CN115222461A - 一种智能营销精准推荐方法 - Google Patents

一种智能营销精准推荐方法 Download PDF

Info

Publication number
CN115222461A
CN115222461A CN202211134693.4A CN202211134693A CN115222461A CN 115222461 A CN115222461 A CN 115222461A CN 202211134693 A CN202211134693 A CN 202211134693A CN 115222461 A CN115222461 A CN 115222461A
Authority
CN
China
Prior art keywords
audience
groups
different
group
weight
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.)
Granted
Application number
CN202211134693.4A
Other languages
English (en)
Other versions
CN115222461B (zh
Inventor
段福友
李鑫
张松
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.)
Hangzhou Shuli Information Technology Co ltd
Original Assignee
Hangzhou Shuli Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Shuli Information Technology Co ltd filed Critical Hangzhou Shuli Information Technology Co ltd
Priority to CN202211134693.4A priority Critical patent/CN115222461B/zh
Publication of CN115222461A publication Critical patent/CN115222461A/zh
Application granted granted Critical
Publication of CN115222461B publication Critical patent/CN115222461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种智能营销精准推荐方法，属于商业数据处理技术领域，该方法步骤包括：根据产品类型选择推荐平台和不同受众群体；利用对不同受众群体在推荐平台上进行初次广告投放后不同受众群体中每个受众个体对本产品的反馈信息和同类型产品的反馈信息，生成不同受众群体的权值矩阵；计算出不同受众群体的权值矩阵的活跃度；从不同受众群体中选择多个受众群体进行排列组合得到多种受众群体组合，并计算出每种受众群体组合的精准投放度；选取多个排名靠前的精准投放度对应的受众群体组合进行分解，确定精准营销投放群体；本发明通过活跃度和精准度评价对广告投放的不同受众对象进行筛选来实现对特定产品的智能精准营销。

Description

一种智能营销精准推荐方法
技术领域
本发明属于商业数据处理技术领域，具体涉及一种智能营销精准推荐方法。
背景技术
在互联网飞速发展的今天，产品的营销结构从线下大面积转场进入互联网营销。相较于传统的营销策略，互联网大数据不但记载了受众群体的行为运动轨迹，还记录了消费者的生活方式，所以线上营销方式越来越受到商家的喜爱，商家越来越趋向于通过线上平台投放广告对产品进行营销。
目前通过广告进行线上营销的方式一般是根据待营销产品的类型选择推荐平台，之后推荐平台根据待营销产品的类型选取出与其同类型的产品，根据不同受众个体对同类型广告的关注度对潜在的受众群体进行多次广告投放，但是这种广告投放方式无法精准的确定待营销产品的受众群体，因为部分受众群体可能对同类型产品的关注度过大，而对本产品的关注度较小，如果对本产品关注度较小的受众群体进行多个广告投放，会造成大量的无效广告投放，从而导致产品未盈利前的前期投入的成本过大，效果不尽人意。因此，如何选取出对待营销产品感兴趣的受众群体，并对其进行精准推荐是需要解决的问题。
发明内容
本发明提供一种智能营销精准推荐方法，根据初次广告投放后不同受众群体的多个反馈信息构建权重矩阵确定不同受众群体的活跃度，并通过活跃度和精准度投放度对待营销产品的投放群体进行筛选来实现对待营销产品的智能精准营销。
本发明的一种智能营销精准推荐方法采用如下技术方案：该方法包括：
根据产品类型选择推荐平台和不同受众群体，其中，每个受众群体中包含多个不同的受众个体；
对不同受众群体在推荐平台上进行初次广告投放，收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息，其中，多个反馈信息包括广告浏览时长，广告点击率，广告浏览次数；
利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值；
利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值，计算出不同受众群体中每个受众个体的信息权值；利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵；
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度；
从不同受众群体中选择多个受众群体进行组合得到多种组合，利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度；
选取多个排名靠前的精准投放度对应的组合作为筛选后组合，对筛选后组合进行分解得到若干个筛选后受众群体，按照若干个筛选后受众群体出现次数确定精准营销投放群体。
进一步地，所述利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括：
利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵；
在计算出不同受众群体中每个受众个体的信息权值后，获取不同受众群体的权值序列；
对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列，并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵；
利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权，得到不同受众群体的权值矩阵。
进一步地，所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度，包括：
计算出不同受众群体的权值矩阵中的非零元素的平均值；
利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异，计算出不同受众群体的权值矩阵的活跃度。
进一步地，所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度的计算公式为：
Figure 277440DEST_PATH_IMAGE001
其中，
Figure 640288DEST_PATH_IMAGE002
表示第
Figure 269852DEST_PATH_IMAGE003
个受众群体
Figure 191279DEST_PATH_IMAGE004
的权值矩阵中第
Figure 640714DEST_PATH_IMAGE005
个非零元素；
Figure 72833DEST_PATH_IMAGE006
表示第
Figure 229008DEST_PATH_IMAGE003
个受众群体
Figure 88379DEST_PATH_IMAGE004
的权值矩阵中非零元素的总数；
Figure 260997DEST_PATH_IMAGE007
表示对第
Figure 762385DEST_PATH_IMAGE003
个受众群体
Figure 835384DEST_PATH_IMAGE004
初次投放广告量的受众个体总数；
Figure 865656DEST_PATH_IMAGE008
表示第
Figure 516781DEST_PATH_IMAGE003
个受众群体
Figure 25123DEST_PATH_IMAGE004
的权值矩阵中元素总数；
Figure 749365DEST_PATH_IMAGE009
表示所有受众群体的权值矩阵中非零元素的平均值；
Figure 452004DEST_PATH_IMAGE010
表示第
Figure 832170DEST_PATH_IMAGE003
个受众群体
Figure 144203DEST_PATH_IMAGE004
的权值矩阵的活跃度。
进一步地，所述利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度的步骤包括：
计算出所有受众群体对应的权值矩阵的活跃度均值；
计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值；
利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数，计算出每种组合的精准投放度。
进一步地，所述每种组合的精准投放度的计算公式为：
Figure 988531DEST_PATH_IMAGE011
其中，
Figure 593562DEST_PATH_IMAGE010
表示第
Figure 726603DEST_PATH_IMAGE003
个受众群体
Figure 639065DEST_PATH_IMAGE004
的权值矩阵的活跃度；
Figure 777047DEST_PATH_IMAGE012
表示所有受众群体对应的权值矩阵的活跃度均值；
Figure 851182DEST_PATH_IMAGE013
表示第
Figure 2678DEST_PATH_IMAGE014
种组合中包含的第
Figure 160908DEST_PATH_IMAGE015
个受众群体对应的权值矩阵的活跃度；
Figure 714249DEST_PATH_IMAGE016
表示第
Figure 428127DEST_PATH_IMAGE014
种组合中包含的受众群体的个数；
Figure 270181DEST_PATH_IMAGE017
表示第
Figure 229172DEST_PATH_IMAGE014
种组合的精准投放度。
进一步地，所述选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括：
对每种组合的精准投放度进行降序排序，得到降序排序后的精准投放度序列；
选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
进一步地，所述利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值的步骤包括：
利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长，计算出每个受众个体对本产品的广告浏览时长降维值；
利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率，计算出每个受众个体对本产品的广告点击率降维值；
利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数，计算出每个受众个体对本产品的广告浏览次数降维值。
进一步地，所述按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括：
将若干个筛选后受众群体分配到不同预设标签组内；
在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序，得到每个预设标签组的筛选后受众群体序列；
将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合，并将该组合作为精准营销投放群体。
本发明的有益效果是：
本发明提供一种智能营销精准推荐方法，首先对不同受众群体在推荐平台上进行初次广告投放，利用收集到的初次广告投放后不同受众群体中每个受众个体对本产品和同类型产品的反馈信息构建出不同受众群体的权值矩阵，利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度，在初次广告投放后计算出不同受众群体的活跃度，能初步确定不同受众群体对本产品的关注度。
由于每个受众群体就是一个标签，而每个受众个体会对应不同的标签，所以仅仅通过不同受众群体的活跃度对受众群体进行筛选是不精确的，因此，本发明在计算出不同受众群体的活跃度后并没有直接筛选，而是对不同受众群体进行组合，利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度，之后选取多个排名靠前的精准投放度对应的组合作为筛选后组合，同时由于筛选后组合中包含的受众群体较多，为了确定更精准的营销投放群体，对筛选后组合进行分解得到若干个筛选后受众群体，按照若干个筛选后受众群体出现次数确定出精准营销投放群体。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的一种智能营销精准推荐方法的实施例总体步骤的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的一种智能营销精准推荐方法的实施例，如图1所示，该方法包括：
S1、根据产品类型选择推荐平台和不同受众群体，其中，每个受众群体中包含多个不同的受众个体。
目前随着互联网飞速发展，产品的营销结构从线下大面积转场进入互联网营销。而在互联网营销时代一般需要为营销的产品选择不同的受众群体，而每个受众群体就是一个标签，而每个受众群体中包含的多个不同受众个体就是满足这一标签的人。
本发明中推荐平台一般选择目前主流的推荐平台，同时在初期产品生产时做市场调研就会根据产品类型确定出多个不同的受众群体。
例如：若受众群体为“20～30岁之间的青年女性”，那么小张女性今年25岁，通过实名认证后推荐平台就能判断小张满足“20～30岁之间的青年女性”的标签，小张就为“20～30岁之间的青年女性”这一受众群体中包含的受众个体。
若受众群体为“学生”，那么小王男性今年18岁大一在读，通过实名认证后推荐平台就能判断小王满足“学生”的标签，小王就为“学生”这一受众群体中包含的受众个体。
S2、对不同受众群体在推荐平台上进行初次广告投放，收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息，其中，多个反馈信息包括广告浏览时长，广告点击率，广告浏览次数。
本发明中通过S1步骤已经根据产品类型确定出多个不同的受众群体，对选择的不同受众群体在推荐平台上进行初次广告投放，其中受众群体具体为：
Figure 637020DEST_PATH_IMAGE018
其中，
Figure 787378DEST_PATH_IMAGE007
表示受众群体个数；
Figure 349684DEST_PATH_IMAGE004
表示第
Figure 610901DEST_PATH_IMAGE003
个受众群体，
Figure 873255DEST_PATH_IMAGE019
，每个受众群体中包含不同的受众个体。
从每个受众群体中选择一定数量的受众个体，对选择的不同受众群体在推荐平台上进行初次广告投放。在初次广告投放后，收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息。其中，多个反馈信息包括广告浏览时长，广告点击率，广告浏览次数。
下面以第
Figure 928936DEST_PATH_IMAGE003
个受众群体中的受众个体
Figure 43785DEST_PATH_IMAGE005
为例，获取受众个体
Figure 843114DEST_PATH_IMAGE005
对本产品的广告浏览时长
Figure 163237DEST_PATH_IMAGE020
、受众个体
Figure 780749DEST_PATH_IMAGE005
对本产品的广告点击率
Figure 553533DEST_PATH_IMAGE021
、受众个体
Figure 156552DEST_PATH_IMAGE005
对本产品的广告浏览次数
Figure 862340DEST_PATH_IMAGE022
。同时获取受众个体
Figure 558026DEST_PATH_IMAGE005
对同类型产品的广告浏览时长
Figure 83685DEST_PATH_IMAGE023
、受众个体
Figure 224817DEST_PATH_IMAGE005
对同类型产品的广告点击率
Figure 80384DEST_PATH_IMAGE024
、受众个体
Figure 383189DEST_PATH_IMAGE005
对同类型产品的广告浏览次数
Figure 458461DEST_PATH_IMAGE025
。
S3、利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值。
其中，利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值的步骤包括：利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长，计算出每个受众个体对本产品的广告浏览时长降维值；利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率，计算出每个受众个体对本产品的广告点击率降维值；利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数，计算出每个受众个体对本产品的广告浏览次数降维值。
下面以第
Figure 904748DEST_PATH_IMAGE003
个受众群体中的受众个体
Figure 53970DEST_PATH_IMAGE005
为例，计算出受众个体
Figure 855573DEST_PATH_IMAGE005
对本产品广告的广告浏览时长降维值、广告点击率降维值以及广告浏览次数降维值。
广告浏览时长降维值
Figure 90245DEST_PATH_IMAGE026
的计算公式为：
Figure 874311DEST_PATH_IMAGE027
其中，
Figure 409198DEST_PATH_IMAGE020
表示受众个体
Figure 319385DEST_PATH_IMAGE005
对本产品的广告浏览时长；
Figure 808397DEST_PATH_IMAGE023
表示受众个体
Figure 95022DEST_PATH_IMAGE005
对同类型产品的广告浏览时长
Figure 218836DEST_PATH_IMAGE023
；
Figure 565504DEST_PATH_IMAGE026
表示广告浏览时长降维值。
广告点击率降维值
Figure 538883DEST_PATH_IMAGE028
的计算公式为：
Figure 160357DEST_PATH_IMAGE029
其中，
Figure 138677DEST_PATH_IMAGE021
表示受众个体
Figure 656246DEST_PATH_IMAGE005
对本产品的广告点击率；
Figure 916588DEST_PATH_IMAGE024
表示受众个体
Figure 545016DEST_PATH_IMAGE005
对同类型产品的广告点击率；
Figure 643422DEST_PATH_IMAGE030
表示广告点击率降维值。
广告浏览次数降维值
Figure 355726DEST_PATH_IMAGE031
的计算公式为：
Figure 336321DEST_PATH_IMAGE032
其中，
Figure 502860DEST_PATH_IMAGE022
表示受众个体
Figure 957237DEST_PATH_IMAGE005
对本产品的广告浏览次数；
Figure 613346DEST_PATH_IMAGE025
表示受众个体
Figure 487762DEST_PATH_IMAGE005
对同类型产品的广告浏览次数；
Figure 723571DEST_PATH_IMAGE031
表示广告浏览次数降维值。
以
Figure 560683DEST_PATH_IMAGE026
为例说明公式的计算逻辑，在受众个体
Figure 590956DEST_PATH_IMAGE005
对于产品广告浏览时长的基础上，以同类产品的广告浏览时长影响计算
Figure 749405DEST_PATH_IMAGE033
，影响计算指该属性下的产品与同类产品的数据信息的差异值的平方，平方的作用是放大影响程度，因为平方放大的过程可能会出现差异值为零点几的情况，平方运算不能放大影响，所以对差异值加一处理，而后与产品的浏览时长进行相加
Figure 257747DEST_PATH_IMAGE034
，相加的意义为对于产品广告浏览时长的基础上附加同类产品的影响值，而后与产品的广告浏览时长的比值计算附加同类产品广告浏览值影响值后的产品浏览时长作为广告浏览时长降维值。
S4、利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值，计算出不同受众群体中每个受众个体的信息权值；利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵。
下面以第
Figure 952296DEST_PATH_IMAGE003
个受众群体中的受众个体
Figure 153470DEST_PATH_IMAGE005
为例，利用第
Figure 799215DEST_PATH_IMAGE003
个受众群体中的受众个体
Figure 111248DEST_PATH_IMAGE005
对本产品的广告浏览时长降维值
Figure 362100DEST_PATH_IMAGE026
、广告点击率降维值
Figure 238570DEST_PATH_IMAGE030
以及广告浏览次数降维值
Figure 371611DEST_PATH_IMAGE031
，计算出第
Figure 752914DEST_PATH_IMAGE003
个受众群体中受众个体
Figure 389432DEST_PATH_IMAGE005
的信息权值。
第
Figure 433874DEST_PATH_IMAGE003
个受众群体中受众个体
Figure 788631DEST_PATH_IMAGE005
的信息权值
Figure 708046DEST_PATH_IMAGE035
的计算公式为：
Figure 464649DEST_PATH_IMAGE036
其中，
Figure 677063DEST_PATH_IMAGE026
表示广告浏览时长降维值；
Figure 784696DEST_PATH_IMAGE030
表示广告点击率降维值；
Figure 242222DEST_PATH_IMAGE031
表示广告浏览次数降维值；
Figure 853332DEST_PATH_IMAGE037
表示第
Figure 505155DEST_PATH_IMAGE003
个受众群体中广告浏览时长降维值最大值；
Figure 834506DEST_PATH_IMAGE038
表示第
Figure 830143DEST_PATH_IMAGE003
个受众群体中广告点击率降维值最大值；
Figure 826918DEST_PATH_IMAGE035
表示第
Figure 664292DEST_PATH_IMAGE003
个受众群体中受众个体
Figure 215359DEST_PATH_IMAGE005
的信息权值。
以
Figure 280267DEST_PATH_IMAGE035
为例说明公式的计算逻辑，通过进一步的对受众个体
Figure 865969DEST_PATH_IMAGE005
的反馈信息中的广告点击率和浏览时长进行放大以达到个体对于产品兴趣的区分，而后利用广告浏览次数降维值求取平均综合值作为权值矩阵的权值，权值可用来反映受众个体
Figure 797278DEST_PATH_IMAGE005
对于本广告的感兴趣程度；在受众个体
Figure 101220DEST_PATH_IMAGE005
的广告点击率降维值
Figure 704240DEST_PATH_IMAGE030
和广告浏览时长降维值
Figure 144448DEST_PATH_IMAGE026
浏览时长的基础上，对其进行叠加
Figure 306046DEST_PATH_IMAGE039
作为整体降维融合值，并且进行放大
Figure 628443DEST_PATH_IMAGE040
，放大方式为取广告点击率降维值和广告浏览时长降维值的最大值的平方最为权值对叠加后的整体降维值进行加权，而后对放大后的整体降维融合值与受众个体
Figure 35154DEST_PATH_IMAGE005
的广告浏览次数进行做商作为受众个体
Figure 595448DEST_PATH_IMAGE005
每次浏览广告的兴趣程度，以此作为权值矩阵的权值。
以第
Figure 665297DEST_PATH_IMAGE003
个受众群体中的受众个体
Figure 943832DEST_PATH_IMAGE005
为例的权值矩阵的信息权值
Figure 888654DEST_PATH_IMAGE035
的计算方法对已收集的反馈信息的所有不同受众群体中的受众个体进行信息权值计算，即可计算出不同受众群体中每个受众个体的信息权值。
其中，利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括：利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵；在计算出不同受众群体中每个受众个体的信息权值后，获取不同受众群体的权值序列；对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列，并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵；利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权，得到不同受众群体的权值矩阵。
本发明中以第
Figure 303455DEST_PATH_IMAGE003
个受众群体为例，其单位矩阵
Figure 547135DEST_PATH_IMAGE041
的大小为
Figure 47387DEST_PATH_IMAGE042
，其中
Figure 530321DEST_PATH_IMAGE043
，
Figure 97831DEST_PATH_IMAGE008
为初次对第
Figure 476859DEST_PATH_IMAGE003
个受众群体初次投放广告量的总数，同时也表示第
Figure 261145DEST_PATH_IMAGE003
个受众群体
Figure 547770DEST_PATH_IMAGE004
的权值矩阵中元素总数。
以第
Figure 140425DEST_PATH_IMAGE003
个受众群体
Figure 985628DEST_PATH_IMAGE004
为例，其信息权值序列
Figure 194892DEST_PATH_IMAGE044
具体为：
Figure 81946DEST_PATH_IMAGE045
其中，序列
Figure 827310DEST_PATH_IMAGE044
每个元素表示第
Figure 344879DEST_PATH_IMAGE003
个受众群体
Figure 307019DEST_PATH_IMAGE004
中每个受众个体的信息权值，其中
Figure 138709DEST_PATH_IMAGE002
表示第
Figure 237115DEST_PATH_IMAGE005
个受众个体的信息权值，
Figure 418261DEST_PATH_IMAGE046
，
Figure 398855DEST_PATH_IMAGE047
为
Figure 830973DEST_PATH_IMAGE004
中受众个体的总数。至此，所有受众群体的每个受众个体的信息权值计算完毕。
接着对第
Figure 550930DEST_PATH_IMAGE003
个受众群体
Figure 410302DEST_PATH_IMAGE004
的权值序列
Figure 81454DEST_PATH_IMAGE044
进行处理，使其序列中的元素总数与单位矩阵中元素总数相等，所述处理方式为对
Figure 254947DEST_PATH_IMAGE044
进行补零处理，具体为对
Figure 327945DEST_PATH_IMAGE044
中最后一个元素
Figure 856753DEST_PATH_IMAGE048
之后进行补零，补零的个数为
Figure 15202DEST_PATH_IMAGE049
，获得处理后的序列
Figure 789123DEST_PATH_IMAGE050
，而后对处理后的序列
Figure 982207DEST_PATH_IMAGE050
生成第
Figure 481583DEST_PATH_IMAGE003
个受众群体的
Figure 861749DEST_PATH_IMAGE042
信息矩阵
Figure 439361DEST_PATH_IMAGE051
。
最后利用
Figure 991346DEST_PATH_IMAGE051
对
Figure 363422DEST_PATH_IMAGE041
进行赋权，得到权值矩阵
Figure 230883DEST_PATH_IMAGE052
：
Figure 346607DEST_PATH_IMAGE053
式中的“
Figure 750169DEST_PATH_IMAGE054
”为矩阵之间的叉乘运算。
以上述方法对每个受众群体都进行计算，获得不同受众群体的权值矩阵。受众群体的数量为
Figure 293146DEST_PATH_IMAGE007
个，则不同受众群体的权值矩阵的数量也为
Figure 913483DEST_PATH_IMAGE007
个，权值矩阵可反映不同的受众群体对产品的兴趣程度。
S5、利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度。
其中，利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度，包括：计算出不同受众群体的权值矩阵中的非零元素的平均值；利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异，计算出不同受众群体的权值矩阵的活跃度。
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度的计算公式为：
Figure 567318DEST_PATH_IMAGE001
其中，
Figure 792763DEST_PATH_IMAGE002
表示第
Figure 5176DEST_PATH_IMAGE003
个受众群体
Figure 847230DEST_PATH_IMAGE004
的权值矩阵中第
Figure 570336DEST_PATH_IMAGE005
个非零元素；
Figure 447025DEST_PATH_IMAGE006
表示第
Figure 833269DEST_PATH_IMAGE003
个受众群体
Figure 162619DEST_PATH_IMAGE004
的权值矩阵中非零元素的总数；
Figure 627099DEST_PATH_IMAGE007
表示对第
Figure 358294DEST_PATH_IMAGE003
个受众群体
Figure 930088DEST_PATH_IMAGE004
初次投放广告量的受众个体总数；
Figure 746734DEST_PATH_IMAGE008
表示第
Figure 811642DEST_PATH_IMAGE003
个受众群体
Figure 397345DEST_PATH_IMAGE004
的权值矩阵中元素总数；
Figure 390971DEST_PATH_IMAGE009
表示所有受众群体的权值矩阵中非零元素的平均值；
Figure 694913DEST_PATH_IMAGE010
表示第
Figure 297933DEST_PATH_IMAGE003
个受众群体
Figure 941404DEST_PATH_IMAGE004
的权值矩阵的活跃度。不同受众群体的权值矩阵的活跃度的计算公式中
Figure 604466DEST_PATH_IMAGE055
表示双曲正切运算。
以
Figure 425398DEST_PATH_IMAGE010
为例说明公式的计算逻辑，对第
Figure 832109DEST_PATH_IMAGE003
个受众群体的权值矩阵中每个非零权值
Figure 861245DEST_PATH_IMAGE002
和所有受众群体的权值矩阵中非零元素的平均值
Figure 196673DEST_PATH_IMAGE009
的差异，通过双曲正切函数
Figure 6366DEST_PATH_IMAGE056
对差异值
Figure 951189DEST_PATH_IMAGE057
进行增强和抑制，高于平均值的进行增强，低于平均值进行抑制，最后通过对增强和抑制后的差异值求和
Figure 100410DEST_PATH_IMAGE058
与权值矩阵
Figure 406407DEST_PATH_IMAGE052
中的元素总个数做商求取平均值来表示权值矩阵的活跃值。当
Figure 906659DEST_PATH_IMAGE003
个受众群体
Figure 389593DEST_PATH_IMAGE004
的权值矩阵
Figure 160365DEST_PATH_IMAGE052
中零元素越少，每个非零元素越大，则
Figure 336131DEST_PATH_IMAGE010
值越大，则说明首次对第
Figure 323679DEST_PATH_IMAGE003
个群体投放广告时的反馈信息越多，且
Figure 875883DEST_PATH_IMAGE003
群体中每个受众个体对产品越感兴趣。
按照第
Figure 763811DEST_PATH_IMAGE003
个受众群体的权值矩阵的活跃度
Figure 844900DEST_PATH_IMAGE010
的计算方法，计算出不同受众群体的权值矩阵的活跃度，得到活跃度序列
Figure 319743DEST_PATH_IMAGE059
，具体为：
Figure 410059DEST_PATH_IMAGE060
其中，
Figure 155424DEST_PATH_IMAGE010
表示第
Figure 876255DEST_PATH_IMAGE003
个受众群体
Figure 572815DEST_PATH_IMAGE004
的权值矩阵的活跃度。
S6、从不同受众群体中选择多个受众群体进行组合得到多种组合，利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度。
例如：若受众群体的个数为A，从A个受众群体中选择
Figure 201243DEST_PATH_IMAGE016
个受众群体，一个建议值为
Figure 830807DEST_PATH_IMAGE061
（可根据实际情况选择
Figure 746374DEST_PATH_IMAGE016
值，值越大目标受众越精确，但是相应的成本越高）。
从A个受众群体中随机选择3个受众群体进行排列组合，那么就会得到
Figure 195810DEST_PATH_IMAGE062
种受众群体组合，共有
Figure 362349DEST_PATH_IMAGE063
种组合方式，
Figure 580841DEST_PATH_IMAGE064
。所述组合方式为对权值矩阵的活跃度进行随机组合，利用不同受众群体的活跃度进行受众群体组合，而后通过受众群体组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种受众群体组合的精准投放度。
其中，利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度的步骤包括：计算出所有受众群体对应的权值矩阵的活跃度均值；计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值；利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数，计算出每种组合的精准投放度。
每种组合的精准投放度的计算公式为：
Figure 941677DEST_PATH_IMAGE065
其中，
Figure 409568DEST_PATH_IMAGE010
表示第
Figure 379798DEST_PATH_IMAGE003
个受众群体
Figure 951331DEST_PATH_IMAGE004
的权值矩阵的活跃度；
Figure 981604DEST_PATH_IMAGE012
表示所有受众群体对应的权值矩阵的活跃度均值；
Figure 140053DEST_PATH_IMAGE013
表示第
Figure 913974DEST_PATH_IMAGE014
种组合中包含的第
Figure 342944DEST_PATH_IMAGE015
个受众群体对应的权值矩阵的活跃度；
Figure 544118DEST_PATH_IMAGE016
表示第
Figure 393125DEST_PATH_IMAGE014
种组合中包含的受众群体的个数；
Figure 970737DEST_PATH_IMAGE017
表示第
Figure 752748DEST_PATH_IMAGE014
种组合的精准投放度。利用不同组合中每个活跃度和所有活跃度的平均值进行差异计算，而后通过对每种组合下的差异值进行求和并与该组合中所有活跃度的个数进行平均值计算以达到近似方差的一种效果。计算过程中，当某个组合的活跃度最大时，其精准投放度也达到最大，证明该组合的中的不同受众群体对产品的需求或感兴趣程度最大。
S7、选取多个排名靠前的精准投放度对应的组合作为筛选后组合，对筛选后组合进行分解得到若干个筛选后受众群体，按照若干个筛选后受众群体出现次数确定精准营销投放群体。
其中，选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括：对每种组合的精准投放度进行降序排序，得到降序排序后的精准投放度序列；选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
对
Figure 629218DEST_PATH_IMAGE063
中组合都进行如上计算，可获得所有组合的精准投放度序列
Figure 762259DEST_PATH_IMAGE066
，具体为
Figure 674721DEST_PATH_IMAGE067
式中
Figure 78282DEST_PATH_IMAGE017
表示第
Figure 621259DEST_PATH_IMAGE014
个组合的精准投放度。
在获得了全部受众群体组合的精准评价度后，根据精准投放度对受众群体进行筛选，筛选规则具体如下：
首先对序列
Figure 241596DEST_PATH_IMAGE066
根据大小进行降序排序，得到排序后的精准投放度序列
Figure 629852DEST_PATH_IMAGE068
Figure 884991DEST_PATH_IMAGE069
接着选择前
Figure 661186DEST_PATH_IMAGE070
个序列元素组成已筛选集合
Figure 237661DEST_PATH_IMAGE071
（一个
Figure 993389DEST_PATH_IMAGE070
的建议值为
Figure 870079DEST_PATH_IMAGE072
），并对这
Figure 754858DEST_PATH_IMAGE070
个序列元素所对应的受众群体活跃度进行分解，分解后获得
Figure 84208DEST_PATH_IMAGE073
个受众群体活跃度。
其中，按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括：将若干个筛选后受众群体分配到不同预设标签组内；在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序，得到每个预设标签组的筛选后受众群体序列；将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合，并将该组合作为精准营销投放群体。
本发明在分解后获得
Figure 861538DEST_PATH_IMAGE073
个受众群体。
一个例子为：
Figure 592734DEST_PATH_IMAGE072
，在分解后获得18个受众群体分别为：“学生”“18-25岁”“白领”，“学生”“女人”“18-25岁”，“学生”“女人”“白领”，“厨师”“女人”“学生”，“学生”“教师”“白领”，“30-40岁”“男人”“医生”，总共分解成18个受众群体，这18个受众群体中包含重复的受众群体。
而每一个标签对应着不同的类别属性，例如：“性别属性标签组”中就包含“女人”“男人”，“年龄属性标签组”中就包含“18-25岁”“30-40岁”，“职业属性标签组”中就包含“学生”“白领”“厨师”“教师”“医生”，而一个受众个体可能对应多种标签，所以标签越多由多个标签组合后确定的投放人群就越精确。
在得到18个受众群体后将其分配到不同预设标签组内，并且在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序，得到每个预设标签组的筛选后受众群体序列如下所示：
性别属性标签组：[女人，男人]
年龄属性标签组：[18-25岁，30-40岁]
职业属性标签组：[学生，白领，教师，医生，厨师]
“女人”标签出现3次，而“男人”标签只出现一次，将“女人”标签排序到“男人”标签前面，同理将每个预设标签组的筛选后受众群体排序。将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合，其中“女人”标签位于“性别属性标签组”中第一位，“18-25岁”标签位于“年龄属性标签组”中第一位，“学生”标签位于“职业属性标签组”中第一位，将[女人，18-25岁，学生]进行组合，并将该组合[女人，18-25岁，学生]作为精准营销投放群体，即只要同时满足这三个标签的受众个体才是我们最终确定的精准营销投放群体。
综上所述，本发明提供一种智能营销精准推荐方法，提供一种针对待营销产品的营销精准推荐方法，利用权重矩阵对不同受众对象首次投放的广告反馈信息进行量化，并通过活跃度和精准度评价对广告投放的不同受众对象进行筛选来实现对待营销产品的智能精准营销。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (9)

1.一种智能营销精准推荐方法，其特征在于，该方法包括：
根据产品类型选择推荐平台和不同受众群体，其中，每个受众群体中包含多个不同的受众个体；
对不同受众群体在推荐平台上进行初次广告投放，收集初次广告投放后不同受众群体中每个受众个体对本产品的多个反馈信息和同类型产品的多个反馈信息，其中，多个反馈信息包括广告浏览时长，广告点击率，广告浏览次数；
利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值；
利用不同受众群体中每个受众个体对本产品的每个反馈信息降维值，计算出不同受众群体中每个受众个体的信息权值；利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵；
利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度；
从不同受众群体中选择多个受众群体进行组合得到多种组合，利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度；
选取多个排名靠前的精准投放度对应的组合作为筛选后组合，对筛选后组合进行分解得到若干个筛选后受众群体，按照若干个筛选后受众群体出现次数确定精准营销投放群体。
2.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述利用不同受众群体中每个受众个体的信息权值生成不同受众群体的权值矩阵的步骤包括：
利用对不同受众群体初次投放广告量的总数确定不同受众群体的单位矩阵；
在计算出不同受众群体中每个受众个体的信息权值后，获取不同受众群体的权值序列；
对不同受众群体的权值序列进行补零处理得到不同受众群体的处理后权值序列，并将不同受众群体的处理后权值序列生成与单位矩阵同样大小的信息矩阵；
利用每个受众群体的信息矩阵对该受众群体的单位矩阵进行赋权，得到不同受众群体的权值矩阵。
3.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度，包括：
计算出不同受众群体的权值矩阵中的非零元素的平均值；
利用不同受众群体的权值矩阵中的每个非零元素与平均值的差异，计算出不同受众群体的权值矩阵的活跃度。
4.根据权利要求3所述的一种智能营销精准推荐方法，其特征在于，所述利用不同受众群体的权值矩阵中的非零元素计算出不同受众群体的权值矩阵的活跃度的计算公式为：
Figure 190315DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第
Figure 305164DEST_PATH_IMAGE004
个受众群体
Figure DEST_PATH_IMAGE005
的权值矩阵中第
Figure 432389DEST_PATH_IMAGE006
个非零元素；
Figure DEST_PATH_IMAGE007
表示第
Figure 782206DEST_PATH_IMAGE004
个受众群体
Figure 539946DEST_PATH_IMAGE005
的权值矩阵中非零元素的总数；
Figure 843888DEST_PATH_IMAGE008
表示对第
Figure 181329DEST_PATH_IMAGE004
个受众群体
Figure 90379DEST_PATH_IMAGE005
初次投放广告量的受众个体总数；
Figure DEST_PATH_IMAGE009
表示第
Figure 51644DEST_PATH_IMAGE004
个受众群体
Figure 108462DEST_PATH_IMAGE005
的权值矩阵中元素总数；
Figure 452855DEST_PATH_IMAGE010
表示所有受众群体的权值矩阵中非零元素的平均值；
Figure DEST_PATH_IMAGE011
表示第
Figure 568142DEST_PATH_IMAGE004
个受众群体
Figure 402106DEST_PATH_IMAGE005
的权值矩阵的活跃度。
5.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述利用每种组合中包含的每个受众群体对应的权值矩阵的活跃度，计算出每种组合的精准投放度的步骤包括：
计算出所有受众群体对应的权值矩阵的活跃度均值；
计算出每种组合中包含的每个受众群体对应的权值矩阵的活跃度与活跃度均值的差值；
利用每种组合对应的差值平方的和值和该种组合包含的受众群体的个数，计算出每种组合的精准投放度。
6.根据权利要求5所述的一种智能营销精准推荐方法，其特征在于，所述每种组合的精准投放度的计算公式为：
Figure DEST_PATH_IMAGE013
其中，
Figure 978843DEST_PATH_IMAGE011
表示第
Figure 189245DEST_PATH_IMAGE004
个受众群体
Figure 604046DEST_PATH_IMAGE005
的权值矩阵的活跃度；
Figure 812173DEST_PATH_IMAGE014
表示所有受众群体对应的权值矩阵的活跃度均值；
Figure DEST_PATH_IMAGE015
表示第
Figure 873277DEST_PATH_IMAGE016
种组合中包含的第
Figure DEST_PATH_IMAGE017
个受众群体对应的权值矩阵的活跃度；
Figure 684107DEST_PATH_IMAGE018
表示第
Figure 218993DEST_PATH_IMAGE016
种组合中包含的受众群体的个数；
Figure DEST_PATH_IMAGE019
表示第
Figure 161804DEST_PATH_IMAGE016
种组合的精准投放度。
7.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述选取多个排名靠前的精准投放度对应的组合作为筛选后组合的步骤包括：
对每种组合的精准投放度进行降序排序，得到降序排序后的精准投放度序列；
选取精准投放度序列中多个排名靠前的精准投放度对应的组合作为筛选后组合。
8.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述利用收集的初次广告投放后每个受众个体对本产品的每个反馈信息和同类型产品的每个反馈信息，获取每个受众个体对本产品的每个反馈信息降维值的步骤包括：
利用收集的初次广告投放后每个受众个体对本产品的广告浏览时长和同类型产品的广告浏览时长，计算出每个受众个体对本产品的广告浏览时长降维值；
利用收集的初次广告投放后每个受众个体对本产品的广告点击率和同类型产品的广告点击率，计算出每个受众个体对本产品的广告点击率降维值；
利用收集的初次广告投放后每个受众个体对本产品的广告浏览次数和同类型产品的广告浏览次数，计算出每个受众个体对本产品的广告浏览次数降维值。
9.根据权利要求1所述的一种智能营销精准推荐方法，其特征在于，所述按照若干个筛选后受众群体出现次数确定精准营销投放群体的步骤包括：
将若干个筛选后受众群体分配到不同预设标签组内；
在每个预设标签组内按照筛选后受众群体出现次数从多到少进行降序排序，得到每个预设标签组的筛选后受众群体序列；
将每个预设标签组的筛选后受众群体序列中排名最靠前的筛选后受众群体组合，并将该组合作为精准营销投放群体。
CN202211134693.4A 2022-09-19 2022-09-19 一种智能营销精准推荐方法 Active CN115222461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134693.4A CN115222461B (zh) 2022-09-19 2022-09-19 一种智能营销精准推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134693.4A CN115222461B (zh) 2022-09-19 2022-09-19 一种智能营销精准推荐方法

Publications (2)

Publication Number Publication Date
CN115222461A true CN115222461A (zh) 2022-10-21
CN115222461B CN115222461B (zh) 2023-01-10

Family

ID=83616933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134693.4A Active CN115222461B (zh) 2022-09-19 2022-09-19 一种智能营销精准推荐方法

Country Status (1)

Country Link
CN (1) CN115222461B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664196A (zh) * 2023-05-29 2023-08-29 济宁政和信息技术有限公司 基于互联网的数据处理系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065741A1 (en) * 2006-09-13 2008-03-13 Stratton John G System and method for distributing and providing recommendations related to playable content
JP2009088777A (ja) * 2007-09-28 2009-04-23 Dentsu Inc 広告選択最適化処理装置及びその処理方法
US20110047028A1 (en) * 2009-08-19 2011-02-24 Company 100, Inc. Target advertisement system and method in mobile communication terminal
WO2013148291A1 (en) * 2012-03-26 2013-10-03 Dennoo Inc. Systems and methods for implementing an advertisement platform with novel cost models
US20140129350A1 (en) * 2012-11-02 2014-05-08 Yahoo Japan Corporation Advertisement distribution apparatus and advertisement distribution method
US20170034591A1 (en) * 2015-07-24 2017-02-02 Videoamp, Inc. Targeting tv advertising slots based on consumer online behavior
CN109615429A (zh) * 2018-12-11 2019-04-12 大象慧云信息技术有限公司 一种基于发票数据的精准广告投放系统及方法
CN109816410A (zh) * 2017-11-21 2019-05-28 北京奇虎科技有限公司 广告主产品受众群体的分析方法及装置
WO2019223379A1 (zh) * 2018-05-22 2019-11-28 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN110798718A (zh) * 2019-09-02 2020-02-14 腾讯科技（深圳）有限公司 一种视频推荐方法以及装置
CN110942337A (zh) * 2019-10-31 2020-03-31 天津中科智能识别产业技术研究院有限公司 一种基于互联网大数据的精准旅游营销方法
CN111028006A (zh) * 2019-12-02 2020-04-17 支付宝(杭州)信息技术有限公司 一种业务投放辅助方法、业务投放方法及相关装置
CN111601165A (zh) * 2020-05-21 2020-08-28 广州欢网科技有限责任公司 基于时段节目受众群体的广告推荐方法、装置及控制器
CN111832296A (zh) * 2020-07-17 2020-10-27 霍祥明 一种基于大数据的多媒体广告智能投放管理系统
CN111951054A (zh) * 2020-08-14 2020-11-17 广元量知汇科技有限公司 一种智能广告营销投放方法
CN112765482A (zh) * 2020-12-23 2021-05-07 微民保险代理有限公司 产品投放方法、装置、设备及计算机可读介质
CN113821574A (zh) * 2021-08-31 2021-12-21 北京达佳互联信息技术有限公司 用户行为分类方法和装置及存储介质
US20220180395A1 (en) * 2020-12-04 2022-06-09 Shopify Inc. Methods and systems for serving advertisements
CN114896517A (zh) * 2022-05-26 2022-08-12 西安建筑科技大学 一种商品推荐方法、系统、设备及存储介质
CN114926199A (zh) * 2022-05-05 2022-08-19 上海天擎天拓软件技术有限公司 一种互联网营销受众精准分析方法和系统
CN115034826A (zh) * 2022-06-23 2022-09-09 北京奇艺世纪科技有限公司 一种广告投放方法、装置、电子设备及可读存储介质

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065741A1 (en) * 2006-09-13 2008-03-13 Stratton John G System and method for distributing and providing recommendations related to playable content
JP2009088777A (ja) * 2007-09-28 2009-04-23 Dentsu Inc 広告選択最適化処理装置及びその処理方法
US20110047028A1 (en) * 2009-08-19 2011-02-24 Company 100, Inc. Target advertisement system and method in mobile communication terminal
WO2013148291A1 (en) * 2012-03-26 2013-10-03 Dennoo Inc. Systems and methods for implementing an advertisement platform with novel cost models
US20140129350A1 (en) * 2012-11-02 2014-05-08 Yahoo Japan Corporation Advertisement distribution apparatus and advertisement distribution method
US20170034591A1 (en) * 2015-07-24 2017-02-02 Videoamp, Inc. Targeting tv advertising slots based on consumer online behavior
CN109816410A (zh) * 2017-11-21 2019-05-28 北京奇虎科技有限公司 广告主产品受众群体的分析方法及装置
WO2019223379A1 (zh) * 2018-05-22 2019-11-28 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN109615429A (zh) * 2018-12-11 2019-04-12 大象慧云信息技术有限公司 一种基于发票数据的精准广告投放系统及方法
CN110798718A (zh) * 2019-09-02 2020-02-14 腾讯科技（深圳）有限公司 一种视频推荐方法以及装置
CN110942337A (zh) * 2019-10-31 2020-03-31 天津中科智能识别产业技术研究院有限公司 一种基于互联网大数据的精准旅游营销方法
CN111028006A (zh) * 2019-12-02 2020-04-17 支付宝(杭州)信息技术有限公司 一种业务投放辅助方法、业务投放方法及相关装置
CN111601165A (zh) * 2020-05-21 2020-08-28 广州欢网科技有限责任公司 基于时段节目受众群体的广告推荐方法、装置及控制器
CN111832296A (zh) * 2020-07-17 2020-10-27 霍祥明 一种基于大数据的多媒体广告智能投放管理系统
CN111951054A (zh) * 2020-08-14 2020-11-17 广元量知汇科技有限公司 一种智能广告营销投放方法
US20220180395A1 (en) * 2020-12-04 2022-06-09 Shopify Inc. Methods and systems for serving advertisements
CN112765482A (zh) * 2020-12-23 2021-05-07 微民保险代理有限公司 产品投放方法、装置、设备及计算机可读介质
CN113821574A (zh) * 2021-08-31 2021-12-21 北京达佳互联信息技术有限公司 用户行为分类方法和装置及存储介质
CN114926199A (zh) * 2022-05-05 2022-08-19 上海天擎天拓软件技术有限公司 一种互联网营销受众精准分析方法和系统
CN114896517A (zh) * 2022-05-26 2022-08-12 西安建筑科技大学 一种商品推荐方法、系统、设备及存储介质
CN115034826A (zh) * 2022-06-23 2022-09-09 北京奇艺世纪科技有限公司 一种广告投放方法、装置、电子设备及可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664196A (zh) * 2023-05-29 2023-08-29 济宁政和信息技术有限公司 基于互联网的数据处理系统

Also Published As

Publication number Publication date
CN115222461B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
Gräve Exploring the perception of influencers vs. traditional celebrities: are social media stars a new type of endorser?
Gormley et al. Analysis of Irish third-level college applications data
Lacey et al. How fit connects service brand sponsors with consumers' passions for sponsored events
CN106503438A (zh) 一种用于药店会员分析的h‑rfm用户建模方法及系统
Brooks et al. US consumers attitudes toward farm animal cloning
CN106776873A (zh) 一种推荐结果生成方法以及装置
TWM605342U (zh) 智能金融商品推薦系統
Wang et al. The power of social learning: How do observational and word-of-mouth learning influence online consumer decision processes?
CN115222461B (zh) 一种智能营销精准推荐方法
JP2019215778A (ja) サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備
US10803481B2 (en) Automated generation of personalized mail
Shareef et al. Consumer online purchase behaviour: Perception versus expectation
Wu et al. Effects of product scarcity: The mediating role of consumer need for uniqueness and conformity
CN108510353A (zh) 一种智能化程度高的电子商务系统
King et al. Factors influencing the weaving and use of kente cloth: the case of Bonwire, Ghana
CN112651237A (zh) 一种基于用户情绪立场的用户画像建立方法及装置、用户画像的可视化方法
Gupta et al. An Empirical Investigation on Source Credibility of Social Media Influencer in Tier-Ii Cities of Central India–A Sociological View
TWI787127B (zh) 行銷對象決策方法及系統與電腦程式產品
Ginting A computational bibliometric analysis of game advertising using vosviewer
Shetu Factors influencing on consumers’ fast-food consumption preferences: An empirical study on Facebook users in Dhaka city, Bangladesh
Monroe A method for determining product line prices with end-price constraints
Utami et al. THE INFLUENCE OF FASHION INVOLVEMENT, POSITIVE EMOTIONS AND AFFILIATE MARKETING ON IMPULSE BUYING GENERATION Z
Luo The Impact of Customer Experience on Online Game Purchase Intention
Peterson et al. The depiction of female models in sport television commercials in the United States by degree of slenderness: An appraisal
Hasan et al. Photography’s Role On A Fashion Brand’s Marketing On An Online Platform.

Legal Events

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