CN118194067B - 一种基于多维高斯混合模型的广告外溢检测方法 - Google Patents
一种基于多维高斯混合模型的广告外溢检测方法 Download PDFInfo
- Publication number
- CN118194067B CN118194067B CN202410624934.6A CN202410624934A CN118194067B CN 118194067 B CN118194067 B CN 118194067B CN 202410624934 A CN202410624934 A CN 202410624934A CN 118194067 B CN118194067 B CN 118194067B
- Authority
- CN
- China
- Prior art keywords
- model
- gaussian
- gaussian mixture
- mixture model
- sample
- 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
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 40
- 239000000463 material Substances 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims description 3
- 241000834151 Notesthes Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- WELBOEKRIKBUAU-PKZYLINOSA-N n-[(2s,3r,4r,5s,6r)-2-[(2r,3r,4r,5s,6s)-6-[(2r,3s,4r,5r,6s)-5-acetamido-6-[(2r,3s,4r,5r)-5-acetamido-2,4-dihydroxy-6-oxo-1-[(2r,3s,4r,5s,6s)-3,4,5-trihydroxy-6-methyloxan-2-yl]oxyhexan-3-yl]oxy-4-hydroxy-2-(hydroxymethyl)oxan-3-yl]oxy-5-hydroxy-4-[(2s,3s, Chemical compound O[C@H]1[C@H](O)[C@H](O)[C@H](C)O[C@H]1OC[C@@H](O)[C@H]([C@H](O)[C@@H](NC(C)=O)C=O)O[C@H]1[C@H](NC(C)=O)[C@@H](O)[C@H](O[C@H]2[C@H]([C@@H](O[C@@H]3[C@H]([C@@H](O)[C@H](O)[C@@H](CO)O3)O)[C@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O3)NC(C)=O)[C@@H](CO[C@@H]3[C@H]([C@@H](O)[C@H](O)[C@@H](CO)O3)O)O2)O)[C@@H](CO)O1 WELBOEKRIKBUAU-PKZYLINOSA-N 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及广告笔记数据检测技术领域，具体公开了一种基于多维高斯混合模型的广告外溢检测方法，包括以下步骤：首先建立多维高斯混合模型，列出样本笔记的多维高斯混合模型的概率密度函数模型，并建立似然函数来估计模型参数；其次将似然函数对数化，并引入表示样本笔记所属的高斯子模型的隐变量，结合贝叶斯公式计算后验概率；再判断多维高斯混合模型在当前的模型参数条件下，是否完成收敛，若未完成，则通过后验概率继续更新模型参数直至收敛；最后收敛完成的多维高斯混合模型完成对所有笔记的聚类，从而实现对广告素材笔记中的外溢检测。本发明能够快速实现对无外溢笔记的筛选，从而确保了样本中有外溢的笔记数据的真实性。
Description
技术领域
本发明属于广告数据检测技术领域，具体涉及一种基于多维高斯混合模型的广告外溢检测方法。
背景技术
基于广告行业投放目标的不断变更，从初期的站内曝光、种草，逐渐到跨平台的平台端搜索外溢，已有数据指标体系已经不能满足行业对素材有效性判断及调优的需求。
在笔记数据中，存在相当比例的数据因外溢率过低而无法被数字中台系统准确检测，对于这部分数据以及原本没有外溢的数据，统称为无外溢数据。无外溢数据的存在，会严重干扰外溢数据样本集的稳定性，从而影响后续求解外溢曲线的准确性。然而，无外溢数据不仅隐匿于外溢数据样本中，而且由于笔记数据中存在的互动指标繁杂且多样，这就导致难以从直观或经验的角度上将无外溢数据从外溢数据集中检测并分离出来。
目前为了解决外溢率过低的笔记无法被系统检测其实际外溢率的问题，通常采用的方法是进行数据恢复。但是在实际的外溢样本笔记数据集中，无外溢数据占有的比例较高，这就导致数据恢复模型无法根据已有的外溢转化率数据构建和复原出无外溢转化率的数据，并且数据恢复模型复杂程度高，求解繁琐，且恢复稳定性不佳。
在实际应用中，其实并不需要使用这部分无外溢的数据，只需要将这部分数据作为无效数据从样本集中筛选出来，从而排除其对有外溢数据的干扰即可。由此看出业界的核心需求是将这部分外溢数据筛选出来，因此，我们提出采用统计机器学习中的聚类模型来实现将广告素材评价中的无外溢数据从样本数据中检测并分离出来。
聚类模型是一种无监督学习方法，其目标是将数据集中的样本划分为若干个类别（或簇），使得同一类别内的样本相似度较高，不同类别之间的样本相似度较低。聚类模型通常用于发现数据的内在结构、识别数据的分组特征、减少数据维度等任务。常见的聚类方法有：K-means聚类、层次聚类、DBSCAN聚类以及高斯混合模型。其中，K-means聚类存在需要预先指定簇的数量K，对初始质心的选择敏感，对非球形簇和不规则形状的簇效果不佳的缺点，不太适用于外溢笔记数据；层次聚类在处理大数据集时效率低下，且对噪声和异常值敏感，这对于包含大量无效数据的外溢笔记也不合适；DBSCAN聚类存在对密度不均匀数据和高维数据的表现不佳，对于高维数据需要调整参数较为困难，而实际笔记数据中包含丰富的互动指标作为高维数据，这也导致DBSCAN聚类的不适合；传统的高斯混合模型虽然能够灵活地适应不同形状的簇，并且能够处理数据的不确定性，具有对于混合分布的数据效果较好的优点，但是，对于样本数据维度较高的数据，由于参数量的增加，模型的训练和收敛将会变得更加困难。因此，我们最终提出一种适用于多维数据的高斯混合模型用于检测各类平台广告是否存在外溢。
发明内容
本发明所要解决的技术问题便是针对上述现有技术的不足，提供一种基于多维高斯混合模型的广告外溢检测方法，它能够快速实现对广告素材评价中无外溢笔记的筛选，从而确保了广告素材评价样本数据中有外溢的笔记数据的真实性。
本发明所采用的技术方案是：一种基于多维高斯混合模型的广告外溢检测方法，包括以下步骤：
步骤1：在条样本笔记的互动指标中选取个能够体现样本笔记特征的互动指
标，结合统计学定理分析选取样本笔记特征，根据样本笔记特征建立个高斯分布的多维高
斯混合模型MGMM：
，
即是：
其中，表示个高斯子模型在多维高斯混合模型中的权重，代表第个高斯子模型服从平均值为，协方差为的高斯分布；（，，）为
模型参数；
步骤2：列出样本笔记的多维高斯混合模型的概率密度函数模型：
，
即是：
其中，表示第条样本笔记；表示个高斯子模型在多维高斯混合
模型中的权重；表示第个高斯子模型关于第条样本笔记的概率密度函数，
其中为第个高斯子模型服从平均值，为第个高斯子模型协方差，即第个高斯子模型
中关于第条样本笔记的概率密度函数为：
，
其中，M为选取的互动指标个数，T表示矩阵的转置；
步骤3：建立似然函数来估计模型参数，建立的似然函数表达式为：
将似然函数对数化，得到对数似然函数，
即是：
引入表示样本笔记所属的高斯子模型的隐变量，结合贝叶斯公式对隐变量的分
布可表达为：
而对于第条样本笔记，其对应的高斯子模型为，变型得后验概率：
其中，表示在第个高斯子模型中关于第条样本笔记的概率，即是；为第个高斯子模型在多维高斯混合模型中的概率，即是；表示
第条样本笔记在多维高斯混合模型中的概率；
代入后后验概率即为：
步骤4：设定收敛条件，判断多维高斯混合模型在当前的模型参数条件下，是否完成收敛；若完成，则结束更新迭代；若未完成则通过后验概率继续更新模型参数，直至收敛；完成收敛得到能够描述笔记互动指标分布情况的多维高斯混合模型；
步骤5：收敛完成的多维高斯混合模型通过对每条笔记特征的学习，将每条笔记分配到相应的高斯分布中，完成对所有笔记的聚类，从而实现对广告素材评价中笔记的外溢检测。
作为优选，步骤3中通过计算似然函数的最大值来估计样本笔记数据的多维高斯
混合模型的模型参数（，，）。
作为优选，将更新后的模型参数（，，）带入对数似然函数中，根据对数似然
函数的变化，设定阈值，计算得到对数似然函数的极大值，当对数似然函数的极大值变化量
小于阈值时，停止更新模型参数，完成收敛。
本发明的有益效果在于：
（1）本发明建立的多维高斯混合模型相较于其他聚类方法，能够灵活地适应不同形状的簇，并且能够处理数据的不确定性，具有对于混合分布的数据效果较好的优点；
（2）鉴于产品笔记的互动指标具有随机性强，且不同品牌的不同产品互动指标之间内部关联较为复杂，本发明在较为有限的数据样本条件下，能准确的将无外溢的笔记筛选出来，解决了针对笔记中存在因外溢率过低导致数字中台数据系统无法准确检测具体外溢率指标的难题；
（3）在广告评价体系中，创新提出采用统计机器学习模型通过对笔记样本的多个互动指标的特征提取及分析，从而实现了对无外溢笔记的检测并筛选的目的。
本发明能够快速实现对无外溢笔记的筛选，从而确保了样本中有外溢的笔记数据的真实性，为后续求取外溢曲线的准确性和可靠性提供了有力的支持，同时也为广告业提供了一种新颖且有效的广告素材评价方法，为构建更科学、客观的广告业评价指标体系提供了有力支持。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图及具体实施例对本发明作进一步详细说明。
如图1所示，本实施例提供的基于多维高斯混合模型用于对广告笔记外溢存在情况进行检测，其主要是利用统计建模的方法对于数据进行聚类或者密度估计，其每个数据点被假设从一个高斯分布中产生，而所有高斯模型的混合形成了最终的数据分布。多维高斯混合模型通过引入潜在变量来表示每个数据点所属的高斯分布，通过贝叶斯推断，得到数据的后验分布，从而确定每个数据点所属的高斯分布及相关模型参数。
具体包括以下步骤：
步骤1：对于有个互动指标， 条样本笔记的数据样本，假设其可以用个高
斯分布的组合描述其分布情况，则建立个高斯分布的多维高斯混合模型MGMM：
，
即是：
其中，表示个高斯子模型在多维高斯混合模型中的权重，代表第个高斯子模型服从平均值为，协方差为的高斯分布；（，，）为
模型参数；
步骤2：对于第条样本笔记，其多维高斯混合模型的概率密度函数模型
为：
，
即是：
其中，表示第条样本笔记；表示个高斯子模型在多维高斯混合
模型中的权重；表示第个高斯子模型关于第条样本笔记的概率密度函数，
其中为第个高斯子模型服从平均值，为第个高斯子模型协方差，即第个高斯子模型
中关于第条样本笔记的概率密度函数为：
，
其中，M为选取的互动指标个数，T表示矩阵的转置；
步骤3：由于由条样本笔记构成的数据样本，其每条样本笔记之间相互独立，
建立似然函数，似然函数是通过样本笔记的数据样本来估计模型参数，使得多
维高斯混合模型能够最好地拟合数据；
似然函数表达式为：
在多维高斯混合模型中，因为样本笔记中的笔记样本数据是由多个高斯模型混合
而成，具体的本实施例采用通过计算似然函数的最大值来估计样本笔记数据的多维高斯混
合模型的模型参数（，，）；最大似然函数的目标是找到使笔记数据出现的概率最大
的模型参数值，即通过最大化似然函数，可以估计出最适合笔记数据的多维高斯混合模型
的模型参数（，，）；
将似然函数对数化处理，得到对数似然函数，
即是：
为了确定对数似然函数中每个需要估计的高斯模型中具体的模型
参数（,），从而引入隐变量表示数据样本所属的高斯子模型，为了研究数据样
本中隐变量的分布，利用贝叶斯公式对隐变量的分布可表达为：
而对于第条样本笔记，其对应的高斯子模型为，变型得后验概率：
其中，表示在第个高斯子模型中关于第条样本笔记的概率，即是；为第个高斯子模型在多维高斯混合模型中的概率，即是；表示
第条样本笔记在多维高斯混合模型中的概率；
步骤4：将、和代入后后验概率即为：
令为第个高斯子模型的数据点，则有：
使用后验概率更新多维高斯混合模型中各个高斯模型的模型参数：
对于有条笔记的数据样本，其每条笔记的多维高斯混合模型的模型参数估计
可以根据设定的收敛条件或最大迭代次数判断是否收敛，如果满足收敛条件或达到最大迭
代次数，则结束迭代；否则，通过反复执行步骤4进行反复迭代计算，实现对多维高斯混合模
型的模型参数的更新优化；
将计算出的模型参数（,）即可计算出当前对数似然函数的函数值；本实施
例中，根据对数函数的变化特点，设定一个阈值，解出对数似然函数的极大值，当该对数
似然函数的极大值变化量小于该阈值时，即可停止更新迭代，得到能够描
述笔记互动指标分布情况的多维高斯混合模型；
步骤5：将能够描述笔记互动指标分布情况的多维高斯混合模型通过对每条笔记特征的学习，将每条笔记分配到最可能的高斯分布中，完成对所有笔记的聚类，从而判断每条笔记出否存在外溢的情况，从而实现对广告笔记的外溢检测。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于多维高斯混合模型的广告外溢检测方法，其特征在于，包括以下步骤：
步骤1：在条样本笔记的互动指标中选取个能够体现样本笔记特征的互动指标，结合统计学定理分析选取样本笔记特征，根据样本笔记特征建立个高斯分布的多维高斯混合模型MGMM：
，
即是：
，
其中，表示个高斯子模型在多维高斯混合模型中的权重，代表第个高斯子模型服从平均值为，协方差为的高斯分布；（，，）为模型参数；
步骤2：列出样本笔记的多维高斯混合模型的概率密度函数模型：
，
即是：
，
其中，表示第条样本笔记； 表示个高斯子模型在多维高斯混合模型中的权重；表示第个高斯子模型关于第条样本笔记的概率密度函数，其中为第个高斯子模型服从平均值，为第个高斯子模型协方差，即第个高斯子模型中关于第条样本笔记的概率密度函数为：
，
其中，M为选取的互动指标个数，T表示矩阵的转置；
步骤3：建立似然函数来估计模型参数，建立的似然函数表达式为：
，
将似然函数对数化，得到对数似然函数，
，
即是：，
其中，表示条样本笔记的数据样本；
引入表示样本笔记所属的高斯子模型的隐变量，结合贝叶斯公式对隐变量的分布可表达为：
，
而对于第条样本笔记，其对应的高斯子模型为，变型得后验概率：
，
其中，表示在第个高斯子模型中关于第条样本笔记的概率，即是；为第个高斯子模型在多维高斯混合模型中的概率，即是；表示第条样本笔记在多维高斯混合模型中的概率；
代入后后验概率即为：
，
步骤4：设定收敛条件，判断多维高斯混合模型在当前的模型参数条件下，是否完成收敛；若完成，则结束更新迭代；若未完成则通过后验概率继续更新模型参数，直至收敛；完成收敛得到能够描述笔记互动指标分布情况的多维高斯混合模型；
步骤5：收敛完成的多维高斯混合模型通过对每条笔记特征的学习，将每条笔记分配到相应的高斯分布中，完成对所有笔记的聚类，从而实现对广告素材评价中笔记的外溢检测。
2.根据权利要求1所述的一种基于多维高斯混合模型的广告外溢检测方法，其特征在于，步骤3中通过计算似然函数的最大值来估计样本笔记数据的多维高斯混合模型的模型参数（，，）。
3.根据权利要求2所述的一种基于多维高斯混合模型的广告外溢检测方法，其特征在于，将更新后的模型参数（，，）带入对数似然函数中，根据对数似然函数的变化，设定阈值，计算得到对数似然函数的极大值，当对数似然函数的极大值变化量小于阈值时，停止更新模型参数，完成收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410624934.6A CN118194067B (zh) | 2024-05-20 | 2024-05-20 | 一种基于多维高斯混合模型的广告外溢检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410624934.6A CN118194067B (zh) | 2024-05-20 | 2024-05-20 | 一种基于多维高斯混合模型的广告外溢检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118194067A CN118194067A (zh) | 2024-06-14 |
| CN118194067B true CN118194067B (zh) | 2024-07-12 |
Family
ID=91393424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410624934.6A Active CN118194067B (zh) | 2024-05-20 | 2024-05-20 | 一种基于多维高斯混合模型的广告外溢检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118194067B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118444789B (zh) * | 2024-07-08 | 2024-09-27 | 成都辰木数智科技有限责任公司 | 一种基于大语言模型的ai智能机器人交互方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147519A (zh) * | 2017-09-06 | 2019-08-20 | 广东石油化工学院 | 一种数据处理方法及装置 |
| CN110197286A (zh) * | 2019-05-10 | 2019-09-03 | 武汉理工大学 | 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100057534A1 (en) * | 2008-08-27 | 2010-03-04 | Smart Channel, L.L.C. | Advertising-buying optimization method, system, and apparatus |
| CN115878689A (zh) * | 2022-11-14 | 2023-03-31 | 上海市气象灾害防御技术中心(上海市防雷中心) | 基于网格化管理的气象与城市运行体征关联规则挖掘方法 |
| CN117689426B (zh) * | 2024-01-31 | 2024-06-18 | 湖南创研科技股份有限公司 | 一种多通路广告效果评估方法及系统 |
-
2024
- 2024-05-20 CN CN202410624934.6A patent/CN118194067B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147519A (zh) * | 2017-09-06 | 2019-08-20 | 广东石油化工学院 | 一种数据处理方法及装置 |
| CN110197286A (zh) * | 2019-05-10 | 2019-09-03 | 武汉理工大学 | 一种基于混合高斯模型和稀疏贝叶斯的主动学习分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118194067A (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118194067B (zh) | 一种基于多维高斯混合模型的广告外溢检测方法 | |
| CN113468227B (zh) | 基于图神经网络的信息推荐方法、系统、设备和存储介质 | |
| CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
| CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
| CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN111553127A (zh) | 一种多标记的文本类数据特征选择方法及装置 | |
| CN106202952A (zh) | 一种基于机器学习的帕金森疾病诊断方法 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN106203478A (zh) | 一种用于智能电表大数据的负荷曲线聚类方法 | |
| CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
| CN107153837A (zh) | 深度结合K‑means和PSO的聚类方法 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
| CN111612583B (zh) | 一种基于聚类的个性化导购系统 | |
| CN116244612B (zh) | 一种基于自学习参数度量的http流量聚类方法及装置 | |
| CN108596204B (zh) | 一种基于改进型scdae的半监督调制方式分类模型的方法 | |
| CN118041689B (zh) | 一种网络恶意流量检测方法 | |
| CN117668582A (zh) | 基于行为数据的用户聚类分析方法 | |
| CN110309696B (zh) | 基于深度学习及多聚类中心损失函数的摊贩物品分类方法 | |
| CN110288606B (zh) | 一种基于蚁狮优化的极限学习机的三维网格模型分割方法 | |
| CN108376266A (zh) | 基于样本边缘点内部点的单类支持向量机核参数优化方法 | |
| CN111967973A (zh) | 银行客户数据处理方法及装置 | |
| CN117056761A (zh) | 一种基于x-dbscan算法的客户细分方法 | |
| CN105654498A (zh) | 基于动态局部搜索和免疫克隆自动聚类的图像分割方法 | |
| CN110837853A (zh) | 一种快速分类模型构建方法 |
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 |