象。
示例性未覆盖校正器212确定是否存在附加人口统计组(框1106)。如果存在附加人口统计组(框1106)，则控制返回到框1102以选择另一人口统计组。当不存在更多待调整的人口统计组时(框1106)，示例性未覆盖校正器212缩放用于人口统计组(例如在同一组计算中的所有人口统计组)的未覆盖印象使得用于所有人口统计组的未覆盖印象的总和等于观察到的未覆盖印象的数目(框1108)。例如，如上文参照表17所描述，示例性未覆盖校正器212可以1)针对每个人口统计组(Demos)将调整的百分比(表17的Adj％)计算成α因子(α＝B/A)和测量的百分比(表17的Meas％)的乘积；2)将调整的百分比(表17的Adj％)归一化成总和为100％；以及3)将归一化的百分比(表17的Norm％)乘以未覆盖印象(例如未被数据库所有者104a关联到人口统计组(表17的Demos)的印象的数目)以获得归属于每个人口统计组(表17的Demos)的未覆盖印象(表17的未覆盖印象)的缩放数目。
图2的示例性未覆盖校正器212选择人口统计组(框1110)。在框1110中所选的人口统计组为之前在框1102的迭代中所选的人口统计组。在图示示例中，框1110、框1112和框1114被执行以处理在框1102、框1104、框1106和框1108处确定的用于所有人口统计组的缩放的未覆盖印象。未覆盖校正器212通过将缩放的未覆盖印象(例如在框1108中确定的)与用于人口统计组的错误认定调整的印象相加来确定用于所选人口统计组的错误认定和未覆盖调整的印象(框1112)。
示例性未覆盖校正器212确定是否存在附加人口统计组(框1114)。如果存在附加人口统计组(框1114)，则控制返回到框1110以选择另一人口统计组。当不存在更多待调整的人口统计组时(框1114)，示例性指令1100结束且例如控制返回到图4的框418。
尽管参照印象描述了以上示例，但是这些示例可以附加地或可替选地应用于特殊受众和/或持续时间单位。例如，重分布受众矩阵可以应用于感兴趣的媒体的受众，而非应用于上文描述的印象。在一些示例中，仅一个印象需要计数在媒体的受众中的人员，且当他或她不具有印象时在媒体的受众中不计数人员。因此，例如，在表3的示例中，在印象的重分布之后，用于12-17岁男性的受众将被减少1，这是因为12-17岁男性被数据库所有者104a上报成访问媒体，但在重分布之后被确定成不具有用于在平板电脑上的喜剧类别的媒体的印象，从而将12-17岁男性的受众减少1。相反地，对于35-44岁女性的受众将增加1，这是因为35-44岁女性未被数据库所有者104a关联到任何印象且未形成受众，但是在受众的重分布之后可以确定出，35-44岁女性实际上确实在平板电脑上访问感兴趣的类别的媒体。
图12是表示示例性机器可读指令1200的流程图，该示例性机器可读指令1200可被执行以实现图2的计算与未被数据库所有者覆盖的媒体受众相关联的人口统计资料(或未覆盖因子)的示例性印象数据补偿器200。示例性指令1200可被图2的示例性未覆盖计算器210执行以实现图4的框404和框405。
示例性未覆盖计算器210从校准调查获得数据(框1202)。例如，未覆盖计算器210可以获得调查校准数据，该调查校准数据指示未向数据库所有者104a注册的和/或向数据库所有者104a注册但未在特定类型的设备上登录数据库所有者104a的应答者的数目。
示例性未覆盖计算器210选择设备类型(框1204)和选择人口统计组(框1206)。示例性未覆盖计算器210将用于所选人口统计组和所选设备类型的未覆盖因子确定成在所选人口统计组中的对校准调查的应答者中在所选设备类型上观看媒体时不会被数据库所有者104a识别的一部分(框1208)。
示例性未覆盖计算器210确定是否存在附加人口统计组(框1210)。如果存在附加人口统计组(框1210)，则控制返回到框1206以选择另一人口统计组。当不存在更多用于所选设备类型的人口统计组时(框1210)，示例性未覆盖计算器210确定是否存在附加设备类型(框1212)。如果存在附加设备类型(框1212)，则控制返回到框1204以选择另一设备类型。当不存在附加设备类型时(框1212)，图12的示例性指令1200结束，且例如控制返回到调用功能或过程，诸如图4的示例性指令400以继续执行框406。
图13是表示示例性机器可读指令1300的流程图，该示例性机器可读指令1300可被执行以实现图2的基于用于数据库所有者的未覆盖因子调整印象计数和/或受众规模的示例性印象数据补偿器200。示例性指令1300可被图2的示例性未覆盖校正器212执行以实现图4的框416。
图2的示例性未覆盖校正器212选择人口统计组(框1302)。示例性未覆盖校正器212通过将错误认定调整的特殊受众规模(使用图10的指令确定的)除以1-(用于所选人口统计组和所选设备类型的未覆盖因子)来确定错误认定和未覆盖误差调整的特殊受众规模(框1304)。
示例性未覆盖校正器212通过将错误认定和未覆盖调整的特殊受众规模乘以从印象信息确定的用于所选人口统计组和所选设备类型的频率来确定错误认定和未覆盖调整的印象计数(框1306)。
示例性未覆盖校正器212通过将错误认定调整的持续时间单位(使用图10的指令确定的)除以1-(用于所选人口统计组和所选设备类型的未覆盖因子)来确定错误认定和未覆盖误差调整的持续时间单位(框1308)。
示例性未覆盖校正器212确定是否存在附加人口统计组(框1310)。如果存在附加人口统计组(框1310)，则控制返回到框1302以选择另一人口统计组。当不存在更多待调整的人口统计组时(框1308)，则示例性指令1300结束，且例如控制返回到调用功能或过程，诸如图4的示例性指令400以继续执行框418。
在一些实例中，可以基于艺术类型执行数据选择。在一些示例中，艺术类型可以由媒体发行者120(例如电视网络供应商、媒体供应商等)提供。在其它示例中，艺术类型可能无法从媒体的供应商得到。在这类其它示例中，当艺术类型不容易得到时，可以使用例如下文结合图14至图20公开的技术来预测艺术类型。
在跨平台受众测量中，当借助电视(和/或无线电)站(例如本地电视台、本地无线电站)广播电视(和/或无线电)节目时且在广播之后的特定量的时间内借助延迟媒体服务提供电视(和/或无线电)节目时，AME(例如图1的AME 108)监控电视(和/或无线电)节目的受众。可以在移动设备或固定的计算设备上借助点播服务、流服务应用程序、应用程序、网页等访问示例性延迟媒体服务。示例性延迟媒体服务还可以被提供在数字视频录像机(DVR)、电缆箱、因特网媒体交付机顶盒、智能电视等上。采用该方式，AME通过收集用于电视(和/或无线电)受众和延迟受众的印象来执行跨平台受众测量。在一些示例中，分析印象以生成媒体收视率。在一些示例中，使用艺术类型来确定用于校准移动人口普查数据的调整因子。在这类示例中，校准的移动人口普查数据用于产生收视率。基于例如形式、风格和/或主题等的类似性，艺术类型为媒体类别。示例性艺术类型包括喜剧、戏剧、体育运动、新闻、儿童节目等。
在一些示例中，基于在媒体中编码的数据收集印象。在一些示例中，编码数据不包括艺术类型信息。例如，由本地广播机广播的节目不具有艺术类型信息且用于本地广播的编码数据不包括节目名或标识符。此外，艺术类型信息或节目名不由广播机或媒体拥有者及时提供以产生隔夜收视率。隔夜收视率经常用于基于印象计数和受众规模快速地评估广播节目的成功。在一些实例中，在隔夜收视率中反映的广播节目的成功可以被媒体网络(例如电视网络)用于出售借助例如媒体网络(例如ABC电视广播公司)或拥有借助延迟观看服务提供媒体的权利的第三方(例如Hulu.com)的应用程序或网页可用的同一媒体的延迟观看访问所对应的广告位。在本文中所公开的示例可以用于生成预测本地电视(和/或无线电)印象的艺术类型的模型。尽管下文相对于电视描述示例，但是下文示例可以可替选地使用无线电或其它媒体类型来实现。
艺术类型预测建模
错误认定和/或未覆盖校正的以上示例可以包括生成多个错误认定校正表(例如诸如上表14)。在一些示例中，针对不同设备类型和/或不同媒体的艺术类型生成错误认定校正矩阵。下述示例可以用于预测印象的媒体艺术类型，未从印象提供针对该媒体艺术类型的艺术类型信息。通过将艺术类型分配给印象，本文中所公开的示例选择合适的错误认定校正矩阵和/或未覆盖因子(上表19和/或上表21的α因子)来补偿如上所公开的印象计数和/或受众规模中的错误认定误差和/或未覆盖误差。
下文公开的生成艺术类型预测模型的示例使用本地安装在客户端计算机或电视处的家用媒体计量器来收集关于访问媒体或调到媒体的信息以促进生成艺术类型预测模型。然而，上文公开的示例生成错误认定校正因子而不依赖本地安装在客户端计算机处的小组成员计量软件来收集数据库所有者注册状态数据和/或收集关于由家庭成员访问的媒体的数据。本地安装在客户端计算机或电视处的家用媒体计量器在艺术类型预测建模和艺术类型分配中的使用受限于收集印象和/或将艺术类型分配给印象。这类本地安装的家用计量器不用于生成如本文中所公开的错误认定校正矩阵或未覆盖因子。下文公开的艺术类型预测建模和艺术类型分配可用于校正如上文所公开的用于错误认定和/或未覆盖的印象。
图14示出了示例性系统1400，该示例性系统1400生成艺术类型预测模型、且预测艺术类型和/或将艺术类型分配给非艺术类型印象数据1402(例如不包括艺术类型信息的印象数据)。在图示示例中，家用媒体计量器1404(例如机顶计量器、个人人员计量器等)将本地电视印象数据1402发送到受众测量实体(AME)108。图14的示例性AME 108可以为图1的AME 108。
在图示示例中，从本地广播电视生成的印象数据1402未编码有艺术类型信息，这是因为本地电视广播机在其广播时还未编码媒体。在图示示例中，为了监控跨平台受众，除了收集用于电视受众的本地电视印象数据1402外，示例性收集器1406被提供在可联网的媒体设备1410中以收集借助可联网的媒体设备1410而使用流服务访问的媒体的印象。在图示示例中，收集器1406使用并入被可联网的媒体访问设备1410(例如计算机、电视、平板电脑、智能手机、电子书阅读器等)执行的网页、应用或应用程序(例如点播应用程序、流应用程序、DVR访问应用程序等)中的指令来实现。
在2013年2月5日授权的美国专利No.8,370,489、2013年12月18日递交的序列号为14/127,414的美国专利申请、2014年7月11日递交的序列号为14/329,779的美国专利申请、2014年3月13日递交的序列号为61/952,726的美国临时申请、2014年6月19日递交的序列号为62/014,659的美国临时申请、2014年7月11日递交的序列号为62/023,675的美国临时申请中公开了用于使用示例性收集器1406收集印象的示例，上述美国申请的全部内容通过引用并入在本文中。示例性媒体计量器1404和/或示例性收集器1406通过示例性网络1412(例如因特网、局域网、广域网、蜂窝数据网络等)借助有线连接和/或无线连接(例如电缆/DSL/卫星调制解调器、基地台等)与示例性AME 108通信。
在图14的图示示例中，AME 108处理非艺术类型印象数据1402以基于非艺术类型印象数据1402确定用于在AME 108处记录的印象的艺术类型。在图示示例中，AME 108包括收集数据库1414、艺术类型预测建模器1416、艺术类型预测器1418、历史艺术类型数据库1420和预测数据库1422。示例性收集数据库1414被提供以存储基于从示例性媒体计量器1404和/或示例性收集器1406接收和/或检索的示例性非艺术类型印象数据1402记录的印象。
示例性艺术类型预测建模器1416基于存储在示例性历史艺术类型数据库1420中的历史艺术类型数据来生成一个或多个艺术类型预测模型1428。在图示示例中，历史艺术类型数据包括历史节目记录1430，该历史节目记录1430例如识别节目的艺术类型、节目的时段、节目的日类别、节目的持续时间。示例性历史节目记录1430基于在广播节目之后由本地广播机1432提供的信息(例如节目标识符、一个或多个时间戳、站标识符、会员标识符等)。例如，在本地广播之后的一周，本地广播机1432可以针对本地广播节目的每一刻钟提供记录1430。
示例性艺术类型预测器1418使用由示例性艺术类型预测建模器1416生成的一个或多个艺术类型预测模型1428来预测艺术类型信息并基于非艺术类型印象数据1402将预测的艺术类型分配给在收集数据库1414中记录的印象。采用该方式，示例性艺术类型预测器1418生成预测艺术类型印象记录1424(例如在收集数据库1414中记录的非艺术类型印象结合预测的艺术类型信息)。在图14的图示示例中，预测艺术类型印象记录1424被存储在预测数据库1422中。在一些示例中，预测艺术类型印象记录1424被用作非校正印象，该非校正印象可以补偿错误认定和未覆盖以确定预测艺术类型印象所归属的人口统计组，如上文所讨论。
图15示出了图14的艺术类型预测器1418的示例性实现，其基于图14的非艺术类型印象数据1402确定用于在收集数据库1414中记录的非艺术类型印象记录1501的艺术类型信息。在图示示例中，艺术类型预测器1418从收集数据库1414接收和/或检索非艺术类型印象记录1501，并生成预测艺术类型印象记录1424，该预测艺术类型印象记录1424将被存储在预测数据库1422中和/或被上报在预测报告1426上。在图15的图示示例中，艺术类型预测器1418包括数据分类器1500和艺术类型分析器1502。示例性数据分类器1500被构造成将示例性非艺术类型印象记录1501变换为分类的印象数据1504。将在下文参照图16更详细地描述分类的印象数据1504。
示例性艺术类型分析器1502被构造成将由示例性艺术类型预测建模器1416生成的一个或多个艺术类型预测模型1428应用于示例性分类的印象数据1504。示例性艺术类型分析器1502将一个或多个艺术类型预测模型1428应用于分类的印象数据1504。然后示例性艺术类型分析器1502将预测的艺术类型分配给分类的印象数据1504以生成示例性预测艺术类型印象记录1424。示例性艺术类型分析器1502将示例性预测艺术类型印象数据1424存储在示例性预测数据库1422中、和/或包括示例性预测报告1426上的示例性预测艺术类型印象数据1424。
图16示出了示例性方式，采用该方式，图15的数据分类器1500分类非艺术类型印象数据记录1501，该非艺术类型印象数据记录1501将被图15的艺术类型分析器1502用来预测艺术类型。在图示示例中，非艺术类型印象数据记录1501包括示例性市场标识符(ID)1600、示例性站ID 1602、示例性会员ID 1604、示例性开始时间戳1606、示例性结束时间戳1608、示例性节目ID 1610、和示例性源ID 1612。这些领域中的任何一者或多者可以被省略且一个或多个附加领域可以存在。例如，本国节目所对应的非艺术类型印象数据记录1501可以包括节目ID 1610和源ID 1612。附加地，本地广播节目所对应的非艺术类型印象数据记录1501可以省略节目ID 1610和源ID 1612。示例性市场ID 1600标识播送对应电视节目的市场(例如地理位置、直辖市等)。在一些示例中，市场ID 1600由AME 108(图14)或任何其它合适实体来分配。站ID 1602标识广播电视节目的本地站。在一些示例中，站ID 1602为由AME 108(图14)或任何其它合适实体分配的字母数字号码。在一些示例中，站ID 1602为被本地电视台用于自我识别的呼号(例如WXTV、KVEA、WSNS等)。
示例性会员ID 1604标识本地电视台的网络会员(例如美国广播公司、Telemundo电视台、福克斯广播公司等)。在一些示例中，会员ID 1604为由AME108分配的表示网络会员的号码(例如用于ABC的100、用于NBC的101等)。在一些示例中，会员ID 1604可以为网络会员的名称的字母表示(例如用于美国广播公司的“ABC”、用于Telemundo的“TMD”等)。示例性开始时间戳1606包括与非艺术类型印象记录1501相关联的节目的开始日期和开始时间。示例性结束时间戳1608包括与非艺术类型印象记录1501相关联的节目的结束日期和结束时间。如果包括在非艺术类型印象记录1501中，则示例性节目ID 1610标识与非艺术类型印象记录1501相关联的电视节目(例如“Arrested Development”、“News Radio”、“SabadoGigante”等)。在一些示例中，节目ID 1610为在基准数据库中唯一地与对应电视节目的标题和/或其它信息相关联的数字的或字母数字的标识符。示例性源ID 1612标识电视节目的源(例如制作公司等)。
在图16的图示示例中，分类的印象数据1504包括示例性市场ID 1600、示例性站ID1602、示例性会员ID 1604、示例性日类别1614、示例性时段1616、和示例性持续时间1618。示例性数据分类器1500使用非艺术类型印象记录1501的开始时间戳1606和结束时间戳1608来确定分类的印象数据1504的示例性日类别1614、示例性时段1616、和示例性持续时间1618。在图示示例中，分类的印象数据1504的持续时间1618被数据分类器1500计算为在开始时间戳1606中标出的开始时间与在结束时间戳1608中标出的结束时间之间的时间差。
在图示示例中，数据分类器1500通过使用示例性开始时间戳1606中的开始日期和示例性结束时间戳1608中的结束日期来确定示例性日类别1614。在一些示例中，日类别1614可以具有一周的一天的值(例如周一、周二、周三等)。在一些示例中，日类别1614可以为一周各天的减小集合。例如，减小集合可以包括对于“周末”、“周六”或“周日”的值。在一些示例中，当在示例性开始时间戳1606中标出的开始日期和在示例性结束时间戳1608中标出的结束日期不同时，数据分类器1500可以基于在那天广播节目的时间量将一天分配给日类别1614。例如，如果开始时间戳1606为“7/25/2014 23:30”(例如周五的30分钟)且结束时间戳1608为“7/26/2014 1:00”(例如周六的60分钟)，则“周六”会被分配给日类别1614。在这类示例中，数据分类器1500将广播节目的较多部分的天分配给日类别1614。
示例性数据分类器1500使用在示例性开始时间戳1606中标出的开始时间与在示例性结束时间戳1608中标出的结束时间来确定示例性分类的印象数据1504的示例性时段1616。如下文结合图17所进一步讨论，时段为一天的时间片段或分区(例如夜间时段、周末早晨、工作日白天、傍晚时段、黄金时段、周末白天等)，在此期间播送不同类型的电视节目、购买广告、和/或测量受众收视率。在一些示例中，图16的时段1616可以为包括在开始时间戳1606中标出的开始时间与在结束时间戳1608中标出的结束时间的时段。
尽管在图15中示出了实现图14的艺术类型预测器1418的示例性方式，但是图15中示出的元件、过程和/或设备中的一者或多者可以被组合、划分、重排、省略、消除、和/或以任何其他方式来实现。另外，示例性数据分类器1500、示例性艺术类型分析器1502和/或更一般地，图14的示例性艺术类型预测器1418可以通过硬件，软件，固件，和/或硬件、软件和/或固件的任何组合来实现。因此，例如，示例性数据分类器1500、示例性艺术类型分析器1502和/或更一般地，示例性艺术类型预测器1418中的任一者可以使用如下项来实现：一个或多个模拟或数字电路、逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑设备(PLD)和/或一个或多个现场可编程逻辑设备(FPLD)。当阅读覆盖纯软件和/或固件实现的本专利的设备或系统权利要求中的任一者时，示例性数据分类器1500、示例性艺术类型分析器1502和/或示例性艺术类型预测器1418中的至少一者由此明确地被限定成包括有形的计算机可读存储设备或存储盘，诸如存储软件和/或固件的内存、数字通用光盘(DVD)、光盘(CD)、蓝光碟等。另外，示例性艺术类型预测器1418可以包括除了图15中所示那些以外或代替图15中所示那些的一个或多个元件、过程和/或设备，和/或可以包括图示元件、过程和设备中的任何或全部中的多于一者。
图17示出了描绘由图14和图15的艺术类型预测器1418使用的时段(例如在图16的示例性时段1616中可以指示的时段)和日类别(例如在图16的示例性日类别1614中可以指示的日类别)的示例性图表。在图示示例中，一周的每天1700被划分成多个时段1702。在图示示例中，周一到周五被划分成相同的时段片段或分区(例如具有相同持续时间且被相同时段开始时间和时段结束时间分界的时段)。可替选地，一周的每天1700或其任何组合可以被划分成不同时段。在图示示例中，日类别1704被划分成三类“工作日”、“周六”和“周日”。可替选地，日类别1704可以包括用于一周的每天的独立类别(例如“周一”类别、“周二”类别等)。在一些示例中，日类别可以基于被分组在一起的不同日之间的类似特性(例如时间接近度、受众观看习性等)具有不同的日分组。例如，日类别1704可以包括“早期周”类别(例如包括周一和周二)、“中期周”类别(例如包括周三和周四)、“晚期周”类别(例如包括周五)、以及“周末”类别(例如包括周六和周日)。
图18示出了图14的艺术类型预测建模器1416的示例，该艺术类型预测建模器1416构造将被图14的艺术类型预测器1418使用的一个或多个艺术类型预测模型1428。在图示示例中，艺术类型预测建模器1416包括示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、和示例性艺术类型预测模型比较器1806。示例性艺术类型预测模型构造器1802使用来自历史艺术类型数据库1420的数据集来使用不同建模技术生成一个或多个候选模型。可用于实现艺术类型预测建模器1416的示例性建模技术包括逻辑回归、线性判别分析、二次判别分析、k最近邻算法等。示例性模型构造器1802从历史艺术类型数据库1420检索示例性训练数据集1808。在图示示例中，训练数据集1808用于建立一个或多个艺术类型预测模型1428的输入(例如在图15的分类的印象数据1504中包括的变量)和一个或多个艺术类型预测模型1428的输出之间的预测关系(例如预测的艺术类型)。示例性训练数据集1808包括分类的印象数据(例如示例性市场标识符1600、示例性站ID 1602、示例性会员ID 1604、示例性日类别1614、示例性时段1616、和示例性持续时间1618)和分配的艺术类型。使用训练数据集1808，示例性艺术类型预测模型构造器1802生成一个或多个候选模型1800。候选模型1800为针对其将被艺术类型分析器1502(图15)用来将艺术类型分配给非艺术类型印象记录1501(图14)的合适度(例如准确度)进行评估的艺术类型预测模型。在一些示例中，在生成示例性候选模型1800之后，艺术类型预测模型构造器1802使用训练数据集1808计算正确区别率(CCR)。在一些示例中，CCR为训练数据集1808中被候选模型正确预测的印象的百分比。
在图18所示的示例中，艺术类型预测模型评估器1804接收和/或检索由艺术类型预测模型构造器1802生成的候选模型1800。艺术类型预测模型评估器1804还从历史艺术类型数据库1420检索测试数据集1810。示例性艺术类型预测模型评估器1804使用测试数据集1810验证候选模型1800。在一些示例中，艺术类型预测模型评估器1804使用测试数据集1810计算用于候选模型的CCR。在一些这类示例中，艺术类型预测模型评估器1804计算用于包括在测试数据集1810中的感兴趣的艺术类型的CCR。
在图18所示的示例中，艺术类型预测模型比较器1806使用由AME 108(图14)限定的选择标准选择候选模型1800中的一者或多者作为一个或多个艺术类型预测模型1428。在一些示例中，选择标准包括最高CCR、最短处理时间、最小资源需求等。在一些示例中，艺术类型预测模型比较器1806选择具有最高CCR的候选模型1800。
尽管在图18中示出了实现图14的艺术类型预测建模器1416的示例性方式，但是图18中示出的元件、过程和/或设备中的一者或多者可以被组合、划分、重排、省略、消除、和/或以任何其他方式来实现。另外，示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、示例性艺术类型预测模型比较器1806和/或更一般地，图14的示例性艺术类型预测建模器1416可以通过硬件，软件，固件，和/或硬件、软件和/或固件的任何组合来实现。因此，例如，示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、示例性艺术类型预测模型比较器1806和/或更一般地，示例性艺术类型预测建模器1416中的任一者可以使用如下项来实现：一个或多个模拟或数字电路、逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑设备(PLD)和/或一个或多个现场可编程逻辑设备(FPLD)。当阅读覆盖纯软件和/或固件实现的本专利的设备或系统权利要求中的任一者时，示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、示例性艺术类型预测模型比较器1806和/或示例性艺术类型预测建模器1416中的至少一者由此明确地被限定成包括有形的计算机可读存储介质或存储盘，诸如存储软件和/或固件的内存、数字通用光盘(DVD)、光盘(CD)、蓝光碟等。另外，示例性艺术类型预测建模器1416可以包括除了图18中所示那些以外或代替图18中所示那些的一个或多个元件、过程和/或设备，和/或可以包括图示元件、过程和设备中的任何或全部中的多于一者。
在图19中示出了表示用于实现图14和图18的示例性艺术类型预测建模器1416的示例性机器可读指令的流程图。在图20中示出了表示用于实现图14和图15的示例性艺术类型预测器1418的示例性机器可读指令的流程图。在这些示例中，机器可读指令包括用于被处理器执行一个或多个程序，该处理器诸如在下文参照图21讨论的示例性处理器平台2100中所示的处理器2112。该一个或多个程序可以被体现在软件中，该软件存储在有形的计算机可读存储介质上，该存储介质诸如CD-ROM、软盘、硬盘驱动器、数字通用光盘(DVD)、蓝光碟、或与处理器2112相关联的存储器，但是全部的一个或多个程序和/或其部分可以替选地由处理器2112以外的设备来执行和/或被体现在固件或专用硬件中。另外，尽管参照在图19和图20中所示的流程图来描述示例性的一个或多个程序，但是可以替选地使用许多其它实现示例性艺术类型预测器1418和/或示例性艺术类型预测建模器1416的方法。例如，框的执行次序可以被改变，和/或描述的一些框可以被改变、消除或组合。
如上所述，图19和/或图20的示例性过程可以使用编码指令(例如计算机和/或机器可读指令)来实现，该编码指令存储在有形的计算机可读存储介质上，该存储介质诸如硬盘驱动器、闪存、只读存储器(ROM)、光盘(CD)、数字通用光盘(DVD)、缓存、随机存取存储器(RAM)和/或任何其它存储设备或存储盘，其中存储信息达任何持续时间(例如延长的时段、永久地、短时地、暂时缓冲、和/或信息的缓存)。附加地或可替选地，图19和/或图20的示例性过程可以使用编码指令(例如计算机和/或机器可读指令)来实现，该编码指令存储在非易失性计算机和/或机器可读介质上，该可读介质诸如硬盘驱动器、闪存、只读存储器、光盘、数字通用光盘、缓存、随机存取存储器和/或任何其它存储设备或存储盘，其中存储信息达任何持续时间(例如延长的时段、永久地、短时地、暂时缓冲、和/或信息的缓存)。
图19为表示示例性机器可读指令1900的流程图，该示例性机器可读指令1900可以被执行以实现图14和图18的构造一个或多个艺术类型预测模型(例如图18的一个或多个艺术类型预测模型1428)的示例性艺术类型预测建模器1416，该艺术类型预测模型被用于预测用于基于非艺术类型印象数据1402(图14)记录的非艺术类型印象的艺术类型。初始，在框1902，艺术类型预测模型构造器1802(图18)选择包括在训练数据集(例如图18的训练数据集1808)中的印象中的变量或参数(例如市场标识符、站ID、会员ID、日类别、时段和持续时间)，在一些示例中，艺术类型预测模型构造器1802通过对变量执行统计显著性测试(例如计算p值、执行卡方测试等)来选择变量。在框1903，示例性艺术类型预测模型构造器1802基于选择标准将印象从训练数据集1808排除(例如排除与不感兴趣的艺术类型相关联的印象、排除接触或访问的持续时间低于阈值的印象等)。例如，历史艺术类型数据库1420(图14)中的一些记录1430(图14)可以被分类在“无类别的”艺术类型中。在一些实例中，对于艺术类型预测模型1428，可能不期望预测用于印象的“无类别的”艺术类型。在这类示例中，为了防止艺术类型预测模型1428将非艺术类型印象1402(图14)分配到“无类别的”艺术类型，将历史艺术类型数据库1420中被分类在“无类别的”艺术类型中的记录1430从训练数据集1808排除。
在框1904，示例性艺术类型预测模型构造器1802使用在框1902基于训练数据集1808所选的变量或参数来构造候选模型1800(图18)。可用于生成候选模型1800的示例性建模技术包括逻辑回归、线性判别分析、二次判别分析、k最近邻算法等。例如，艺术类型预测模型构造器1802可以使用k最近邻算法构造模型，其中k等于9。在一些示例中，艺术类型预测模型构造器1802使用训练数据集1808计算候选模型1800的CCR。在框1906，艺术类型预测模型评估器1804(图18)评估在框1904生成的候选模型1800。在一些示例中，艺术类型预测模型评估器1804从历史艺术类型数据库1420(图14)检索一个或多个测试数据集1810(图18)，并使用该一个或多个测试数据集1810计算候选模型1800的一个或多个CCR。在一些这类示例中，艺术类型预测模型评估器1804计算用于在一个或多个测试数据集1810中表示的每个艺术类型的独立的一个或多个CCR。
在框1908，艺术类型预测模型评估器1804确定在框1906生成的一个或多个CCR是否为可接受的。如果该一个或多个CCR为可接受的，则程序控制前进到框1912。否则，如果该一个或多个CCR为不可接受的，则程序控制前进到框1910。在框1910，艺术类型预测模型构造器1802精化或调整在框1904生成的候选模型1800。在一些示例中，艺术类型预测模型构造器1802调整模型参数(例如选择用于k的不同值等)、调整输入变量(例如使用不同日类别、添加和/或去除变量等)、和/或调整训练数据集1808(例如增大训练数据集1808的规模、改变训练数据集1808的组成以包括之前基于例如艺术类型的种类等而排除的印象)。
在框1912，艺术类型预测模型评估器1804确定是否待生成另一候选模型1800。在一些示例中，艺术类型预测模型评估器1804使用CCR阈值来确定是否待构造另一候选模型1800。在一些示例中，艺术类型预测模型评估器1804基于处理速度和/或计算资源需求来评估候选模型1800。如果待构造另一候选模型1800，则程序控制返回到框1902。否则，如果不待构造另一候选模型1800，则程序控制前进到框1914。在框1914，艺术类型预测模型比较器1806(图18)比较由艺术类型预测模型构造器1802生成的候选模型1800。在一些示例中，艺术类型预测模型比较器1806比较候选模型1800的CCR。在一些这类示例中，对于感兴趣的艺术类型，艺术类型预测模型比较器1806可以比较候选模型1800所对应的单独CCR。例如，第一候选模型可以具有70％的整体CCR(例如用于感兴趣的艺术类型的CCR的平均值等)，但是具有30％的用于“家庭”艺术类型的CCR。第二候选模型可以具有65％的整体CCR，但是具有57％的用于“家庭”艺术类型的CCR。
在框1916，艺术类型预测模型比较器1806选择候选艺术类型预测模型1800作为将被艺术类型预测模型预测器1418使用的艺术类型预测模型1428。在一些示例中，艺术类型预测模型比较器1806选择具有最高整体CCR的候选模型1800。例如，从上文示例，艺术类型预测模型比较器1806会选择第一候选模型。在一些示例中，艺术类型预测模型比较器1806选择在感兴趣的特定艺术类型上具有最高CCR的候选模型1800。例如，从上文示例，如果“家庭”艺术类型为特别感兴趣的，则艺术类型预测模型比较器1806会选择第二候选模型。这是因为第二候选模型的“家庭”艺术类型CCR高于第一候选模型的“家庭”艺术类型CCR。在一些示例中，艺术类型预测模型比较器1806基于性能因子(例如预测艺术类型所需的处理功率、预测艺术类型所需的处理速度等)选择候选模型1800。然后图19的示例性程序1900结束。
图20为表示示例性机器可读指令2000的流程图，该示例性机器可读指令2000可以被执行以实现图14和图15的预测针对本地电视节目收集的印象的艺术类型的示例性艺术类型预测器1418，该本地电视节目没有编码有艺术类型信息(例如图14的非艺术类型印象数据1402)。在框2002，示例性数据分类器1500(图15和图16)从收集数据库1414(图14和图15)检索非艺术类型印象数据(例如基于图14和图15的非艺术类型印象数据1402记录的非艺术类型印象记录1501)。在框2004，数据分类器1500将非艺术类型印象记录1501变换为分类的印象数据1504(图15)。在一些示例中，数据分类器1500使用包括在非艺术类型印象记录1501中的时间戳值(例如图16的开始时间戳1606和结束时间戳1608)来生成变量，该变量被艺术类型预测模型(例如图14和图18的艺术类型预测模型1428)用来分类将被输入到艺术类型预测模型1428中的非艺术类型印象记录1501。例如，数据分类器1500可以生成日类别值1614(图16)、时段值1616(图16)、和/或持续时间值1618(图16)。
在框2006，艺术类型分析器1502(图15)将由艺术类型预测建模器1416(图14和图18)生成的艺术类型预测模型1428应用于分类的印象数据1504以预测艺术类型信息。在一些示例中，艺术类型预测可以包括准确度等级。在一些这类示例中，准确度等级可以基于由艺术类型预测建模器1416计算的艺术类型预测模型1428的一个或多个CCR。在框2008，艺术类型分析器1502将艺术类型预测与非艺术类型印象数据1402相关联以创建预测艺术类型印象1424(图14和图15)。在一些示例中，艺术类型分析器1502将预测艺术类型印象1424存储在预测数据库1422(图14和图15)中。可替选地或附加地，艺术类型分析器1502使预测艺术类型印象1424包括在预测报告1426(图14和图15)中。然后图20的示例性程序2000结束。
图21为示例性处理器平台1200的框图，该处理器平台1200能够执行图4、图5、图6、图7、图8、图9、图10、图11、图12和/或图13的指令以实现示例性校准数据收集器202、示例性共享矩阵生成器204、示例性错误认定校正器206、示例性印象信息收集器208、示例性未覆盖计算器210、示例性未覆盖校正器212、示例性印象信息调整器214、示例性家庭分布生成器216、示例性聚合分布生成器218、示例性矩阵校正器220、示例性矩阵归一化器222、示例性共同观看矩阵生成器224、和/或更一般地，图2的示例性印象数据补偿器200。处理器平台2100可以为例如服务器、个人计算机、移动设备(例如移动手机、智能手机、平板电脑，诸如iPadTM)、因特网器件、或任何其它类型的计算设备。
图示示例的处理器平台2100包括处理器2112。图示示例的处理器2112为硬件。例如，处理器2112可以通过来自任何期望家庭或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器来实现。图21的示例性处理器2112可以实现示例性校准数据收集器202、示例性共享矩阵生成器204、示例性错误认定校正器206、示例性印象信息收集器208、示例性未覆盖计算器210、示例性未覆盖校正器212、示例性印象信息调整器214、示例性家庭分布生成器216、示例性聚合分布生成器218、示例性矩阵校正器220、示例性矩阵归一化器222、和/或示例性共同观看矩阵生成器224。
图示示例的处理器2112包括本地存储器2113(例如缓存)。图示示例的处理器2112借助总线2118与主存储器通信，主存储器包括易失性存储器2114和非易失性存储器2116。易失性存储器2114可以通过同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)、和/或任何其它类型的随机存取存储设备来实现。非易失性存储器2116可以通过闪存和/或任何其它期望类型的存储设备来实现。对主存储器2114、2116的访问受存储器控制器控制。
图示示例的处理器平台2100还包括接口电路2120。接口电路2120可以通过任何类型的接口标准来实现，诸如以太网接口、通用串行总线(USB)、和/或PCI express接口。
在图示示例中，一个或多个输入设备2122连接到接口电路2120。一个或多个输入设备2122允许用户将数据和命令输入到处理器2112中。一个或多个输入设备可以通过例如音频传感器、麦克风、照相机(静止或视频)、键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等点和/或声音识别系统来实现。
一个或多个输出设备2124也连接到图示示例的接口电路2120。输出设备2124可以通过例如显示设备(例如发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触摸式输出设备、发光二极管(LED)、打印机和/或扬声器)来实现。图示示例的接口电路2120因此通常包括图形驱动卡、图形驱动芯片或图形驱动处理器。
图示示例的接口电路2120还包括通信设备，诸如发送器、接收器、收发器、调制解调器和/或网络接口卡以促进借助网络2126(例如以太网连接、数字用户线路(DSL)、电话线、同轴电缆、移动电话系统等)与外部机器(例如任何类型的计算设备)的数据交换。
图示示例的处理器平台2100还包括用于存储软件和/或数据的一个或多个大容量存储设备2128。图21的示例性大容量存储设备2128可以实现图1的AME媒体印象存储器134。这类大容量存储设备2128的示例包括软盘驱动器、硬驱动盘、光盘驱动器、蓝光碟驱动器、RAID系统、和数字通用光盘(DVD)驱动器。
图4、图5、图6、图7、图8、图9、图10、图11、图12和/或图13的编码指令2132可以被存储在大容量存储设备2128、易失性存储器2114、非易失性存储器2116、和/或可移除有形计算机可读存储介质(诸如CD或DVD)中。
图22为示例性处理器平台1200的框图，该处理器平台1200能够执行图19和/或图20的指令以实现示例性收集数据库1414、示例性艺术类型预测建模器1416、示例性艺术类型预测器1418、示例性历史艺术类型数据库1420、示例性预测数据库1422、示例性数据分类器1500、示例性艺术类型分析器1502、示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、示例性艺术类型预测模型比较器1806、和/或更一般地，图1的示例性受众测量实体108。处理器平台2200可以为例如服务器、个人计算机、移动设备(例如移动手机、智能手机、平板电脑，诸如iPadTM)、因特网器件、或任何其它类型的计算设备。
图示示例的处理器平台2200包括处理器2212。图示示例的处理器2212为硬件。例如，处理器2212可以通过来自任何期望家庭或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器来实现。图22的示例性处理器2212可以实现示例性艺术类型预测建模器1416、示例性艺术类型预测器1418、示例性数据分类器1500、示例性艺术类型分析器1502、示例性艺术类型预测模型构造器1802、示例性艺术类型预测模型评估器1804、和/或示例性艺术类型预测模型比较器1806。
图示示例的处理器2212包括本地存储器2213(例如缓存)。图示示例的处理器2212借助总线2218与主存储器通信，主存储器包括易失性存储器2214和非易失性存储器2216。易失性存储器2214可以通过同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)、和/或任何其它类型的随机存取存储设备来实现。非易失性存储器2216可以通过闪存和/或任何其它期望类型的存储设备来实现。对主存储器2214、2216的访问受存储器控制器控制。
图示示例的处理器平台2200还包括接口电路2220。接口电路2220可以通过任何类型的接口标准来实现，诸如以太网接口、通用串行总线(USB)、和/或PCI express接口。
在图示示例中，一个或多个输入设备2222连接到接口电路2220。一个或多个输入设备2222允许用户将数据和命令输入到处理器2212中。一个或多个输入设备可以通过例如音频传感器、麦克风、照相机(静止或视频)、键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等点和/或声音识别系统来实现。
一个或多个输出设备2224也连接到图示示例的接口电路2220。输出设备2224可以通过例如显示设备(例如发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触摸式输出设备、发光二极管(LED)、打印机和/或扬声器)来实现。图示示例的接口电路2220因此通常包括图形驱动卡、图形驱动芯片或图形驱动处理器。
图示示例的接口电路2220还包括通信设备，诸如发送器、接收器、收发器、调制解调器和/或网络接口卡以促进借助网络2226(例如以太网连接、数字用户线路(DSL)、电话线、同轴电缆、移动电话系统等)与外部机器(例如任何类型的计算设备)的数据交换。
图示示例的处理器平台2200还包括用于存储软件和/或数据的一个或多个大容量存储设备2228。图22的示例性大容量存储设备2228可以实现AME媒体印象存储器134、示例性收集数据库1414、示例性历史艺术类型数据库1420、和/或示例性预测数据库1422。这类大容量存储设备2228的示例包括软盘驱动器、硬驱动盘、光盘驱动器、蓝光碟驱动器、RAID系统、和数字通用光盘(DVD)驱动器。
图19和/或图20的编码指令可以被存储在大容量存储设备2228、易失性存储器2214、非易失性存储器2216、和/或可移除有形计算机可读存储介质(诸如CD或DVD)中。
从上文可知，将理解，已经公开了加强计算机的操作以提高基于印象的数据(诸如特殊受众、印象计数和持续时间单位)的准确度的方法、装置和制品，从而可以依赖本文中的计算机和处理系统来产生具有较高准确度的受众分析信息。在一些示例中，基于上述用于确定错误认定校正和/或未覆盖校正的特殊受众规模、错误认定校正和/或未覆盖校正的印象计数、和/或错误认定校正和/或未覆盖校正的持续时间单位的等式和技术，可以使计算机操作更高效。即，通过使用这些过程，计算机可以通过相对快速地确定参数并通过上文公开的技术将那些参数应用于确定错误认定校正和/或未覆盖校正的数据而更高效地操作。例如，使用本文中公开的示例性过程，计算机可以更高效地且更有效地在由AME108和数据库所有者104a-b记录的发展或测试数据中校正错误认定误差(例如将上表14的错误认定校正矩阵应用于印象、特殊受众规模、和/或持续时间单位)和/或校正未覆盖误差(例如将未覆盖因子或α因子应用于印象、特殊受众规模、和/或持续时间单位)，而不使用大量网络通信带宽(例如节约网络通信带宽)且不使用大量计算机处理资源(例如节约计算机处理资源)来连续地与个体在线用户通信以请求关于他们的在线媒体访问行为的调查响应，以及无需依赖于来自这类在线用户的这类连续调查响应。由于用户无法或不愿意重新收集在线媒体访问，使得来自在线用户的调查响应可能不准确。调查响应还可能不完全，这可以需要附加处理器资源来识别和补充不完全的调查响应。因此，本文中所公开的示例更高效地且更有效地确定错误认定校正的数据。这类错误认定校正的数据在随后处理中可用于识别不同媒体的接触性能，从而媒体供应商、广告商、产品制造商、和/或服务供应商可以关于如何花销广告费用和/或媒体制造和分布费用制定更精明的决定。
尽管本文中公开了某些示例性方法、装置和制品，但是本专利的覆盖范围不限于此。相反，本专利覆盖公正地落在本专利的权利要求的范围内的所有方法、装置和制品。

Claims (152)

1.一种针对错误认定误差补偿媒体的印象的方法，所述方法包括：
在第一因特网域的第一服务器从第一类型的计算设备接收第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处的媒体访问；
从所述第一服务器发送第二网络通信，以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
使用处理器生成聚合受众分布，所述聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，所述第一受众分布包括所述第一家庭的第一家庭成员在向数据库所有者注册的所述第一家庭成员的人口统计组中的分布，所述第一受众分布基于所述第一家庭成员对媒体的访问；
使用所述处理器将所述聚合受众分布归一化以生成错误认定校正矩阵，所述错误认定校正矩阵包括如下事件的概率：当所述数据库所有者确定所述媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；以及
通过使用所述错误认定校正矩阵将所述印象重新分配给所述第一人口统计组，来补偿所述印象中的错误认定误差。
2.如权利要求1所述的方法，还包括：生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正所述聚合受众分布，所述调查校准数据源指示所述第一家庭成员对所述媒体的访问以及所述第一家庭成员向所述数据库所有者的注册状态。
3.如权利要求2所述的方法，其中，所述校正指标基于所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员一起生活的第二概率。
4.如权利要求2所述的方法，其中，生成所述校正指标包括：
基于第一调查校准数据确定第一人员对的第一数量，所述第一人员对的第一数量表示包括一起生活的所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员的所述第一人员对的数量；
基于第二调查校准数据确定第二人员对的第二数量，所述第二人员对的第二数量表示包括一起生活的所述第一人口统计组中的第三人员与所述第二人口统计组中的第四人员的所述第二人员对的数量，所述第二调查校准数据比所述第一调查校准数据具有更高的准确度；以及
确定所述第一数量与所述第二数量的比率。
5.如权利要求1所述的方法，其中，所述聚合受众分布描述所述第二人口统计组中的将被归属于所述第一人口统计组的人员的数目，并且将所述聚合受众分布归一化包括缩放所述第二人口统计组中的人员的对应数目，使得对于所述第二人口统计组的人员的总数目为指定值。
6.如权利要求1所述的方法，还包括：
确定用于所述第一家庭的共享模式，所述共享模式指示访问媒体类别的所述第一家庭成员以及不访问所述媒体类别的其它所述第一家庭成员；以及
基于用于所述媒体类别的所述共享模式确定用于所述第一家庭中的所述第一家庭成员的设备共享概率的概率密度函数，所述概率密度函数指示所述第一家庭成员访问所述媒体类别中的媒体的对应概率，所述第一受众分布基于所述设备共享概率。
7.如权利要求6所述的方法，还包括：当所述第一家庭具有处于同一第二人口统计组中的两个或更多个注册的所述第一家庭成员时，聚合用于所述第一家庭成员的所述设备共享概率。
8.如权利要求1所述的方法，还包括：通过将部分数目分布到所述人口统计组中生成所述第一受众分布，所述部分数目总数达所述第一家庭成员中向所述数据库所有者注册的那些所述第一家庭成员的计数。
9.如权利要求8所述的方法，其中，生成所述第一受众分布不使用网络跟踪器。
10.如权利要求8所述的方法，其中，生成所述第一受众分布和生成所述聚合受众分布不使用计量软件来收集家庭成员向所述数据库所有者的注册状态或收集媒体访问数据。
11.如权利要求1所述的方法，其中，重新分配所述印象包括确定所述错误认定校正矩阵和印象矩阵的乘积，所述印象矩阵指示由所述数据库所有者确定的对应于各自的所述人口统计组的印象的数目。
12.如权利要求11所述的方法，其中，重新分配所述印象使得印象的总数目与所述印象矩阵中的印象的总数目相同。
13.如权利要求1所述的方法，还包括：将指令提供给发行者，所述指令将由所述发行者提供给为所述第一类型的计算设备的计算设备以及在被所述计算设备执行时使所述计算设备发送所述第一网络通信。
14.如权利要求1所述的方法，还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向所述在线用户请求调查响应以生成所述聚合受众分布，来节省计算机处理资源。
15.如权利要求1所述的方法，还包括：通过不与个体在线用户关于其在线媒体访问活动进行通信以及通过不向所述在线用户请求调查响应以生成所述聚合受众分布，来节省网络通信带宽。
16.如权利要求1所述的方法，其中，所述第一家庭的第一家庭成员在所述人口统计组中的所述分布基于所述第一家庭的调查响应。
17.如权利要求1所述的方法，其中，生成所述聚合受众分布不使用网络跟踪器。
18.如权利要求1所述的方法，其中，重新分配所述印象包括将所述印象从所述第二人口统计组重新分配给所述第一人口统计组。
19.如权利要求1所述的方法，其中，所述印象指示在移动设备上访问的媒体。
20.如权利要求1所述的方法，其中，所述第一网络通信来自为所述第一类型的计算设备的第一计算设备，所述第三网络通信来自一个或多个为所述第一类型的计算设备的第二计算设备。
21.如权利要求1所述的方法，其中，生成所述第一受众分布和生成所述聚合受众分布不使用受众小组。
22.一种针对错误认定误差补偿媒体的印象的装置，所述装置包括：
印象收集器，所述印象收集器用于：
在第一因特网域的第一服务器从第一类型的计算设备接收第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处的媒体访问；以及
从所述第一服务器发送第二网络通信，以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
聚合分布生成器，所述聚合分布生成器用于生成聚合受众分布，所述聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，所述第一受众分布包括所述第一家庭的第一家庭成员在向数据库所有者注册的所述第一家庭成员的人口统计组中的分布，所述第一受众分布基于所述第一家庭成员对媒体的访问；
矩阵归一化器，所述矩阵归一化器用于将所述聚合受众分布归一化以生成错误认定校正矩阵，所述错误认定校正矩阵包括如下事件的概率：当所述数据库所有者确定所述媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；以及
错误认定校正器，所述错误认定校正器用于通过使用所述错误认定校正矩阵将所述印象重新分配给所述第一人口统计组，来补偿所述印象中的错误认定误差。
23.如权利要求22所述的装置，还包括矩阵校正器，所述矩阵校正器用于生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正所述聚合受众分布，所述调查校准数据源指示所述第一家庭成员对所述媒体的访问以及所述第一家庭成员向所述数据库所有者的注册状态。
24.如权利要求23所述的装置，其中，所述校正指标基于所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员一起生活的第二概率。
25.如权利要求23所述的装置，其中，所述矩阵校正器用于通过如下方式生成所述校正指标：
基于第一调查校准数据确定第一人员对的第一数量，所述第一人员对的第一数量相应地为包括一起生活的所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员的所述第一人员对的数量；
基于第二调查校准数据确定第二人员对的第二数量，所述第二人员对的第二数量相应地为包括一起生活的所述第一人口统计组中的第三人员与所述第二人口统计组中的第四人员的所述第二人员对的数量，所述第二调查校准数据比所述第一调查校准数据具有更高的准确度；以及
确定所述第一数量与所述第二数量的比率。
26.如权利要求22所述的装置，其中，所述聚合受众分布描述所述第二人口统计组中的将被归属于所述第一人口统计组的人员的数目，并且所述矩阵归一化器通过缩放所述第二人口统计组中的人员的对应数目来将所述聚合受众分布归一化，使得对于所述第二人口统计组的人员的总数目等于指定值。
27.如权利要求22所述的装置，还包括家庭分布生成器，所述家庭分布生成器用于：
确定用于所述第一家庭的共享模式，所述共享模式指示访问媒体类别的所述第一家庭成员以及不访问所述媒体类别的其它所述第一家庭成员；以及
基于用于所述媒体类别的所述共享模式确定用于所述第一家庭中的所述第一家庭成员的设备共享概率的概率密度函数，所述概率密度函数指示所述第一家庭成员访问所述媒体类别中的媒体的对应概率，所述第一受众分布基于所述设备共享概率。
28.如权利要求27所述的装置，其中，所述聚合分布生成器用于：当所述第一家庭具有处于同一第二人口统计组中的两个或更多个注册的所述第一家庭成员时，聚合用于所述第一家庭成员的所述设备共享概率。
29.如权利要求22所述的装置，还包括家庭分布生成器，所述家庭分布生成器用于通过将部分数目分布到所述人口统计组中生成所述第一受众分布，所述部分数目总数达所述第一家庭成员中向所述数据库所有者注册的那些所述第一家庭成员的计数。
30.如权利要求22所述的装置，其中，所述错误认定校正器用于通过确定所述错误认定校正矩阵和印象矩阵的乘积来重新分配所述印象，所述印象矩阵指示由所述数据库所有者确定的对应于各自的所述人口统计组的印象的数目。
31.如权利要求30所述的装置，其中，所述错误认定校正器用于重新分配所述印象，使得重新分配的印象的总数目与由所述印象矩阵指示的印象的总数目相同。
32.如权利要求22所述的装置，其中，所述第一家庭的第一家庭成员在所述人口统计组中的所述分布基于所述第一家庭的调查响应。
33.如权利要求22所述的装置，其中，所述聚合分布生成器用于生成所述聚合受众分布而不使用网络跟踪器。
34.如权利要求22所述的装置，其中，所述错误认定校正器用于将所述印象从所述第二人口统计组重新分配给所述第一人口统计组。
35.如权利要求22所述的装置，其中，所述印象指示在移动设备上访问的媒体。
36.如权利要求22所述的装置，其中，所述第一网络通信来自为所述第一类型的计算设备的第一计算设备，所述第三网络通信来自一个或多个为所述第一类型的计算设备的第二计算设备。
37.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时至少使一个或多个处理器：
在第一因特网域的第一服务器从第一类型的计算设备访问第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处的媒体访问；
发送请求人口统计信息的第二网络通信，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
生成聚合受众分布，所述聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，所述第一受众分布包括所述第一家庭的第一家庭成员在向数据库所有者注册的所述第一家庭成员的人口统计组中的分布，所述第一受众分布基于所述第一家庭成员对媒体的访问；
将所述聚合受众分布归一化以生成错误认定校正矩阵，所述错误认定校正矩阵包括如下事件的概率：当所述数据库所有者确定所述媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；以及
通过使用所述错误认定校正矩阵将所述印象重新分配给所述第一人口统计组，来补偿所述印象中的错误认定误差。
38.如权利要求37所述的存储介质，其中，所述指令还用于使所述一个或多个处理器生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正所述聚合受众分布，所述调查校准数据源指示所述第一家庭成员对所述媒体的访问以及所述第一家庭成员向所述数据库所有者的注册状态。
39.如权利要求38所述的存储介质，其中，所述校正指标基于所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员一起生活的第二概率。
40.如权利要求38所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过如下方式生成所述校正指标：
基于第一调查校准数据确定第一人员对的第一数量，所述第一人员对的第一数量相应地为包括一起生活的所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员的所述第一人员对的数量；
基于第二调查校准数据确定第二人员对的第二数量，所述第二人员对的第二数量相应地为包括一起生活的所述第一人口统计组中的第三人员与所述第二人口统计组中的第四人员的所述第二人员对的数量，所述第二调查校准数据比所述第一调查校准数据具有更高的准确度；以及
确定所述第一数量与所述第二数量的比率。
41.如权利要求37所述的存储介质，其中，所述聚合受众分布描述所述第二人口统计组中的将被归属于所述第一人口统计组的人员的数目，并且所述指令用于使所述一个或多个处理器通过缩放所述第二人口统计组中的人员的对应数目将所述聚合受众分布归一化，使得对于所述第二人口统计组的人员的总数目为指定值。
42.如权利要求37所述的存储介质，其中，所述指令还用于使所述一个或多个处理器：
确定用于所述第一家庭的共享模式，所述共享模式指示访问媒体类别的所述第一家庭成员以及不访问所述媒体类别的其他所述第一家庭成员；以及
基于用于所述媒体类别的所述共享模式确定用于所述第一家庭中的所述第一家庭成员的设备共享概率的概率密度函数，所述概率密度函数指示所述第一家庭成员访问所述媒体类别中的媒体的对应概率，所述第一受众分布基于所述设备共享概率。
43.如权利要求42所述的存储介质，其中，所述指令还用于使所述一个或多个处理器：当所述第一家庭具有处于同一第二人口统计组中的两个或更多个注册的所述第一家庭成员时，聚合用于所述第一家庭成员的所述设备共享概率。
44.如权利要求37所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过将部分数目分布到所述人口统计组中生成所述第一受众分布，所述部分数目总数达所述第一家庭成员中向所述数据库所有者注册的那些所述第一家庭成员的计数。
45.如权利要求37所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过确定所述错误认定校正矩阵和印象矩阵的乘积来重新分配所述印象，所述印象矩阵指示由所述数据库所有者确定的对应于各自的所述人口统计组的印象的数目。
46.如权利要求45所述的存储介质，其中，所述指令用于使所述一个或多个处理器重新分配所述印象，使得重新分配的印象的总数目与由所述印象矩阵指示的印象的总数目相同。
47.如权利要求37所述的存储介质，其中，所述第一家庭的第一家庭成员在所述人口统计组中的所述分布基于所述第一家庭的调查响应。
48.如权利要求37所述的存储介质，其中，所述指令用于使所述一个或多个处理器生成所述聚合受众分布而不使用网络跟踪器。
49.如权利要求37所述的存储介质，其中，所述指令用于使所述一个或多个处理器将所述印象从所述第二人口统计组重新分配给所述第一人口统计组。
50.如权利要求37所述的存储介质，其中，所述印象指示在移动设备上访问的媒体。
51.如权利要求37所述的存储介质，其中，所述第一网络通信来自为所述第一类型的计算设备的第一计算设备，所述第三网络通信来自一个或多个为所述第一类型的计算设备的第二计算设备。
52.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时至少使一个或多个处理器：
在第一因特网域的第一服务器从第一类型的计算设备访问第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处的媒体访问；
发送请求人口统计信息的第二网络通信，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
生成聚合受众分布，所述聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，所述第一受众分布包括所述第一家庭的第一家庭成员在向数据库所有者注册的所述第一家庭成员的人口统计组中的分布，所述第一受众分布基于所述第一家庭成员对媒体的访问，且在不使用网络跟踪器的情况下生成所述聚合受众分布；
将所述聚合受众分布归一化以生成错误认定校正矩阵，所述错误认定校正矩阵包括如下事件的概率：当所述数据库所有者确定所述媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；以及
通过使用所述错误认定校正矩阵将所述印象重新分配给所述第一人口统计组，来补偿所述印象中的错误认定误差，所述印象指示在移动设备上访问的媒体。
53.如权利要求52所述的存储介质，其中，所述指令还用于使所述一个或多个处理器生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正所述聚合受众分布，所述调查校准数据源指示所述第一家庭成员对所述媒体的访问以及所述第一家庭成员向所述数据库所有者的注册状态。
54.如权利要求53所述的存储介质，其中，所述校正指标基于所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员一起生活的第二概率。
55.如权利要求53所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过如下方式生成所述校正指标：
基于第一调查校准数据确定第一人员对的第一数量，所述第一人员对的第一数量相应地为包括一起生活的所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员的所述第一人员对的数量；
基于第二调查校准数据确定第二人员对的第二数量，所述第二人员对的第二数量相应地为包括一起生活的所述第一人口统计组中的第三人员与所述第二人口统计组中的第四人员的所述第二人员对的数量，所述第二调查校准数据比所述第一调查校准数据具有更高的准确度；以及
确定所述第一数量与所述第二数量的比率。
56.如权利要求52所述的存储介质，其中，所述聚合受众分布描述所述第二人口统计组中的将被归属于所述第一人口统计组的人员的数目，并且所述指令使所述一个或多个处理器通过缩放所述第二人口统计组中的人员的对应数目将所述聚合受众分布归一化，使得对于所述第二人口统计组的人员的总数目等于指定值。
57.如权利要求52所述的存储介质，其中，所述指令还用于使所述一个或多个处理器：
确定用于所述第一家庭的共享模式，所述共享模式指示访问媒体类别的所述第一家庭成员以及不访问所述媒体类别的其他所述第一家庭成员；以及
基于用于所述媒体类别的所述共享模式确定用于所述第一家庭中的所述第一家庭成员的设备共享概率的概率密度函数，所述概率密度函数指示所述第一家庭成员访问所述媒体类别中的媒体的对应概率，所述第一受众分布基于所述设备共享概率。
58.如权利要求57所述的存储介质，其中，所述指令还用于使所述一个或多个处理器：当所述第一家庭具有处于同一第二人口统计组中的两个或更多个注册的所述第一家庭成员时，聚合用于所述第一家庭成员的所述设备共享概率。
59.如权利要求52所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过将部分数目分布到所述人口统计组中生成所述第一受众分布，所述部分数目总数达所述第一家庭成员中向所述数据库所有者注册的那些所述第一家庭成员的计数。
60.如权利要求52所述的存储介质，其中，所述指令用于使所述一个或多个处理器通过确定所述错误认定校正矩阵和印象矩阵的乘积来重新分配所述印象，所述印象矩阵指示由所述数据库所有者确定的对应于各自的所述人口统计组的印象的数目。
61.如权利要求60所述的存储介质，其中，所述指令用于使所述一个或多个处理器重新分配所述印象，使得重新分配的印象的总数目与由所述印象矩阵指示的印象的总数目相同。
62.一种装置，包括：
用于收集印象的部件，所述用于收集印象的部件用于：
在第一因特网域从第一类型的计算设备接收第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处的媒体访问；以及
发送第二网络通信以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
用于生成聚合受众分布的部件，所述聚合受众分布包括与第二家庭的第二受众分布聚合的第一家庭的第一受众分布，所述第一受众分布包括所述第一家庭的第一家庭成员在向数据库所有者注册的所述第一家庭成员的人口统计组中的分布，所述第一受众分布基于所述第一家庭成员对媒体的访问；
用于归一化的部件，所述用于归一化的部件用于将所述聚合受众分布归一化以生成错误认定校正矩阵，所述错误认定校正矩阵包括如下事件的概率：当所述数据库所有者确定所述媒体的印象对应于第二人口统计组中的人员时，所述印象归属于第一人口统计组；以及
用于补偿错误认定误差的部件，所述用于补偿错误认定误差的部件用于通过使用所述错误认定校正矩阵将所述印象从所述第二人口统计组重新分配给所述第一人口统计组，来补偿所述印象中的错误认定误差。
63.如权利要求62所述的装置，还包括用于校正矩阵的部件，所述用于校正矩阵的部件用于生成校正指标以针对与调查校准数据源相关联的过采样或欠采样中的至少一者校正所述聚合受众分布，所述调查校准数据源指示所述第一家庭成员对所述媒体的访问以及所述第一家庭成员向所述数据库所有者的注册状态。
64.如权利要求63所述的装置，其中，所述校正指标基于所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员一起生活的第二概率。
65.如权利要求63所述的装置，其中，所述用于补偿错误认定误差的部件通过如下方式生成所述校正指标：
基于第一调查校准数据确定第一人员对的第一数量，所述第一人员对的第一数量相应地为包括一起生活的所述第一人口统计组中的第一人员与所述第二人口统计组中的第二人员的所述第一人员对的数量；
基于第二调查校准数据确定第二人员对的第二数量，所述第二人员对的第二数量相应地为包括一起生活的所述第一人口统计组中的第三人员与所述第二人口统计组中的第四人员的所述第二人员对的数量，所述第二调查校准数据比所述第一调查校准数据具有更高的准确度；以及
确定所述第一数量与所述第二数量的比率。
66.如权利要求62所述的装置，其中，所述聚合受众分布描述所述第二人口统计组中的将被归属于所述第一人口统计组的人员的数目，并且所述用于归一化的部件用于通过缩放所述第二人口统计组中的人员的对应数目将所述聚合受众分布归一化，使得对于所述第二人口统计组的人员的总数目等于指定值。
67.如权利要求62所述的装置，还包括用于生成家庭分布的部件，所述用于生成家庭分布的部件用于：
确定用于所述第一家庭的共享模式，所述共享模式指示访问媒体类别的所述第一家庭成员以及不访问所述媒体类别的其他所述第一家庭成员；以及
基于用于所述媒体类别的所述共享模式确定用于所述第一家庭中的所述第一家庭成员的设备共享概率的概率密度函数，所述概率密度函数指示所述第一家庭成员访问所述媒体类别中的媒体的对应概率，所述第一受众分布基于所述设备共享概率。
68.如权利要求67所述的装置，其中，所述用于生成聚合受众分布的部件用于：当所述第一家庭具有处于同一第二人口统计组中的两个或更多个注册的所述第一家庭成员时，聚合用于所述第一家庭成员的所述设备共享概率。
69.如权利要求62所述的装置，还包括用于生成所述第一受众分布的部件，所述用于生成所述第一受众分布的部件用于通过将部分数目分布到所述人口统计组中生成所述第一受众分布，所述部分数目总数达所述第一家庭成员中向所述数据库所有者注册的那些所述第一家庭成员的计数。
70.如权利要求62所述的装置，其中，所述用于补偿错误认定误差的部件用于通过确定所述错误认定校正矩阵和印象矩阵的乘积来重新分配所述印象，所述印象矩阵指示由所述数据库所有者确定的对应于各自的所述人口统计组的印象的数目。
71.如权利要求70所述的装置，其中，所述用于补偿错误认定误差的部件用于重新分配所述印象，使得重新分配的印象的总数目与由所述印象矩阵指示的印象的总数目相同。
72.如权利要求62所述的装置，其中，所述第一家庭的第一家庭成员在所述人口统计组中的所述分布基于所述第一家庭的调查响应。
73.如权利要求62所述的装置，其中，所述用于生成聚合受众分布的部件用于生成所述聚合受众分布而不使用网络跟踪器。
74.如权利要求62所述的装置，其中，所述用于补偿错误认定误差的部件用于将所述印象从所述第二人口统计组重新分配给所述第一人口统计组。
75.如权利要求62所述的装置，其中，所述印象指示在移动设备上访问的媒体。
76.如权利要求62所述的装置，其中，所述第一网络通信来自为所述第一类型的计算设备的第一计算设备，所述第三网络通信来自一个或多个为所述第一类型的计算设备的第二计算设备。
77.一种装置，包括：
类型预测建模器，所述类型预测建模器用于：
访问包括第一媒体印象数据和类型信息的训练数据；以及
基于所述训练数据构造类型预测模型；
数据分类器，所述数据分类器用于基于第二媒体印象数据生成分类的印象数据；以及
类型分析器，所述类型分析器用于：
通过将所述类型预测模型应用于所述分类的印象数据来预测所述第二媒体印象数据的媒体项目的类型；以及
将所述类型与所述第二媒体印象数据的媒体项目相关联以创建预测的类型印象数据。
78.如权利要求77所述的装置，其中，所述类型预测建模器用于执行统计显著性测试来从所述训练数据中选择变量以包括在所述类型预测模型中。
79.如权利要求77所述的装置，其中，所述类型预测建模器用于基于一个或多个排除选择标准来将印象从所述训练数据中排除。
80.如权利要求77所述的装置，其中，所述类型预测建模器用于使用统计建模来生成所述类型预测模型，所述统计建模包括逻辑回归、线性判别分析、二次判别分析、或k最近邻算法中的一者或多者。
81.如权利要求77所述的装置，其中，所述类型预测建模器用于：
计算所述类型预测模型的正确区别率；以及
如果所述正确区别率低于阈值，则精化所述类型预测模型。
82.如权利要求77所述的装置，其中，所述类型预测建模器用于：
计算所述类型预测模型的第一正确区别率；以及
如果所述第一正确区别率低于第二阈值，则构造第二类型预测模型。
83.如权利要求82所述的装置，其中，所述类型预测建模器用于：
计算所述第二类型预测模型的第二正确区别率；
比较所述第一正确区别率与所述第二正确区别率；以及
基于所述比较选择所述类型预测模型或所述第二类型预测模型以供所述类型分析器使用。
84.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时至少使至少一个处理器：
访问包括第一媒体印象数据和类型信息的训练数据；
基于所述训练数据构造类型预测模型；
基于第二媒体印象数据生成分类的印象数据；
通过将所述类型预测模型应用于所述分类的印象数据来预测所述第二媒体印象数据的媒体项目的类型；以及
将所述类型与所述第二媒体印象数据的媒体项目相关联以创建预测的类型印象数据。
85.如权利要求84所述的计算机可读存储介质，其中，所述指令用于使所述至少一个处理器执行统计显著性测试来从所述训练数据中选择变量以包括在所述类型预测模型中。
86.如权利要求84所述的计算机可读存储介质，其中，所述指令用于使所述至少一个处理器基于一个或多个排除选择标准来将印象从所述训练数据中排除。
87.如权利要求84所述的计算机可读存储介质，其中，所述指令用于使所述至少一个处理器使用统计建模来生成所述类型预测模型，所述统计建模包括逻辑回归、线性判别分析、二次判别分析、或k最近邻算法中的一者或多者。
88.如权利要求84所述的计算机可读存储介质，其中，所述指令用于使所述至少一个处理器：
计算所述类型预测模型的正确区别率；以及
如果所述正确区别率低于阈值，则精化所述类型预测模型。
89.如权利要求84所述的计算机可读存储介质，其中，所述类型预测模型为第一类型预测模型，所述指令用于使所述至少一个处理器：
计算所述第一类型预测模型的正确区别率；以及
如果所述正确区别率低于第二阈值，则构造第二类型预测模型。
90.如权利要求89所述的计算机可读存储介质，其中，所述正确区别率为第一正确区别率，所述指令用于使所述至少一个处理器：
计算所述第二类型预测模型的第二正确区别率；
比较所述第一正确区别率与所述第二正确区别率；以及
基于所述比较选择所述第一类型预测模型或所述第二类型预测模型以预测所述媒体项目的类型。
91.一种方法，包括：
访问包括第一媒体印象数据和类型信息的训练数据；
基于所述训练数据构造类型预测模型；
基于第二媒体印象数据生成分类的印象数据；
通过将所述类型预测模型应用于所述分类的印象数据来预测所述第二媒体印象数据的媒体项目的类型；以及
将所述类型与所述第二媒体印象数据的媒体项目相关联以创建预测的类型印象数据。
92.如权利要求91所述的方法，还包括：执行统计显著性测试来从所述训练数据中选择变量以包括在所述类型预测模型中。
93.如权利要求91所述的方法，还包括：基于一个或多个排除选择标准来将印象从所述训练数据中排除。
94.如权利要求91所述的方法，还包括：使用统计建模来生成所述类型预测模型，所述统计建模包括逻辑回归、线性判别分析、二次判别分析、或k最近邻算法中的一者或多者。
95.如权利要求91所述的方法，还包括：
计算所述类型预测模型的正确区别率；以及
如果所述正确区别率低于阈值，则精化所述类型预测模型。
96.如权利要求91所述的方法，其中，所述类型预测模型为第一类型预测模型，所述方法还包括：
计算所述第一类型预测模型的正确区别率；以及
如果所述正确区别率低于第二阈值，则构造第二类型预测模型。
97.如权利要求96所述的方法，其中，所述正确区别率为第一正确区别率，所述方法还包括：
计算所述第二类型预测模型的第二正确区别率；
比较所述第一正确区别率与所述第二正确区别率；以及
基于所述比较选择所述第一类型预测模型或所述第二类型预测模型以用于所述预测。
98.一种装置，包括：
用于对类型预测进行建模的部件，所述用于对类型预测进行建模的部件用于：
访问包括第一媒体印象数据和类型信息的训练数据；以及
基于所述训练数据构造类型预测模型；
用于基于第二媒体印象数据生成分类的印象数据的部件；以及
用于分析类型的部件，所述用于分析类型的部件用于：
通过将所述类型预测模型应用于所述分类的印象数据来预测所述第二媒体印象数据的媒体项目的类型；以及
将所述类型与所述第二媒体印象数据的媒体项目相关联以创建预测的类型印象数据。
99.如权利要求98所述的装置，其中，所述用于对类型预测进行建模的部件用于执行统计显著性测试来从所述训练数据中选择变量以包括在所述类型预测模型中。
100.如权利要求98所述的装置，其中，所述用于对类型预测进行建模的部件用于基于一个或多个排除选择标准来将印象从所述训练数据中排除。
101.如权利要求98所述的装置，其中，所述用于对类型预测进行建模的部件用于使用统计建模来生成所述类型预测模型，所述统计建模包括逻辑回归、线性判别分析、二次判别分析、或k最近邻算法中的一者或多者。
102.如权利要求98所述的装置，其中，所述用于对类型预测进行建模的部件用于：
计算所述类型预测模型的正确区别率；以及
如果所述正确区别率低于阈值，则精化所述类型预测模型。
103.如权利要求98所述的装置，其中，所述类型预测模型为第一类型预测模型，所述用于对类型预测进行建模的部件用于：
计算所述第一类型预测模型的正确区别率；以及
如果所述正确区别率低于第二阈值，则构造第二类型预测模型。
104.如权利要求103所述的装置，其中，所述正确区别率为第一正确区别率，所述用于对类型预测进行建模的部件用于：
计算所述第二类型预测模型的第二正确区别率；
比较所述第一正确区别率与所述第二正确区别率；以及
基于所述比较选择所述第一类型预测模型或所述第二类型预测模型以供所述用于分析类型的部件使用。
105.一种装置，包括：
印象收集器，所述印象收集器用于：
在第一因特网域访问在第一服务器从第一类型的计算设备接收的第一网络通信，所述第一网络通信指示在所述第一类型的计算设备处对媒体的访问；以及
从所述第一服务器发送第二网络通信，以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从所述第一类型的计算设备接收的所述第一网络通信和第三网络通信；
印象信息收集器，所述印象信息收集器用于访问发生在所述第一类型的计算设备上的媒体印象的计数，所述媒体印象的第一部分对应于数据库所有者的第二服务器能够识别其第一人口统计信息的第一人员，且所述数据库所有者的不能够访问第二人员的第二人口统计信息的所述第二服务器所产生的未覆盖误差对应于所述媒体印象的第二部分；以及
未覆盖校正器，所述未覆盖校正器用于通过基于在所述第一类型的计算设备上访问所述媒体印象所对应的媒体的第一概率且基于在第二类型的设备上访问所述媒体的第二概率而确定用于所述媒体印象的所述第二部分的所述第二人口统计信息，来校正由所述数据库所有者的所述第二服务器所产生的所述未覆盖误差。
106.如权利要求105所述的装置，还包括未覆盖计算器，所述未覆盖计算器用于将(1)所述第一概率与所述第二概率的比率乘以(2)归属于第一人口统计组的所述媒体印象的数目。
107.如权利要求106所述的装置，其中，所述第一概率为所述第一人口统计组中的人员在所述第一类型的计算设备上访问所述媒体的第一可能性，且所述第二概率为所述第一人口统计组中的所述人员在所述第二类型的设备上访问所述媒体的第二可能性。
108.如权利要求106所述的装置，还包括错误认定校正器，所述错误认定校正器用于调整所述媒体印象以对于将所述媒体印象的子集不正确归属于第二人口统计组中的第三人员进行补偿，归属于所述第一人口统计组的所述媒体印象的所述数目从被调整以补偿所述不正确归属的所述媒体印象的所述子集来确定。
109.如权利要求106所述的装置，其中，所述第一人员是由所述数据库所有者提供的服务的订阅者。
110.如权利要求105所述的装置，其中，所述第一类型的计算设备包括移动设备，且所述第二类型的设备包括电视。
111.如权利要求105所述的装置，其中，所述第一类型的计算设备包括智能手机、平板电脑、或便携式媒体播放器中的至少一者。
112.如权利要求105所述的装置，还包括未覆盖计算器，所述未覆盖计算器用于基于对人员调查的调查响应计算所述第一概率和所述第二概率，所述未覆盖计算器用于通过从所述调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重来计算所述第一概率，所述权重指示在感兴趣的设备类型上访问与所述媒体印象相关联的所述媒体的对应概率。
113.如权利要求112所述的装置，其中，所述调查针对随机小组或由受众测量实体维持的受众成员的小组中的至少一者。
114.如权利要求105所述的装置，其中，所述第一概率和所述第二概率对应于所述媒体的媒体类别。
115.如权利要求114所述的装置，其中，所述媒体类别为喜剧、戏剧、政治、现实或组合媒体类别中的至少一者。
116.如权利要求105所述的装置，其中，所述未覆盖校正器用于通过如下方式确定用于所述媒体印象的所述第二部分的所述第二人口统计信息：
确定归属于不同人口统计组的所述媒体印象的比例；以及
将所述媒体印象的所述比例缩放至所述媒体印象的所述第二部分。
117.如权利要求105所述的装置，其中，所述第一网络通信来自为所述第一类型的计算设备的第一计算设备，所述第三网络通信来自一个或多个为所述第一类型的计算设备的第二计算设备。
118.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时至少使第一服务器：
在第一因特网域访问来自第一类型的计算设备的第一网络通信，所述第一网络通信指示在所述第一计算设备处的媒体访问；
发送请求人口统计信息的第二网络通信，所述人口统计信息对应于在所述第一因特网域从为所述第一类型的计算设备的第二计算设备接收的所述第一网络通信和第二网络通信；
访问发生在所述第一类型的计算设备上的媒体印象的计数，所述媒体印象的第一部分对应于数据库所有者的第二服务器能够识别其第一人口统计信息的第一人员，且所述数据库所有者的不能够访问第二人员的第二人口统计信息的所述第二服务器所产生的未覆盖误差对应于所述媒体印象的第二部分；以及
通过基于在所述第一类型的计算设备上访问所述媒体印象所对应的媒体的第一概率且基于在第二类型的设备上访问所述媒体的第二概率而确定用于所述媒体印象的所述第二部分的所述第二人口统计信息，来校正由所述数据库所有者的所述第二服务器所产生的所述未覆盖误差。
119.如权利要求118所述的计算机可读存储介质，其中，所述指令用于使所述第一服务器通过将(1)所述第一概率与所述第二概率的比率乘以(2)归属于第一人口统计组的所述媒体印象的数目，来确定所述第二人口统计信息。
120.如权利要求119所述的计算机可读存储介质，其中，所述第一概率为所述第一人口统计组中的人员在所述第一类型的计算设备上访问媒体的第一可能性，且所述第二概率为所述第一人口统计组中的所述人员在所述第二类型的设备上访问所述媒体的第二可能性。
121.如权利要求119所述的计算机可读存储介质，其中，所述指令还用于使所述第一服务器调整所述媒体印象以对于将所述媒体印象的子集不正确归属于第二人口统计组中的第三人员进行补偿，归属于所述第一人口统计组的所述媒体印象的所述数目从被调整以补偿所述不正确归属的所述媒体印象的所述子集来确定。
122.如权利要求118所述的计算机可读存储介质，其中，所述第一类型的计算设备包括移动设备，且所述第二类型的设备包括电视。
123.如权利要求118所述的计算机可读存储介质，其中，所述第一类型的计算设备包括智能手机、平板电脑、或便携式媒体播放器中的至少一者。
124.如权利要求118所述的计算机可读存储介质，其中，所述第一概率和所述第二概率对应于所述媒体的媒体类别。
125.如权利要求124所述的计算机可读存储介质，其中，所述媒体类别为喜剧、戏剧、政治、现实或组合媒体类别中的至少一者。
126.如权利要求118所述的计算机可读存储介质，其中，所述指令还用于使所述第一服务器在确定所述第二人口统计信息之前，针对以下情况调整所述媒体印象：所述媒体印象被不正确归属于未引起所述媒体印象的人员。
127.如权利要求118所述的计算机可读存储介质，其中，所述指令还用于使所述第一服务器基于对人员调查的调查响应计算所述第一概率和所述第二概率，所述指令还使所述第一服务器通过从所述调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重来计算所述第一概率，所述权重指示在感兴趣的设备类型上访问与所述媒体印象相关联的所述媒体的对应概率。
128.如权利要求127所述的计算机可读存储介质，其中，所述调查针对随机小组或由受众测量实体维持的受众成员的小组中的至少一者。
129.如权利要求118所述的计算机可读存储介质，其中，所述指令用于使所述第一服务器通过如下方式确定用于所述媒体印象的所述第二部分的所述第二人口统计信息：
确定归属于不同人口统计组的所述媒体印象的比例；以及
将所述媒体印象的所述比例缩放至所述媒体印象的所述第二部分。
130.一种方法，包括：
在第一因特网域的第一服务器从为第一类型的计算设备的第一计算设备接收第一网络通信，所述第一网络通信指示在所述第一计算设备处的媒体访问；
通过利用所述第一服务器执行指令，从所述第一服务器发送第二网络通信，以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从为所述第一类型的计算设备的第二计算设备接收的所述第一网络通信和第二网络通信；
通过利用至少一个处理器执行指令，访问发生在所述第一类型的计算设备上的媒体印象的计数，所述媒体印象的第一部分对应于数据库所有者的第二服务器能够识别其第一人口统计信息的第一人员，且所述数据库所有者的不能够访问第二人员的第二人口统计信息的所述第二服务器所产生的未覆盖误差对应于所述媒体印象的第二部分；以及
通过利用所述至少一个处理器执行指令，通过基于以下而确定用于所述媒体印象的所述第二部分的所述第二人口统计信息来校正由所述数据库所有者的所述第二服务器所产生的所述未覆盖误差：1)响应于所述第二网络通信，由所述数据库所有者的所述第二服务器提供的用于所述第一部分的所述第一人口统计信息；2)在所述第一类型的计算设备上访问所述媒体印象所对应的媒体的第一概率；以及3)在第二类型的设备上访问所述媒体的第二概率。
131.如权利要求130所述的方法，其中，确定所述第二人口统计信息是通过将以下相乘：1)所述第一概率与所述第二概率的比率，和2)归属于第一人口统计组的所述媒体印象的数目。
132.如权利要求131所述的方法，其中，所述第一概率为所述第一人口统计组中的人员在所述第一类型的计算设备上访问所述媒体的第一可能性，且所述第二概率为所述第一人口统计组中的所述人员在所述第二类型的设备上访问所述媒体的第二可能性。
133.如权利要求131所述的方法，还包括：调整所述媒体印象以对于将所述媒体印象的子集不正确归属于第二人口统计组中的第三人员进行补偿，归属于所述第一人口统计组的所述媒体印象的所述数目从被调整以补偿所述不正确归属的所述媒体印象的所述子集来确定。
134.如权利要求130所述的方法，其中，所述第一类型的计算设备包括移动设备，且所述第二类型的设备包括电视。
135.如权利要求130所述的方法，其中，所述第一类型的计算设备包括智能手机、平板电脑、或便携式媒体播放器中的至少一者。
136.如权利要求130所述的方法，其中，所述第一概率和所述第二概率对应于所述媒体的媒体类别。
137.如权利要求136所述的方法，其中，所述媒体类别为喜剧、戏剧、政治、现实或组合媒体类别中的至少一者。
138.如权利要求130所述的方法，还包括：在确定所述第二人口统计信息之前，针对以下情况调整所述媒体印象：所述媒体印象被不正确归属于未引起所述媒体印象的人员。
139.如权利要求130所述的方法，还包括：基于对人员调查的调查响应计算所述第一概率和所述第二概率，通过从所述调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重来计算所述第一概率，所述权重指示在感兴趣的设备类型上访问与所述媒体印象相关联的所述媒体的对应概率。
140.如权利要求139所述的方法，其中，所述调查针对随机小组或由受众测量实体维持的受众成员的小组中的至少一者。
141.如权利要求130所述的方法，其中，通过如下方式确定用于所述媒体印象的所述第二部分的所述第二人口统计信息：
确定归属于不同人口统计组的所述媒体印象的比例；以及
将所述媒体印象的所述比例缩放至所述媒体印象的所述第二部分。
142.一种装置，包括：
用于收集印象的部件，所述用于收集印象的部件用于：
在第一因特网域访问在第一服务器处从为第一类型的计算设备的第一计算设备接收的第一网络通信，所述第一网络通信指示在所述第一计算设备处的媒体访问；以及
发送第二网络通信以请求人口统计信息，所述人口统计信息对应于在所述第一因特网域从为所述第一类型的计算设备的第二计算设备接收的所述第一网络通信和第二网络通信；
用于收集印象信息的部件，所述用于收集印象信息的部件用于访问发生在所述第一类型的计算设备上的媒体印象的计数，所述媒体印象的第一部分对应于数据库所有者的第二服务器能够识别其第一人口统计信息的第一人员，且所述数据库所有者的不能够访问第二人员的第二人口统计信息的所述第二服务器所产生的未覆盖误差对应于所述媒体印象的第二部分；以及
用于校正未覆盖误差的部件，所述用于校正未覆盖误差的部件用于通过基于在所述第一类型的计算设备上访问所述媒体印象所对应的媒体的第一概率且基于在第二类型的设备上访问所述媒体的第二概率，而确定用于所述媒体印象的所述第二部分的所述第二人口统计信息，来校正由所述数据库所有者的所述第二服务器所产生的所述未覆盖误差。
143.如权利要求142所述的装置，还包括用于计算未覆盖的部件，所述用于计算未覆盖的部件用于将以下相乘：1)所述第一概率与所述第二概率的比率，和2)归属于第一人口统计组的所述媒体印象的数目。
144.如权利要求143所述的装置，其中，所述第一概率为所述第一人口统计组中的人员在所述第一类型的计算设备上访问所述媒体的第一可能性，且所述第二概率为所述第一人口统计组中的所述人员在所述第二类型的设备上访问所述媒体的第二可能性。
145.如权利要求143所述的装置，还包括用于调整媒体印象的部件，所述用于调整媒体印象的部件用于调整所述媒体印象以对于将所述媒体印象的子集不正确归属于第二人口统计组中的第三人员进行补偿，归属于所述第一人口统计组的所述媒体印象的所述数目从被调整以补偿所述不正确归属的所述媒体印象的所述子集来确定。
146.如权利要求142所述的装置，其中，所述第一类型的计算设备包括移动设备，且所述第二类型的设备包括电视。
147.如权利要求142所述的装置，其中，所述第一类型的计算设备包括智能手机、平板电脑、或便携式媒体播放器中的至少一者。
148.如权利要求142所述的装置，还包括用于计算的部件，所述用于计算的部件用于基于对人员调查的调查响应计算所述第一概率和所述第二概率，所述用于计算的部件用于通过从所述调查响应确定与人口统计组、媒体类别、计算设备的类型、或地理区域中的至少一者相关联的权重来计算所述第一概率，所述权重指示在感兴趣的设备类型上访问与所述媒体印象相关联的所述媒体的对应概率。
149.如权利要求148所述的装置，其中，所述调查针对随机小组或由受众测量实体维持的受众成员的小组中的至少一者。
150.如权利要求142所述的装置，其中，所述第一概率和所述第二概率对应于所述媒体的媒体类别。
151.如权利要求150所述的装置，其中，所述媒体类别为喜剧、戏剧、政治、现实和组合媒体类别中的至少一者。
152.如权利要求142所述的装置，其中，所述用于校正未覆盖误差的部件用于通过如下方式确定用于所述媒体印象的所述第二部分的所述第二人口统计信息：
确定归属于不同人口统计组的所述媒体印象的比例；以及
将所述媒体印象的所述比例缩放至所述媒体印象的所述第二部分。
CN202210144904.6A 2014-03-13 2014-12-04 针对错误认定误差补偿媒体的印象的方法和装置 Pending CN114564511A (zh)

Applications Claiming Priority (16)

Application Number Priority Date Filing Date Title
US201461952726P 2014-03-13 2014-03-13
US61/952,726 2014-03-13
US201461979391P 2014-04-14 2014-04-14
US61/979,391 2014-04-14
US201461986784P 2014-04-30 2014-04-30
US61/986,784 2014-04-30
US201461991286P 2014-05-09 2014-05-09
US61/991,286 2014-05-09
US201462014659P 2014-06-19 2014-06-19
US62/014,659 2014-06-19
US201462023675P 2014-07-11 2014-07-11
US62/023,675 2014-07-11
US201462030571P 2014-07-29 2014-07-29
US62/030,571 2014-07-29
PCT/US2014/068623 WO2015138016A1 (en) 2014-03-13 2014-12-04 Methods and apparatus to compensate impression data for misattribution and/or non-coverage by a database proprietor
CN201480077152.XA CN106462858B (zh) 2014-03-13 2014-12-04 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201480077152.XA Division CN106462858B (zh) 2014-03-13 2014-12-04 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置

Publications (1)

Publication Number Publication Date
CN114564511A true CN114564511A (zh) 2022-05-31

Family

ID=54069304

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201480077152.XA Active CN106462858B (zh) 2014-03-13 2014-12-04 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置
CN202210144904.6A Pending CN114564511A (zh) 2014-03-13 2014-12-04 针对错误认定误差补偿媒体的印象的方法和装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201480077152.XA Active CN106462858B (zh) 2014-03-13 2014-12-04 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置

Country Status (9)

Country Link
US (4) US20150262207A1 (zh)
EP (2) EP3117385A4 (zh)
JP (5) JP6239784B2 (zh)
KR (5) KR101934841B1 (zh)
CN (2) CN106462858B (zh)
AU (4) AU2014386191A1 (zh)
CA (2) CA2936701C (zh)
GB (1) GB2539588A (zh)
WO (1) WO2015138016A1 (zh)

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011305429B2 (en) 2010-09-22 2015-07-30 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions using distributed demographic information
WO2012128895A2 (en) 2011-03-18 2012-09-27 The Nielsen Company (Us), Llc Methods and apparatus to determine media impressions
AU2013204865B2 (en) 2012-06-11 2015-07-09 The Nielsen Company (Us), Llc Methods and apparatus to share online media impressions data
AU2013204953B2 (en) 2012-08-30 2016-09-08 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions
US9697533B2 (en) 2013-04-17 2017-07-04 The Nielsen Company (Us), Llc Methods and apparatus to monitor media presentations
US9519914B2 (en) 2013-04-30 2016-12-13 The Nielsen Company (Us), Llc Methods and apparatus to determine ratings information for online media presentations
US10068246B2 (en) 2013-07-12 2018-09-04 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions
US10956947B2 (en) 2013-12-23 2021-03-23 The Nielsen Company (Us), Llc Methods and apparatus to measure media using media object characteristics
US9852163B2 (en) 2013-12-30 2017-12-26 The Nielsen Company (Us), Llc Methods and apparatus to de-duplicate impression information
US9237138B2 (en) 2013-12-31 2016-01-12 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions and search terms
US10147114B2 (en) 2014-01-06 2018-12-04 The Nielsen Company (Us), Llc Methods and apparatus to correct audience measurement data
US20150193816A1 (en) 2014-01-06 2015-07-09 The Nielsen Company (Us), Llc Methods and apparatus to correct misattributions of media impressions
KR101934841B1 (ko) 2014-03-13 2019-01-03 더 닐슨 컴퍼니 (유에스) 엘엘씨 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치
US10311464B2 (en) 2014-07-17 2019-06-04 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions corresponding to market segments
US20160063539A1 (en) 2014-08-29 2016-03-03 The Nielsen Company (Us), Llc Methods and apparatus to associate transactions with media impressions
US9402111B2 (en) * 2014-09-17 2016-07-26 Ispot.Tv, Inc. Television audience measurement method and apparatus
US20160342699A1 (en) * 2015-05-18 2016-11-24 Turn Inc. Systems, methods, and devices for profiling audience populations of websites
US9870486B2 (en) 2015-05-28 2018-01-16 The Nielsen Company (Us), Llc Methods and apparatus to assign demographic information to panelists
US10380633B2 (en) * 2015-07-02 2019-08-13 The Nielsen Company (Us), Llc Methods and apparatus to generate corrected online audience measurement data
US10045082B2 (en) * 2015-07-02 2018-08-07 The Nielsen Company (Us), Llc Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices
US9838754B2 (en) 2015-09-01 2017-12-05 The Nielsen Company (Us), Llc On-site measurement of over the top media
US10332158B2 (en) 2015-09-24 2019-06-25 The Nielsen Company (Us), Llc Methods and apparatus to adjust media impressions based on media impression notification loss rates in network communications
US10205994B2 (en) 2015-12-17 2019-02-12 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions
US10045057B2 (en) * 2015-12-23 2018-08-07 The Nielsen Company (Us), Llc Methods and apparatus to generate audience measurement data from population sample data having incomplete demographic classifications
CN105678587B (zh) * 2016-01-12 2020-11-24 腾讯科技（深圳）有限公司 一种推荐特征确定方法、信息推荐方法及装置
US10270673B1 (en) 2016-01-27 2019-04-23 The Nielsen Company (Us), Llc Methods and apparatus for estimating total unique audiences
US10264318B2 (en) 2016-06-07 2019-04-16 The Nielsen Company (Us), Llc Methods and apparatus to improve viewer assignment by adjusting for a localized event
US20180174168A1 (en) * 2016-11-23 2018-06-21 Head Research Inc. Method, apparatus, and computer-readable media for a web-based opinion survey factory
WO2018107459A1 (en) * 2016-12-16 2018-06-21 The Nielsen Company (Us), Llc Methods and apparatus to estimate media impression frequency distributions
US20180198543A1 (en) * 2017-01-11 2018-07-12 The Nielsen Company (Us), Llc Methods and apparatus to improve media monitoring by adjusting for co-viewing
US10469903B2 (en) 2017-02-09 2019-11-05 The Nielsen Company (Us), Llc Methods and apparatus to correct misattributions of media impressions
US10631018B2 (en) * 2017-08-15 2020-04-21 The Nielsen Company (Us), Llc Methods and apparatus of identification of streaming activity and source for cached media on streaming devices
US11468186B2 (en) * 2017-10-30 2022-10-11 Equifax Inc. Data protection via aggregation-based obfuscation
US20200007919A1 (en) * 2018-04-02 2020-01-02 The Nielsen Company (Us), Llc Processor systems to estimate audience sizes and impression counts for different frequency intervals
WO2020103079A1 (en) * 2018-11-22 2020-05-28 The Nielsen Company (US) , LLC Methods and apparatus to reduce computer-generated errors in computer-generated audience measurement data
US20200202370A1 (en) * 2018-12-21 2020-06-25 The Nielsen Company (Us), Llc Methods and apparatus to estimate misattribution of media impressions
US11308514B2 (en) * 2019-08-26 2022-04-19 The Nielsen Company (Us), Llc Methods and apparatus to estimate census level impressions and unique audience sizes across demographics
US20210271964A1 (en) * 2020-02-28 2021-09-02 The Nielsen Company (Us), Llc Methods and apparatus to predict in-tab drop using artificial intelligence
US20210357788A1 (en) * 2020-05-13 2021-11-18 The Nielsen Company (Us), Llc Methods and apparatus to generate computer-trained machine learning models to correct computer-generated errors in audience data
US20220058665A1 (en) * 2020-08-21 2022-02-24 The Nielsen Company (Us), Llc Methods and apparatus to assign demographic distribution data to digital television ratings (dtvr)
US20220058663A1 (en) * 2020-08-21 2022-02-24 The Nielsen Company (Us), Llc Methods and apparatus to generate audience metrics using matrix analysis
US11392982B2 (en) * 2020-10-15 2022-07-19 Jpmorgan Chase Bank, N.A. Method for accounting for impact of uncertainty in customer surveys
CN112100547B (zh) * 2020-11-10 2021-06-18 北京数智新天信息技术咨询有限公司 一种页面数据采集的方法、装置及电子设备
US11758210B1 (en) * 2021-06-24 2023-09-12 Amazon Technologies, Inc. Audience matching and content selection for unidentified audiences
US11564012B1 (en) * 2021-07-29 2023-01-24 The Nielsen Company (Us), Llc Methods and apparatus to identify and triage digital ad ratings data quality issues
US20230032845A1 (en) * 2021-08-02 2023-02-02 The Nielsen Company (Us), Llc Methods and apparatus to generate audience metrics for connected television
US20230311006A1 (en) * 2022-03-31 2023-10-05 Dell Products L.P. Determination of a parameter setting based on a calibration relationship for an information handling system
JP7198965B1 (ja) * 2022-09-08 2023-01-04 株式会社ビデオリサーチ データ処理装置、データ処理方法、およびプログラム

Family Cites Families (358)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4658290A (en) 1983-12-08 1987-04-14 Ctba Associates Television and market research data collection system and method
US4621325A (en) 1984-06-06 1986-11-04 Information Retrieval Methods, Inc. Method for monitoring receipt and stocking of goods in a direct store delivery
GB2176639B (en) 1985-05-31 1988-11-23 Mars Inc Data acquisition system
US5113518A (en) 1988-06-03 1992-05-12 Durst Jr Robert T Method and system for preventing unauthorized use of software
DE3991548C1 (de) 1989-01-09 1995-05-04 Shogaku Ikueisha Kyoiku Kenkyusho Elektrisches Gerät zum Ermitteln der Fenrsehprogramm-Einschaltquote
US5457645A (en) * 1989-11-24 1995-10-10 Matsushita Electric Industrial Co., Ltd. Pattern recognition system including a circuit for detecting maximum or minimum data elements which determines the standard pattern closest to the input pattern
US5214780A (en) 1990-03-23 1993-05-25 Sun Microsystems, Inc. Synchronized journaling system
DE69334270D1 (de) * 1992-12-09 2009-04-30 Sedna Patent Services Llc Aufsatz-Endgerät für Kabelfernsehverteilsysteme
JP3400068B2 (ja) 1994-03-18 2003-04-28 富士通株式会社 レスポンス金額予測システム
CA2119970A1 (en) 1994-03-25 1995-09-26 Michael A. Lyons Program monitoring system
US5594934A (en) 1994-09-21 1997-01-14 A.C. Nielsen Company Real time correlation meter
US5758257A (en) 1994-11-29 1998-05-26 Herz; Frederick System and method for scheduling broadcast of and access to video programs and other data using customer profiles
WO1996028904A1 (en) 1995-03-16 1996-09-19 Bell Atlantic Network Services, Inc. Simulcasting digital video programs for broadcast and interactive services
US5675510A (en) 1995-06-07 1997-10-07 Pc Meter L.P. Computer use meter and analyzer
US8574074B2 (en) 2005-09-30 2013-11-05 Sony Computer Entertainment America Llc Advertising impression determination
US5848396A (en) 1996-04-26 1998-12-08 Freedom Of Information, Inc. Method and apparatus for determining behavioral profile of a computer user
US5832520A (en) 1996-07-03 1998-11-03 Miller, Call, Plauck And Miller Automatic file differencing and updating system
US6073241A (en) 1996-08-29 2000-06-06 C/Net, Inc. Apparatus and method for tracking world wide web browser requests across distinct domains using persistent client-side state
US6108637A (en) 1996-09-03 2000-08-22 Nielsen Media Research, Inc. Content display monitor
US5870740A (en) 1996-09-30 1999-02-09 Apple Computer, Inc. System and method for improving the ranking of information retrieval results for short queries
US5948061A (en) 1996-10-29 1999-09-07 Double Click, Inc. Method of delivery, targeting, and measuring advertising over networks
WO1998028906A2 (en) * 1996-12-20 1998-07-02 Princeton Video Image, Inc. Set top device for targeted electronic insertion of indicia into video
US6052730A (en) 1997-01-10 2000-04-18 The Board Of Trustees Of The Leland Stanford Junior University Method for monitoring and/or modifying web browsing sessions
US6035339A (en) 1997-03-13 2000-03-07 At&T Corporation Network information delivery system for delivering information based on end user terminal requirements
US6643696B2 (en) 1997-03-21 2003-11-04 Owen Davis Method and apparatus for tracking client interaction with a network resource and creating client profiles and resource database
US5796952A (en) 1997-03-21 1998-08-18 Dot Com Development, Inc. Method and apparatus for tracking client interaction with a network resource and creating client profiles and resource database
IL121230A (en) 1997-07-03 2004-05-12 Nds Ltd Intelligent electronic program guide
US6141694A (en) 1997-09-16 2000-10-31 Webtv Networks, Inc. Determining and verifying user data
US6286140B1 (en) 1997-11-20 2001-09-04 Thomas P. Ivanyi System and method for measuring and storing information pertaining to television viewer or user behavior
US6098093A (en) 1998-03-19 2000-08-01 International Business Machines Corp. Maintaining sessions in a clustered server environment
US20020095676A1 (en) 1998-05-15 2002-07-18 Robert A. Knee Interactive television program guide system for determining user values for demographic categories
US6279036B1 (en) 1998-05-15 2001-08-21 International Business Machines Corporation Method and apparatus for detecting actual viewing or electronic advertisements
US7240022B1 (en) 1998-05-19 2007-07-03 Mypoints.Com Inc. Demographic information gathering and incentive award system and method
US6434614B1 (en) 1998-05-29 2002-08-13 Nielsen Media Research, Inc. Tracking of internet advertisements using banner tags
US6223215B1 (en) 1998-09-22 2001-04-24 Sony Corporation Tracking a user's purchases on the internet by associating the user with an inbound source and a session identifier
US6684194B1 (en) 1998-12-03 2004-01-27 Expanse Network, Inc. Subscriber identification system
US7949565B1 (en) 1998-12-03 2011-05-24 Prime Research Alliance E., Inc. Privacy-protected advertising system
US6457010B1 (en) 1998-12-03 2002-09-24 Expanse Networks, Inc. Client-server based subscriber characterization system
US7260823B2 (en) 2001-01-11 2007-08-21 Prime Research Alliance E., Inc. Profiling and identification of television viewers
US7150030B1 (en) 1998-12-03 2006-12-12 Prime Research Alliance, Inc. Subscriber characterization system
US6055573A (en) 1998-12-30 2000-04-25 Supermarkets Online, Inc. Communicating with a computer based on an updated purchase behavior classification of a particular consumer
CA2363501C (en) 1999-02-17 2005-01-04 Index Systems, Inc. System and method for tailoring television and/or electronic program guide features, such as advertising
US6460079B1 (en) 1999-03-04 2002-10-01 Nielsen Media Research, Inc. Method and system for the discovery of cookies and other client information
US6529952B1 (en) 1999-04-02 2003-03-04 Nielsen Media Research, Inc. Method and system for the collection of cookies and other information from a panel
US6721713B1 (en) 1999-05-27 2004-04-13 Andersen Consulting Llp Business alliance identification in a web architecture framework
US7523191B1 (en) 2000-06-02 2009-04-21 Yahoo! Inc. System and method for monitoring user interaction with web pages
US6102406A (en) 1999-06-07 2000-08-15 Steven A. Miles Internet-based advertising scheme employing scavenger hunt metaphor
EP1059599A3 (en) 1999-06-08 2002-09-25 Nokia Corporation Method and apparatus for retrieving specific information associated with an obtained indentifier
US6606657B1 (en) 1999-06-22 2003-08-12 Comverse, Ltd. System and method for processing and presenting internet usage information
US7010497B1 (en) 1999-07-08 2006-03-07 Dynamiclogic, Inc. System and method for evaluating and/or monitoring effectiveness of on-line advertising
AUPQ206399A0 (en) 1999-08-06 1999-08-26 Imr Worldwide Pty Ltd. Network user measurement system and method
US6415323B1 (en) 1999-09-03 2002-07-02 Fastforward Networks Proximity-based redirection system for robust and scalable service-node location in an internetwork
US6839680B1 (en) 1999-09-30 2005-01-04 Fujitsu Limited Internet profiling
US6704787B1 (en) 1999-12-03 2004-03-09 Intercard Payments, Inc. Date of birth authentication system and method using demographic and/or geographic data supplied by a subscriber that is verified by a third party
US6691163B1 (en) 1999-12-23 2004-02-10 Alexa Internet Use of web usage trail data to identify related links
WO2001052173A1 (en) 2000-01-13 2001-07-19 Erinmedia, Inc. Privacy compliant multiple dataset correlation system
US7146329B2 (en) 2000-01-13 2006-12-05 Erinmedia, Llc Privacy compliant multiple dataset correlation and content delivery system and methods
US6993590B1 (en) 2000-01-13 2006-01-31 Inktomi Corporation Method of creating data streams for user-specific usage data gathering systems
US7065503B2 (en) 2000-01-14 2006-06-20 Matsushita Electric Industrial Co., Ltd. Cookie data stored on transportable recording medium
JP4759198B2 (ja) 2000-01-14 2011-08-31 パナソニック株式会社 固有の情報が記録されている可搬性がある記録メディアに記録された固有の情報を、他の装置にアクセスさせるサービス提供装置、それらの方法、及び、当該記録メディア。
AU2001229654A1 (en) 2000-01-21 2001-07-31 Angara E-Commerce Services, Inc. Electronic commerce services
US7930285B2 (en) 2000-03-22 2011-04-19 Comscore, Inc. Systems for and methods of user demographic reporting usable for identifying users and collecting usage data
US7260837B2 (en) 2000-03-22 2007-08-21 Comscore Networks, Inc. Systems and methods for user identification, user demographic reporting and collecting usage data usage biometrics
US7181412B1 (en) 2000-03-22 2007-02-20 Comscore Networks Inc. Systems and methods for collecting consumer data
JP2001338176A (ja) 2000-03-23 2001-12-07 Casio Comput Co Ltd 情報伝達仲介方法及びシステム
JP2001282982A (ja) 2000-03-28 2001-10-12 Hisahiro Negi Ｗｅｂマーケティングシステム
US7039699B1 (en) 2000-05-02 2006-05-02 Microsoft Corporation Tracking usage behavior in computer systems
US7962603B1 (en) 2000-06-06 2011-06-14 Nobuyoshi Morimoto System and method for identifying individual users accessing a web site
JP2001357192A (ja) 2000-06-12 2001-12-26 Toshiba Corp 顧客意識調査方法およびシステム、ならびにプログラムを記憶した記憶媒体
KR100765735B1 (ko) 2000-07-03 2007-10-15 삼성전자주식회사 인터넷을 통한 사용자 정보 보호 시스템 및 그 방법
JP2004504674A (ja) 2000-07-18 2004-02-12 ヤフー！　インコーポレイテッド 売り切れ広告インベントリの代わりに別の広告インベントリを選択させるシステム及び方法
US7363643B2 (en) 2000-08-31 2008-04-22 Eddie Drake Real-time audience monitoring, content rating, and content enhancing
KR20020037980A (ko) 2000-11-16 2002-05-23 김형순 정보 중개 시스템
JP2002163562A (ja) 2000-11-27 2002-06-07 Dainippon Printing Co Ltd 情報配信サーバー装置
US6879960B2 (en) 2000-12-01 2005-04-12 Claritas, Inc. Method and system for using customer preferences in real time to customize a commercial transaction
US20030006911A1 (en) 2000-12-22 2003-01-09 The Cadre Group Inc. Interactive advertising system and method
EP1223757B1 (en) 2001-01-09 2006-03-22 Metabyte Networks, Inc. System, method, and software application for targeted advertising via behavioral model clustering, and preference programming based on behavioral model clusters
JP4248183B2 (ja) 2001-02-26 2009-04-02 パナソニック株式会社 クッキー処理プログラムおよび画像データ表示装置
JP2002344933A (ja) * 2001-03-15 2002-11-29 Matsushita Electric Ind Co Ltd データ放送を利用した視聴情報収集システム及び方法、並びにそのシステムに用いられる放送受信端末、視聴情報サーバ、販売店端末及び視聴情報利用端末
AU2002305137A1 (en) 2001-04-06 2002-10-21 Predictive Media Corporation Method and apparatus for identifying unique client users from user behavioral data
WO2002084507A1 (en) 2001-04-13 2002-10-24 Netiq Corporation User-side tracking of multimedia application usage within a web page
WO2002103521A1 (en) 2001-06-19 2002-12-27 Cable & Wireless Internet Services, Inc. Real-time streaming media measurement system and method
JP2003044396A (ja) 2001-08-03 2003-02-14 Fujitsu Ltd アクセス管理方法
US20030037131A1 (en) 2001-08-17 2003-02-20 International Business Machines Corporation User information coordination across multiple domains
US7295977B2 (en) 2001-08-27 2007-11-13 Nec Laboratories America, Inc. Extracting classifying data in music from an audio bitstream
JP2003067289A (ja) 2001-08-30 2003-03-07 Bear Communications Co Ltd ウェブ広告配信システム
JPWO2003027860A1 (ja) 2001-09-19 2005-01-13 株式会社エヌ・ティ・ティ・アド 時間軸上で変化するコンテンツを配信するコンテンツ配信システム、コンテンツ配信サーバ、ログ収集サーバ、コンテンツ中継サーバ、ユーザ端末、コンテンツ視聴状態把握方法、レコメンデーション方法及びコンテンツ提供方法
US20030074252A1 (en) 2001-10-12 2003-04-17 Avenue A, Inc. System and method for determining internet advertising strategy
US6877007B1 (en) 2001-10-16 2005-04-05 Anna M. Hentzel Method and apparatus for tracking a user's interaction with a resource supplied by a server computer
US7343417B2 (en) 2001-11-30 2008-03-11 Knowledge Networks, Inc. System and method for rating media information
US7272617B1 (en) 2001-11-30 2007-09-18 Ncr Corp. Analytic data set creation for modeling in a customer relationship management system
US20030177488A1 (en) 2002-03-12 2003-09-18 Smith Geoff S. Systems and methods for media audience measurement
AU2003239385A1 (en) 2002-05-10 2003-11-11 Richard R. Reisman Method and apparatus for browsing using multiple coordinated device
US20030229884A1 (en) 2002-05-21 2003-12-11 Hewlett-Packard Development Company Interaction manager template
US20040167763A1 (en) 2002-05-31 2004-08-26 Liebman Michael N Information processing method for evaluating biochemical pathway models using clinical data
EP1379044A1 (en) 2002-06-22 2004-01-07 TELEFONAKTIEBOLAGET LM ERICSSON (publ) Method for providing information to a web server
US20040003394A1 (en) 2002-07-01 2004-01-01 Arun Ramaswamy System for automatically matching video with ratings information
US8086559B2 (en) 2002-09-24 2011-12-27 Google, Inc. Serving content-relevant advertisements with client-side device support
US7890451B2 (en) 2002-10-09 2011-02-15 Compete, Inc. Computer program product and method for refining an estimate of internet traffic
US20040088212A1 (en) * 2002-10-31 2004-05-06 Hill Clarke R. Dynamic audience analysis for computer content
US7505958B2 (en) 2004-09-30 2009-03-17 International Business Machines Corporation Metadata management for a data abstraction model
US7574423B2 (en) 2003-03-20 2009-08-11 International Business Machines Corporation Partial data model exposure through client side caching
CA2432483C (en) 2003-06-17 2010-04-13 Ibm Canada Limited - Ibm Canada Limitee Multiple identity management in an electronic commerce site
US9117217B2 (en) 2003-08-01 2015-08-25 Advertising.Com Llc Audience targeting with universal profile synchronization
US8464290B2 (en) 2003-08-01 2013-06-11 Tacoda, Inc. Network for matching an audience with deliverable content
CN100507894C (zh) 2003-08-01 2009-07-01 塔科达有限公司 用于分段并且确定目标观众成员的系统和方法
US7805332B2 (en) 2003-08-01 2010-09-28 AOL, Inc. System and method for segmenting and targeting audience members
US20070198327A1 (en) 2003-08-15 2007-08-23 Amir Yazdani Systems and methods for measuring, targeting, verifying, and reporting advertising impressions
WO2005024689A1 (ja) 2003-09-04 2005-03-17 Interscope Inc. 消費者の購買行動分析方法及び装置
US7152074B2 (en) 2003-09-19 2006-12-19 International Business Machines Corporation Extensible framework supporting deposit of heterogenous data sources into a target data repository
US20060294259A1 (en) 2003-10-24 2006-12-28 Telefonaktiebolaget Lm Ericsson (Publ) Method and device for audience monitoring on multicast capable networks
JP4384895B2 (ja) 2003-11-14 2009-12-16 フィールファイン株式会社 年齢アセスメント装置及び年齢アセスメント方法
JP2005176067A (ja) * 2003-12-12 2005-06-30 Nec Electronics Corp 視聴情報収集システム、視聴情報収集サーバ、及び端末
US20050144069A1 (en) 2003-12-23 2005-06-30 Wiseman Leora R. Method and system for providing targeted graphical advertisements
US7949639B2 (en) 2004-02-20 2011-05-24 Symphonyiri Group, Inc. Attribute segments and data table bias reduction
US7792954B2 (en) 2004-04-02 2010-09-07 Webtrends, Inc. Systems and methods for tracking web activity
US20050267799A1 (en) 2004-05-10 2005-12-01 Wesley Chan System and method for enabling publishers to select preferred types of electronic documents
US8942882B2 (en) 2004-07-02 2015-01-27 The Boeing Company Vehicle health management systems and methods
US7302447B2 (en) 2005-01-14 2007-11-27 International Business Machines Corporation Virtual columns
CN102523063A (zh) 2004-08-09 2012-06-27 尼尔森（美国）有限公司 用于监视来自各种源的音频/视觉内容的方法及装置
US7546370B1 (en) 2004-08-18 2009-06-09 Google Inc. Search engine with multiple crawlers sharing cookies
US20060089754A1 (en) 2004-10-27 2006-04-27 Andrew Mortenson An installed Vehicle Personal Computing (VPC) system with touch interaction, voice interaction or sensor interaction(s) that provides access to multiple information sources and software applications such as internet connected data applications, dynamic traffic-aware navigational routing, vehicle tracking, emergency accident dispatching, business applications, office applications, music and video player(s), personal info portal, vehicle monitoring, alarm and camera security and recording.
JP2006127320A (ja) * 2004-10-29 2006-05-18 Solid Technology Kk 端末属性推定装置および端末属性推定方法
JP2006127321A (ja) 2004-10-29 2006-05-18 Solid Technology Kk 端末属性後付装置および端末属性後付方法
US8131861B2 (en) 2005-05-20 2012-03-06 Webtrends, Inc. Method for cross-domain tracking of web site traffic
US8312172B2 (en) 2005-05-26 2012-11-13 Bytemobile, Inc. Method and system for delta compression
US7849154B2 (en) 2005-06-27 2010-12-07 M:Metrics, Inc. Acquiring, storing, and correlating profile data of cellular mobile communications system's users to events
JP4764103B2 (ja) 2005-08-18 2011-08-31 株式会社東芝 コンテンツデータ配信システム、及び情報処理装置
CN100452781C (zh) 2005-10-26 2009-01-14 华为技术有限公司 一种传送目的地用户部分不可用消息的方法
US20080086356A1 (en) 2005-12-09 2008-04-10 Steve Glassman Determining advertisements using user interest information and map-based location information
US20090030780A1 (en) 2006-01-03 2009-01-29 Ds-Iq, Inc. Measuring effectiveness of marketing campaigns presented on media devices in public places using audience exposure data
US20070208640A1 (en) 2006-02-21 2007-09-06 Banasiak Michael J Method and Apparatus for Assessing Debtor Payment Behavior
CA3074180C (en) 2006-03-27 2023-03-21 The Nielsen Company (Us), Llc Methods and systems to meter media content presented on a wireless communication device
US7941525B1 (en) 2006-04-01 2011-05-10 ClickTale, Ltd. Method and system for monitoring an activity of a user
US20130254787A1 (en) 2006-05-02 2013-09-26 Invidi Technologies Corporation Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising
US8131763B2 (en) 2006-05-03 2012-03-06 Cellco Partnership Age verification and content filtering systems and methods
US20070271518A1 (en) 2006-05-16 2007-11-22 Bellsouth Intellectual Property Corporation Methods, Apparatus and Computer Program Products for Audience-Adaptive Control of Content Presentation Based on Sensed Audience Attentiveness
US20070271580A1 (en) 2006-05-16 2007-11-22 Bellsouth Intellectual Property Corporation Methods, Apparatus and Computer Program Products for Audience-Adaptive Control of Content Presentation Based on Sensed Audience Demographics
US7818290B2 (en) 2006-06-14 2010-10-19 Identity Metrics, Inc. System to associate a demographic to a user of an electronic system
WO2007146876A2 (en) 2006-06-15 2007-12-21 The Nielsen Company Methods and apparatus to meter content exposure using closed caption information
US20080004958A1 (en) 2006-06-29 2008-01-03 Tony Ralph Client side counting verification testing
CN100456298C (zh) 2006-07-12 2009-01-28 百度在线网络技术（北京）有限公司 广告信息检索系统及广告信息检索方法
US20100004977A1 (en) 2006-09-05 2010-01-07 Innerscope Research Llc Method and System For Measuring User Experience For Interactive Activities
KR100823853B1 (ko) * 2006-09-22 2008-04-21 숭실대학교산학협력단 인구통계학적 속성과 구매이력을 이용한 개인화 콘텐츠추천 방법
US20080097806A1 (en) 2006-10-24 2008-04-24 Harver Group Llc Social Online Memory Systems
US8700457B2 (en) 2007-01-03 2014-04-15 William H. Bollman Mobile phone based rebate device for redemption at a point of sale terminal
CN101222348B (zh) 2007-01-10 2011-05-11 阿里巴巴集团控股有限公司 统计网站真实用户的方法及系统
US7996519B1 (en) 2007-03-07 2011-08-09 Comscore, Inc. Detecting content and user response to content
US8166076B2 (en) 2007-03-08 2012-04-24 Microsoft Corporation Digital media metadata management
KR100910517B1 (ko) 2007-03-21 2009-07-31 엔에이치엔비즈니스플랫폼 주식회사 브라우저-로그인 맵핑을 통한 타겟 인벤토리 확장 방법 및시스템
JP2008252536A (ja) * 2007-03-30 2008-10-16 Nec Corp 視聴者情報収集システム、視聴者情報収集装置、視聴者情報収集方法、視聴者情報収集プログラム及び通信装置
US7853969B2 (en) 2007-04-03 2010-12-14 Google Inc. Log processing to determine impression values using reliable durations
US8229458B2 (en) 2007-04-08 2012-07-24 Enhanced Geographic Llc Systems and methods to determine the name of a location visited by a user of a wireless device
WO2008130753A2 (en) * 2007-04-18 2008-10-30 The Nielsen Company Methods and apparatus to facilitate sales estimates
US20080276179A1 (en) 2007-05-05 2008-11-06 Intapp Inc. Monitoring and Aggregating User Activities in Heterogeneous Systems
US20090217315A1 (en) 2008-02-26 2009-08-27 Cognovision Solutions Inc. Method and system for audience measurement and targeting media
EP2153559A2 (en) 2007-05-31 2010-02-17 The Nielsen Company Methods and apparatus to model set-top box data
US8099315B2 (en) 2007-06-05 2012-01-17 At&T Intellectual Property I, L.P. Interest profiles for audio and/or video streams
US8660895B1 (en) 2007-06-14 2014-02-25 Videomining Corporation Method and system for rating of out-of-home digital media network based on automatic measurement
US7890592B2 (en) 2007-06-29 2011-02-15 Microsoft Corporation Processing data obtained from a presence-based system
US8229780B2 (en) 2007-07-30 2012-07-24 Silvercarrot, Inc. System and method for online lead generation
US20090055241A1 (en) 2007-08-23 2009-02-26 Att Knowledge Ventures L.P. System and Method for Estimating a Qualiifed Impression Count for Advertising Data in a Communication System
US7698422B2 (en) 2007-09-10 2010-04-13 Specific Media, Inc. System and method of determining user demographic profiles of anonymous users
US20090076899A1 (en) 2007-09-14 2009-03-19 Gbodimowo Gbeminiyi A Method for analyzing, searching for, and trading targeted advertisement spaces
JP4273359B2 (ja) 2007-09-28 2009-06-03 Ｎｅｃソフト株式会社 年齢推定システム及び年齢推定方法
US7925694B2 (en) 2007-10-19 2011-04-12 Citrix Systems, Inc. Systems and methods for managing cookies via HTTP content layer
US8073807B1 (en) 2007-11-02 2011-12-06 Google Inc Inferring demographics for website members
JP5267062B2 (ja) * 2007-11-16 2013-08-21 ソニー株式会社 情報処理装置、情報処理方法、コンテンツ視聴装置、コンテンツ表示方法、プログラム及び情報共有システム
WO2009076617A2 (en) 2007-12-13 2009-06-18 Google Inc. Impression normalization
US20090157512A1 (en) 2007-12-14 2009-06-18 Qualcomm Incorporated Near field communication transactions with user profile updates in a mobile environment
US20090171762A1 (en) 2008-01-02 2009-07-02 Microsoft Corporation Advertising in an Entertainment Access Service
US8180112B2 (en) 2008-01-21 2012-05-15 Eastman Kodak Company Enabling persistent recognition of individuals in images
JP5178219B2 (ja) 2008-01-31 2013-04-10 三菱スペース・ソフトウエア株式会社 アクセス解析装置及びアクセス解析方法及びアクセス解析プログラム
US8302120B2 (en) 2008-02-19 2012-10-30 The Nielsen Company (Us), Llc Methods and apparatus to monitor advertisement exposure
US8151194B1 (en) 2008-03-26 2012-04-03 Google Inc. Visual presentation of video usage statistics
US8112301B2 (en) 2008-04-14 2012-02-07 Tra, Inc. Using consumer purchase behavior for television targeting
WO2009146197A1 (en) 2008-04-17 2009-12-03 Arbitron Inc. Cross-media interactivity metrics
JP2009259119A (ja) * 2008-04-18 2009-11-05 Video Research:Kk 情報収集システム、情報収集方法、及び情報収集プログラム
US9083853B2 (en) 2008-06-02 2015-07-14 Intent IQ, LLC Targeted television advertisements associated with online users' preferred television programs or channels
US20090307084A1 (en) 2008-06-10 2009-12-10 Integrated Media Measurement, Inc. Measuring Exposure To Media Across Multiple Media Delivery Mechanisms
US8515937B1 (en) 2008-06-30 2013-08-20 Alexa Internet Automated identification and assessment of keywords capable of driving traffic to particular sites
JP5123765B2 (ja) * 2008-07-03 2013-01-23 株式会社ビデオリサーチ 受信端末及び視聴情報収集システム
US20100010866A1 (en) 2008-07-11 2010-01-14 Microsoft Corporation Advertising across social network communication pathways
US8280683B2 (en) 2008-07-17 2012-10-02 International Business Machines Corporation Probabilistic framework for the highly efficient correlation of call chains with hardware events
JP4834042B2 (ja) 2008-08-06 2011-12-07 ヤフー株式会社 ユーザ作成コンテンツ管理装置、ユーザ作成コンテンツ管理システムおよび閲覧者の嗜好調査方法
CN102165460A (zh) 2008-08-20 2011-08-24 韦尔普罗有限责任公司 用于生成密码的数据包发生器
US8549163B2 (en) 2008-09-18 2013-10-01 Jonathan M. Urdan Passive parameter based demographics generation
US20100076814A1 (en) 2008-09-24 2010-03-25 Manning Kathleen E Method for financial forecasting for associations using actuarial open group simulation
US20100088152A1 (en) 2008-10-02 2010-04-08 Dominic Bennett Predicting user response to advertisements
US8893201B2 (en) 2008-10-16 2014-11-18 At&T Intellectual Property I, L.P. Presentation of an avatar in association with a merchant system
US20120110027A1 (en) 2008-10-28 2012-05-03 Fernando Falcon Audience measurement system
US20100121676A1 (en) 2008-11-11 2010-05-13 Yahoo! Inc. Method and system for logging impressions of online advertisments
US8087041B2 (en) 2008-12-10 2011-12-27 Google Inc. Estimating reach and frequency of advertisements
US20100153175A1 (en) 2008-12-12 2010-06-17 At&T Intellectual Property I, L.P. Correlation of Psycho-Demographic Data and Social Network Data to Initiate an Action
US8356247B2 (en) 2008-12-16 2013-01-15 Rich Media Worldwide, Llc Content rendering control system and method
US20100161385A1 (en) 2008-12-19 2010-06-24 Nxn Tech, Llc Method and System for Content Based Demographics Prediction for Websites
CN102301362B (zh) 2009-01-15 2014-06-18 艾尔蒙德纳特公司 请求离线配置文件数据用于以隐私敏感方式的在线使用
US20100191689A1 (en) 2009-01-27 2010-07-29 Google Inc. Video content analysis for automatic demographics recognition of users and videos
GB2479113A (en) 2009-01-29 2011-09-28 Nielsen Co Methods and apparatus to measure market statistics
US20100205057A1 (en) 2009-02-06 2010-08-12 Rodney Hook Privacy-sensitive methods, systems, and media for targeting online advertisements using brand affinity modeling
KR101168705B1 (ko) 2009-02-18 2012-08-02 김기미 이동통신 단말기와 아이피 기반 정보 단말기를 이용한 맞춤, 지능형 심볼, 아이콘 인터넷 정보 검색시스템
GB2525758A (en) 2009-03-06 2015-11-04 Appnexus Inc A computer system
CN101505247A (zh) 2009-03-09 2009-08-12 成都市华为赛门铁克科技有限公司 一种共享接入主机数目的检测方法和装置
KR101073112B1 (ko) 2009-03-11 2011-10-12 박상호 저작물과 광고를 공개라이센스를 이용하여 결합한 컨텐츠 관리방법 및 그 장치
KR100931328B1 (ko) 2009-03-12 2009-12-11 주식회사 로그 복수의 접속 통계 서버를 통합하여 운영하는 시스템 및 그 방법
US8150974B2 (en) 2009-03-17 2012-04-03 Kindsight, Inc. Character differentiation system generating session fingerprint using events associated with subscriber ID and session ID
US7882054B2 (en) 2009-03-19 2011-02-01 Gutman Levitan System for estimating audience size in a digital broadcast environment using control packets and predictions
US8266687B2 (en) 2009-03-27 2012-09-11 Sophos Plc Discovery of the use of anonymizing proxies by analysis of HTTP cookies
JP5424306B2 (ja) 2009-03-31 2014-02-26 ソニー株式会社 情報処理装置および方法、プログラム、並びに記録媒体
JP5492630B2 (ja) 2009-03-31 2014-05-14 株式会社ビデオリサーチ コンテンツ接触調査システム及びコンテンツ接触調査方法
US10008212B2 (en) 2009-04-17 2018-06-26 The Nielsen Company (Us), Llc System and method for utilizing audio encoding for measuring media exposure with environmental masking
US20100268540A1 (en) 2009-04-17 2010-10-21 Taymoor Arshi System and method for utilizing audio beaconing in audience measurement
US20100268573A1 (en) 2009-04-17 2010-10-21 Anand Jain System and method for utilizing supplemental audio beaconing in audience measurement
US8429287B2 (en) 2009-04-29 2013-04-23 Rangecast Technologies, Llc Network audio distribution system and method
US8990337B2 (en) 2009-06-08 2015-03-24 Collective, Inc. Tracking advertising abandonment rates
US20100312706A1 (en) 2009-06-09 2010-12-09 Jacques Combet Network centric system and method to enable tracking of consumer behavior and activity
US20100325051A1 (en) 2009-06-22 2010-12-23 Craig Stephen Etchegoyen System and Method for Piracy Reduction in Software Activation
JP2011015355A (ja) * 2009-07-06 2011-01-20 Nippon Telegr & Teleph Corp <Ntt> 属性推定装置及び方法及びプログラム
EP2452273A4 (en) 2009-07-08 2014-01-08 Ericsson Telefon Ab L M METHOD AND ARRANGEMENTS FOR MULTIMEDIA CONTENT ANALYSIS
US9178634B2 (en) 2009-07-15 2015-11-03 Time Warner Cable Enterprises Llc Methods and apparatus for evaluating an audience in a content-based network
US8612860B2 (en) 2009-08-12 2013-12-17 Warner Music Inc. Systems, methods, and media for coordinating the presentation of media with an event
CN101635009B (zh) 2009-08-21 2015-06-17 腾讯科技（深圳）有限公司 基于海量数据的用户年龄估算方法及系统
US20120192214A1 (en) 2009-12-22 2012-07-26 Resonate Networks Method and apparatus for delivering targeted content to television viewers
KR101118741B1 (ko) 2009-08-31 2012-03-12 주식회사 나스미디어 인터넷 광고 시청률 제공 방법
US8504411B1 (en) 2009-09-14 2013-08-06 Aol Advertising Inc. Systems and methods for online user profiling and segmentation
US20110087519A1 (en) 2009-10-09 2011-04-14 Visa U.S.A. Inc. Systems and Methods for Panel Enhancement with Transaction Data
US8595058B2 (en) 2009-10-15 2013-11-26 Visa U.S.A. Systems and methods to match identifiers
US8549552B2 (en) 2009-11-03 2013-10-01 The Nielsen Company (Us), Llc Methods and apparatus to monitor media exposure in vehicles
US8566856B2 (en) 2009-12-01 2013-10-22 International Business Machines Corporation Video stream measurement method and system
CA2784192C (en) 2009-12-08 2018-06-19 Comscore, Inc. Methods for capturing and reporting metrics regarding ad placement
KR20110071452A (ko) * 2009-12-21 2011-06-29 주식회사 케이티 장르 가중치를 이용한 방송 프로그램 추천 방법 및 장치
US20110153391A1 (en) * 2009-12-21 2011-06-23 Michael Tenbrock Peer-to-peer privacy panel for audience measurement
US8925024B2 (en) 2009-12-31 2014-12-30 The Nielsen Company (Us), Llc Methods and apparatus to detect commercial advertisements associated with media presentations
US20110191184A1 (en) 2010-01-29 2011-08-04 Bank Of America Corporation Mobile location integrated merchant offer program and customer shopping
US20110246306A1 (en) 2010-01-29 2011-10-06 Bank Of America Corporation Mobile location tracking integrated merchant offer program and customer shopping
US20110191664A1 (en) 2010-02-04 2011-08-04 At&T Intellectual Property I, L.P. Systems for and methods for detecting url web tracking and consumer opt-out cookies
US20110196735A1 (en) 2010-02-05 2011-08-11 Von Sydow Gustav System and method for measuring effectiveness of electronically presented advertizing
WO2011097624A2 (en) 2010-02-08 2011-08-11 Facebook, Inc. Communicating information in a social network system about activities from another domain
US8595789B2 (en) 2010-02-15 2013-11-26 Bank Of America Corporation Anomalous activity detection
CN102859967A (zh) 2010-03-01 2013-01-02 诺基亚公司 用于基于用户交互数据来估计用户特征的方法和设备
US20120310729A1 (en) 2010-03-16 2012-12-06 Dalto John H Targeted learning in online advertising auction exchanges
CN102834842B (zh) 2010-03-23 2016-06-29 诺基亚技术有限公司 用于确定用户年龄范围的方法和装置
JP5423879B2 (ja) * 2010-03-29 2014-02-19 日本電気株式会社 データアクセス場所選択システム、方法およびプログラム
US20110246298A1 (en) 2010-03-31 2011-10-06 Williams Gregory D Systems and Methods for Integration and Anomymization of Supplier Data
US8626901B2 (en) 2010-04-05 2014-01-07 Comscore, Inc. Measurements based on panel and census data
US20110282730A1 (en) 2010-05-13 2011-11-17 AdChoice, Inc. System and method for selecting and implementing an internet advertising campaign
US8307006B2 (en) 2010-06-30 2012-11-06 The Nielsen Company (Us), Llc Methods and apparatus to obtain anonymous audience measurement data from network server data for particular demographic and usage profiles
US8484511B2 (en) 2010-07-01 2013-07-09 Time Warner Cable Enterprises Llc Apparatus and methods for data collection, analysis and validation including error correction in a content delivery network
US9747605B2 (en) 2010-08-02 2017-08-29 Facebook, Inc. Measuring quality of user interaction with third party content
WO2012019643A1 (en) 2010-08-10 2012-02-16 Telefonaktiebolaget L M Ericsson (Publ) Aggregating demographic distribution information
US8886773B2 (en) 2010-08-14 2014-11-11 The Nielsen Company (Us), Llc Systems, methods, and apparatus to monitor mobile internet activity
AU2013203898B2 (en) 2010-09-22 2015-07-02 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions using distributed demographic information
US9092797B2 (en) * 2010-09-22 2015-07-28 The Nielsen Company (Us), Llc Methods and apparatus to analyze and adjust demographic information
JP5681421B2 (ja) 2010-09-22 2015-03-11 株式会社ビデオリサーチ 情報配信システム
AU2011305429B2 (en) 2010-09-22 2015-07-30 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions using distributed demographic information
US20120078725A1 (en) 2010-09-27 2012-03-29 Infosys Technologies Limited Method and system for contextual advertisement recommendation across multiple devices of content delivery
US9122760B2 (en) 2010-10-12 2015-09-01 Robert Osann, Jr. User preference correlation for web-based selection
JP5674414B2 (ja) 2010-10-27 2015-02-25 株式会社ビデオリサーチ アクセスログマッチングシステム及びアクセスログマッチング方法
US8484241B2 (en) 2010-10-29 2013-07-09 Russell Kent Bouse Systems and methods to consolidate and communicate user profiles and modality preferences information for content delivery or interaction experiences
US8495143B2 (en) 2010-10-29 2013-07-23 Facebook, Inc. Inferring user profile attributes from social information
US8607295B2 (en) 2011-07-06 2013-12-10 Symphony Advanced Media Media content synchronized advertising platform methods
US8631122B2 (en) 2010-11-29 2014-01-14 Viralheat, Inc. Determining demographics based on user interaction
WO2012078662A1 (en) 2010-12-06 2012-06-14 Campaigngrid, Llc Electronic and network-based franking
JP5633080B2 (ja) 2010-12-08 2014-12-03 Ｎｅｃソリューションイノベータ株式会社 属性値推定装置、属性値推定方法、プログラム及び記録媒体
US20120151079A1 (en) 2010-12-13 2012-06-14 Jan Besehanic Methods and apparatus to measure media exposure
US8453173B1 (en) 2010-12-13 2013-05-28 Google Inc. Estimating demographic compositions of television audiences from audience similarities
US9497154B2 (en) 2010-12-13 2016-11-15 Facebook, Inc. Measuring social network-based interaction with web content external to a social networking system
US20120158490A1 (en) 2010-12-16 2012-06-21 Yahoo! Inc. Sponsored search auction mechanism for rich media advertising
CA2977942C (en) 2010-12-20 2021-08-03 The Nielsen Company (Us), Llc Methods and apparatus to determine media impressions using distributed demographic information
US8874639B2 (en) 2010-12-22 2014-10-28 Facebook, Inc. Determining advertising effectiveness outside of a social networking system
US8699855B2 (en) 2010-12-23 2014-04-15 Echostar Technologies L.L.C. User-selected interstitial media content recording
US20120173701A1 (en) 2010-12-30 2012-07-05 Arbitron Inc. Matching techniques for cross-platform monitoring and information
US20120185274A1 (en) 2011-01-14 2012-07-19 Guzihou Hu System and Method for Predicting Inner Age
US20120209920A1 (en) 2011-02-10 2012-08-16 Microsoft Corporation Social influencers discovery
US20120206331A1 (en) 2011-02-14 2012-08-16 Gandhi Sidhant D Methods and Systems for Supporting Gesture Recognition Applications across Devices
US8543454B2 (en) 2011-02-18 2013-09-24 Bluefin Labs, Inc. Generating audience response metrics and ratings from social interest in time-based media
WO2012128895A2 (en) 2011-03-18 2012-09-27 The Nielsen Company (Us), Llc Methods and apparatus to determine media impressions
US8984547B2 (en) 2011-04-11 2015-03-17 Google Inc. Estimating demographic compositions of television audiences
US20120265606A1 (en) 2011-04-14 2012-10-18 Patnode Michael L System and method for obtaining consumer information
US8315620B1 (en) 2011-05-27 2012-11-20 The Nielsen Company (Us), Llc Methods and apparatus to associate a mobile device with a panelist profile
US9282158B2 (en) 2011-06-06 2016-03-08 Google Inc. Reducing redirects
US8560683B2 (en) 2011-06-10 2013-10-15 Google Inc. Video and site analytics
US9210208B2 (en) 2011-06-21 2015-12-08 The Nielsen Company (Us), Llc Monitoring streaming media content
US8688524B1 (en) 2011-06-28 2014-04-01 Amazon Technologies, Inc. Tracking online impressions to offline purchases
US8498491B1 (en) 2011-08-10 2013-07-30 Google Inc. Estimating age using multiple classifiers
US10783547B2 (en) 2011-08-17 2020-09-22 Facebook, Inc. Approximating unique advertisement impressions on a social networking system
US20130060629A1 (en) 2011-09-07 2013-03-07 Joshua Rangsikitpho Optimization of Content Placement
JP2013057918A (ja) 2011-09-09 2013-03-28 Shigeto Umeda 可変長の広告を表示また、入札するシステム
US8909771B2 (en) 2011-09-15 2014-12-09 Stephan HEATH System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets
US20130080263A1 (en) 2011-09-23 2013-03-28 Jonathan Goldman Per-view charging for video advertisements
US20130085803A1 (en) * 2011-10-03 2013-04-04 Adtrak360 Brand analysis
US20140310058A1 (en) 2011-11-07 2014-10-16 New York University Identifying Influential and Susceptible Members of Social Networks
US20130117103A1 (en) 2011-11-08 2013-05-09 Insightexpress, Llc Universal control
US20130124628A1 (en) 2011-11-15 2013-05-16 Srilal Weerasinghe Method and apparatus for providing social network based advertising with user control and privacy
JP2015039094A (ja) * 2011-11-24 2015-02-26 シャープ株式会社 コンテンツ提供装置、コンテンツ提供装置にて実行されるプログラム、テレビ受像機、プログラムを記憶した記憶媒体
WO2013078640A1 (en) 2011-11-30 2013-06-06 Google Inc. Estimating user demographics
US9331975B2 (en) 2011-12-16 2016-05-03 The Nielsen Company (Us), Llc Systems, methods, and apparatus to identify media presentation devices
US9224094B2 (en) 2012-01-26 2015-12-29 The Nielsen Company (Us), Llc Systems, methods, and articles of manufacture to measure online audiences
US8600796B1 (en) 2012-01-30 2013-12-03 Bazaarvoice, Inc. System, method and computer program product for identifying products associated with polarized sentiments
US20130204694A1 (en) 2012-02-07 2013-08-08 Sayso, Llc Context-Based Study Generation and Administration
US9015255B2 (en) 2012-02-14 2015-04-21 The Nielsen Company (Us), Llc Methods and apparatus to identify session users with cookie information
US8973023B1 (en) 2012-02-29 2015-03-03 The Nielsen Company (Us), Llc Methods and apparatus to determine audience duplication in cross-media campaigns
US9659105B2 (en) 2012-03-15 2017-05-23 The Nielsen Company (Us), Llc Methods and apparatus to track web browsing sessions
US20130262181A1 (en) 2012-03-30 2013-10-03 Alexander Topchy Methods and apparatus to predict audience composition and/or solicit audience members
US9965767B2 (en) 2012-04-20 2018-05-08 Comscore, Inc. Attribution of demographics to census data
US20130325588A1 (en) 2012-06-04 2013-12-05 The Board of Trustees for the Leland Stanford, Junior, University Method and System for Measuring the Effectiveness of Search Advertising
WO2013184488A1 (en) 2012-06-05 2013-12-12 Almondnet, Inc. Targeted television advertising based on a profile linked to an online device associated with a content-selecting device
US20130331971A1 (en) 2012-06-10 2013-12-12 Eran Bida Watermarking and using same for audience measurement
AU2013204865B2 (en) 2012-06-11 2015-07-09 The Nielsen Company (Us), Llc Methods and apparatus to share online media impressions data
EP2862349A4 (en) 2012-06-14 2015-11-11 Flextronics Ap Llc METHOD AND SYSTEM FOR ADAPTING TELEVISION CONTENTS
EP2864938A1 (en) 2012-06-21 2015-04-29 Thomson Licensing Method and apparatus for inferring user demographics
US9430778B2 (en) * 2012-07-30 2016-08-30 Kount Inc. Authenticating users for accurate online audience measurement
US20140040171A1 (en) 2012-07-31 2014-02-06 Triapodi Ltd Content-based demographic estimation of users of mobile devices and usage thereof
US8843951B1 (en) 2012-08-27 2014-09-23 Google Inc. User behavior indicator
US9461876B2 (en) 2012-08-29 2016-10-04 Loci System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction
AU2013204953B2 (en) * 2012-08-30 2016-09-08 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions
US9571606B2 (en) 2012-08-31 2017-02-14 Verance Corporation Social media viewing system
US20140108130A1 (en) 2012-10-12 2014-04-17 Google Inc. Calculating audience metrics for online campaigns
US9621446B2 (en) 2012-10-26 2017-04-11 Comscore, Inc. Combining measurements based on beacon data
US9055021B2 (en) 2012-11-30 2015-06-09 The Nielsen Company (Us), Llc Methods and apparatus to monitor impressions of social media messages
US9215489B2 (en) 2012-11-30 2015-12-15 The Nielson Company (Us), Llc Custom electronic program guides
US9491090B1 (en) 2012-12-20 2016-11-08 Juniper Networks, Inc. Methods and apparatus for using virtual local area networks in a switch fabric
US9363388B2 (en) 2013-02-18 2016-06-07 Tekelec, Inc. Methods, systems, and computer readable media for providing targeted services to telecommunications network subscribers based on information extracted from network signaling and data traffic
US20140279724A1 (en) 2013-03-15 2014-09-18 Turn Inc. Taxonomy configuration for page analytics and campaign creation
US20140280888A1 (en) 2013-03-15 2014-09-18 Francis Gavin McMillan Methods, Apparatus and Articles of Manufacture to Monitor Media Devices
US20140282665A1 (en) 2013-03-15 2014-09-18 Nick Salvatore ARINI Set top box cookies
US20140324544A1 (en) 2013-04-26 2014-10-30 Paul Donato Methods and apparatus to determine demographic distributions of online users
US9519914B2 (en) 2013-04-30 2016-12-13 The Nielsen Company (Us), Llc Methods and apparatus to determine ratings information for online media presentations
US9269049B2 (en) 2013-05-08 2016-02-23 Exelate, Inc. Methods, apparatus, and systems for using a reduced attribute vector of panel data to determine an attribute of a user
US20140337104A1 (en) * 2013-05-09 2014-11-13 Steven J. Splaine Methods and apparatus to determine impressions using distributed demographic information
EP2806669A1 (de) 2013-05-23 2014-11-26 Deutsche Telekom AG Verschobene Übertragung von Daten zur Entlastung der Luftschnittstelle
US8775332B1 (en) 2013-06-13 2014-07-08 InsideSales.com, Inc. Adaptive user interfaces
US9319443B2 (en) 2013-06-26 2016-04-19 Comcast Cable Communications, Llc Content segment detection and replacement
US10068246B2 (en) 2013-07-12 2018-09-04 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions
KR101487323B1 (ko) 2013-08-08 2015-01-29 (주)에보소닉 음향 압력을 이용하는 진동 장치 및 이를 구비하는 인체 자극 장치
US9313294B2 (en) 2013-08-12 2016-04-12 The Nielsen Company (Us), Llc Methods and apparatus to de-duplicate impression information
US9084013B1 (en) 2013-11-15 2015-07-14 Google Inc. Data logging for media consumption studies
US20150181267A1 (en) 2013-12-19 2015-06-25 Simulmedia, Inc. Systems and methods for inferring and forecasting viewership and demographic data for unmonitored media networks
US10909551B2 (en) 2013-12-23 2021-02-02 The Nielsen Company (Us), Llc Methods and apparatus to identify users associated with device application usage
US9852163B2 (en) 2013-12-30 2017-12-26 The Nielsen Company (Us), Llc Methods and apparatus to de-duplicate impression information
US9237138B2 (en) 2013-12-31 2016-01-12 The Nielsen Company (Us), Llc Methods and apparatus to collect distributed user information for media impressions and search terms
US10147114B2 (en) 2014-01-06 2018-12-04 The Nielsen Company (Us), Llc Methods and apparatus to correct audience measurement data
US20150193816A1 (en) 2014-01-06 2015-07-09 The Nielsen Company (Us), Llc Methods and apparatus to correct misattributions of media impressions
US8910195B1 (en) 2014-02-20 2014-12-09 Google Inc. Systems and methods for enhancing audience measurement data
KR101934841B1 (ko) 2014-03-13 2019-01-03 더 닐슨 컴퍼니 (유에스) 엘엘씨 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치
US20150278858A1 (en) 2014-03-27 2015-10-01 Exelate Method and system for producing segment indexes
WO2015179808A1 (en) 2014-05-23 2015-11-26 Adap.Tv, Inc. Systems and methods for web spike attribution
JP6267062B2 (ja) 2014-06-04 2018-01-24 積水化学工業株式会社 建物用付帯構造物およびユニット建物
US10311464B2 (en) 2014-07-17 2019-06-04 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions corresponding to market segments
US20160189182A1 (en) 2014-12-31 2016-06-30 The Nielsen Company (Us), Llc Methods and apparatus to correct age misattribution in media impressions
US10219039B2 (en) 2015-03-09 2019-02-26 The Nielsen Company (Us), Llc Methods and apparatus to assign viewers to media meter data
US20160350773A1 (en) 2015-05-28 2016-12-01 The Nielsen Company (Us), Llc Methods and apparatus to correct age misattribution
US10699286B2 (en) 2015-06-26 2020-06-30 The Nielsen Company (Us), Llc Methods and apparatus to correct attribution errors and coverage bias for digital audio ratings
US10380633B2 (en) 2015-07-02 2019-08-13 The Nielsen Company (Us), Llc Methods and apparatus to generate corrected online audience measurement data
US10045082B2 (en) 2015-07-02 2018-08-07 The Nielsen Company (Us), Llc Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices
US20170011420A1 (en) 2015-07-10 2017-01-12 The Nielsen Company (Us), Llc Methods and apparatus to analyze and adjust age demographic information
US9838754B2 (en) 2015-09-01 2017-12-05 The Nielsen Company (Us), Llc On-site measurement of over the top media
US10187675B2 (en) 2015-10-12 2019-01-22 The Nielsen Company (Us), Llc Methods and apparatus to identify co-relationships between media using social media

Also Published As

Publication number Publication date
KR20210132208A (ko) 2021-11-03
KR102317823B1 (ko) 2021-10-27
CN106462858B (zh) 2022-03-08
JP2017513109A (ja) 2017-05-25
KR102193392B1 (ko) 2020-12-22
CN106462858A (zh) 2017-02-22
KR20160117544A (ko) 2016-10-10
EP4219071A2 (en) 2023-08-02
AU2014386191A1 (en) 2016-07-21
CA2936701A1 (en) 2015-09-17
JP2022003523A (ja) 2022-01-11
WO2015138016A1 (en) 2015-09-17
US10803475B2 (en) 2020-10-13
JP6239784B2 (ja) 2017-11-29
CA2936701C (en) 2021-12-14
US20210027323A1 (en) 2021-01-28
CA3119830A1 (en) 2015-09-17
AU2022201074A1 (en) 2022-03-10
US11568431B2 (en) 2023-01-31
JP2018041493A (ja) 2018-03-15
KR20200143746A (ko) 2020-12-24
AU2020201228A1 (en) 2020-03-12
JP6595072B2 (ja) 2019-10-23
AU2018200997A1 (en) 2018-03-01
JP6457049B2 (ja) 2019-01-23
GB2539588A (en) 2016-12-21
KR101934841B1 (ko) 2019-01-03
CA3119830C (en) 2023-11-14
EP3117385A4 (en) 2017-08-02
EP3117385A1 (en) 2017-01-18
JP2019050011A (ja) 2019-03-28
KR102473454B1 (ko) 2022-12-02
GB201616110D0 (en) 2016-11-09
KR20190002736A (ko) 2019-01-08
KR20220164621A (ko) 2022-12-13
JP2020038676A (ja) 2020-03-12
EP4219071A3 (en) 2023-08-09
JP6918884B2 (ja) 2021-08-11
US20190147466A1 (en) 2019-05-16
US20150262207A1 (en) 2015-09-17
US20230281650A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
US11568431B2 (en) Methods and apparatus to compensate for server-generated errors in database proprietor impression data due to misattribution and/or non-coverage
US11706490B2 (en) Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices
US11887133B2 (en) Methods and apparatus to generate electronic mobile measurement census data

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40072670

Country of ref document: HK