CN114581140A - 一种广告投放楼盘的推荐方法、装置及电子设备 - Google Patents

一种广告投放楼盘的推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN114581140A
CN114581140A CN202210217243.5A CN202210217243A CN114581140A CN 114581140 A CN114581140 A CN 114581140A CN 202210217243 A CN202210217243 A CN 202210217243A CN 114581140 A CN114581140 A CN 114581140A
Authority
CN
China
Prior art keywords
floor
information
enterprise
value
matrix
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
CN202210217243.5A
Other languages
English (en)
Inventor
张艳红
李晋
唐举洪
谢利堂
傅宏伟
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.)
Chengdu Pingmeng Technology Co ltd
Original Assignee
Chengdu Xinchao Media Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Xinchao Media Group Co Ltd filed Critical Chengdu Xinchao Media Group Co Ltd
Priority to CN202210217243.5A priority Critical patent/CN114581140A/zh
Publication of CN114581140A publication Critical patent/CN114581140A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种广告投放楼盘的推荐方法、装置及电子设备，所述方法包括：获取广告投放企业的企业信息；根据所述企业信息，生成广告投放企业的信息向量；将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表；将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘；本发明避免了人工推荐所存在的容易受到主观因素影响的问题，不仅节省了大量的人力，还提高了楼盘推荐的准确性，适用于大规模应用与推广。

Description

一种广告投放楼盘的推荐方法、装置及电子设备
技术领域
本发明属于广告投放技术领域，具体涉及一种广告投放楼盘的推荐方法、装置及电子设备。
背景技术
随着4G、5G和物联网技术的兴起，新一代多媒体广告媒介正逐渐走进人们的日常生活中；电梯凭借其独特的使用场景，获得了巨大的保有量和人流量，同时，还凭借其内部具有封闭空间的特点，使得在其内部进行广告播放的干扰远远低于室外广告播放，所以，以电梯电视、电梯海报、电梯画框等为代表的生活圈媒体广告迅速崛起，成为广告市场增长新引擎，且增大趋势迅猛。
目前，电梯广告投放楼盘的选择，通常是通过人工对电梯所在的楼盘进行分析得出，即根据楼盘的基础信息和楼盘的人群画像等数据，结合销售人员的经验进行判断来得出广告投放楼盘，上述方法存在以下不足：需要耗费大量的人力进行筛选，且由于销售人员对于非自己熟悉的区域通常存在认知缺陷，容易受到主观因素的影响，使得并不能精准地推荐合适的楼盘，因此，如何准确的推荐广告的投放楼盘，成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种广告投放楼盘的推荐方法、装置及电子设备，以解决现有的推荐方法容易受到主观因素的影响，从而不能精准的推荐广告楼盘的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种广告投放楼盘的推荐方法，包括：
获取广告投放企业的企业信息；
根据所述企业信息，生成广告投放企业的信息向量；
将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；
按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表；
将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘。
基于上述公开的内容，本发明预先构建有楼盘推荐模型，由此，能够在广告投放企业初次投放广告时，利用楼盘推荐模型以及该企业的企业信息，来得出该广告投放企业与各个楼盘的匹配值(匹配值越大，说明投放的广告与楼盘的贴合越高)，最后，按照匹配值从大到小的顺序将各个楼盘推送至客户终端，即可完成广告投放楼盘的精准推荐；通过前述设计，本发明避免了人工推荐所存在的容易受到主观因素影响的问题，不仅节省了大量的人力，还提高了楼盘推荐的准确性，适用于大规模应用与推广。
在一个可能的设计中，在获取广告投放企业的企业信息前，所述方法还包括：
获取训练数据集，其中，所述训练数据集包括多个已投放企业的企业信息，以及多个已投放企业中每个已投放企业在所述各个楼盘中的广告投放状态，所述广告投放状态包括已投放状态和未投放状态，且已投放状态用1表示，未投放状态用0表示；
根据所述多个已投放企业的企业信息，生成每个已投放企业的信息向量；
利用每个已投放企业的信息向量，得到包含所有已投放企业的企业信息的信息矩阵；
根据所述每个已投放企业在所述各个楼盘中的广告投放状态，生成所有已投放企业相对于所述各个楼盘的广告投放状态矩阵，其中，所述广告投放状态矩阵的任一行表示一已投放企业在各个楼盘的广告投放状态；
以所述信息矩阵和所述广告投放状态矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，训练深度神经网络，得到所述楼盘推荐模型。
基于上述公开的内容，本发明公开了楼盘推荐模型的构建过程，即利用深度神经网络为模型主体，然后收集多个已投放企业的企业信息，以及每个已投放企业在各个楼盘中的广告投放状态，以便生成包含所有已投放企业的企业信息的信息矩阵，以及广告投放状态矩阵；最后，以前述两个矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，不断训练深度神经网络，训练完成后，即可得到楼盘推荐模型。
在一个可能的设计中，以所述信息矩阵和所述广告投放状态矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，训练深度神经网络，得到所述楼盘推荐模型，包括：
利用所述信息矩阵和所述广告投放状态矩阵，生成一匹配值计算矩阵，以作为所述深度神经网络的网络参数，其中，所述匹配值计算矩阵的行数与所述广告投放状态矩阵的行数相同，所述匹配值计算矩阵的列数与所述信息矩阵的列数相同；
b.计算所述网络参数与所述信息矩阵的乘积，得到匹配值结果矩阵，其中，所述匹配值结果矩阵中的元素值作为各个已投放企业与各个楼盘的投放匹配值；
c.利用所述匹配值结果矩阵，确定所述深度神经网络的损失函数值；
d.利用所述损失函数值，确定所述深度神经网络中代价函数的函数值；
e.判断所述代价函数的函数值是否小于预设阈值；
f.若否，则利用代价函数更新所述深度神经网络的网络参数，得到更新后的深度神经网络，并以迭代方式重复前述步骤b～f，直至更新后的深度神经网络满足预设条件为止，以便将满足预设条件的深度神经网络作为所述楼盘推荐模型，其中，所述预设条件为所述更新后的深度神经网络的代价函数的函数值小于所述预设阈值。
基于上述公开的内容，本发明公开了深度神经网络的具体训练过程，即先利用信息矩阵和广告投放状态矩阵确定深度神经网络的网络参数，该网络参数用于后续进行匹配值的计算，然后，计算网络参数与信息矩阵的乘积，从而得出模型的输出结果(即匹配值结果矩阵)，接着，为保证模型的准确性，还需利用模型的输出结果来确定出模型的损失函数值，由损失函数值来判断模型是否收敛，即利用损失函数值得出模型的代价函数值，若代价函数值大于预设阈值，则需要更新网络参数，并重复前述步骤，直至代价函数值小于预设阈值为止，此时，即可结束训练，得到训练后的深度神经网络，从而将训练后的深度神经网络作为楼盘推荐模型。
在一个可能的设计中，按照如下公式，确定所述深度神经网络的损失函数值；
L(y′i,yi)＝-yilog(y′i)-(1-yi)log(1-yi)
上述式中，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，且所述第i个元素的真实值是根据所述广告投放状态矩阵得到的。
在一个可能的设计中，按照如下公式，确定所述深度神经网络中代价函数的函数值；
Figure BDA0003535483550000031
上述式中，J表示代价函数，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，其中，所述第i个元素的真实值是根据所述广告投放状态矩阵得到的，且K表示所述匹配值结果矩阵中元素的总个数。
在一个可能的设计中，利用所述代价函数更新所述深度神经网络的网络参数，包括：
利用所述匹配值计算矩阵，计算所述代价函数的偏导数；
计算预设迭代步长与所述偏导数的乘积，得到更新参数；
计算所述匹配值计算矩阵与所述更新参数的差值，得到更新后的网络参数。
在一个可能的设计中，在将所述楼盘推荐列表发送至客户终端后，所述方法还包括：
获取用户在客户终端上对所述楼盘推荐列表中至少一个楼盘的操作记录，其中，所述至少一个楼盘中的每个楼盘为在客户终端上已展示的楼盘，且所述操作记录包括浏览记录、加入购物车记录、收藏记录和/或下单记录；
获取所述操作记录中每个操作记录的权重；
根据所述操作记录中每个操作记录的权重，计算出至少一个楼盘中每个楼盘的权重值；
按照权重值从大到小的顺序对至少一个楼盘进行排序，并提取出排序前n位的楼盘对应的楼盘信息；
获取目标楼盘的楼盘信息，其中，所述目标楼盘为所述楼盘推荐列表中未展示的楼盘；
根据所述目标楼盘的楼盘信息、所述排序前n位的楼盘对应的楼盘信息以及排序前n位的楼盘的权重值，计算出所述目标楼盘中每个目标楼盘的推荐权重值；
按照推荐权重值从大到小的顺序对所述目标楼盘进行排序，以将排序顺序作为所述目标楼盘的展示顺序。
基于上述公开的内容，本发明可在用户浏览楼盘推荐列表中的部分楼盘后，通过用户对浏览楼盘的操作记录，并基于各个操作记录对应的权重，来得出其偏重的楼盘，同时，结合楼盘对应的楼盘信息，来计算剩余未展示楼盘的推荐权重值，并在后续展示时，按照推荐权重值从大到小的顺序进行展示；由此通过前述设计，可根据用户行为来不断完善推荐的楼盘，使得推荐结果越来越精准。
在一个可能的设计中，根据所述目标楼盘的楼盘信息、所述排序前n位的楼盘对应的楼盘信息以及排序前n位的楼盘的权重值，计算出所述目标楼盘中每个目标楼盘的推荐权重值，包括：
利用所述目标楼盘的楼盘信息，构建所述目标楼盘中每个目标楼盘的第一楼盘信息向量，以及利用所述排序前n位的楼盘对应的楼盘信息，构建排序前n位楼盘中每个楼盘的第二楼盘信息向量；
按照如下公式，计算出所述目标楼盘中每个目标楼盘的推荐权重值；
Figure BDA0003535483550000041
上述式中，Gl表示第l个目标楼盘的推荐权重值，
Figure BDA0003535483550000042
表示排序第z位楼盘的第二楼盘信息向量，
Figure BDA0003535483550000043
第l个目标楼盘的第一楼盘信息向量，gz表示排序第z位楼盘的权重值。
第二方面，本发明提供了一种广告投放楼盘的推荐装置，包括：
获取单元，用于获取广告投放企业的企业信息；
向量构建单元，用于根据所述企业信息，生成广告投放企业的信息向量；
匹配值计算单元，用于将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；
推荐列表生成单元，用于按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表；
发送单元，用于将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘。
第三方面，本发明提供了另一种广告投放楼盘的推荐装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述广告投放楼盘的推荐方法。
第四方面，本发明提供了一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述广告投放楼盘的推荐方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述广告投放楼盘的推荐方法。
附图说明
图1为本发明提供的广告投放楼盘的推荐系统的系统架构示意图；
图2为本发明提供的广告投放楼盘的推荐方法的步骤流程示意图；
图3为本发明提供的楼盘推荐模型的构建流程示意图；
图4为本发明提供的广告投放楼盘的推荐装置的结构示意图；
图5为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例
参见图1所示，为本申请提供一种系统架构，该系统包括服务器以及至少一个客户终端，其中，至少一个客户终端中的每个客户终端通信连接服务器，以用于将广告投放企业的企业信息传输至服务器，而服务器在接收到企业信息后，即可将企业信息输入至楼盘推荐模型中，从而得出广告投放企业与各个楼盘的投放匹配值，最后，基于投放匹配值即可实现楼盘的推荐；由此，本系统避免了人工推荐所存在的容易受到主观因素影响的问题，不仅节省了大量的人力，还提高了楼盘推荐的准确性，适用于大规模应用与推广。
参见图2和图3所示，本实施例第一方面所提供的广告投放楼盘的推荐方法，适用于各个企业在进行电梯广告投放时，投放楼盘的推荐，其中，前述推荐方法可以但不限于在服务器侧运行，当然前述执行主体并不构成对本申请实施例的限定。
在阐述应用时的广告投放楼盘的推荐方法前，首先阐述，本申请中楼盘推荐模型的构建以及训练过程，其中，在具体应用时，本实施例是以深度神经网络为模型主体，然后利用训练数据集不断训练深度神经网络，直至深度神经网络收敛时为止，可选的，构建过程如下述步骤S01～S05。
S01.获取训练数据集，其中，所述训练数据集包括多个已投放企业的企业信息，以及多个已投放企业中每个已投放企业在所述各个楼盘中的广告投放状态，所述广告投放状态包括已投放状态和未投放状态，且已投放状态用1表示，未投放状态用0表示；具体应用时，各个已投放企业的企业信息可以但不限于包括：工商信息(如企业名称、所属行业、注册资金、注册地和/或参保人数等)、财务信息(如利润、负债、收入和/或总资产等)和/或上市信息(如股价、市值和/或成交指数等)；同时，广告投放状态用于表征各个已投放企业在各个楼盘是否投放了广告，其用于后续确定模型的网络参数，以及进行损失函数的计算。
在得到前述数据组成的训练数据集后，即可进行数据的预处理，以便将预处理后的训练数据集输入至深度神经网络中进行网络的训练，其中，数据的预处理过程如下述步骤S02、步骤S03和步骤S04所示。
S02.根据所述多个已投放企业的企业信息，生成每个已投放企业的信息向量；具体应用时，可以使用企业信息中每个企业信息的数据来构建出信息向量。
下述以一个实例来阐述信息向量的构建过程：
假设已投放企业Q的工商信息为：所属行业为食品行业(设定该行业对应的信息值为1)，注册地为四川(设定四川对应的信息值为5)，注册资本为100万，参保人数为200人；财务信息为：去年利润为200万，负债2000万；上市信息为：股价3.5元，因此，已投放企业Q的信息向量为：
Figure BDA0003535483550000071
同理，其余已投放企业的信息向量的构建过程与前述举例一致，于此不再赘述。
在本实施例中，服务器中存储有信息值列表，信息值列表包括各个注册地以及各个行业对应的信息值；同时，为防止计算量过大，可对各个信息向量进行归一化处理，从而保证信息向量的每一个数值都位于[0,1]之间，以便达到减少计算量的目的。
在得到每个已投放企业的信息向量后，即可利用每个信息向量，组成信息矩阵，如下述步骤S03所示。
S03.利用每个已投放企业的信息向量，得到包含所有已投放企业的企业信息的信息矩阵；具体应用时，可以但不限于将所有已投放企业的信息向量按照列组织成矩阵，从而得到信息矩阵。
在前述举例的基础上，假设已投放企业Q的信息向量为Q，已投放企业E的信息向量为E，已投放企业T的信息向量为T，那么信息矩阵R则为：
R＝[Q E T]
当然，当已投放企业的数量大于3个时，信息矩阵的构建过程与前述举例一致，于此不再赘述。
在得到所有已投放企业的信息矩阵后，还需构建出能够反映所有已投放企业在各个楼盘中的广告投放状态的矩阵，即构建出广告投放状态矩阵，如下述步骤S04所示。
S04.根据所述每个已投放企业在所述各个楼盘中的广告投放状态，生成所有已投放企业相对于所述各个楼盘的广告投放状态矩阵，其中，所述广告投放状态矩阵的任一行表示一已投放企业在各个楼盘的广告投放状态。
下述还是以一个实例来阐述广告投放状态矩阵的构建过程，在前述三个已投放企业的基础上，假设存在三个楼盘，分别为楼盘甲、楼盘乙和楼盘丙，其中，已投放企业Q在楼盘甲投放了广告(广告投放状态为1)，在楼盘乙未投放广告(广告投放状态为0)，在楼盘丙未投放广告(广告投放状态为0)；已投放企业E在楼盘甲未投放广告(广告投放状态为0)，在楼盘乙投放了广告(广告投放状态为1)，在楼盘丙投放了广告(广告投放状态为1)；已投放企业T在楼盘甲投放了广告(广告投放状态为1)，在楼盘乙未投放广告(广告投放状态为0)，在楼盘丙投放了广告(广告投放状态为1)，因此，即可以每个已投放企业在三个楼盘的投放状态作为行，来构建广告投放状态矩阵Y，如下所示：
Figure BDA0003535483550000081
在得到广告投放状态矩阵后，即可联合信息矩阵，训练深度神经网络，从而得到楼盘推荐模型，如下述步骤S05所示。
S05.以所述信息矩阵和所述广告投放状态矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，训练深度神经网络，得到所述楼盘推荐模型；具体应用时，训练过程如下述步骤a～f所示。
a.利用所述信息矩阵和所述广告投放状态矩阵，生成一匹配值计算矩阵，以作为所述深度神经网络的网络参数；在具体应用时，初次构建的匹配值计算矩阵只要满足行数与所述广告投放状态矩阵的行数相同，列数与所述信息矩阵的列数相同即可，至于匹配值计算矩阵中的元素值，可随机生成；而匹配值计算矩阵，则是后续与信息矩阵参与运算，从而得出各个已投放企业与各个楼盘的投放匹配值，因此，后续在训练过程中，则是要不断更新前述网络参数，直至输出的结果使损失函数值收敛为止。
可选的，将网络参数与信息矩阵做矢量积，即可得出各个已投放企业与各个楼盘的投放匹配值，如下述步骤b所示。
b.计算所述网络参数与所述信息矩阵的乘积，得到匹配值结果矩阵，其中，所述匹配值结果矩阵中的元素值作为各个已投放企业与各个楼盘的投放匹配值；具体的，以一个公式来表示匹配值结果矩阵Y′。
Y′＝W·R，该式中，W为匹配值计算矩阵，也就是网络参数，
在本实施例中，匹配值结果矩阵也就是网络的输出结果，即匹配值结果矩阵中各个元素的值介于[0.1]之间，其中，越靠近1，说明对应已投放企业与楼盘越匹配，反之，则越不匹配；因此，只需将匹配值结果矩阵中各个元素的值作为各个已投放企业与各个楼盘的投放匹配值，即可完成楼盘的推荐。
同时，为保证网络训练的合理以及准确性，需要利用损失函数判断网络是否收敛，其中，判断过程如下述步骤c～e所示。
c.利用所述匹配值结果矩阵，确定所述深度神经网络的损失函数值；具体应用时，可以但不限于按照如下公式，确定所述深度神经网络的损失函数值；
L(y′i,yi)＝-yilog(y′i)-(1-yi)log(1-yi)
上述式中，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，且所述第i个元素的真实值是根据所述广告投放状态矩阵得到的，即第i个元素的真实值为0或为1。
通过前述损失函数的公式可知，匹配值结果矩阵中每个元素均会对应有一个损失函数值，因此，步骤c得出的损失函数值为一个集合。
在得到深度神经网络的损失函数值后，即可根据损失函数值判断网络是否收敛，如下述步骤d所示。
d.利用所述损失函数值，确定所述深度神经网络中代价函数的函数值；具体应用时，可以但不限于按照如下公式，确定所述深度神经网络中代价函数的函数值；
Figure BDA0003535483550000091
上述式中，J表示代价函数，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，其中，所述第i个元素的真实值是根据所述广告投放状态矩阵得到的，且K表示所述匹配值结果矩阵中元素的总个数。
根据前述代价函数的公式可知，代价函数的函数值相当于为步骤c中损失函数值的平均值，因此，只要平均值满足网络收敛条件，即可结束网络的训练过程，而网络收敛条件则是计算出的匹配值结果矩阵与广告投放状态矩阵的差距足够小，其映射到网络中则是：代价函数的函数值要小于预设阈值，若小于，则可结束训练过程，否则，则需要更新网络参数，并重复前述步骤，直至小于预设阈值位置，如下述步骤e和f所示。
e.判断所述代价函数的函数值是否小于预设阈值；在本实施例中，预设阈值预设至服务器中，其数值大小不作限定。
f.若否，则利用代价函数更新所述深度神经网络的网络参数，得到更新后的深度神经网络，并以迭代方式重复前述步骤b～f，直至更新后的深度神经网络满足预设条件为止，以便将满足预设条件的深度神经网络作为所述楼盘推荐模型，其中，所述预设条件为所述更新后的深度神经网络的代价函数的函数值小于所述预设阈值。
可选的，网络参数的更新步骤如下述步骤f1～f3所示。
f1.利用所述匹配值计算矩阵，计算所述代价函数的偏导数；具体应用时，可以但不限于计算代价函数中匹配值计算矩阵W的偏导数。
f2.计算预设迭代步长与所述偏导数的乘积，得到更新参数。
f3.计算所述匹配值计算矩阵与所述更新参数的差值，得到更新后的网络参数。
下述以一个公式来总结前述步骤f1～f3：
Figure BDA0003535483550000101
该式中，W′表示更新后的匹配值计算矩阵，即更新后的网络参数，α表示预设迭代步长，为定值。
由此通过前述步骤a～f，即可在训练过程中不断的更新网络参数，而当网络达到预设条件时，即可得到楼盘训练模型。
因此，在具体应用时，对于一企业进行初次广告投放，即可使用前述楼盘推荐模型来得出其最适合投放广告的楼盘，其中，推荐过程如下述步骤S1～S5所示。
S1.获取广告投放企业的企业信息；在本实施例中，可由广告投放企业的工作人员在客户终端上输入企业信息，从而传输至服务器；同理，广告投放企业的企业信息所包含的数据种类与前述已投放企业的企业信息相同，于此不再赘述。
S2.根据所述企业信息，生成广告投放企业的信息向量；具体应用时，步骤S2的原理与前述步骤S02相同，于此不再赘述。
在得到广告投放企业的信息向量后，即可将信息向量输入至楼盘推荐模型中，从而得出该广告投放企业与各个楼盘的投放匹配值，如下述步骤S3所示。
S3.将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；在本实施例中，信息向量输入至楼盘推荐模型中的具体运算过程为：信息向量与模型中的网络参数(即匹配值计算矩阵)进行相乘，从而得出匹配值结果矩阵，进而基于匹配值结果矩阵得出广告投放企业与各个楼盘的投放匹配值。
在得出广告投放企业与各个楼盘的投放匹配值后，即可按照投放匹配值从高到低的顺序，进行楼盘推荐，如下述步骤S4和步骤S5所示。
S4.按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表。
S5.将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘；具体的，排序越靠前，说明对应楼盘越适合投放广告，因此，工作人员即可选择楼盘推荐列表中排序前3位或前5位的楼盘进行广告投放。
可选的，在具体应用时，还可定期更新已投放企业的企业信息，并重新生成信息矩阵以及广告投放状态矩阵，从而更新楼盘推荐模型中的网络参数，由此，随着模型中数据量的增大，模型的准确度将不断提高。
由此通过前述对广告投放楼盘的推荐方法的详细描述，本发明避免了人工推荐所存在的容易受到主观因素影响的问题，不仅节省了大量的人力，还提高了楼盘推荐的准确性，适用于大规模应用与推广；另外，本发明还可在使用过程中不断更新楼盘推荐膜，从而不断提高推荐结果的精准度。
由于楼盘推荐列表中所推荐的楼盘在进行显示时，并不是一次性展示给用户(如分页进行展示)，此时，用户在浏览先显示的楼盘时，可能会进行一系列的操作(如点击楼盘进行浏览、收藏或加入购物车等)，因此，本实施例第二方面在实施例第一方面的基础上，进行进一步的优化，其可在楼盘展示过程中，根据用户对已展示楼盘的行为来不断调整未展示楼盘的显示顺序，其中，调整过程如下述步骤S6～S12。
S6.获取用户在客户终端上对所述楼盘推荐列表中至少一个楼盘的操作记录，其中，所述至少一个楼盘中的每个楼盘为在客户终端上已展示的楼盘，且所述操作记录包括浏览记录、加入购物车记录、收藏记录和/或下单记录；具体应用时，是由客户终端来统计前述操作记录，并上传至服务器。
在得到用户在客户终端上对楼盘推荐列表中至少一个楼盘的操作记录后，即可获取至少一个楼盘中每个楼盘的权重，以便后续进行权重值的计算，如下述步骤S7和步骤S8所示。
S7.获取所述操作记录中每个操作记录的权重；具体应用时，各个操作记录的权重预先设置在服务器中，例如，浏览记录的权重为1，加入购物车记录的权重为3，收藏记录的权重为3，下单记录的权重为5，当然，权重大小不限于前述举例。
S8.根据所述操作记录中每个操作记录的权重，计算出至少一个楼盘中每个楼盘的权重值；具体应用时，每个楼盘的权重值为该楼盘对应操作记录的权重值的总和。
在得到已展示的楼盘的权重后，即可依据权重大小进行排序，以便提取出排序前n位的楼盘对应的楼盘信息，如下述步骤S9所示。
S9.按照权重值从大到小的顺序对至少一个楼盘进行排序，并提取出排序前n位的楼盘对应的楼盘信息；具体应用时，楼盘信息可以但不限于包括：男女比例、电梯数量、楼栋数量、物业费、楼内各个职业的人数和/或喜欢逛淘宝的人数等。
同理，还需获取楼盘推荐列表中未展示楼盘的楼盘信息，以便联合排序前n位的楼盘对应的楼盘信息以及权重，来计算各个未展示楼盘的推荐权重值，如下述步骤S10和步骤S11所示。
S10.获取目标楼盘的楼盘信息，其中，所述目标楼盘为所述楼盘推荐列表中未展示的楼盘；在本实施例中，服务器中存储有各个楼盘的楼盘信息，在使用时读取即可。
S11.根据所述目标楼盘的楼盘信息、所述排序前n位的楼盘对应的楼盘信息以及排序前n位的楼盘的权重值，计算出所述目标楼盘中每个目标楼盘的推荐权重值；具体应用时，每个目标楼盘的推荐权重值的计算过程如下述步骤S111～S113所示。
S111.利用所述目标楼盘的楼盘信息，构建所述目标楼盘中每个目标楼盘的第一楼盘信息向量，以及利用所述排序前n位的楼盘对应的楼盘信息，构建排序前n位楼盘中每个楼盘的第二楼盘信息向量。
下述以一个实例来阐述前述步骤S111：
假设排序前3为的楼盘依次为：楼盘乙、楼盘丙和楼盘丁，其中，楼盘乙的楼盘信息为：男女比例为0.6，电梯数量为20，楼栋数为5，物业费为3.5元一平米，职业为IT的人数为50，喜欢逛淘宝的人数为100，那么楼盘乙的第一楼盘信息向量为A1：
A1＝[0.6,20,5,3.5,50,100]
当然，楼盘丙和楼盘丁的第一楼盘信息向量，以及目标楼盘的第二楼盘信息向量的生成过程与前述举例一致，于此不再赘述。
在得到排序前n位楼盘的第一楼盘信息向量，以及目标楼盘的第二楼盘信息向量后，即可联合排序前n位楼盘的权重，来计算每个目标楼盘的推荐权重值，如下述步骤S112所示。
S112.按照如下公式，计算出所述目标楼盘中每个目标楼盘的推荐权重值。
Figure BDA0003535483550000121
上述式中，Gl表示第l个目标楼盘的推荐权重值，
Figure BDA0003535483550000122
表示排序第z位楼盘的第二楼盘信息向量，
Figure BDA0003535483550000123
第l个目标楼盘的第一楼盘信息向量，gz表示排序第z位楼盘的权重值。
S113.按照推荐权重值从大到小的顺序对所述目标楼盘进行排序，以将排序顺序作为所述目标楼盘的展示顺序。
下述以一个实例来阐述前述步骤：假设楼盘推荐列表中共计有100个楼盘，已展示楼盘为20个，未展示楼盘为80个，其中，已展示楼盘中权重值排序前3位的分别为楼盘乙、楼盘丙和楼盘丁，且楼盘乙的权重为9，楼盘丙的权重为5，楼盘丙的权重为4；因此，对于剩余的80个未展示楼盘来说，第一个未展示楼盘(原楼盘推荐列表排序第21位的楼盘)的推荐权重值为：
Figure BDA0003535483550000131
当然，其余未展示楼盘的推荐权重值与前述第一个未展示楼盘的推荐权重值的计算过程相同，于此不再赘述。
最后，在用户翻页的时候，即可按照推荐权重值从大到小的顺序显示未展示楼盘。
由此通过前述设计，可根据用户行为来不断完善推荐的楼盘，使得推荐结果越来越精准。
如图4所示，本实施例第三方面提供了一种实现实施例第一方面中所述的广告投放楼盘的推荐方法的硬件装置，包括：
获取单元，用于获取广告投放企业的企业信息。
向量构建单元，用于根据所述企业信息，生成广告投放企业的信息向量。
匹配值计算单元，用于将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值。
推荐列表生成单元，用于按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表。
发送单元，用于将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘。
本实施例提供的硬件装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图5所示，本实施例第四方面提供了另一种广告投放楼盘的推荐装置，以装置为电子设备为例，包括：依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面或第二方面所述的广告投放楼盘的推荐方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器(random accessmemory，RAM)、只读存储器(Read Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First In Last Out，FILO)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中，处理器可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，NPU)的处理器；所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service，GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议，ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。
本实施例第五方面提供了一种存储包含有实施例第一方面或第二方面所述的广告投放楼盘的推荐方法的指令的存储介质，即所述存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第二方面所述的广告投放楼盘的推荐方法。
其中，所述存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果，可以参见实施例第一方面或第二方面，于此不再赘述。
本实施例第六方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面或第二方面所述的广告投放楼盘的推荐方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种广告投放楼盘的推荐方法，其特征在于，包括：
获取广告投放企业的企业信息；
根据所述企业信息，生成广告投放企业的信息向量；
将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；
按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表；
将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘。
2.如权利要求1所述的方法，其特征在于，在获取广告投放企业的企业信息前，所述方法还包括：
获取训练数据集，其中，所述训练数据集包括多个已投放企业的企业信息，以及多个已投放企业中每个已投放企业在所述各个楼盘中的广告投放状态，所述广告投放状态包括已投放状态和未投放状态，且已投放状态用1表示，未投放状态用0表示；
根据所述多个已投放企业的企业信息，生成每个已投放企业的信息向量；
利用每个已投放企业的信息向量，得到包含所有已投放企业的企业信息的信息矩阵；
根据所述每个已投放企业在所述各个楼盘中的广告投放状态，生成所有已投放企业相对于所述各个楼盘的广告投放状态矩阵，其中，所述广告投放状态矩阵的任一行表示一已投放企业在各个楼盘的广告投放状态；
以所述信息矩阵和所述广告投放状态矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，训练深度神经网络，得到所述楼盘推荐模型。
3.如权利要求2所述的方法，其特征在于，以所述信息矩阵和所述广告投放状态矩阵为输入，每个已投放企业与各个楼盘的投放匹配值为输出，训练深度神经网络，得到所述楼盘推荐模型，包括：
利用所述信息矩阵和所述广告投放状态矩阵，生成一匹配值计算矩阵，以作为所述深度神经网络的网络参数，其中，所述匹配值计算矩阵的行数与所述广告投放状态矩阵的行数相同，所述匹配值计算矩阵的列数与所述信息矩阵的列数相同；
b.计算所述网络参数与所述信息矩阵的乘积，得到匹配值结果矩阵，其中，所述匹配值结果矩阵中的元素值作为各个已投放企业与各个楼盘的投放匹配值；
c.利用所述匹配值结果矩阵，确定所述深度神经网络的损失函数值；
d.利用所述损失函数值，确定所述深度神经网络中代价函数的函数值；
e.判断所述代价函数的函数值是否小于预设阈值；
f.若否，则利用代价函数更新所述深度神经网络的网络参数，得到更新后的深度神经网络，并以迭代方式重复前述步骤b～f，直至更新后的深度神经网络满足预设条件为止，以便将满足预设条件的深度神经网络作为所述楼盘推荐模型，其中，所述预设条件为所述更新后的深度神经网络的代价函数的函数值小于所述预设阈值。
4.如权利要求3所述的方法，其特征在于，按照如下公式，确定所述深度神经网络的损失函数值；
L(y′i,yi)＝-yilog(y′i)-(1-yi)log(1-yi)
上述式中，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，且所述第i个元素的真实值是根据所述广告投放状态矩阵得到的。
5.如权利要求4所述的方法，其特征在于，按照如下公式，确定所述深度神经网络中代价函数的函数值；
Figure FDA0003535483540000021
上述式中，J表示代价函数，L(y′i,yi)表示损失函数，y′i表示所述匹配值结果矩阵中第i个元素的值，yi表示所述第i个元素的真实值，其中，所述第i个元素的真实值是根据所述广告投放状态矩阵得到的，且K表示所述匹配值结果矩阵中元素的总个数。
6.如权利要求3所述的方法，其特征在于，利用所述代价函数更新所述深度神经网络的网络参数，包括：
利用所述匹配值计算矩阵，计算所述代价函数的偏导数；
计算预设迭代步长与所述偏导数的乘积，得到更新参数；
计算所述匹配值计算矩阵与所述更新参数的差值，得到更新后的网络参数。
7.如权利要求1所述的方法，其特征在于，在将所述楼盘推荐列表发送至客户终端后，所述方法还包括：
获取用户在客户终端上对所述楼盘推荐列表中至少一个楼盘的操作记录，其中，所述至少一个楼盘中的每个楼盘为在客户终端上已展示的楼盘，且所述操作记录包括浏览记录、加入购物车记录、收藏记录和/或下单记录；
获取所述操作记录中每个操作记录的权重；
根据所述操作记录中每个操作记录的权重，计算出至少一个楼盘中每个楼盘的权重值；
按照权重值从大到小的顺序对至少一个楼盘进行排序，并提取出排序前n位的楼盘对应的楼盘信息；
获取目标楼盘的楼盘信息，其中，所述目标楼盘为所述楼盘推荐列表中未展示的楼盘；
根据所述目标楼盘的楼盘信息、所述排序前n位的楼盘对应的楼盘信息以及排序前n位的楼盘的权重值，计算出所述目标楼盘中每个目标楼盘的推荐权重值；
按照推荐权重值从大到小的顺序对所述目标楼盘进行排序，以将排序顺序作为所述目标楼盘的展示顺序。
8.如权利要求7所述的方法，其特征在于，根据所述目标楼盘的楼盘信息、所述排序前n位的楼盘对应的楼盘信息以及排序前n位的楼盘的权重值，计算出所述目标楼盘中每个目标楼盘的推荐权重值，包括：
利用所述目标楼盘的楼盘信息，构建所述目标楼盘中每个目标楼盘的第一楼盘信息向量，以及利用所述排序前n位的楼盘对应的楼盘信息，构建排序前n位楼盘中每个楼盘的第二楼盘信息向量；
按照如下公式，计算出所述目标楼盘中每个目标楼盘的推荐权重值；
Figure FDA0003535483540000031
上述式中，Gl表示第l个目标楼盘的推荐权重值，
Figure FDA0003535483540000032
表示排序第z位楼盘的第二楼盘信息向量，
Figure FDA0003535483540000033
第l个目标楼盘的第一楼盘信息向量，gz表示排序第z位楼盘的权重值。
9.一种广告投放楼盘的推荐装置，其特征在于，包括：
获取单元，用于获取广告投放企业的企业信息；
向量构建单元，用于根据所述企业信息，生成广告投放企业的信息向量；
匹配值计算单元，用于将所述信息向量输入至楼盘推荐模型中，得到广告投放企业与各个楼盘的投放匹配值；
推荐列表生成单元，用于按照投放匹配值从高到低的顺序，对各个楼盘进行排序，得到楼盘推荐列表；
发送单元，用于将所述楼盘推荐列表发送至客户终端，以使所述广告投放企业的工作人员根据所述楼盘推荐列表选择出进行广告投放的楼盘。
10.一种电子设备，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～8任意一项所述的广告投放楼盘的推荐方法。
CN202210217243.5A 2022-03-07 2022-03-07 一种广告投放楼盘的推荐方法、装置及电子设备 Pending CN114581140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210217243.5A CN114581140A (zh) 2022-03-07 2022-03-07 一种广告投放楼盘的推荐方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210217243.5A CN114581140A (zh) 2022-03-07 2022-03-07 一种广告投放楼盘的推荐方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114581140A true CN114581140A (zh) 2022-06-03

Family

ID=81773915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210217243.5A Pending CN114581140A (zh) 2022-03-07 2022-03-07 一种广告投放楼盘的推荐方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114581140A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018566A (zh) * 2022-08-09 2022-09-06 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115994766A (zh) * 2022-11-03 2023-04-21 八度云计算(安徽)有限公司 一种自动定位目标人群的外呼系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018566A (zh) * 2022-08-09 2022-09-06 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115018566B (zh) * 2022-08-09 2022-12-23 卓望数码技术（深圳）有限公司 一种区域内小区的广告投放方法及装置
CN115994766A (zh) * 2022-11-03 2023-04-21 八度云计算(安徽)有限公司 一种自动定位目标人群的外呼系统
CN115994766B (zh) * 2022-11-03 2023-11-07 八度云计算(安徽)有限公司 一种自动定位目标人群的外呼系统

Similar Documents

Publication Publication Date Title
US20220215032A1 (en) Ai-based recommendation method and apparatus, electronic device, and storage medium
CN114581140A (zh) 一种广告投放楼盘的推荐方法、装置及电子设备
EP4198864A1 (en) User feature-based page display method and apparatus, medium, and electronic device
CN107526810B (zh) 建立点击率预估模型的方法及装置、展示方法及装置
CN106897884A (zh) 快速引导访客咨询的方法及系统
CN104834731A (zh) 一种自媒体信息的推荐方法及装置
WO2014193700A1 (en) Social media pricing engine
CN103069794A (zh) 改进的网络数据传输系统和方法
CN112508256B (zh) 一种基于众包的用户需求主动预测方法及系统
CN107885784A (zh) 提取用户特征数据的方法和装置
CN111626767B (zh) 资源数据的发放方法、装置及设备
CN113781139A (zh) 物品推荐方法、物品推荐装置、设备和介质
CN112287238A (zh) 用户特征的确定方法和装置、存储介质及电子设备
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN114266443A (zh) 数据评估方法和装置、电子设备、存储介质
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
KR102477687B1 (ko) 광고 관리 장치 및 이의 동작 방법
CN112053184B (zh) 推广信息投放方法、装置、电子设备以及存储介质
CN109190040A (zh) 基于协同演化的个性化推荐方法及装置
CN115115074A (zh) 一种电子资源消耗信息预测方法、装置、设备及存储介质
CN112348300A (zh) 用于推送信息的方法和装置
CN113159809A (zh) 对象处理方法、装置、电子设备及计算机可读存储介质
CN110781399A (zh) 一种跨平台的信息推送方法和装置
CN115809889A (zh) 基于营销效果的智能客群筛选方法、系统、介质及设备
CN113469752A (zh) 内容推荐方法、装置、存储介质及电子设备

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
TA01 Transfer of patent application right

Effective date of registration: 20221114

Address after: Room 1501, Floor 15, Unit 2, Building 1, No. 99, Jinhui West 1st Street, Hi tech Zone, Chengdu, Sichuan 610000

Applicant after: Chengdu Pingmeng Technology Co.,Ltd.

Address before: 610000 High-tech Zone, Chengdu City, Sichuan Province, No. 99, No. 1, No. 2, No. 15, No. 1, No. 1505, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No. 1, No

Applicant before: CHENGDU XINCHAO MEDIA GROUP Co.,Ltd.

TA01 Transfer of patent application right