CN115271769A - 投放效果数据的预估方法、装置及设备 - Google Patents

Abstract

本申请提供了一种投放效果数据的预估方法、装置及设备，属于计算机和互联网技术领域。所述方法包括：获取定向人群的用户标识集合；从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据；对各个用户标识在目标流量上的预估操作数据进行统计处理，得到定向人群在所述目标流量上的投放效果预估数据。本申请中，提供了一种定向人群在目标定向内容上的投放效果的预估方式，即根据目标定向内容的目标流量，确定定向人群在目标定向内容上的投放效果预估数据，使得投放者能够根据投放效果预估数据确定目标定向内容针对定向人群的投放效果，提高定向内容投放的可靠性。

Description

投放效果数据的预估方法、装置及设备

技术领域

本申请实施例涉及计算机和互联网技术领域，特别涉及一种投放效果数据的预估方法、装置及设备。

背景技术

目前，商家在售卖产品时会通过媒体平台向用户推送广告来起到辅助作用。

在相关技术中，在目标广告推送之前，依据该商家已投放的其它广告的点击情况，获取点击该其它广告的用户作为上述目标广告对应的推送用户，进而向推送用户推送目标广告。

然而，在上述相关技术中，仅仅能够依据商家已投放的其它广告的点击情况确定目标广告的推送用户，但无法对目标广告针对推送用户的投放效果进行预估。

发明内容

本申请实施例提供了一种投放效果数据的预估方法、装置及设备，提供了一种定向人群在目标定向内容上的投放效果的预估方式，提高定向内容投放的可靠性。所述技术方案如下：

根据本申请实施例的一个方面，提供了一种投放效果数据的预估方法，所述方法包括：

获取定向人群的用户标识集合，所述用户标识集合中包括所述定向人群中的各个用户的用户标识；

从离线预估数据集中获取各个所述用户标识在目标流量上的预估操作数据；其中，所述离线预估数据集中包括多个用户标识分别对应的离线预估数据，所述离线预估数据包括所述用户标识所指示的用户在多个不同流量上的预估操作数据；

对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据。

根据本申请实施例的一个方面，提供了一种投放效果数据的预估装置，所述装置包括：

集合获取模块，用于获取定向人群的用户标识集合，所述用户标识集合中包括所述定向人群中的各个用户的用户标识；

数据获取模块，用于从离线预估数据集中获取各个所述用户标识在目标流量上的预估操作数据；其中，所述离线预估数据集中包括多个用户标识分别对应的离线预估数据，所述离线预估数据包括所述用户标识所指示的用户在多个不同流量上的预估操作数据；

数据统计模块，用于对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据。

根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述投放效果数据的预估方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述投放效果数据的预估方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述投放效果数据的预估方法。

本申请实施例提供的技术方案可以包括如下有益效果：

通过离线预估数据集中包括的离线预估数据，获取定向人群的用户标识集合所包含的用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计，得到定向人群在目标流量上的投放效果预估数据，以目标流量为基准，提供了一种定向人群在目标定向内容上的投放效果的预估方式，即根据目标定向内容的目标流量，确定定向人群在目标定向内容上的投放效果预估数据，使得投放者能够根据投放效果预估数据确定目标定向内容针对定向人群的投放效果，提高定向内容投放的可靠性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是本申请一个实施例提供的投放效果数据的预估方法的流程图；

图2示例性示出了一种用户界面的示意图；

图3是本申请一个实施例提供的预估操作数据的获取方法的流程图；

图4示例性示出了一种操作数据预估模型的示意图；

图5示例性示出了一种投放效果数据的预估方式的示意图；

图6是本申请一个实施例提供的投放效果数据的预估装置的框图；

图7是本申请另一个实施例提供的投放效果数据的预估装置的框图；

图8是本申请一个实施例提供的计算机设备结构的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

数据库(Database)，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

数据库管理系统(英语：Database Management System，简称DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML(Extensible MarkupLanguage,即可扩展标记语言)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如SQL(结构化查询语言，Structured QueryLanguage)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。

大数据(Big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

本申请实施例中，在预估定向人群在目标流量上的投放效果时，从大数据中获取该定向人群所包含的各个用户的用户行为数据和用户画像数据，进而根据该用户行为数据和用户画像数据确定用户的特征信息，进一步地，以目标流量作为约束条件，对用户的特征信息进行处理，以获取该定向人群在目标流量上的投放效果预估数据。可选地，该投放效果预估数据以单个用户为单位，存储在数据库中。

下面，结合几个实施例对本申请技术方案进行介绍说明。

为了便于说明，在下述方法实施例中，仅以各步骤的执行主体为计算机设备为例进行介绍说明，该计算机设备可以是任何具备计算和存储能力的电子设备。示例性地，该计算机设备可以是服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。需要说明的一点是，在本申请实施例中，各步骤的执行主体可以是同一计算机设备，也可以由多个不同的计算机设备交互配合执行，此处不作限定。

请参考图1，其示出了本申请一个实施例提供的投放效果数据的预估方法的流程图。该方法可以包括以下几个步骤(101～103)：

步骤101，获取定向人群的用户标识集合。

定向人群是指目标定向内容的待投放人群。目标定向内容是指具有针对性内容。可选地，该针对性为相对于部分人群的针对性；或者，该针对性为相对于某个领域的针对性；等等。示例性地，上述定向内容可以是任意具有浏览功能的内容，如广告、视频、文章、资讯等。

在本申请实施例中，计算机设备在对定向人群进行投放效果预估之前，获取定向人群的用户标识集合。其中，该用户标识集合中包括定向人群中的各个用户的用户标识，用户标识用于标识用户的唯一性。可选地，该用户标识集合可以为定向内容的投放者所提供的，也可以为计算机设备自动获取的。

在一种可能的实施方式中，上述定向人群为定向内容的投放者所指定的人群。定向内容的投放者在投放目标定向内容之前，向计算机设备提供该目标定向内容对应的定向人群的用户标识集合。

在另一种可能的实施方式中，上述定向人群为计算机设备自动获取的。可选地，计算机设备在获取上述目标定向内容之后，基于该目标定向内容获取该定向内容对应的关联定向内容，并根据各个用户针对关联定向内容的操作情况，确定操作情况较优的用户，作为目标定性内容对应的定向人群，进而获取该定向人群的用户标识集合。其中，上述关联定向内容是指与目标定向内容具有相同属性的定向内容，该属性包括但不限于以下至少一项：定向内容的投放者、定向内容所属的类型(如文章、视频、音乐等)、定向内容所属的领域等；上述操作情况包括曝光情况、点击情况、转化情况，操作情况较优的用户可以为点击关联定向内容后执行该关联定向内容的关联操作的用户，该关联操作也可以称为转化操作。

步骤102，从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据。

流量用于指示定向内容的投放属性。可选地，该投放属性为定向内容的投放者根据实际情况所设定的，在定向内容的投放过程中，需要根据该投放属性对定向内容进行投放。示例性地，该流量中包括但不限于以下至少一项：定向内容的投放位置、定向内容的投放时长、定向内容的投放时间段等。其中，定向内容的投放位置用于指示定向内容的展示位置。需要说明的一点是，定向内容的投放者在指定定向内容的投放位置时，可以指定目标投放位置，也可以指定目标投放位置中的子位置，示例性地，上述目标投放位置为目标应用程序，上述目标投放位置中的子位置为目标应用程序的主页上的A显示区域。

目标流量用于指示目标投放属性，该目标投放属性即为上述定向人群所对应的目标定向内容的投放属性。可选地，该目标流量为目标定向内容的投放位置。在本申请实施例中，计算机设备在获取上述定向人群的用户标识集合之后，从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据。其中，离线预估数据集中包括多个用户标识分别对应的离线预估数据，离线预估数据包括用户标识所指示的用户在多个不同流量上的预估操作数据。

可选地，计算机设备在获取上述预估操作数据时，获取上述定向人群所对应的目标定向内容，并确定该目标定向内容的投放属性，即目标投放属性，之后，计算机设备根据该目标投放属性确定目标流量，并基于用户标识集合所包含的各个用户标识，从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据。

其中，上述目标投放属性为投放者针对单个定向内容(如上述目标定向内容)所设置的，也可以为投放者针对多个内容所设置的。

在一种可能的实施方式中，投放者在对上述目标定向内容进行投放时，向计算机设备提供该目标定向内容对应的目标投放属性，使得计算机设备在获取目标定向内容之后，基于目标定向内容的内容标识确定上述目标投放属性，进而确定上述目标流量。

在另一种可能的实施方式中，投放者对应有多个投放标识，每种投放标识对应不同的投放属性，投放者在对上述目标定向内容进行投放时，采用目标投放标识对该目标定向内容进行投放，进一步地，计算机设备在获取上述目标定向内容之后，获取该目标定向内容的投放标识，进而依据该投放标识，确定上述目标投放属性，进而确定上述目标流量。

步骤103，对各个用户标识在目标流量上的预估操作数据进行统计处理，得到定向人群在目标流量上的投放效果预估数据。

在本申请实施例中，计算机设备在获取上述预估操作数据之后，对各个用户标识在目标流量上的预估操作数据进行统计处理，得到定向人群在目标流量上的投放效果预估数据。

可选地，上述预估操作数据中包括不同类型的预估操作数据，计算机设备在对预估操作数据进行统计处理时，对不同类型的预估操作数据分别进行统计处理，确定不同类型的投放效果预估数据，使得用户在获取投放效果预估数据之后，能够从不同维度对定向人群在目标流量上的投放效果进行分析。

需要说明的一点是，在本申请实施例中，计算机设备可以在接收到针对定向人群投放效果预估请求之后，从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计处理；或者，计算机设备也可以自动对从离线预估数据集中获取各个用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计处理，本申请实施例对此不作限定。

在一种可能的实施方式中，投放者根据自身需求触发生成针对定向人群投放效果预估请求，进一步地，计算机设备在获取针对定向人群投放效果预估请求之后，执行上述步骤102和步骤103。

在另一种可能的实施方式中，为了保证数据提供的及时性，计算机设备在获取上述定向人群之后，按照一定的时间间隔对该定向人群在各个流量上的预估操作数据进行获取或更新，并对所获得的预估操作数据进行统计处理，生成定向人群在各个流量上的投放效果预估数据，并对该投放效果预估数据进行存储。之后，在接收到针对定向人群投放效果预估请求之后，直接从已存储的数据中的获取目标流量对应的投放效果预估数据。其中，上述时间间隔可以根据实际情况进行灵活设置和调整，本申请实施例对此不作限定。

综上所述，本申请实施例提供的技术方案，通过离线预估数据集中包括的离线预估数据，获取定向人群的用户标识集合所包含的用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计，得到定向人群在目标流量上的投放效果预估数据，以目标流量为基准，提供了一种定向人群在目标定向内容上的投放效果的预估方式，即根据目标定向内容的目标流量，确定定向人群在目标定向内容上的投放效果预估数据，使得投放者能够根据投放效果预估数据确定目标定向内容针对定向人群的投放效果，提高定向内容投放的可靠性。

可选地，在本申请实施例中，上述预估操作数据包括但不限于以下至少一项：预估曝光概率、预估曝光次数、预估点击次数、预估转化次数。上述投放效果预估数据中包括但不限于以下至少一项：预估曝光人数、预估触达率、预估曝光次数、预估点击率和预估转化率等。

其中，曝光是指用户在浏览时浏览到定向内容，点击是用户在浏览到定向内容后点击观看定向内容，转化是用户在观看到定向内容后执行该定向内容对应的关联操作。以广告为例，用户在浏览网站时浏览到广告封面，此时，用户为针对该广告的曝光用户；之后，用户点击广告封面对广告进行观看，此时，用户为针对该广告的点击用户；之后，用户在观看广告后通过广告提供的链接购买广告中的商品，此时，用户为针对该广告的转化用户。

需要说明的一点是，不同的定向内容对应的关联操作不同。示例性地，若定向内容为广告，则关联操作为购买该广告对应的产品；若定向内容为具有故事性的分集视频，则关联操作为点击该故事对应的下一集视频；若定向内容为新闻资讯，则关联操作为针对该新闻资讯发表评论；等等。当然，在实际运用中，可以根据实际情况对定向内容的关联操作进行灵活设置和调整，一个定向内容可以对应一个或多个关联操作，本申请实施例对此不作限定。

下面，对预估操作数据的统计方式进行介绍。

在示例性实施例中，上述步骤103包括但不限于以下至少一项：

1、基于各个用户标识在目标流量上的预估曝光概率，将预估曝光概率大于阈值的用户标识确定为在目标流量上的曝光用户标识；根据用户标识集合中曝光用户标识的数量，得到定向人群在目标流量上的预估曝光人数；

2、对各个用户标识在目标流量上的预估曝光概率进行求平均处理，得到定向人群在目标流量上的预估触达率；

3、对各个用户标识在目标流量上的预估曝光次数进行求和处理，得到定向人群在目标流量上的预估曝光次数；

4、基于各个用户标识在目标流量上的预估点击次数，确定定向人群在目标流量上的预估点击人数；根据所述预计点击人数以及所述定向人群在所述目标流量上的预估曝光人数，得到所述定向人群在所述目标流量上的预估点击率；

5、基于各个用户标识在所述目标流量上的预估转化次数，确定定向人群在目标流量上的预估转化人数；根据预估转化人数以及定向人群在目标流量上的预估曝光人数，得到定向人群在目标流量上的预估转化率。

需要说明的一点是，在本申请实施例中，由于不同定向内容对应的关联操作(转化操作)不同，计算机设备在获取上述预估转化率之前，获取目标转化类型，并从预估操作数据中筛选出目标转化类型对应的预估转化次数。其中，目标转化类型是指上述目标定向内容所对应转化操作的类型；目标转化类型对应的预估转化次数用于确定目标转化类型对应的预估转化率。

可选地，在本申请实施例中，计算机设备在获取上述投放效果预估数据之后，向投放者展示该投放效果预估数据。需要说明的点是，上述针对预估操作数据的统计方式的介绍只是示例性和解释性的，在实际运用中，可以根据实际情况对预估操作数据的统计方式进行灵活设置和调整，例如，将预估操作数据根据不同的网站进行分类统计。示例性地，如图2所示，计算机设备在将预估操作数据根据不同的网站进行分类统计之后，在用户界面20中显示目标网站的全站投放效果预估数据21和分站投放效果预估数据22。

下面，对本申请中离线预估数据集中预估操作数据的获取方式进行详细介绍。

请参考图3，其示出了本申请一个实施例提供的预估操作数据的获取方法的流程图。该方法可以包括以下几个步骤(301～304)：

步骤301，获取用户标识在目标时间段内的用户行为数据。

用户行为数据是指用户针对各个定向内容的行为操作记录数据。可选地，在用户浏览网站的过程中，以该用户的用户标识为依据，对用户针对该网站中各个定向内容的行为操作进行记录。其中，上述行为包括但不限于以下至少一项：针对定向内容的曝光行为、针对定向内容的点击行为、针对定向内容的各种类型的转化行为。

在本申请实施例中，计算机设备在获取用户标识在目标流量上的预估操作数据之前，获取上述用户标识在目标时间段内的用户行为数据。其中，目标时间段可以是任意时间段，如7天、14天、30天等，在实际运用中，可以根据实际情况对该目标时间段进行调整，本申请实施例对此不作限定。

可选地，在本申请实施例中，在对用户行为数据进行存储时，每个行为数据对应有时间戳，该时间戳用于指示该行为数据的发生时刻，进一步地，计算机设备在获取上述用户行为数据时，基于上述目标时间段，从数据库中搜索获取时间戳位于目标时间段内的，用户标识对应的行为数据，作为上述用户行为数据。

步骤302，根据用户行为数据和用户标识对应的用户画像数据，生成用户标识对应的用户特征信息。

在本申请实施例中，计算机设备在获取上述用户行为数据之后，根据该用户行为数据和用户标识对应的用户画像数据，生成用户标识对应的用户特征信息。其中，用户画像用于反映用户的代表特征，可选地，该用户画像为计算机设备依据用户对应的各种数据，所构建的用于表征用户标签的数据集合；用户画像数据即为用户画像所包含的用户特征数据。

在本申请实施例中，计算机设备在获取用户特征信息时，依据上述用户标识获取该用户标识对应的用户画像数据，并根据上述用户行为数据和用户标识对应的用户画像数据，生成用户标识对应的用户特征信息。

可选地，上述步骤302包括以下几个步骤：

1、对用户行为数据进行编码压缩，生成用户标识对应的行为特征向量。

在本申请实施例中，计算机设备在获取上述用户行为数据之后，对该用户行为数据进行编码压缩，生成用户标识对应的行为特征向量。

可选地，计算机设备在获取行为特征向量时，从用户行为数据中获取用户标识对应的至少一个行为数据，进而基于各个行为数据对应的时间戳，对该至少一个行为数据进行排序，并采用第二编码网络对排序后的行为数据进行编码，生成排序后的行为数据的编码向量，从排序后的行为数据的编码向量中选取行为词向量，作为上述行为特征向量。其中，在对上述至少一个行为数据进行排序时，可以基于各个行为数据的时间戳，对各个行为数据进行升序排序。

需要说明的一点是，在本申请实施例中，上述第二编码网络可以通过自监督任务训练得到。示例性地，在对第二编码网络进行训练时，计算机设备在获取样本行为数据之后，在该样本行为数据中随机覆盖掉15％的行为数据，且随机覆盖动作重复多次，得到样本行为数据对应的多个处理后的样本行为数据，进而采用该多个处理后的样本行为数据对上述第二编码网络进行训练。可选地，上述第二编码网络为BERT(Bidirectional EncoderRepresentation Transformers)模型。

2、对用户画像数据进行编码压缩，生成用户标识对应的画像特征向量。

在本申请实施例中，计算机设备在获取上述用户画像数据之后，对该用户画像数据进行编码压缩，生成用户标识对应的画像特征向量。

可选地，计算机设备在获取画像特征向量时，从用户画像数据中获取用户标识对应的至少一个用户特征，进而基于各个用户特征的重要程度，对各个用户特征进行排序，并采用第一编码网络对排序后的用户特征进行编码，生成排序后的用户特征的编码向量，从排序后的用户特征的编码向量中选取特征词向量，作为上述画像特征向量。其中，上述重要程序是指用户特征在大数据中的出现频率；在对上述至少一个用户特征进行排序时，可以基于各个用户特征的重要程度，对各个用户特征进行升序排序。

需要说明的一点是，在本申请实施例中，上述第一编码网络可以通过自监督任务训练得到。示例性地，在对第一编码网络进行训练时，计算机设备在获取样本画像数据之后，在该样本画像数据中随机覆盖掉15％的用户特征，且随机覆盖动作重复多次，得到样本画像数据对应的多个处理后的样本画像数据，进而采用该多个处理后的样本画像数据对上述第一编码网络进行训练。可选地，上述第一编码网络为BERT(Bidirectional EncoderRepresentation Transformers)模型。

可选地，在本申请实施例中，上述第一编码网络与上述第二编码网络可以为相同的编码网络，而可以为不同的编码网络。

3、基于用户标识对应的行为特征向量和画像特征向量，得到用户标识对应的用户特征信息。

在本申请实施例中，计算机设备在获取上述行为特征向量与画像特征向量之后，基于用户标识对应的行为特征向量和画像特征向量，得到用户标识对应的用户特征信息。可选地，计算机设备可以对用户标识对应的行为特征向量和画像特征向量进行拼接处理，以获取用户标识对应的用户特征信息。

步骤303，以目标流量为基准，对用户特征信息进行处理，生成用户标识在目标流量上的预估操作数据。

在本申请实施例中，计算机设备在获取上述用户特征信息之后，以目标流量为基准，对用户特征进行处理，生成用户标识在目标流量上的预估操作数据。

可选地，上述步骤303包括以下几个步骤：

1、采用不同的特征提取网络分别对用户特征信息进行特征提取处理，得到多类型特征信息。

在本申请实施例中，计算机设备在获取上述用户特征信息之后，采用不同的特征提取网络分别对用户特征信息进行特征提取处理，得到多类型特征信息。其中，多类型特征信息中包括但不限于以下至少一项：曝光概率的相关特征信息、曝光次数的相关特征信息、点击次数的相关特征信息、转化次数的相关特征信息。

可选地，上述特征提取网络中包括多个专家网络和一个加权门。其中，不同的特征提取网络对应有相同的专家网络和不同的加权门。

可选地，在本申请实施例中，计算机设备在获取上述用户特征信息之后，采用不同的专家网络分别对用户特征信息进行特征提取处理，得到特征提取集合。其中，该特征提取集合中包括来自不同专家网络的特征提取结果。之后，分别采用不同的加权门，对特征提取集合中的各个特征提取结果进行加权求和处理，得到上述多类型特征信息。

可选地，计算机设备在对特征提取集合中的各个特征提取结果进行加权求和处理时，根据上述用户特征信息，获取针对上述特征提取集合的多组加权参数。其中，每组加权参数中包括特征提取集合中的各个特征提取结果分别对应的加权参数。之后，基于多组加权参数中的目标组加权参数，对特征提取集合中的各个特征提取结果进行加权求和处理，得到多类型特征信息中的目标类型特征信息。其中，该目标类型特征信息可以是上述多类型特征信息中的任意一种类型的特征信息。

2、针对多类型特征信息中的目标类型特征信息，以目标流量为基准，采用目标参数计算网络对目标类型特征信息进行处理，得到目标类型的预估操作数据。

在本申请实施例中，计算机设备在获取上述多类型特征信息之后，对于多类型特征信息中的目标类型特征信息，以目标流量为基准，采用目标参数计算网络对目标类型特征信息进行处理，得到目标类型的预估操作数据。其中，上述预估操作数据中包括多个类型的预估操作数据。

可选地，在本申请实施例中，计算机设备在获取目标类型的预估操作数据时，获取目标流量的特征向量，以及预估行为类型的特征向量。其中，预估行为类型可以包括但不限于以下至少一项：针对目标定向内容的曝光行为、针对目标定向内容的点击行为、针对目标定向内容的转化行为等。之后，计算机设备对目标流量的特征向量，以及预估行为类型的特征向量进行拼接处理，得到拼接特征向量，并采用目标类型感知网络，对第二拼接特征向量进行处理，得到目标参数计算网络的网络参数，进而采用目标参数计算网络对上述目标类型特征信息进行处理，得到目标类型的预估操作数据。此时，目标参数计算网络的网络参数即为目标类型感知网络的输出结果。

当然，在本申请实施例中，计算机设备也可以通过操作数据预估模型来获取上述预估操作数据。示例性地，如图5所示，计算机设备在获取上述用户行为特征向量和上述用户画像特征向量之后，将拼接后的用户行为特征向量和用户画像特征向量分别输入至多个专家网络中，进一步地，在获取不同专家网络输出的特征提取结果之后，由不同的加权门根据拼接后的用户行为特征向量和用户画像特征向量确定针对各个特征提取结果的多组加权参数，并采用该多组加权参数分别对各个特征提取结果进行加权求和处理，分别获取曝光概率加权门输出的曝光概率的相关特征信息，曝光次数加权门输出的曝光次数的相关特征信息，点击次数加权门输出的点击次数的相关特征信息，以及转化次数加权门输出的转化次数的相关特征信息。而且，计算机设备在对用户行为特征向量和用户画像特征向量进行处理的同时，将目标流量的特征向量和预估行为类型的特征向量输入分别输出至曝光概率感知网络、曝光次数感知网络、点击次数感知网络和转化次数感知网络，由曝光概率感知网络输出针对曝光概率计算网络的网络参数，由曝光次数感知网络输出针对曝光次数计算网络的网络参数，由点击次数感知网络输出针对点击次数计算网络的网络参数，由转化次数感知网络输出针对转化次数计算网络的网络参数。之后，将上述针对曝光概率计算网络的网络参数，以及上述曝光概率的相关特征信息输入至曝光概率计算网络，得到曝光概率计算网络输出的用户标识在目标流量下的预估曝光概率；将上述针对曝光次数计算网络的网络参数，以及上述曝光次数的相关特征信息输入至曝光次数计算网络，得到曝光次数计算网络输出的用户标识在目标流量下的预估曝光次数；将上述针对点击次数计算网络的网络参数，以及上述点击次数的相关特征信息输入至点击次数计算网络，得到点击次数计算网络输出的用户标识在目标流量下的预估点击次数；将上述针对转化次数计算网络的网络参数，以及上述转化次数的相关特征信息输入至转化次数计算网络，得到转化次数计算网络输出的用户标识在目标流量下的预估转化次数。可选地，上述操作数据预估为MMOE(Multi-gate Mixture-of-Experts)模型。

需要说明的一点是，在本申请实施例中，在对上述操作数据预估模型训练的过程中，需要对训练样本进行降采样处理。示例性地，计算机设备从各个用户的用户日志中获取样本用户数据之后，针对该样本用户数据中的样本用户行为数据，对该样本用户数据进行分类。之后，保留所有有转化行为的样本用户数据，记为样本a；保留有点击行为没有转化行为的样本用户数据，记为样本b；保留有曝光行为没有点击行为的样本用户数据，记为样本c；保留没有曝光行为的样本用户数据，记为样本d。可选地，样本a，样本b，样本c，样本d的比例为1:5:5:5。对降采样后的样本，每条样本用户数据中的样本用户行为数据的记录方式可以为(用户标识，目标流量标识，是否曝光0/1标签，曝光次数，点击次数，转化类型，转化次数)。

步骤304，在离线预估数据集中存储用户标识在目标流量上的预估操作数据。

在本申请实施例中，计算机设备在获取上述预估操作数据之后，在离线预估数据集中存储用户标识在目标流量上的预估操作数据，进而在获取用户标识在目标流量上的投放效果预估数据时，从离线预估数据集中获取用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计处理。

综上所述，本申请实施例提供的技术方案中，以目标流量为基准，通过对用户行为数据和用户画像数据的处理，获取用户标识在目标流量上的预估操作数据，提供了一种在目标流量上确定定向人群的投放效果的预估方式，根据预估操作数据能够统计确定定向人群在目标流量上的预估投放效果，在投放效果不满足投放者需求的情况下，及时对定向人群进行调整，提高定向内容投放的可靠性。

下面，结合参考图6，对本申请中的投放效果数据的预估方法进行完整介绍。如图6所示，在获取用户标识在目标流量下的投放效果预估数据时，主要分为两个流程，离线流程和线上请求流程。其中，离线流程是由计算机设备自行触发的，按照一定的时间间隔进行的流程；线上请求流程是由目标定向内容的投放者触发流程。在离线流程中，计算机设备从用户日志中提取用户行为数据，并对该用户行为数据进行压缩编码得到行为特征向量，同时，获取用户画像数据，并对该用户画像数据进行压缩编码得到画像特征向量，之后，通过操作数据预估该用户特征向量和画像特征向量进行处理，得到用户标识在各个流量上的预估操作数据，并在离线预估数据集中存储用户标识在各个流量上的预估操作数据。在线上请求流程中，计算机设备在获取目标定向内容的投放者提供的定向人群之后，获取该定向人群的用户标识集合，以及该投放者所需求的目标流量和目标转化类型(如下单、收藏、阅读等)，之后，基于该用户标识集合所包含的用户标识，以及上述目标转化类型，从离线预估数据集中获取用户标识在目标流量上的预估操作数据，进而对该预估操作数据进行统计处理，确定用户标识在目标流量上的投放效果预估数据。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图6，其示出了本申请一个实施例提供的投放效果数据的预估装置的框图。该装置具有实现上述投放效果数据的预估方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置600可以包括：集合获取模块610、数据获取模块620和数据统计模块630。

集合获取模块610，用于获取定向人群的用户标识集合，所述用户标识集合中包括所述定向人群中的各个用户的用户标识。

数据获取模块620，用于从离线预估数据集中获取各个所述用户标识在目标流量上的预估操作数据；其中，所述离线预估数据集中包括多个用户标识分别对应的离线预估数据，所述离线预估数据包括所述用户标识所指示的用户在多个不同流量上的预估操作数据。

数据统计模块630，用于对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据。

在示例性实施例中，所述数据统计模块630，用于基于各个所述用户标识在所述目标流量上的预估曝光概率，将所述预估曝光概率大于阈值的用户标识确定为在所述目标流量上的曝光用户标识；根据所述用户标识集合中所述曝光用户标识的数量，得到所述定向人群在所述目标流量上的预估曝光人数；或者，对各个所述用户标识在所述目标流量上的预估曝光概率进行求平均处理，得到所述定向人群在所述目标流量上的预估触达率；或者，对各个所述用户标识在所述目标流量上的预估曝光次数进行求和处理，得到所述定向人群在所述目标流量上的预估曝光次数；或者，基于各个所述用户标识在所述目标流量上的预估点击次数，确定所述定向人群在所述目标流量上的预估点击人数；根据所述预计点击人数以及所述定向人群在所述目标流量上的预估曝光人数，得到所述定向人群在所述目标流量上的预估点击率；或者，基于各个所述用户标识在所述目标流量上的预估转化次数，确定所述定向人群在所述目标流量上的预估转化人数；根据所述预估转化人数以及所述定向人群在所述目标流量上的预估曝光人数，得到所述定向人群在所述目标流量上的预估转化率。

在示例性实施例中，如图7所示，所述装置600还包括：数据筛选模块640。

数据筛选模块640，用于确定目标转化类型；从所述预估操作数据中筛选出所述目标转化类型对应的预估转化次数；其中，所述目标转化类型对应的预估转化次数用于确定所述目标转化类型对应的预估转化率。

在示例性实施例中，如图7所示，所述装置600还包括：行为获取模块650、特征获取模块660、数据预估模块670和数据存储模块680。

行为获取模块650，用于获取所述用户标识在目标时间段内的用户行为数据。

特征获取模块660，用于根据所述用户行为数据和所述用户标识对应的用户画像数据，生成所述用户标识对应的用户特征信息。

数据预估模块670，用于以所述目标流量为基准，对所述用户特征信息进行处理，生成所述用户标识在所述目标流量上的预估操作数据。

数据存储模块680，用于在所述离线预估数据集中存储所述用户标识在所述目标流量上的预估操作数据。

在示例性实施例中，特征获取模块660，包括：行为编码单元、画像编码单元和特征生成单元。

行为编码单元，用于对所述用户行为数据进行编码压缩，生成所述用户标识对应的行为特征向量。

画像编码单元，用于对所述用户画像数据进行编码压缩，生成所述用户标识对应的画像特征向量。

特征生成单元，用于基于所述用户标识对应的行为特征向量和画像特征向量，得到所述用户标识对应的用户特征信息。

在示例性实施例中，所述画像编码单元，用于从所述用户画像数据中获取所述用户标识对应的至少一个用户特征；基于各个所述用户特征的重要程度，对各个所述用户特征进行排序；采用第一编码网络对排序后的用户特征进行编码，生成所述排序后的用户特征的编码向量；从所述排序后的用户特征的编码向量中选取特征词向量，作为所述画像特征向量。

在示例性实施例中，所述行为编码单元，用于从所述用户行为数据中获取所述用户标识对应的至少一个行为数据；基于各个所述行为数据对应的时间戳，对所述至少一个行为数据进行排序；采用第二编码网络对排序后的行为数据进行编码，生成所述排序后的行为数据的编码向量；从所述排序后的行为数据的编码向量中选取行为词向量，作为所述行为特征向量。

在示例性实施例中，所述数据预估模块670，包括：特征提取单元和数据预估单元。

特征提取单元，用于采用不同的特征提取网络分别对所述用户特征信息进行特征提取处理，得到多类型特征信息；其中，所述多类型特征信息中包括以下至少一项：曝光概率的相关特征信息、曝光次数的相关特征信息、点击次数的相关特征信息、转化次数的相关特征信息。

数据预估单元，用于针对所述多类型特征信息中的目标类型特征信息，以所述目标流量为基准，采用目标参数计算网络对所述目标类型特征信息进行处理，得到目标类型的预估操作数据；其中，所述预估操作数据中包括多个类型的预估操作数据。

在示例性实施例中，所述特征提取单元，用于采用不同的专家网络分别对所述用户特征信息进行特征提取处理，得到特征提取集合；其中，所述特征提取集合中包括来自不同专家网络的特征提取结果；分别采用不同的加权门，对所述特征提取集合中的各个特征提取结果进行加权求和处理，得到所述多类型特征信息。

在示例性实施例中，所述特征提取单元，还用于根据所述用户特征信息，获取针对所述特征提取集合的多组加权参数；其中，每组加权参数中包括所述特征提取集合中的各个特征提取结果分别对应的加权参数；基于所述多组加权参数中的目标组加权参数，对所述特征提取集合中的各个特征提取结果进行加权求和处理，得到所述多类型特征信息中的目标类型特征信息。

在示例性实施例中，所述数据预估单元，用于获取所述目标流量的特征向量，以及预估行为类型的特征向量；对所述目标流量的特征向量，以及所述预估行为类型的特征向量进行拼接处理，得到拼接特征向量；采用目标类型感知网络，对所述第二拼接特征向量进行处理，得到所述目标参数计算网络的网络参数；采用所述目标参数计算网络对所述目标类型特征信息进行处理，得到所述目标类型的预估操作数据。

综上所述，本申请实施例提供的技术方案，通过离线预估数据集中包括的离线预估数据，获取定向人群的用户标识集合所包含的用户标识在目标流量上的预估操作数据，并对该预估操作数据进行统计，得到定向人群在目标流量上的投放效果预估数据，以目标流量为基准，提供了一种定向人群在目标定向内容上的投放效果的预估方式，即根据目标定向内容的目标流量，确定定向人群在目标定向内容上的投放效果预估数据，使得投放者能够根据投放效果预估数据确定目标定向内容针对定向人群的投放效果，提高定向内容投放的可靠性。

请参考图8，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可用于实现上述投放效果数据的预估方法的功能。具体来讲：

计算机设备800包括中央处理单元(Central Processing Unit，CPU)801、包括随机存取存储器(Random Access Memory，RAM)802和只读存储器(Read Only Memory，ROM)803的系统存储器804，以及连接系统存储器804和中央处理单元801的系统总线805。计算机设备800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input/Output，I/O)系统806，和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。

基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说，大容量存储设备807可以包括诸如硬盘或者CD-ROM(CompactDisc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。

根据本申请的各种实施例，计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在系统总线805上的网络接口单元811连接到网络812，或者说，也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述投放效果数据的预估方法。

在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述投放效果数据的预估方法。

可选地，该计算机可读存储介质可以包括：ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。

在示例性实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述投放效果数据的预估方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，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，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限制。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (14)

1.一种投放效果数据的预估方法，其特征在于，所述方法包括：

获取定向人群的用户标识集合，所述用户标识集合中包括所述定向人群中的各个用户的用户标识；

从离线预估数据集中获取各个所述用户标识在目标流量上的预估操作数据；其中，所述离线预估数据集中包括多个用户标识分别对应的离线预估数据，所述离线预估数据包括所述用户标识所指示的用户在多个不同流量上的预估操作数据；

对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据。

2.根据权利要求1所述的方法，其特征在于，所述对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据，包括以下至少一项：

基于各个所述用户标识在所述目标流量上的预估曝光概率，将所述预估曝光概率大于阈值的用户标识确定为在所述目标流量上的曝光用户标识；根据所述用户标识集合中所述曝光用户标识的数量，得到所述定向人群在所述目标流量上的预估曝光人数；

对各个所述用户标识在所述目标流量上的预估曝光概率进行求平均处理，得到所述定向人群在所述目标流量上的预估触达率；

对各个所述用户标识在所述目标流量上的预估曝光次数进行求和处理，得到所述定向人群在所述目标流量上的预估曝光次数；

基于各个所述用户标识在所述目标流量上的预估点击次数，确定所述定向人群在所述目标流量上的预估点击人数；根据所述预计点击人数以及所述定向人群在所述目标流量上的预估曝光人数，得到所述定向人群在所述目标流量上的预估点击率；

基于各个所述用户标识在所述目标流量上的预估转化次数，确定所述定向人群在所述目标流量上的预估转化人数；根据所述预估转化人数以及所述定向人群在所述目标流量上的预估曝光人数，得到所述定向人群在所述目标流量上的预估转化率。

3.根据权利要求2所述的方法，其特征在于，所述基于各个所述用户标识在所述目标流量上的预估转化次数，确定所述定向人群在所述目标流量上的预估转化人数之前，还包括：

确定目标转化类型；

从所述预估操作数据中筛选出所述目标转化类型对应的预估转化次数；

其中，所述目标转化类型对应的预估转化次数用于确定所述目标转化类型对应的预估转化率。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述用户标识在目标时间段内的用户行为数据；

根据所述用户行为数据和所述用户标识对应的用户画像数据，生成所述用户标识对应的用户特征信息；

以所述目标流量为基准，对所述用户特征信息进行处理，生成所述用户标识在所述目标流量上的预估操作数据；

在所述离线预估数据集中存储所述用户标识在所述目标流量上的预估操作数据。

5.根据权利要求4所述的方法，其特征在于，所述根据所述用户行为数据和所述用户标识对应的用户画像数据，生成所述用户标识对应的用户特征信息，包括：

对所述用户行为数据进行编码压缩，生成所述用户标识对应的行为特征向量；

对所述用户画像数据进行编码压缩，生成所述用户标识对应的画像特征向量；

基于所述用户标识对应的行为特征向量和画像特征向量，得到所述用户标识对应的用户特征信息。

6.根据权利要求5所述的方法，其特征在于，所述对所述用户画像数据进行编码压缩，生成所述用户标识对应的画像特征向量，包括：

从所述用户画像数据中获取所述用户标识对应的至少一个用户特征；

基于各个所述用户特征的重要程度，对各个所述用户特征进行排序；

采用第一编码网络对排序后的用户特征进行编码，生成所述排序后的用户特征的编码向量；

从所述排序后的用户特征的编码向量中选取特征词向量，作为所述画像特征向量。

7.根据权利要求5所述的方法，其特征在于，所述对所述用户行为数据进行编码压缩，生成所述用户标识对应的行为特征向量，包括：

从所述用户行为数据中获取所述用户标识对应的至少一个行为数据；

基于各个所述行为数据对应的时间戳，对所述至少一个行为数据进行排序；

采用第二编码网络对排序后的行为数据进行编码，生成所述排序后的行为数据的编码向量；

从所述排序后的行为数据的编码向量中选取行为词向量，作为所述行为特征向量。

8.根据权利要求4所述的方法，其特征在于，所述以所述目标流量为基准，对所述用户特征信息进行处理，生成所述用户标识在所述目标流量上的预估操作数据，包括：

采用不同的特征提取网络分别对所述用户特征信息进行特征提取处理，得到多类型特征信息；其中，所述多类型特征信息中包括以下至少一项：曝光概率的相关特征信息、曝光次数的相关特征信息、点击次数的相关特征信息、转化次数的相关特征信息；

针对所述多类型特征信息中的目标类型特征信息，以所述目标流量为基准，采用目标参数计算网络对所述目标类型特征信息进行处理，得到目标类型的预估操作数据；

其中，所述预估操作数据中包括多个类型的预估操作数据。

9.根据权利要求8所述的方法，其特征在于，所述采用不同的特征提取网络分别对所述用户特征信息进行特征提取处理，得到多类型特征信息，包括：

采用不同的专家网络分别对所述用户特征信息进行特征提取处理，得到特征提取集合；其中，所述特征提取集合中包括来自不同专家网络的特征提取结果；

分别采用不同的加权门，对所述特征提取集合中的各个特征提取结果进行加权求和处理，得到所述多类型特征信息。

10.根据权利要求9所述的方法，其特征在于，所述分别采用不同的加权门，对各个所述特征提取结果进行加权处理，得到所述多类型特征信息，包括：

根据所述用户特征信息，获取针对所述特征提取集合的多组加权参数；其中，每组加权参数中包括所述特征提取集合中的各个特征提取结果分别对应的加权参数；

基于所述多组加权参数中的目标组加权参数，对所述特征提取集合中的各个特征提取结果进行加权求和处理，得到所述多类型特征信息中的目标类型特征信息。

11.根据权利要求8所述的方法，其特征在于，所述以所述目标流量为基准，采用目标参数计算网络对所述目标类型特征信息进行处理，得到目标类型的预估操作数据，包括：

获取所述目标流量的特征向量，以及预估行为类型的特征向量；

对所述目标流量的特征向量，以及所述预估行为类型的特征向量进行拼接处理，得到拼接特征向量；

采用目标类型感知网络，对所述第二拼接特征向量进行处理，得到所述目标参数计算网络的网络参数；

采用所述目标参数计算网络对所述目标类型特征信息进行处理，得到所述目标类型的预估操作数据。

12.一种投放效果数据的预估装置，其特征在于，所述装置包括：

集合获取模块，用于获取定向人群的用户标识集合，所述用户标识集合中包括所述定向人群中的各个用户的用户标识；

数据获取模块，用于从离线预估数据集中获取各个所述用户标识在目标流量上的预估操作数据；其中，所述离线预估数据集中包括多个用户标识分别对应的离线预估数据，所述离线预估数据包括所述用户标识所指示的用户在多个不同流量上的预估操作数据；

数据统计模块，用于对各个所述用户标识在目标流量上的预估操作数据进行统计处理，得到所述定向人群在所述目标流量上的投放效果预估数据。

13.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至11任一项所述的投放效果数据的预估方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至11任一项所述的投放效果数据的预估方法。

Images