TWI772998B - 內容曝光預測裝置及其方法 - Google Patents
內容曝光預測裝置及其方法 Download PDFInfo
- Publication number
- TWI772998B TWI772998B TW109142913A TW109142913A TWI772998B TW I772998 B TWI772998 B TW I772998B TW 109142913 A TW109142913 A TW 109142913A TW 109142913 A TW109142913 A TW 109142913A TW I772998 B TWI772998 B TW I772998B
- Authority
- TW
- Taiwan
- Prior art keywords
- content
- exposure
- information
- tested
- content information
- Prior art date
Links
Images
Landscapes
- Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
- Silver Salt Photography Or Processing Solution Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種內容曝光預測裝置及其方法,所述的內容曝光預測裝置可建立一曝光量預測模型,預測出至少一待測內容資訊的一邊緣權重和一預測曝光量,其中,本發明主要係於曝光量預測模型增加一模擬內容資訊,計算出模擬內容資訊的邊緣權重和一曝光量分流後,即可修正各待測內容資訊的邊緣權重和預測曝光量,由於模擬內容資訊可模擬未被搜尋到的內容,因此本發明進行曝光量預測時,可貼近現實網頁搜尋環境,使預測的曝光量和邊緣權重可以更加精準。
Description
本發明涉及網路技術領域,尤指一種可貼近現實環境的內容曝光預測裝置及其方法。
目前數位廣告投放技術成熟,廣告業主投放數位廣告於網路環境時,許多廣告業主會先進行搜尋引擎最佳化(Search Engine Optimization,SEO)服務,依據數位廣告中出現的關鍵字,預估判斷此數位廣告未來一段時間的預測曝光量(Impression),目前已有第三方關鍵字分析系統業者會提供多筆關鍵字的一關鍵字預測曝光量,以供廣告業主參考,目前另有其他方式,請參照中華民國專利第TWI660317號「行銷標的熱門度預測方法以及非暫態電腦可讀取媒體」,此專利即揭露一種透過分析關鍵詞之曝光量後,依據機器學習演算法產生一個預測模型,以預測關鍵字的熱門度,並給予關鍵字所對應之權重,以供廣告業主作為選擇依據,另有其他參考案件如下:(1)TWI521453「搜尋關鍵詞的估計值預測方法和裝置」;(2)CN110415032A「一種曝光轉化率預估方法、裝置、
設備以及存儲介質」;(3)CN110390052A「搜索推薦方法、CTR預估模型的訓練方法、裝置及設備」;(4)CN104978665A「一種品牌評估方法和裝置」;(5)US8725566B2「Predicting advertiser keyword performance indicator values based on established performance indicator values」;(6)US20100208984A1「Evaluating related phrases」;(7)US20180330249A1「Method and apparatus for immediate prediction of performance of media content」。
從上述揭露內容可知,目前第三方關鍵字分析系統產生關鍵字清單資訊時,必須先以爬蟲程式於搜尋引擎進行一段時間的搜尋,累積搜尋數據後透過演算法估算出該筆關鍵字未來一段時間的曝光量,然而,網路數據極為龐大,爬蟲程式以關鍵字進行數位廣告的搜尋時,會搜尋到大量相關聯網頁資訊,再依據權重計算各筆關鍵字之曝光量,統計相關聯關鍵字之曝光量,雖可取得數位廣告的預測曝光量,然而,爬蟲程式進行搜尋時有可能未能搜尋到相關內容,而這些未被搜尋到的內容也會佔據關鍵字預測曝光量一定比例,即關鍵字預測曝光量會有曝光量分流的狀況,若未考量曝光量分流狀況,數位廣告所預測的曝光量將會被
高估,這樣會影響廣告策略的擬定,高估的曝光量可能會造成廣告預算太過高估的情形,並且直接影響到廣告成效,如此,如能考量現實搜尋環境會有的曝光量分流狀況,更加準確的預測出曝光量,此乃待需解決之問題。
有鑒於上述的問題,本發明人係依據多年來從事相關行業的經驗,針對曝光量預測裝置及曝光量預測方法進行研究及改進;緣此,本發明之主要目的在於提供一種可模擬現實環境搜尋狀況,推估無效曝光量分流,修正待測內容資訊預測曝光量的內容曝光預測裝置及其方法。
為達上述的目的,本發明之內容曝光預測裝置可基於一關鍵字清單資訊和至少一待測內容資訊進行一搜尋任務,依據搜尋結果建立一曝光量預測模型,並且計算出各待測內容資訊的至少一邊緣權重及一預測曝光量,再於曝光量預測模型中加入一模擬內容資訊,透過計算出模擬內容資訊的邊緣權重及一曝光量分流後,修正各待測內容資訊的邊緣權重及預測曝光量,由於模擬內容資訊可模擬裝置未搜尋到的內容,因此本發明進行曝光量預測時,可貼近現實網頁搜尋環境,使待測內容資訊的預測曝光量和邊緣權重可以更加精準,又,本發明隨著待測內容資訊及關鍵字的增加,可逐漸壓縮模擬內容資訊所獲得的曝光量分流,使內容曝光預測裝置可以更加準確的預測各待測內容資訊的
預測曝光量。
為使 貴審查委員得以清楚了解本發明之目的、技術特徵及其實施後之功效,茲以下列說明搭配圖示進行說明,敬請參閱。
10:內容曝光預測裝置
101:運算處理模組
102:模型處理模組
103:內容模擬模組
104:資料搜索模組
105:曝光量計算模組
106:資料儲存模組
1061:模型資料庫
1062:關鍵字資料庫
1063:搜尋資料庫
11:業主端裝置
12:第三方關鍵字分析系統
AD1:第一待測內容資訊
AD2:第二待測內容資訊
AD3:第三待測內容資訊
AD4:第四待測內容資訊
GN:模擬內容資訊
KW1:第一關鍵字
KW2:第二關鍵字
S1:依據關鍵字清單資訊進行搜尋任務
S2:建立曝光量預測模型
S3:計算待測內容資訊的邊緣權重
S4:加入模擬內容資訊及計算邊緣權重
S5:計算各待測內容資訊的預測曝光量
第1圖,為本發明之組成示意圖(一)。
第2圖,為本發明之組成示意圖(二)。
第3圖,為本發明之實施流程圖。
第4圖,為本發明之實施示意圖(一)。
第5圖,為本發明之實施示意圖(二)。
請參閱「第1圖」,圖中所示為本發明之組成示意圖(一),如圖,本發明之內容曝光預測裝置10實施時,其係資訊連接於至少一業主端裝置11和至少一第三方關鍵字分析系統12;所述的內容曝光預測裝置10可基於關鍵字清單資訊執行一搜尋任務,取得包含有至少一待測內容資訊的搜尋結果資訊,並依據搜尋結果資訊建立一曝光量預測模型,其中,所述的關鍵字清單資訊包含有至少一關鍵字,此外,內容曝光預測裝置10更進一步於曝光量預測模型中加入一模擬內容資訊,使模擬內容資訊可加入各筆待測內容
資訊之曝光量預測環境之中,當內容曝光預測裝置10計算出模擬內容資訊的邊緣權重和預測曝光量分流後,即可依據模擬內容資訊分散出的邊緣權重及曝光量分流,再修正各待測內容資訊的邊緣權重及預測曝光量,其中,由於模擬內容資訊被定義為內容曝光預測裝置10未能搜尋到的內容,透過計算模擬內容資訊之預估曝光量分流,進而模擬出符合現實網頁搜尋環境的預測曝光量;所述的業主端裝置11可建立及傳送待測內容資訊,所述的待測內容資訊可以為含有文本資訊的一網頁內容資訊,例如,一廣告資訊、一文章資訊或一網站資訊,但不以此為限;所述的第三方關鍵字分析系統12可提供一關鍵字預測曝光量,第三方關鍵字分析系統12可以為Google Analytics,再者,所述的關鍵字預測曝光量為第三方關鍵字分析系統12預測未來一段時間,指定關鍵字於搜尋結果頁(Search Engine Results Page,SERP)的曝光量。
請再參閱「第2圖」,圖中所示為本發明之組成示意圖(二),如圖,本發明之內容曝光預測裝置10,其包含有一運算處理模組101,另有一模型處理模組102、一內容模擬模組103、一資料搜索模組104、一曝光量計算模組105和一資料儲存模組106與運算處理模組101完成資訊連接;(1)所述的運算處理模組101供以運行內容曝光預測裝置10、及驅動上述各模組,並具備邏輯運算、暫存運算結果、保存執行指令位置等功能,其可以為一中央處理器
(Central Processing Unit,CPU)或一微控制器(Microcontroller Unit,MCU);(2)所述的模型處理模組102,可擷取待測內容資訊和關鍵字清單資訊,依據搜尋任務之搜尋結果建立曝光量預測模型,其中,模型處理模組102可比對待測內容資訊,判斷待測內容資訊與哪些關鍵字相對應,又,所述的曝光量預測模型可以二分化圖表實現;(3)所述的內容模擬模組103,可於曝光量預測模型增加模擬內容資訊,其中,模擬內容資訊被定義為內容曝光預測裝置10未能搜尋到的內容,其中,模擬內容資訊可對應關鍵字清單資訊中全部各筆關鍵字,內容曝光預測裝置10透過內容模擬模組103建立模擬內容資訊,使得內容曝光預測裝置10可進一步估算出模擬內容資訊之曝光量分流,據此,透過將模擬內容資訊加入曝光量預測模型,即可使曝光量預測模型可以模擬出真實的搜尋環境,在模擬環境下,曝光量預測模型可以考慮模擬內容資訊之曝光量分流,使估算出的曝光量結果更加精確;(4)所述的資料搜索模組104,資訊連接於至少一第三方搜尋引擎,資料搜索模組104可執行網路爬蟲程式(web crawler),以關鍵字清單資訊中各筆關鍵字作為搜尋條件,於第三方搜尋引擎搜尋的搜尋結果頁,確認關鍵字清單資訊中各筆關鍵字對應各待測內容資訊的搜尋狀況,並依據搜尋結果產生一搜尋結果資訊,其中,所
述的搜尋結果資訊包含一搜尋成功次數,所述的搜尋成功次數指內容曝光預測裝置10於一段時間內,透過爬蟲應用程式以各關鍵字搜尋於搜尋結果頁,有搜查到各待測內容資訊的成功次數,其中,本實施例中並不侷限於待測內容資訊,亦包含其他內容(廣告或文案內容),若搜尋不到任何內容則為搜尋失敗次數,即搜尋到模擬內容資訊的次數,所述的第三方搜尋引擎可供內容曝光預測裝置10進行網頁搜尋,其可以為百度、Google、Alexa Internet、Yahoo Search、Bing;(5)所述的曝光量計算模組105,可依據搜尋結果資訊,計算各待測內容資訊的邊緣權重(edge weight),並以關鍵字預測曝光量和邊緣權重,計算出各待測內容資訊的一預測曝光量,例如,關鍵字預測曝光量為1000,第一關鍵字對第一待測內容的邊緣權重為0.2、第二關鍵字對第一待測內容的邊緣權重為0.3,則第一關鍵字對第一待測內容的曝光量為1000*0.2=200、第二關鍵字對第一待測內容的曝光量為1000*0.3=300,因此,第一待測內容的預測曝光量為500,又,曝光量計算模組105可計算出模擬內容資訊的邊緣權重和曝光量分流;(6)所述的資料儲存模組106,可供以儲存電子資訊,其可以為硬碟,又,資料儲存模組106包含有一模型資料庫1061、一關鍵字資料庫1062、和一搜尋資料庫1063;所述的模型資料庫1061可供儲存曝光量預測模型;所
述的關鍵字資料庫1062可供儲存關鍵字清單資訊,其中,使用者可於關鍵字資料庫1062增加或刪減關鍵字清單資訊內的關鍵字,編輯完成後即儲存於關鍵字資料庫1062;所述的搜尋資料庫1063可供儲存包含有待測內容資訊的搜尋結果資訊,其中,搜尋結果資訊可以電子表單格式儲存,當資料搜索模組104完成搜尋任務後,即可更新搜尋結果資訊。
請參閱「第3圖」,圖中所示為本發明之實施流程圖,並請搭配參閱「第1圖」~「第2圖」,如圖:
(1)一依據關鍵字清單資訊進行搜尋任務S1:請搭配參閱「第4圖」,圖中所示為本發明之實施示意圖(一),如圖,內容曝光預測裝置10基於關鍵字清單資訊建立及執行一搜尋任務,其中,搜尋任務執行時,內容曝光預測裝置10以關鍵字清單資訊中第一關鍵字KW1、第二關鍵字KW2作為搜尋條件於搜尋引擎進行搜尋,產生以各筆關鍵字(KW1、KW2)搜尋到包含有至少一待測內容資訊(AD1~AD4)的一搜尋結果資訊;
(2)一建立曝光量預測模型S2:內容曝光預測裝置10基於搜尋結果資訊建立一曝光量預測模型,並且,內容曝光預測裝置10依據該曝光量預測模型,分析關鍵字清單資訊中各關鍵字與各待測內容資訊(AD1~AD4);
(3)一計算待測內容資訊的邊緣權重S3:當內容曝光預測裝置10建立曝光量預測模型S2後,內容曝光預測裝
置10依據該曝光量預測模型,分析紀錄有各關鍵字(KW1~KW2)與各待測內容資訊(AD1~AD4)的搜尋結果資訊,依據搜尋結果資訊計算出各筆關鍵字(KW1~KW2)對相關聯的各待測內容資訊(AD1~AD4)的邊緣權重(edge weight),其中,各待測內容資訊(AD1~AD4)的邊緣權重為各待測內容資訊(AD1~AD4),被關鍵字搜尋到的次數(即搜尋成功次數);
(4)一加入模擬內容資訊及計算邊緣權重S4:請搭配參閱「第5圖」,圖中所示為本發明之實施示意圖(二),如圖,當內容曝光預測裝置10分別計算出各待測內容資訊(AD1~AD4)的邊緣權重(edge weight)後,內容曝光預測裝置10將一模擬內容資訊GN加入於曝光量預測模型,內容曝光預測裝置10可計算出模擬內容資訊GN與關鍵字清單資訊中全部關鍵字的邊緣權重,由於模擬內容資訊GN被定義為內容曝光預測裝置10未搜尋到的內容,因此,內容曝光預測裝置10不會對模擬內容資訊GN進行搜尋,內容曝光預測裝置10可以公式1估算出模擬內容資訊GN的邊緣權重,其中,公式1以負二項分佈計算,公式1如下:
p為各待測內容資訊單次成功搜尋到的機率。
n為各待測內容資訊搜尋成功次數。
k為模擬內容資訊的搜尋成功次數。
(5)一計算各待測內容資訊的預測曝光量S5:內容曝光預測裝置10取得模擬內容資訊GN的邊緣權重後,內容曝光預測裝置10依據各待測內容資訊(AD1~AD4)的邊緣權重與模擬內容資訊GN邊緣權重的比例關係,重新修正各待測內容資訊(AD1~AD4)的邊緣權重,內容曝光預測裝置10再計算模擬內容資訊GN的一曝光量分流,和各待測內容資訊(AD1~AD4)的一預測曝光量,即預測曝光量(曝光量分流)=關鍵字預測曝光量*邊緣權重,其中,內容曝光預測裝置10係以一關鍵字預測曝光量依據邊緣權重的比例分配流量,又,由於模擬內容資訊GN的曝光量分流會進一步分散待測內容資訊(AD1~AD4)的預測曝光量,即可模擬出現實搜尋環境中,可能分散各待測內容資訊(AD1~AD4)預測曝光量的曝光量分流,使預測的預測曝光量更加精確。
綜上可知,本發明之內容曝光預測裝置及其方法,本發明之內容曝光預測裝置可基於一關鍵字清單資訊建立一搜尋任務,並且依據搜尋任務取得的一搜尋結果資訊,擷取搜尋結果資訊的至少一待測內容資訊建立一曝光量預測模型,曝光量預測模型可計算出關鍵字清單資訊中各筆關
鍵字對各待測內容資訊的邊緣權重數值,再於曝光量預測模型中加入一模擬內容資訊,透過計算出各關鍵字對模擬內容資訊的邊緣權重後,內容曝光預測裝置即可依據模擬內容資訊的與各待測內容資訊的邊緣權重比例,修正各待測內容資訊的邊緣權重,使得內容曝光預測裝置可以計算出模擬內容資訊的一曝光量分流、和各待測內容資訊的一預測曝光量,因此本發明進行曝光量預測時,可貼近現實網頁搜尋環境,使預測的曝光量和邊緣權重可以更加精準;依此,本發明其據以實施後,確實可達到提供一種可模擬現實環境搜尋狀況,推估無效曝光量分流,修正待測內容資訊預測曝光量的內容曝光預測裝置及其方法之目的。
以上所述者,僅為本發明之較佳之實施例而已,並非用以限定本發明實施之範圍;任何熟習此技藝者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之專利範圍內。
綜上所述,本發明係具有「產業利用性」、「新穎性」與「進步性」等專利要件;申請人爰依專利法之規定,向 鈞局提起發明專利之申請。
S1:依據關鍵字清單資訊進行搜尋任務
S2:建立曝光量預測模型
S3:計算待測內容資訊的邊緣權重
S4:加入模擬內容資訊及計算邊緣權重
S5:計算各待測內容資訊的預測曝光量
Claims (8)
- 一種內容曝光預測方法,透過一內容曝光預測裝置預測至少一待測內容資訊的一預測曝光量,其包含:該內容曝光預測裝置基於一關鍵字清單資訊建立一搜尋任務,並依據該搜尋任務產生包含有各該待測內容資訊的一搜尋結果資訊,其中,該關鍵字清單資訊有至少一關鍵字;該內容曝光預測裝置基於該搜尋結果資訊建立一曝光量預測模型,並基於該搜尋結果資訊分別計算出各該關鍵字與對應各該待測內容資訊的一邊緣權重;該內容曝光預測裝置將一模擬內容資訊加入於該曝光量預測模型;該內容曝光預測裝置計算該模擬內容資訊與各該關鍵字的各該邊緣權重;該內容曝光預測裝置基於該模擬內容資訊的該邊緣權重,分別修正各該待測內容資訊的各該邊緣權重,並依據修正後的該邊緣權重,分別計算各該待測內容資訊的該預測曝光量;以及該模擬內容資訊的該邊緣權重以負二項分佈計算,計算公式為:
- 如請求項1所述的內容曝光預測方法,其中,該內容曝光預測裝置以該模擬內容資訊的該邊緣權重與一關鍵字預測曝光量計算出一曝光量分流,該內容曝光預測裝置以各該待測內容資訊修正後的該邊緣權重與該關鍵字預測曝光量計算出該預測曝光量。
- 如請求項1所述的內容曝光預測方法,其中,各該待測內容資訊的各該邊緣權重為該內容曝光預測裝置成功搜尋到各該待測內容資訊的次數。
- 如請求項1所述的內容曝光預測方法,其中,該內容曝光預測裝置以各該關鍵字作為搜尋條件進行搜尋,以產生各該關鍵字對於各該待測內容資訊的該搜尋結果資訊。
- 如請求項1所述的內容曝光預測方法,其中,該搜尋結果資訊包含一搜尋成功次數,該待測內容資訊的該邊緣權重為該搜尋成功次數。
- 一種內容曝光預測裝置,供以預測至少一待測內容資訊的一預測曝光量,其包含:一運算處理模組,供以運行該內容曝光預測裝置;一資料搜索模組,與該運算處理模組完成資訊連接,該資料搜索模組執行一搜尋任務以產生一搜尋結果資訊;一模型處理模組,與該運算處理模組完成資訊連接,基於該搜尋結果資訊建立一曝光量預測模型;一內容模擬模組,與該運算處理模組完成資訊連接,該內容模擬模組於該曝光量預測模型加入一模擬內容資訊;一曝光量計算模組,與該運算處理模組完成資訊連接,可基於該曝光量預測模型,分別計算出各該待測內容資訊和該模擬內容資訊的至少一邊緣權重;該曝光量計算模組基於該模擬內容資訊的該邊緣權重,分別修正各該待測內容資訊的各該邊緣權重,並且以各該待測內容資訊修正後的該邊緣權重,分別計算各該待測內容資訊的該預測曝光量;以及該模擬內容資訊的該邊緣權重以負二項分佈計算,計算公式為:
- 如請求項6所述的內容曝光預測裝置,其中,以一關鍵字清單資訊中各該關鍵字為搜尋條件進行搜尋,依據搜尋結果產生該搜尋結果資訊,且該搜尋結果資訊包含一搜尋成功次數,該待測內容資訊的該邊緣權重為該搜尋成功次數。
- 如請求項6所述的內容曝光預測裝置,其中,該曝光量計算模組基於該模擬內容資訊的該邊緣權重與一關鍵字預測曝光量計算出一曝光量分流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142913A TWI772998B (zh) | 2020-12-04 | 2020-12-04 | 內容曝光預測裝置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109142913A TWI772998B (zh) | 2020-12-04 | 2020-12-04 | 內容曝光預測裝置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202223688A TW202223688A (zh) | 2022-06-16 |
TWI772998B true TWI772998B (zh) | 2022-08-01 |
Family
ID=83062323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109142913A TWI772998B (zh) | 2020-12-04 | 2020-12-04 | 內容曝光預測裝置及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI772998B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW461936B (en) * | 1998-10-01 | 2001-11-01 | Dow Chemical Co | High efficiency gear pump for pumping highly viscous fluids |
CN103177384A (zh) * | 2013-04-16 | 2013-06-26 | 高鹏 | 基于用户兴趣图谱的网络广告投放方法 |
TWM508057U (zh) * | 2015-05-21 | 2015-09-01 | Yan-Pu Yang | 關鍵字排名報表生成裝置 |
TWM615350U (zh) * | 2020-12-04 | 2021-08-11 | 萬里雲互聯網路有限公司 | 內容曝光預測系統 |
-
2020
- 2020-12-04 TW TW109142913A patent/TWI772998B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW461936B (en) * | 1998-10-01 | 2001-11-01 | Dow Chemical Co | High efficiency gear pump for pumping highly viscous fluids |
CN103177384A (zh) * | 2013-04-16 | 2013-06-26 | 高鹏 | 基于用户兴趣图谱的网络广告投放方法 |
TWM508057U (zh) * | 2015-05-21 | 2015-09-01 | Yan-Pu Yang | 關鍵字排名報表生成裝置 |
TWM615350U (zh) * | 2020-12-04 | 2021-08-11 | 萬里雲互聯網路有限公司 | 內容曝光預測系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202223688A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Billion-scale commodity embedding for e-commerce recommendation in alibaba | |
CN111026894B (zh) | 基于可信度自适应匹配网络的跨模态图像文本检索方法 | |
Hosseini et al. | On aggregating labels from multiple crowd workers to infer relevance of documents | |
US11238233B2 (en) | Artificial intelligence engine for generating semantic directions for websites for automated entity targeting to mapped identities | |
WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
JP5543020B2 (ja) | リサーチミッション識別 | |
US20070239610A1 (en) | Methods, systems and apparatus for displaying user generated tracking information | |
US20120143790A1 (en) | Relevance of search results determined from user clicks and post-click user behavior obtained from click logs | |
CN103064903B (zh) | 图片检索方法和装置 | |
US10019513B1 (en) | Weighted answer terms for scoring answer passages | |
US20120253945A1 (en) | Bid traffic estimation | |
CN105677857B (zh) | 一种关键词与营销落地页的精准匹配方法和装置 | |
WO2013010367A1 (zh) | 网站内容质量评估方法和装置 | |
CN110543474A (zh) | 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 | |
CN111126495A (zh) | 模型训练方法、信息预测方法、装置、存储介质及设备 | |
CN104050197A (zh) | 一种信息检索系统评测方法和装置 | |
CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
CA3167569A1 (en) | Systems and methods for determining entity attribute representations | |
CN111340537B (zh) | 一种广告点击率预估模型的建立方法 | |
CN110516164B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
Smucker et al. | Stochastic simulation of time-biased gain | |
CN113704459A (zh) | 一种基于神经网络的在线文本情感分析方法 | |
CN114385930A (zh) | 一种兴趣点推荐方法及系统 | |
Pulikottil et al. | Onet–a temporal meta embedding network for mooc dropout prediction | |
Gezici et al. | Neural sentiment analysis of user reviews to predict user ratings |