CN114756731A - 广告渠道数据的处理方法及装置、存储介质、电子设备 - Google Patents
广告渠道数据的处理方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN114756731A CN114756731A CN202011597059.5A CN202011597059A CN114756731A CN 114756731 A CN114756731 A CN 114756731A CN 202011597059 A CN202011597059 A CN 202011597059A CN 114756731 A CN114756731 A CN 114756731A
- Authority
- CN
- China
- Prior art keywords
- network
- advertisement
- network structure
- channel
- relation
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims description 11
- 230000006870 function Effects 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000004048 modification Effects 0.000 claims description 39
- 238000012986 modification Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010845 search algorithm Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
- G06Q30/0263—Targeted advertisements based upon Internet or website rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种广告渠道数据的处理方法及装置、存储介质、电子设备，其中，方法包括：获取广告闭环系统中的各个广告渠道的广告访问量；基于各个广告渠道的广告访问量，构建贝叶斯网络的结构模型；贝叶斯网络的结构模型中的每个网络节点对应一个广告渠道，广告访问量存在影响关系的广告渠道对应的网络节点相连接；根据贝叶斯网络的结构模型中的网络节点间的连接关系构建多个关系函数；计算得到每个关系函数中的参数值；一个参数值指代网络节点与其相连的一个网络节点之间的影响程度；将贝叶斯网络的结构模型与各个关系函数中的参数值相结合，得到广告闭环系统对应的贝叶斯网络。从而通过构建贝叶斯网络，确定广告渠道间影响关系以及影响程度。
Description
技术领域
本申请涉及广告数据处理技术领域，特别涉及一种广告渠道数据的处理方法及装置、存储介质、电子设备。
背景技术
在数字化时代，多种多样的软件的出现，使得消费者的时间越来越碎片化，这也就品牌营销带来了很大的挑战。为了维持消费者的品牌记忆，以及更好地推销产品，品牌方往往会花较多的预算在众多媒体平台上，进行组合投放。
现今，主要关注点都在如何以收益最优化的方式，来分析出不同渠道的最优组合。对于在不同类型的渠道投放的相应类型的广告之间存在影响，存在什么的影响，多以专业经验或者背景知识去判断，缺乏可靠的实现方式。比如，一个比较大的封闭系统中，展示类广告渠道的广告如何影响付费渠道的搜索、自然渠道的搜索以及被动渠道的推荐，并没有有效的实现方式。而在各个广告渠道投放的相应类型的广告之间的影响，可以作为制定广告投放策略的一种更加科学的依据，所以急需一种能确定广告渠道之间的影响的方法。
发明内容
基于上述现有技术的不足，本申请提供了一种广告渠道数据的处理方法及装置、存储介质、电子设备，以解决现有技术缺乏确定广告渠道间的影响的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请第一方面提供了一种广告渠道数据的处理方法，包括：
获取广告闭环系统中的各个广告渠道的广告访问量；
基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型；其中，所述贝叶斯网络的结构模型中的每个网络节点对应一个所述广告渠道，且广告访问量存在影响关系的所述广告渠道对应的网络节点相连接；
根据所述贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数；其中，每个所述关系函数用于表征一个所述网络节点与其相连的网络节点间的影响关系；
计算得到每个所述关系函数中的参数值；其中，一个所述参数值指代网络节点与其相连的一个网络节点之间的影响程度；
将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
可选地，在上述的方法中，所述获取广告闭环系统中的各个广告渠道的广告访问量，包括：
采集预设时间长度内的所述广告闭环系统中的各个所述广告渠道的广告访问总量；
从各个所述广告渠道的广告访问总量，筛选得到各个所述广告渠道在目标场景下的广告访问量。
可选地，在上述的方法中，所述基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型，包括：
创建每个所述广告渠道对应的网络节点；
搜索出各个所述网络节点组成的网络结构中的最佳网络结构；其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构；所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度；
将所述最佳网络结构确定为所述贝叶斯网络的结构模型。
可选地，在上述的方法中，所述搜索出各个所述网络节点组成的网络结构中的最佳网络结构，包括：
利用各个所述广告渠道对应的网络节点构建一个初始网络结构，并将所述初始网络作为目标网络结构；其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求；所述黑名单用于指定彼此间不存在影响关系的广告渠道；
对所述目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构；其中，每对进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内；
对每个所述候选网络结构，将所述候选网络结构的对数似然函数与目标乘积的差值，作为所述候选网络结构的分值，并将分值最大的所述候选网络结构作为最优候选网络结构；
若所述最优候选网络结构的分值，大于所述目标网络结构的分值，则将所述最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回执行所述对所述目标网络结构中的网络节点的连接关系进行出所述黑名单的要求外的多次修改操作；
若所述最优候选网络结构的分值，不大于所述目标网络结构的分值，则将目标网络结构确定为最佳网络结构；其中，所述分值用于表征相应网络结构与广告渠道的访问量的拟合程度。
可选地，在上述的方法中，所述目标乘积为所述广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半；网络结构的对数似然函数为所述广告渠道的访问量关于所述网络结构的对数似然函数。
本申请第二方面提供了一种广告渠道数据的处理装置，包括：
获取单元，用于获取广告闭环系统中的各个广告渠道的广告访问量；
第一构建单元，用于基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型；其中，所述贝叶斯网络的结构模型中的每个网络节点对应一个所述广告渠道，且广告访问量存在影响关系的所述广告渠道对应的网络节点相连接；
第二构建单元，用于根据所述贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数；其中，每个所述关系函数用于表征一个所述网络节点与其相连的网络节点间的影响关系；
计算单元，用于计算得到每个所述关系函数中的参数值；其中，一个所述参数值指代网络节点与其相连的一个网络节点之间的影响程度；
结合单元，用于将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
可选地，在上述的装置中，所述获取单元，包括：
采集单元，用于采集预设时间长度内的所述广告闭环系统中的各个所述广告渠道的广告访问总量；
筛选单元，用于从各个所述广告渠道的广告访问总量，筛选得到各个所述广告渠道在目标场景下的广告访问量。
可选地，在上述的装置中，所述第一构建单元，包括：
创建单元，用于创建每个所述广告渠道对应的网络节点；
搜索单元，用于搜索出各个所述网络节点组成的网络结构中的最佳网络结构；其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构；所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度；
第一确定单元，用于将所述最佳网络结构确定为所述贝叶斯网络的结构模型。
可选地，在上述的装置中，所述搜索单元，包括：
初始构建单元，用于利用各个所述广告渠道对应的网络节点构建一个初始网络结构，并将所述初始网络结构作为目标网络结构；其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求；所述黑名单用于指定彼此间不存在影响关系的广告渠道；
搜索子单元，用于对所述目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构；其中，每进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内；
评分单元，用于对每个所述候选完了结构，将所述网络结构的对数似然函数与目标乘积的差值，作为所述网络结构的分值；
第二确定单元，用于将分值最大的所述候选网络结构作为最优候选网络结构；
替换单元，用于在所述最优候选网络结构的分值，大于所述目标网络结构的分值时，则将所述最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回所述搜索子单元执行所述对所述目标网络结构中的网络节点的连接关系进行出所述黑名单的要求外的多次修改操作；
第三确定单元，用于在所述最优候选网络结构的分值，不大于所述目标网络结构的分值时，则将目标网络结构确定为最佳网络结构；其中，所述分值用于表征相应网络结构与广告渠道的访问量的拟合程度。
可选地，在上述的装置中，所述目标乘积为所述广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半；所述网络结构的对数似然函数为所述广告渠道的访问量关于所述网络结构的对数似然函数。
本申请第三方面提供了一种计算机存储介质，所述计算机存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上述任一项所述的广告渠道数据的处理方法。
本申请第四方面提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于运行所述存储器中存储的计算机程序，其中，所述程序运行时执行如上述任一项所述的广告渠道数据的处理方法。
本申请提供了一种广告渠道数据的处理方法，通过获取广告闭环系统中的各个广告渠道的广告访问量，然后将每个广告渠道作为网络节点，并基于各个广告渠道的广告访问量，构建贝叶斯网络的结构模型，从而贝叶斯网络的结构模型中相互连接的网络节点，可以知道相互影响的各个广告渠道。然后，根据贝叶斯网络的结构模型中的各个网络节点间的连接关系，构建多个关系函数，并计算得到每个关系函数中的参数值，即得到各个广告渠道间的影响程度的大小。最后将贝叶斯网络的结构模型与各个关系函数的参数值结合，得到广告闭环系统对应的贝叶斯网络，从而可以通过广告闭环系统对应的贝叶斯网络得到各个广告渠道间的相互影响关系以及影响程度的大小，进而可以制定出更加合理的广告投放策略。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种广告渠道数据的处理系统的结构示意图；
图2为本申请另一实施例提供的一种广告渠道数据的处理方法的流程图；
图3为本申请另一实施例提供的一种获取广告访问量的方法的流程图；
图4为本申请另一实施例提供的一种广告渠道的贝叶斯网络的结构模型的示意图；
图5为本申请另一实施例提供的一种构建贝叶斯网络的结构模型的方法的流程图；
图6为本申请另一实施例提供的一种搜索最佳网络结构的方法的流程图；
图7为本申请另一实施例提供的一种广告闭环系统的贝叶斯网络的示意图；
图8为本申请另一实施例提供的一种广告渠道数据的处理装置的结构示意图；
图9为本申请另一实施例提供的一种第一构建单元的结构示意图；
图10为本申请另一实施例提供的一种搜索单元的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请提供了一种广告渠道数据的处理方法，以解决现有缺乏确定广告渠道之间的影响的方法的问题。
可选地，为了实现本申请提供的广告渠道数据的处理方法，本申请实施例提供了一种广告渠道数据的处理系统，如图1所示，具体包括：数据收集模块101、结构建模模块102、度量建模模块103、结合模块104。
其中，数据收集模块101主要用于收集闭环系统中的各个广告渠道的广告访问量。
结构建模模块102主要用于将各个广告渠道作为贝叶斯网络中的网络节点，利用数据收集模块收集的各个广告渠道的广告访问量，构建贝叶斯网络的结构模型。
度量建模模块103主要用于基于结构建模模块102构建的贝叶斯网络的结构模型中的各个网络结构的影响关系，构建相应的关系函数，对构建的关系函数进行求解，确定各个关系函数中的参数值。
结合模块104用于将构建的贝叶斯网络的结构模型与各个关系函数中的参数值进行结合，得到最终的贝叶斯网络。
基于上述提供的广告渠道数据的处理系统，本申请另一实施例提供了一种广告渠道数据的处理方法，如图2所示，具体包括以下步骤：
S201、获取广告闭环系统中的各个广告渠道的广告访问量。
其中，广告闭环系统可以理解为由多个直接或者间隔相互影响的广告渠道组成的系统，并且不受外界其他的广告渠道的影响。
具体的，可以获取一段时间内各个广告渠道的广告访问量。其中，每条数据为一定预设时间维度内的所有广告渠道的广告访问量，例如预设时间维度为一天，则获取一个月内广告渠道的广告访问量数据，获得了30条数据，每条广告访问量数据中包括各个广告渠道在一天内的广告访问量。
可选地，本申请另一实施例中，步骤S201的一种具体实施方式，如图3所示，包括以下步骤：
S301、采集预设时间长度内的广告闭环系统中的各个广告渠道的广告访问总量。
具体的，以预设时间维度，采集预设时间长度内的广告闭环系统中的各个广告渠道的广告访问总量。
S302、从各个广告渠道的广告访问总量，筛选得到各个广告渠道在目标场景下的广告访问量。
需要说明的是，由于在不同的促销活动或者不同的营销模式下，广告渠道间的影响会不同，因此在本申请实施例中，将数据更具场景进行划分，以针对不同的场景下，分析广告渠道间的影响。
因此，本申请实施例中，从各个广告渠道的广告访问总量，筛选得到各个广告渠道在目标场景下的广告访问量。具体的，即从每条数据中实现出在目标场下的广告访问量，作为后续处理的数据。由于，一条数据中包含各个渠道在预设时间维度下的广告访问量，所以筛选的过程相当于：针对每条数据，将每个广告渠道在预设时间维度下的广告访问量中，属于目标场景下的广告访问量保留，其他的摒弃，得到最终的广告访问量。
S202、基于各个广告渠道的广告访问量，构建贝叶斯网络的结构模型，贝叶斯网络的结构模型中的每个网络节点对应一个广告渠道。
其中，贝叶斯网络的结构模型中的每个网络节点对应一个广告渠道，且广告访问量存在影响关系的广告渠道对应的网络节点相连接。广告访问量存在影响关系的广告渠道指的是，一个广告渠道的广告访问量的变化会直接影响另一个广告渠道的访问量。
需要说明的是，构建贝叶斯网络需要先学习贝叶斯网络的结构模型，即从给定的数据集中学习出贝叶斯网络结构，即各网络节点之间的影响关系，只有确定网络结构才能继续学习得到网络参数，即表示各节点之间依赖强弱的条件概率。
具体的，创建每个广告渠道对应的网络节点，然后基于上述收集到的各个广告渠道的广告访问量，分析各个广告渠道的影响关系，然后根据各个广告渠道的影响关系，将各个广告渠道对应的网络节点连接。例如，如图4所示，存在4个广告渠道，通过他们之间的影响关系，构建了如图4所示的贝叶斯网络的网络模型。
可选地，可以是基于依赖统计分析的方法构建贝叶斯网络的结构模型，即基于广告访问量，利用统计或信息论的方法分析广告渠道之间的影响关系，从而获得最优的网络结构。也可以是基于评分搜索的方法，构建贝叶斯网络的结构模型，即基于评分函数和搜索算法相结合，来构建贝叶斯网络的结构模型。
可选地，如图5所示，示出了步骤S202的一种具体实施方式。如图5所示，具体包括以下步骤：
S501、创建每个广告渠道对应的网络节点。
S502、搜索出各个网络节点组成的网络结构中的最佳网络结构。
其中，最佳网络结构为各个网络节点组成的网络结构中分值最高的网络结构。该分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度。具体的，该分值可以通过贝叶斯评分函数进行计算得到。
具体的，可以通过列举所有可能的网络结构，则通过评分函数计算出每个网络结构的分值，从而将分值较高的确定为最佳网络。但是，这种方式仅在网络节点数量较少时可行，在网络节点数量较大时不实际。因此具体的，可以通过搜索算法搜索出较优的网络结构，再利用评分算法的对搜索算法搜索出的网络结构进行计算，从而最终确定出最佳网络结构。
可选地，本申请另一实施例中，在该实施例中步骤S502的具体实施方法，如图6所示，具体包括以下步骤：
S601、利用各个广告渠道对应的网络节点构建一个初始网络结构，并将初始网络作为目标网络结构。
其中，初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求。黑名单包含了广告渠道之间连接关系的限制条件，即用于指定彼此间不存在影响关系的广告渠道，通俗的说：黑名单用于限制指定的每两个广告渠道对应的网络节点不能相连。
需要说明的是，为了更好的搜索到最佳的贝叶斯网络结构，减少搜索的复杂度，提高构建网络结构的效率。所以，本申请实施例中增加了黑名单机制。通过黑名单机制，将业务经验知识，融合到搜索算法的搜索过程中。比如，两类展示类广告的流量之间很难有可靠的因果推断，并且两者是否相关也更多来源于投放决策是否相关，所以可以通过黑名单限制投放展示类广告的渠道对应网络节点相连，从而减少了可搜索出的网络结构的数量，进而减少了搜索的复杂度，提高了搜索效率。
S602、对目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构。
其中，每对目标网络结构进行一次修改操作，得到一个候选网络结构。具体的，一次修改操作至少修改一条连接关系，即一次修改操作也可以对多个网络节点的连接关系进行修改，但是且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内。根据上述对黑名单的解释可知，“不在黑名单的限制内”是指修改后的网络结构中，网络节点之间的连接关系不会出现黑名单中不允许的连接关系。
需要说明的是，对目标网络结构的修改通常需要遵循不重复原则，即每次修改网络结构后所得的网络结构，需要与其他构建的任意一个网络结构均不相同，从而可以避免重复构建相同的网络结构，提高最佳网络结构的搜索效率。可选地，具体对目标网络结构中的网络节点的连接关系进行多次修改操作的一种实施方式，可以是每一次修改操作，是在进行上一次修改操作后所得到的候选网络结构的基础上进行修改，或者，每次修改也可以均在目标网络结构的基础上进行。
可选地，每次循环对目标网络进行修改操作的次数可以是固定的预设次数，也可以是变动的。
可选地，在多次修改的过程中，可以按照预设的修改方式来进行修改网络结构，使得对网络结构的修改朝着某个方向进行，实现避免出现重复的网络结果。
可选地，可以通过搜索算法，如爬山算法、K2搜索算法、贪婪算法等，对目标网络结构进行修改。
S603、将网络结构的对数似然函数与目标乘积的差值，作为网络结构的分值。
具体的，步骤S603具体为：针对每个候选网络结构，将该候选网络结构的对数似然函数与目标乘积，作为该网络结构的分值。需要说明的是，若是当前的循环周期为第一个循环周期，即目标网络结构为初始网络结构时，同样可以针对初始网络结构，将初始网络结构的对数似然函数与目标乘积的差值，作为初始网络结构的分值。
可选地，在本申请另一实施例中，目标乘积为广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半。网络结构的对数似然函数为广告渠道的访问量关于网络结构的对数似然函数。即具体的网络结构的分值的计算公式为：BIC＝LL(D|G)-1/2log(N)|G|，其中，D为代表数据，即广告渠道的访问量；G代表网络结构；LL(DG)为广告渠道的访问量关于网络结构的对数似然函数，N为数据量，|G|为网络结构的复杂度。其中，网络结构可以指代每个候选网络结构以及目标网络结构。
可选地，也可以利用其他的评分函数计算目标网络结构以及每个候选网络结构的分值。其中，评分函数可以选用BDe评分函数，或者其他评分函数，如K2评分函数、贝叶斯狄利克雷评分函数等。
S604、将分值最大的候选网络结构作为最优候选网络结构，在每轮修改过程中，可以预先规定修改的次数，例如，可以将次数设定为50次，即，对网络结构进行50次修改，得到50个候选网络结构的评分后，取最大评分；或者，也可以不指定每轮修改中的修改次数，而随机选择次数。
S605、判断最优候选网络结构的分值是否大于目标网络结构的分值。
其中，若判断出最优候选网络结构的分值大于目标网络结构的分值，则执行步骤S606，若判断出最优候选网络结构的分值，不大于目标网络结构的分值，则执行步骤S607。
S606、将最优候选网络结构作为目标网络结构。
需要说明的是，步骤S606具体为：将最优候选网络结构替换当前的目标网络结构，然后基于替换后的目标网络结构，返回执行步骤S602。
S607、将目标网络结构确定为最佳网络结构。
S503、将最佳网络结构确定为贝叶斯网络的结构模型。
S203、根据贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数。
其中，每个关系函数用于表征一个网络节点与其相连的网络节点间的影响关系。
具体的，相互连接的网络节点对应的广告渠道相互影响，并且两个网络节点的连线的方向表示影响方向。所以，根据所构建的根据贝叶斯网络的结构模型，就可以得到各个广告渠道的影响关系，以及广告渠道之间的影响方向，从而可以进一步构建出多个关系函数。其中，所构建出的关系函数通常为多元线性回归函数。例如，如图4所示的贝叶斯网络的结构模型，可见渠道4受到渠道1、渠道2以及渠道3的影响，而渠道2仅受渠道1的影响，因此构建的关系函数为：渠道4＝参数0+参数1*渠道1+参数2*渠道2+参数3*渠道3、渠道2＝参数4+参数5*渠道1。
S204、计算得到每个关系函数中的参数值。
其中，一个参数值指代网络节点与其相连的一个网络节点之间的影响程度。
具体的，将获取到的广告访问量作为用于计算的数据集合，代入关系函数中进行计算，并计算均方误差，若均方误差未达到最小值，则可以通过梯度下降法不断改变关系函数的参数值，然后再次进行迭代计算，直至均方误差达到最小值，此时得到关系函数的各个参数的最优解，所以确定当前的值为关系函数的参数值。
S205、将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
需要说明的是，一个完整的贝叶斯网络包括其网络结构以及网络参数，所以将贝叶斯网络的结构模型与各个关系函数中的各个参数值相结合，即相当于将网络参数填入网络结构中，从而可以得到广告闭环系统对应的贝叶斯网络，例如，如图7所示。可见根据贝叶斯网络就可以知道各个渠道间的影响关系以及影响程度的大小，从而可以依据各个渠道间的影响关系以及影响程度，指定广告投放测量。
本申请实施例提供的一种广告渠道数据的处理方法，通过获取广告闭环系统中的各个广告渠道的广告访问量，然后将每个广告渠道作为网络节点，并基于各个广告渠道的广告访问量，构建贝叶斯网络的结构模型，从而贝叶斯网络的结构模型中相互连接的网络节点，可以知道相互影响的各个广告渠道。然后，根据贝叶斯网络的结构模型中的各个网络节点间的连接关系，构建多个关系函数，并计算得到每个关系函数中的参数值，即得到各个广告渠道间的影响程度的大小。最后将贝叶斯网络的结构模型与各个关系函数的参数值结合，得到广告闭环系统对应的贝叶斯网络，从而可以通过广告闭环系统对应的贝叶斯网络得到各个广告渠道间的相互影响关系以及影响程度的大小，进而可以制定出更加合理的广告投放策略。
本申请另一实施例提供了一种广告渠道数据的处理装置，如图8所示，包括以下单元：
获取单元801，用于获取广告闭环系统中的各个广告渠道的广告访问量。
第一构建单元802，用于基于各个广告渠道的广告访问量，构建贝叶斯网络的结构模型。
其中，贝叶斯网络的结构模型中的每个网络节点对应一个广告渠道，且广告访问量存在影响关系的广告渠道对应的网络节点相连接。
第二构建单元803，用于根据贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数。
其中，每个关系函数用于表征一个网络节点与其相连的网络节点间的影响关系。
计算单元804，用于计算得到每个关系函数中的参数值。
其中，一个参数值指代网络节点与其相连的一个网络节点之间的影响程度。
结合单元805，用于将贝叶斯网络的结构模型与各个关系函数中的参数值相结合，得到广告闭环系统对应的贝叶斯网络。
可选地，本申请另一实施例提供的广告渠道数据的处理装置中，获取单元，包括以下单元：
采集单元，用于采集预设时间长度内的广告闭环系统中的各个广告渠道的广告访问总量。
筛选单元，用于从各个广告渠道的广告访问总量，筛选得到各个广告渠道在目标场景下的广告访问量。
可选地，本申请另一实施例提供的广告渠道数据的处理装置的第一构建单元，如图9所示，包括以下单元：
创建单元901，用于创建每个广告渠道对应的网络节点。
搜索单元902，用于搜索出各个网络节点组成的网络结构中的最佳网络结构。
其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构。所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度。
第一确定单元903，用于将最佳网络结构确定为贝叶斯网络的结构模型。
可选地，本申请另一实施例提供的广告渠道数据的处理装置中，搜索单元，如图10所示，包括：
初始构建单元1001，用于利用各个所述广告渠道对应的网络节点构建一个初始网络结果，并将初始网络结构作为目标网络结构。
其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求。所述黑名单用于指定彼此间不存在影响关系的广告渠道。
搜索子单元1002，用于对目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构。
其中，每对进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内。
评分单元1003，用于对每个候选网络结构，将该候选网络结构的对数似然函数与目标乘积的差值，作为该候选网络结构的分值。
第二确定单元1004，用于将分值最大的候选网络结构作为最优候选网络结构。
替换单元1005，用于在最优候选网络结构的分值，大于目标网络结构的分值时，则将最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回搜索子单元1002执行基于预先构建的黑名单，对目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构。
第三确定单元1006，用于在最优候选网络结构的分值，不大于目标网络结构的分值时，则将目标网络结构确定为最佳网络结构。
可选地，在本申请另一实施例中，目标乘积为广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半。网络结构的对数似然函数为广告渠道的访问量关于所述网络结构的对数似然函数。
需要说明的是，本申请上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤的具体实施过程，此处不再赘述。
可选地，本申请另一实施例中，广告渠道数据的处理装置包括处理器和存储器，上述获取单元、第一构建单元、第二构建单元、计算单元和结合单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现构建广告闭环系统对应的贝叶斯网络。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请另一实施例提供了一种存储介质，包括存储的程序，其中，在该程序运行时控制存储介质所在设备执行如上述任一个实施例提供的广告渠道数据的处理方法。
本申请另一实施例提供了一种电子设备，包括至少一个存储器，用于存储计算机程序，以及至少一个处理器，用于运行存储器中存储的计算机程序。其中，处理器、存储器通过总线完成相互间的通信，处理器用于调用存储器中的程序指令，以执行上述广告渠道数据的处理方法。本文中的电子设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取广告闭环系统中的各个广告渠道的广告访问量。
基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型。
其中，所述贝叶斯网络的结构模型中的每个网络节点对应一个所述广告渠道，且广告访问量存在影响关系的所述广告渠道对应的网络节点相连接；
根据所述贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数；其中，每个所述关系函数用于表征一个所述网络节点与其相连的网络节点间的影响关系；
计算得到每个所述关系函数中的参数值；其中，一个所述参数值指代网络节点与其相连的一个网络节点之间的影响程度；
将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
可选地，所述获取广告闭环系统中的各个广告渠道的广告访问量，包括：
采集预设时间长度内的所述广告闭环系统中的各个所述广告渠道的广告访问总量。
从各个所述广告渠道的广告访问总量，筛选得到各个所述广告渠道在目标场景下的广告访问量。
可选地，所述基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型，包括：
创建每个所述广告渠道对应的网络节点。
搜索出各个所述网络节点组成的网络结构中的最佳网络结构；其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构；所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度；
将所述最佳网络结构确定为所述贝叶斯网络的结构模型。
可选地，所述搜索出各个所述网络节点组成的网络结构中的最佳网络结构，包括：
利用各个所述广告渠道对应的网络节点构建一个初始网络结构，并将所述初始网络作为目标网络结构；其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求；所述黑名单用于指定彼此间不存在影响关系的广告渠道；
对所述目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构；其中，每对进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内；
对每个所述候选网络结构，将所述候选网络结构的对数似然函数与目标乘积的差值，作为所述候选网络结构的分值，并将分值最大的所述候选网络结构作为最优候选网络结构；
若所述最优候选网络结构的分值，大于所述目标网络结构的分值，则将所述最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回执行所述对所述目标网络结构中的网络节点的连接关系进行出所述黑名单的要求外的多次修改操作；
若所述最优候选网络结构的分值，不大于所述目标网络结构的分值，则将目标网络结构确定为最佳网络结构；其中，所述分值用于表征相应网络结构与广告渠道的访问量的拟合程度。
可选地，所述目标乘积为所述广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半；网络结构的对数似然函数为所述广告渠道的访问量关于所述网络结构的对数似然函数。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种广告渠道数据的处理方法，其特征在于，包括：
获取广告闭环系统中的各个广告渠道的广告访问量；
基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型；其中，所述贝叶斯网络的结构模型中的每个网络节点对应一个所述广告渠道，且广告访问量存在影响关系的所述广告渠道对应的网络节点相连接；
根据所述贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数；其中，每个所述关系函数用于表征一个所述网络节点与其相连的网络节点间的影响关系；
计算得到每个所述关系函数中的参数值；其中，一个所述参数值指代网络节点与其相连的一个网络节点之间的影响程度；
将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
2.根据权利要求1所述的方法，其特征在于，所述获取广告闭环系统中的各个广告渠道的广告访问量，包括：
采集预设时间长度内的所述广告闭环系统中的各个所述广告渠道的广告访问总量；
从各个所述广告渠道的广告访问总量，筛选得到各个所述广告渠道在目标场景下的广告访问量。
3.根据权利要求1所述的方法，其特征在于，所述基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型，包括：
创建每个所述广告渠道对应的网络节点；
搜索出各个所述网络节点组成的网络结构中的最佳网络结构；其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构；所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度；
将所述最佳网络结构确定为所述贝叶斯网络的结构模型。
4.根据权利要求3所述的方法，其特征在于，所述搜索出各个所述网络节点组成的网络结构中的最佳网络结构，包括：
利用各个所述广告渠道对应的网络节点构建一个初始网络结构，并将所述初始网络作为目标网络结构；其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求；所述黑名单用于指定彼此间不存在影响关系的广告渠道；
对所述目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构；其中，每进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内；
对于每个所述候选网络结构，将所述候选网络结构的对数似然函数与目标乘积的差值，作为所述候选网络结构的分值，并将分值最大的所述候选网络结构作为最优候选网络结构；
若所述最优候选网络结构的分值，大于所述目标网络结构的分值，则将所述最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回执行所述对所述目标网络结构中的网络节点的连接关系进行多次修改操作；
若所述最优候选网络结构的分值，不大于所述目标网络结构的分值，则将目标网络结构确定为最佳网络结构，其中，所述分值用于表征相应网络结构与广告渠道的访问量的拟合程度。
5.根据权利要求4所述的方法，其特征在于，所述目标乘积为所述广告渠道的访问量的数据量的对数与网络结构的复杂度的乘积的一半；网络结构的对数似然函数为所述广告渠道的访问量关于所述网络结构的对数似然函数。
6.一种广告渠道数据的处理装置，其特征在于，包括：
获取单元，用于获取广告闭环系统中的各个广告渠道的广告访问量；
第一构建单元，用于基于各个所述广告渠道的广告访问量，构建贝叶斯网络的结构模型；其中，所述贝叶斯网络的结构模型中的每个网络节点对应一个所述广告渠道，且广告访问量存在影响关系的所述广告渠道对应的网络节点相连接；
第二构建单元，用于根据所述贝叶斯网络的结构模型中的网络节点间的连接关系，构建多个关系函数；其中，每个所述关系函数用于表征一个所述网络节点与其相连的网络节点间的影响关系；
计算单元，用于计算得到每个所述关系函数中的参数值；其中，一个所述参数值指代网络节点与其相连的一个网络节点之间的影响程度；
结合单元，用于将所述贝叶斯网络的结构模型与各个所述关系函数中的参数值相结合，得到所述广告闭环系统对应的贝叶斯网络。
7.根据权利要求6所述的装置，其特征在于，所述第一构建单元，包括：
创建单元，用于创建每个所述广告渠道对应的网络节点；
搜索单元，用于搜索出各个所述网络节点组成的网络结构中的最佳网络结构；其中，所述最佳网络结构为各个所述网络节点组成的网络结构中分值最高的网络结构；所述分值用于表征网络结构与获取的所述广告渠道的广告访问量的拟合程度；
第一确定单元，用于将所述最佳网络结构确定为所述贝叶斯网络的结构模型。
8.根据权利要求7所述的装置，其特征在于，所述搜索单元，包括：
初始构建单元，用于利用各个所述广告渠道对应的网络节点构建一个初始网络结构，并将所述初始网络结构作为目标网络结构；其中，所述初始网络结构中的网络节点间的连接关系符合预设的黑名单的要求；所述黑名单用于指定彼此间不存在影响关系的广告渠道；
搜索子单元，用于对所述目标网络结构中的网络节点的连接关系进行多次修改操作，得到多个候选网络结构；其中，每进行一次修改操作，得到一个候选网络结构，且每次修改后的网络结构中网络节点的连接关系均不在黑名单的限制内；
评分单元，用于对每个所述候选网络结构，将所述候选网络结构的对数似然函数与目标乘积的差值，作为所述候选网络结构的分值；
第二确定单元，用于将分值最大的所述候选网络结构作为最优候选网络结构；
替换单元，用于在所述最优候选网络结构的分值，大于所述目标网络结构的分值时，则将所述最优候选网络结构替换目标网络结构，并基于替换后的目标网络结构，返回所述搜索子单元执行所述对所述目标网络结构中的网络节点的连接关系进行多次修改操作；
第三确定单元，用于在所述最优候选网络结构的分值，不大于所述目标网络结构的分值时，则将目标网络结构确定为最佳网络结构；其中，所述分值用于表征相应网络结构与广告渠道的访问量的拟合程度。
9.一种计算机存储介质，其特征在于，所述计算机存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至5中任一项所述的广告渠道数据的处理方法。
10.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于运行所述存储器中存储的计算机程序，其中，所述程序运行时执行如权利要求1至5中任一项所述的广告渠道数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011597059.5A CN114756731A (zh) | 2020-12-28 | 2020-12-28 | 广告渠道数据的处理方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011597059.5A CN114756731A (zh) | 2020-12-28 | 2020-12-28 | 广告渠道数据的处理方法及装置、存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114756731A true CN114756731A (zh) | 2022-07-15 |
Family
ID=82324482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011597059.5A Pending CN114756731A (zh) | 2020-12-28 | 2020-12-28 | 广告渠道数据的处理方法及装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114756731A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436532A (zh) * | 2023-12-21 | 2024-01-23 | 中用科技有限公司 | 一种洁净室气态分子污染物根因分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070103695A (ko) * | 2006-04-19 | 2007-10-24 | 소니 가부시끼 가이샤 | 학습 장치 및 방법 |
| US20140100944A1 (en) * | 2012-10-09 | 2014-04-10 | Share This Inc. | Method and system for online campaign optimization |
| CN109816109A (zh) * | 2018-12-12 | 2019-05-28 | 中国科学院深圳先进技术研究院 | 任务推理模型学习及任务推理方法、机器人及存储装置 |
-
2020
- 2020-12-28 CN CN202011597059.5A patent/CN114756731A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070103695A (ko) * | 2006-04-19 | 2007-10-24 | 소니 가부시끼 가이샤 | 학습 장치 및 방법 |
| US20140100944A1 (en) * | 2012-10-09 | 2014-04-10 | Share This Inc. | Method and system for online campaign optimization |
| CN109816109A (zh) * | 2018-12-12 | 2019-05-28 | 中国科学院深圳先进技术研究院 | 任务推理模型学习及任务推理方法、机器人及存储装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436532A (zh) * | 2023-12-21 | 2024-01-23 | 中用科技有限公司 | 一种洁净室气态分子污染物根因分析方法 |
| CN117436532B (zh) * | 2023-12-21 | 2024-03-22 | 中用科技有限公司 | 一种洁净室气态分子污染物根因分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023015B (zh) | 课程学习路径推荐方法及装置 | |
| US8700640B2 (en) | System or apparatus for finding influential users | |
| CN106708844A (zh) | 一种用户群体的划分方法和装置 | |
| CN109597974B (zh) | 报表生成方法及装置 | |
| CN110675194A (zh) | 一种漏斗分析方法、装置、设备及可读介质 | |
| CN110427560A (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
| CN110874702A (zh) | 物流分拣场景下的模型训练方法、装置以及电子设备 | |
| CN111177876B (zh) | 一种社区发现方法、装置及电子设备 | |
| CN103324641A (zh) | 信息记录推荐方法和装置 | |
| CN114756731A (zh) | 广告渠道数据的处理方法及装置、存储介质、电子设备 | |
| CN112650931B (zh) | 一种内容推荐方法 | |
| CN108345620B (zh) | 品牌信息处理方法、装置、存储介质及电子设备 | |
| CN111177562B (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
| CN115456801B (zh) | 个人信用的人工智能大数据风控系统、方法和存储介质 | |
| CN117076780A (zh) | 一种基于大数据的图书互借阅推荐方法及系统 | |
| CN117056619A (zh) | 确定用户行为特征的方法和装置 | |
| Dayama et al. | Truthful interval cover mechanisms for crowdsourcing applications | |
| CN108241643B (zh) | 关键词的指标数据分析方法及装置 | |
| CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| CN107092599B (zh) | 一种用于为用户提供知识信息的方法与设备 | |
| CN111177526A (zh) | 网络意见领袖识别方法及装置 | |
| CN114841664A (zh) | 一种多任务处理顺序确定方法及装置 | |
| JPWO2011016281A1 (ja) | ベイジアンネットワーク構造学習のための情報処理装置及びプログラム | |
| CN114925919A (zh) | 业务资源处理方法、装置、计算机设备和存储介质 | |
| CN111723202B (zh) | 一种舆情数据的处理装置、方法和系统 |
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 |