CN115983739B - 一种基于去中心化的业务推广渠道匹配方法 - Google Patents

一种基于去中心化的业务推广渠道匹配方法 Download PDF

Info

Publication number
CN115983739B
CN115983739B CN202310273300.6A CN202310273300A CN115983739B CN 115983739 B CN115983739 B CN 115983739B CN 202310273300 A CN202310273300 A CN 202310273300A CN 115983739 B CN115983739 B CN 115983739B
Authority
CN
China
Prior art keywords
promotion
feature
expected
data
channel
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.)
Active
Application number
CN202310273300.6A
Other languages
English (en)
Other versions
CN115983739A (zh
Inventor
刘都
黄海
吴佳
陈美含
秦雪梅
龙思佑
曹天银
罗艳
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 Yunzhan Information Technology Co ltd
Sichuan Yunzhan Information Technology Co ltd
Original Assignee
Chengdu Yunzhan Information Technology Co ltd
Sichuan Yunzhan 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 Chengdu Yunzhan Information Technology Co ltd, Sichuan Yunzhan Information Technology Co ltd filed Critical Chengdu Yunzhan Information Technology Co ltd
Priority to CN202310273300.6A priority Critical patent/CN115983739B/zh
Publication of CN115983739A publication Critical patent/CN115983739A/zh
Application granted granted Critical
Publication of CN115983739B publication Critical patent/CN115983739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于去中心化的业务推广渠道匹配方法，包括以下步骤：将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新；确定出更新后推广期望特征的特征权重，并基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新。本发明以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化，根据推广渠道的真实推广效果而全程动态调整推广渠道，避免中心化适配推广渠道导致业务推广效果对渠道存在单一依赖性，保证推广效果达到最佳。

Description

一种基于去中心化的业务推广渠道匹配方法
技术领域
本发明涉及业务推广技术领域，具体涉及一种基于去中心化的业务推广渠道匹配方法。
背景技术
业务推广渠道包括：社区推广，比如论坛、贴吧、群讨论组，交友，聊天，个人空间博客、微信、微博等等这些交流平台，这类平台通常都集中了相同兴趣爱好的用户。精准度相对来说比较高，是网络推广引流中比较常见的营销渠道之一，模式比较成熟，其推广发放相对容易一些，针对性强，具有一定的优势。软文推广，软文推广也是比较常见的推广方式之一，就是通过写文章，分享知识干货的方式，在文中插入你的推广信息的方式推广。软文实际就是广告，利用伪装的方式博取用户信任，口碑传播性强，更符合大众口味。自媒体推广，自媒体是近年来新起的一个行业，其迅速崛起制霸了市场。自媒体平台引流推广的效果也是非常可观的，其实和软文形式差不多，只要你可以持续输出价值，善于抓住热点，迎合用户的阅读习惯和口味写出相关文章，效果还是不错的。其具有低门槛，双向交互，传播范围广，传播速度快等特点。因此为业务选择合适的推广渠道，能够获得较好的推广效果。
目前为业务选取合适的推广业务，大多是采用将业务的固有特征与推广渠道的固有特征进行匹配，进而选取适配度最高的推广渠道进行业务推广，该类推广渠道匹配的方法存在着渠道适配中心化的问题，即在整个业务推广过程中只采用最初适配的推广渠道直至推广周期结束，忽视推广渠道的真实推广效果而全程固定使用同一推广渠道，导致推广效果只取决于单一推广渠道，进而如果单一推广渠道推广效果不佳，则导致业务推广效果不佳，中心化适配推广渠道导致业务推广效果对渠道存在单一依赖性，推广效果难以保证最佳。
发明内容
本发明的目的在于提供一种基于去中心化的业务推广渠道匹配方法，以解决现有技术中中心化适配推广渠道导致业务推广效果对渠道存在单一依赖性，推广效果难以保证最佳的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于去中心化的业务推广渠道匹配方法，包括以下步骤：
步骤S1、将业务推广期望效果作为推广期望特征，并对各个推广期望特征进行特征权重确定，基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道；
步骤S2、将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新；
步骤S3、确定出更新后推广期望特征的特征权重，并基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化。
作为本发明的一种优选方案，将业务推广期望效果中各个效果分量依次作为各个推广期望特征。
作为本发明的一种优选方案，所述对各个推广期望特征进行特征权重确定，包括：
将各个推广期望特征进行斯皮尔曼相关系数计算出衡量每个推广期望特征与业务推广渠道匹配的相关性作为每个推广期望特征的特征相关性；
所述特征相关性的计算公式为：
Figure SMS_1
；
式中，SPi为第i个推广期望特征的特征相关性，data i为第i个推广期望特征，data j为第j个推广期望特征，des为降序排列运算符，des(data i)r为data i降序排列后第r个数据分量位置处的数据值，des(data j)r为data j降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j或data i中数据分量的总数量，m为推广期望特征的总数量；
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
所述特征权重的计算公式为：
Figure SMS_2
；
式中，Wi为第i个推广期望特征的特征权重，SPi为第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
作为本发明的一种优选方案，所述基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道，包括：
将推广期望特征以及推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出业务推广渠道；
所述推广渠道匹配模型的模型表达式为：
Label=Classifier([data]m, [W]m)；
式中，Label为业务推广渠道，[data]m为m个推广期望特征构成的特征向量，[W]m为m个推广期望特征的特征权重构成的权重向量，Classifier为分类器模型；
所述推广渠道匹配模型基于业务推广渠道匹配的大量历史数据进行训练得到。
作为本发明的一种优选方案，所述基于推广产出特征和推广期望特征设定渠道调整信号，包括：
将推广产出特征和推广期望特征的相似度设定为渠道调整信号，以衡量业务推广渠道是否达到推广期望；
所述渠道调整信号的函数表达式为：
Figure SMS_3
；
式中，I为渠道调整信号，[data]m为m个推广期望特征构成的特征向量，[out]m为m个推广产出特征构成的特征向量，||[data]m-[out]m||2为[data]m和[out]m的欧几里得距离。
作为本发明的一种优选方案，所述监听渠道调整信号驱动推广期望特征的动态更新，包括：
设定监听阈值，将渠道调整信号与监听阈值进行比较，其中，
若渠道调整信号小于监听阈值，则驱动推广期望特征进行动态更新；
若渠道调整信号大于或等于监听阈值，则维持推广期望特征；
所述推广期望特征的动态更新包括：
依次将各个推广期望特征与对应推广产出特征的欧几里得距离更新为各个推广期望特征，所述推广期望特征的更新公式为：
Figure SMS_4
；
式中，data i,new为更新后的第i个推广期望特征，data i为第i个推广期望特征，outi为第i个推广产出特征，||data i-outi||2为data i和outi的欧几里得距离。
作为本发明的一种优选方案，所述确定出更新后推广期望特征的特征权重，包括：
将更新后各个推广期望特征进行斯皮尔曼相关系数计算出衡量更新后每个推广期望特征与业务推广渠道匹配的相关性作为更新后每个推广期望特征的特征相关性；
更新后的所述特征相关性的计算公式为：
Figure SMS_5
；
式中，SPi,new为更新后第i个推广期望特征的特征相关性，data i,new为更新后第i个推广期望特征，data j,new为更新后第j个推广期望特征，des为降序排列运算符，des(data i,new)r为data i,new降序排列后第r个数据分量位置处的数据值，des(data j,new)r为data j,new降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j,new或data i,new中数据分量的总数量，data j,new和data j中数据分量的总数量相等，data i,new和data i中数据分量的总数量相等，m为推广期望特征的总数量；
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
所述特征权重的计算公式为：
Figure SMS_6
；
式中，Wi,new为更新后第i个推广期望特征的特征权重，SPi,new为更新后第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
作为本发明的一种优选方案，所述基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，包括：
将更新后推广期望特征以及更新后推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出更新后业务推广渠道。
作为本发明的一种优选方案，监听采用时间间断式监听。
作为本发明的一种优选方案，所述推广期望特征中包含有至少一项数据分量。
本发明与现有技术相比较具有如下有益效果：
本发明将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新，基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化，根据推广渠道的真实推广效果而全程动态调整推广渠道，避免中心化适配推广渠道导致业务推广效果对渠道存在单一依赖性，保证推广效果达到最佳。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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引伸获得其它的实施附图。
图1为本发明实施例提供的业务推广渠道匹配方法流程图。
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。
如图1所示，本发明提供了一种基于去中心化的业务推广渠道匹配方法，包括以下步骤：
步骤S1、将业务推广期望效果作为推广期望特征，并对各个推广期望特征进行特征权重确定，基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道，业务推广期望效果包括但不限于：作品类业务推广：浏览量、点赞量、转发量、评论量等效果分量；商品类业务推广：曝光量、转化率等效果分量，以及其他种类的业务推广；
将业务推广期望效果中各个效果分量依次作为各个推广期望特征。
所述对各个推广期望特征进行特征权重确定，包括：
将各个推广期望特征进行斯皮尔曼相关系数计算出衡量每个推广期望特征与业务推广渠道匹配的相关性作为每个推广期望特征的特征相关性；
所述特征相关性的计算公式为：
Figure SMS_7
；
式中，SPi为第i个推广期望特征的特征相关性，data i为第i个推广期望特征，data j为第j个推广期望特征，des为降序排列运算符，des(data i)r为data i降序排列后第r个数据分量位置处的数据值，des(data j)r为data j降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j或data i中数据分量的总数量，m为推广期望特征的总数量；
Spearman 秩相关系数具有很高的稳定性和无监督的特点， 因此，本申请采用了Spearman 的相关系数来衡量模型特征和模型标签之间的相关性，即推广期望特征与推广渠道之间的相关性，相关性越高，则该推广期望特征对于推广渠道的确定越重要，因此可将相关性作为特征权重进行特征重要度衡量，以用于后续的推广渠道模型化确定。
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
所述特征权重的计算公式为：
Figure SMS_8
；
式中，Wi为第i个推广期望特征的特征权重，SPi为第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
所述基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道，包括：
将推广期望特征以及推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出业务推广渠道；
所述推广渠道匹配模型的模型表达式为：
Label=Classifier([data]m, [W]m)；
式中，Label为业务推广渠道，[data]m为m个推广期望特征构成的特征向量，[W]m为m个推广期望特征的特征权重构成的权重向量，Classifier为分类器模型；
所述推广渠道匹配模型基于业务推广渠道匹配的大量历史数据进行训练得到。
将业务推广期望效果作为匹配推广渠道的适配特征，以结果为导向进行推广渠道的选取，从而使得适配的业务推广渠道能够达到所期望的推广结果。
计算每个推广期望特征的特征权重，特征权重越高，则在适配的业务推广渠道时该特征所占比重越高，比如，浏览量作为特征权重最高的推广期望特征，则表明该业务所期望达到很高的浏览量，让更多用户浏览到，因此，在适配该业务时，需要选择能够日活用户量大，提供更多曝光的推广渠道，因此此时推广渠道的适配会偏向最高特征权重的推广期望特征，进而本实施例通过特征权重的确定，进行推广渠道的适配，保证适配效果。
步骤S2、将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新；
所述基于推广产出特征和推广期望特征设定渠道调整信号，包括：
将推广产出特征和推广期望特征的相似度设定为渠道调整信号，以衡量业务推广渠道是否达到推广期望；
所述渠道调整信号的函数表达式为：
Figure SMS_9
；
式中，I为渠道调整信号，[data]m为m个推广期望特征构成的特征向量，[out]m为m个推广产出特征构成的特征向量，||[data]m-[out]m||2为[data]m和[out]m的欧几里得距离。
所述监听渠道调整信号驱动推广期望特征的动态更新，包括：
设定监听阈值，将渠道调整信号与监听阈值进行比较，其中，
若渠道调整信号小于监听阈值，则驱动推广期望特征进行动态更新；
若渠道调整信号大于或等于监听阈值，则维持推广期望特征；
所述推广期望特征的动态更新包括：
依次将各个推广期望特征与对应推广产出特征的欧几里得距离更新为各个推广期望特征，所述推广期望特征的更新公式为：
Figure SMS_10
；
式中，data i,new为更新后的第i个推广期望特征，data i为第i个推广期望特征，outi为第i个推广产出特征，||data i-outi||2为data i和outi的欧几里得距离。
渠道调整信号为推广产出特征和推广期望特征的相似度，其中推广产出特征和推广期望特征的相似度越高，则表明当前所选用的业务推广渠道能够使推广产出特征接近达到推广期望特征，或推广产出特征朝向推广期望特征方向发展，即当前所选用的业务推广渠道能够达到期望效果，而推广产出特征和推广期望特征的相似度越低，则表明当前所选用的业务推广渠道不能使推广产出特征接近达到推广期望特征，或推广产出特征未朝向推广期望特征方向发展，即当前所选用的业务推广渠道不能达到期望效果，此时应该为了期望效果更新当前所选用的业务推广渠道。本实施例将推广产出特征和推广期望特征的相似度设定为渠道调整信号进行更新监听，在当前业务推广渠道效果不佳时进行更新为更匹配的业务推广渠道，以在整个推广周期中实现业务推广渠道的更新，保证业务推广效果达到最佳。
步骤S3、确定出更新后推广期望特征的特征权重，并基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化。
所述确定出更新后推广期望特征的特征权重，包括：
将更新后各个推广期望特征进行斯皮尔曼相关系数计算出衡量更新后每个推广期望特征与业务推广渠道匹配的相关性作为更新后每个推广期望特征的特征相关性；
更新后的所述特征相关性的计算公式为：
Figure SMS_11
；
式中，SPi,new为更新后第i个推广期望特征的特征相关性，data i,new为更新后第i个推广期望特征，data j,new为更新后第j个推广期望特征，des为降序排列运算符，des(data i,new)r为data i,new降序排列后第r个数据分量位置处的数据值，des(data j,new)r为data j,new降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j,new或data i,new中数据分量的总数量，data j,new和data j中数据分量的总数量相等，data i,new和data i中数据分量的总数量相等，m为推广期望特征的总数量；
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
所述特征权重的计算公式为：
Figure SMS_12
；
式中，Wi,new为更新后第i个推广期望特征的特征权重，SPi,new为更新后第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
所述基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，包括：
将更新后推广期望特征以及更新后推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出更新后业务推广渠道。
以各个推广期望特征与对应推广产出特征的欧几里得距离更新为各个推广期望特征，从而发现出当前业务推广渠道未达到期望的期望特征，比如，最初匹配时，浏览量呈最高特征权重，当前选用的业务推广渠道A使得推广产出特征中的浏览量与推广期望特征中的浏览量相接近，欧几里得距离小，而使得推广产出特征中的转发量和推广期望特征中的转发量相距甚远，欧几里得距离大，因此此时需要将业务推广渠道A更换为能够提高转发量的业务推广渠道，利用各个推广期望特征与对应推广产出特征的欧几里得距离更新为各个推广期望特征，使得更新后的推广期望特征中转发量的特征权重得以提升，浏览量的特征权重降低，重新更新推广期望特征的特征权重，此时推广渠道的适配会偏向更新后最高特征权重的推广期望特征，进而本实施例通过特征权重的更新，进行推广渠道的更新，适时调整适配效果。
监听采用时间间断式监听，即在业务推广渠道使用过程中每隔一个时间段进行一次监听，获知业务推广渠道的推广产出特征。
所述推广期望特征中包含有至少一项数据分量。
本发明将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新，基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化，根据推广渠道的真实推广效果而全程动态调整推广渠道，避免中心化适配推广渠道导致业务推广效果对渠道存在单一依赖性，保证推广效果达到最佳。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (7)

1.一种基于去中心化的业务推广渠道匹配方法，其特征在于：包括以下步骤：
步骤S1、将业务推广期望效果作为推广期望特征，并对各个推广期望特征进行特征权重确定，基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道；
步骤S2、将业务推广渠道的业务推广产出结果作为推广产出特征，基于推广产出特征和推广期望特征设定渠道调整信号，并监听渠道调整信号驱动推广期望特征的动态更新；
步骤S3、确定出更新后推广期望特征的特征权重，并基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，以推广结果为导向的实现推广渠道动态匹配来避免推广渠道的中心化；
基于推广产出特征和推广期望特征设定渠道调整信号，包括：
将推广产出特征和推广期望特征的相似度设定为渠道调整信号，以衡量业务推广渠道是否达到推广期望；
渠道调整信号的函数表达式为：
Figure QLYQS_1
；
式中，I为渠道调整信号，[data]m为m个推广期望特征构成的特征向量，[out]m为m个推广产出特征构成的特征向量，||[data]m -[out]m ||2为[data]m和[out]m的欧几里得距离；
监听渠道调整信号驱动推广期望特征的动态更新，包括：
设定监听阈值，将渠道调整信号与监听阈值进行比较，其中，
若渠道调整信号小于监听阈值，则驱动推广期望特征进行动态更新；
若渠道调整信号大于或等于监听阈值，则维持推广期望特征；
推广期望特征的动态更新包括：
依次将各个推广期望特征与对应推广产出特征的欧几里得距离更新为各个推广期望特征，推广期望特征的更新公式为：
Figure QLYQS_2
；
式中，data i,new为更新后的第i个推广期望特征，data i为第i个推广期望特征，outi为第i个推广产出特征，||data i -outi ||2为data i和outi的欧几里得距离；
确定出更新后推广期望特征的特征权重，包括：
将更新后各个推广期望特征进行斯皮尔曼相关系数计算出衡量更新后每个推广期望特征与业务推广渠道匹配的相关性作为更新后每个推广期望特征的特征相关性；
更新后的特征相关性的计算公式为：
Figure QLYQS_3
；
式中，SPi,new为更新后第i个推广期望特征的特征相关性，data i,new为更新后第i个推广期望特征，data j,new为更新后第j个推广期望特征，des为降序排列运算符，des(data i,new)r为data i,new降序排列后第r个数据分量位置处的数据值，des(data j,new)r为data j,new降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j,new或data i,new中数据分量的总数量，data j,new和data j中数据分量的总数量相等，data i,new和data i中数据分量的总数量相等，m为推广期望特征的总数量；
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
特征权重的计算公式为：
Figure QLYQS_4
；
式中，Wi,new为更新后第i个推广期望特征的特征权重，SPi,new为更新后第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
2.根据权利要求1所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于：将业务推广期望效果中各个效果分量依次作为各个推广期望特征。
3.根据权利要求2所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于：所述对各个推广期望特征进行特征权重确定，包括：
将各个推广期望特征进行斯皮尔曼相关系数计算出衡量每个推广期望特征与业务推广渠道匹配的相关性作为每个推广期望特征的特征相关性；
所述特征相关性的计算公式为：
Figure QLYQS_5
；
式中，SPi为第i个推广期望特征的特征相关性，data i为第i个推广期望特征，data j为第j个推广期望特征，des为降序排列运算符，des(data i)r为data i降序排列后第r个数据分量位置处的数据值，des(data j)r为data j降序排列后第r个数据分量位置处的数据值，i，j，r为计量常数，n为data j或data i中数据分量的总数量，m为推广期望特征的总数量；
将各个推广期望特征的特征相关性进行归一化处理得到各个推广期望特征的特征权重；
所述特征权重的计算公式为：
Figure QLYQS_6
；
式中，Wi为第i个推广期望特征的特征权重，SPi为第i个推广期望特征的特征相关性，m为推广期望特征的总数量。
4.根据权利要求3所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于：所述基于推广期望特征以及推广期望特征的特征权重利用预先建立的推广渠道匹配模型得到业务推广渠道，包括：
将推广期望特征以及推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出业务推广渠道；
所述推广渠道匹配模型的模型表达式为：
Label=Classifier([data]m, [W]m)；
式中，Label为业务推广渠道，[data]m为m个推广期望特征构成的特征向量，[W]m为m个推广期望特征的特征权重构成的权重向量，Classifier为分类器模型；
所述推广渠道匹配模型基于业务推广渠道匹配的大量历史数据进行训练得到。
5.根据权利要求1所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于，所述基于更新后推广期望特征以及更新后推广期望特征的特征权重利用预先建立的推广渠道匹配模型进行业务推广渠道的动态更新，包括：
将更新后推广期望特征以及更新后推广期望特征的特征权重输入至推广渠道匹配模型，由推广渠道匹配模型输出更新后业务推广渠道。
6.根据权利要求1所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于，监听采用时间间断式监听。
7.根据权利要求1所述的一种基于去中心化的业务推广渠道匹配方法，其特征在于，所述推广期望特征中包含有至少一项数据分量。
CN202310273300.6A 2023-03-21 2023-03-21 一种基于去中心化的业务推广渠道匹配方法 Active CN115983739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310273300.6A CN115983739B (zh) 2023-03-21 2023-03-21 一种基于去中心化的业务推广渠道匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310273300.6A CN115983739B (zh) 2023-03-21 2023-03-21 一种基于去中心化的业务推广渠道匹配方法

Publications (2)

Publication Number Publication Date
CN115983739A CN115983739A (zh) 2023-04-18
CN115983739B true CN115983739B (zh) 2023-06-20

Family

ID=85959963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310273300.6A Active CN115983739B (zh) 2023-03-21 2023-03-21 一种基于去中心化的业务推广渠道匹配方法

Country Status (1)

Country Link
CN (1) CN115983739B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020066026A (ko) * 2001-02-08 2002-08-14 주식회사 아이앤아이오 기업 정보 통합 관리시스템 운영 체제 및 운영 방법
KR20130006283A (ko) * 2012-05-11 2013-01-16 (주)휴메인시스템 보조금 사업 통합 관리 서버 및 방법
CN102930466A (zh) * 2012-09-20 2013-02-13 苏州亚安智能科技有限公司 一种运用于自助式电子商务管理平台的方法
CN105354725A (zh) * 2015-11-20 2016-02-24 珠海多玩信息技术有限公司 一种应用推广效果的预测方法及系统
CN107993107A (zh) * 2016-10-25 2018-05-04 长沙湘佩网络技术有限公司 一种基于微信的电子商务营销系统
CN108108913A (zh) * 2018-01-11 2018-06-01 郭建峰 一种去中心化应用系统的监管方法
CN110288381A (zh) * 2019-05-29 2019-09-27 长春羿尧网络股份有限公司 一种智能门店数字营销系统
CN111127080A (zh) * 2019-12-04 2020-05-08 国网浙江台州市黄岩区供电有限公司 一种基于大数据推荐算法的客户渠道引流方法
CN113032370A (zh) * 2021-03-30 2021-06-25 东北大学 一种分区区块链系统的设计方法
CN114782149A (zh) * 2022-06-21 2022-07-22 北京正汇才科技有限公司 支持供需信息动态匹配的客户管理系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020066026A (ko) * 2001-02-08 2002-08-14 주식회사 아이앤아이오 기업 정보 통합 관리시스템 운영 체제 및 운영 방법
KR20130006283A (ko) * 2012-05-11 2013-01-16 (주)휴메인시스템 보조금 사업 통합 관리 서버 및 방법
CN102930466A (zh) * 2012-09-20 2013-02-13 苏州亚安智能科技有限公司 一种运用于自助式电子商务管理平台的方法
CN105354725A (zh) * 2015-11-20 2016-02-24 珠海多玩信息技术有限公司 一种应用推广效果的预测方法及系统
CN107993107A (zh) * 2016-10-25 2018-05-04 长沙湘佩网络技术有限公司 一种基于微信的电子商务营销系统
CN108108913A (zh) * 2018-01-11 2018-06-01 郭建峰 一种去中心化应用系统的监管方法
CN110288381A (zh) * 2019-05-29 2019-09-27 长春羿尧网络股份有限公司 一种智能门店数字营销系统
CN111127080A (zh) * 2019-12-04 2020-05-08 国网浙江台州市黄岩区供电有限公司 一种基于大数据推荐算法的客户渠道引流方法
CN113032370A (zh) * 2021-03-30 2021-06-25 东北大学 一种分区区块链系统的设计方法
CN114782149A (zh) * 2022-06-21 2022-07-22 北京正汇才科技有限公司 支持供需信息动态匹配的客户管理系统

Also Published As

Publication number Publication date
CN115983739A (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
JP6711500B2 (ja) 声紋識別方法及び装置
US10445768B1 (en) User-based ad ranking
US9706008B2 (en) Method and system for efficient matching of user profiles with audience segments
US20110218859A1 (en) Method, Apparatus and System for Increasing Website Data Transfer Speed
US20160071162A1 (en) Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns
CN110457581A (zh) 一种资讯推荐方法、装置、电子设备及存储介质
CN109902235B (zh) 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
US20100082421A1 (en) Click through rate prediction system and method
Dembczynski et al. Predicting ads click-through rate with decision rules
US20150186938A1 (en) Search service advertisement selection
CN106484733B (zh) 新闻线索个性化推送方法及系统
CN104391849A (zh) 融入时间上下文信息的协同过滤推荐方法
WO2007126903A1 (en) A behavioral targeting system
KR20050043917A (ko) 통계적 개인화된 추천 시스템
US11188579B2 (en) Personalized dynamic content via content tagging and transfer learning
WO2020135642A1 (zh) 一种基于生成对抗网络的模型训练方法及设备
CN111681084B (zh) 一种基于社交关系影响因素的电商平台推荐方法
CN112801760A (zh) 一种内容个性化推荐系统的排序优化方法及系统
CN107103093B (zh) 一种基于用户行为和情感分析的短文本推荐方法及装置
CN105718566A (zh) 一种智能音乐推荐系统
CN115983739B (zh) 一种基于去中心化的业务推广渠道匹配方法
Magdum et al. Mining online reviews and tweets for predicting sales performance and success of movies
CN112883268B (zh) 一种考虑用户多兴趣以及社交影响的会话推荐方法
CN108491477A (zh) 基于多维云和用户动态兴趣的神经网络推荐方法
Wang et al. Tag-based personalized music recommendation

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