WO2025255844A1 - 用于管理数据发布的方法、装置、设备和存储介质 - Google Patents

用于管理数据发布的方法、装置、设备和存储介质

Info

Publication number
WO2025255844A1
WO2025255844A1 PCT/CN2024/099423 CN2024099423W WO2025255844A1 WO 2025255844 A1 WO2025255844 A1 WO 2025255844A1 CN 2024099423 W CN2024099423 W CN 2024099423W WO 2025255844 A1 WO2025255844 A1 WO 2025255844A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
data items
items
publishing
publication
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.)
Pending
Application number
PCT/CN2024/099423
Other languages
English (en)
French (fr)
Inventor
冯媛
王沁心
冯嘉伟
康宏伟
王雨舟
刘东明
潘瑞东
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.)
Beijing Zitiao Network Technology Co Ltd
Lemon Inc Cayman Island
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Lemon Inc Cayman Island
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 Beijing Zitiao Network Technology Co Ltd, Lemon Inc Cayman Island filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to PCT/CN2024/099423 priority Critical patent/WO2025255844A1/zh
Priority to US19/241,679 priority patent/US20250384103A1/en
Publication of WO2025255844A1 publication Critical patent/WO2025255844A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors

Definitions

  • the exemplary embodiments disclosed herein generally relate to the field of data publishing, and particularly to methods, apparatus, devices, and computer-readable storage media for managing data publishing.
  • a method for managing data publishing includes: receiving a publishing objective associated with data publishing, the publishing objective describing a publishing result expected to be obtained through data publishing; determining the number of multiple data items to be published to achieve the publishing objective; determining a first set of lifecycles for the first set of data items based on the publishing status of a first set of published data items, the first lifecycle in the first set of lifecycles indicating the impact of the first data items in the first set of data items on the publishing objective; and determining a second number of a second set of data items to be published based on the publishing quantity, the first number of the first set of data items, and the first set of lifecycles.
  • an apparatus for managing data publishing includes: a publishing target receiving module configured to receive a publishing target associated with data publishing, the publishing target describing a publishing result expected to be obtained through data publishing; a publishing quantity determining module configured to determine the publishing quantity of multiple data items required to achieve the publishing target; and a lifecycle determining module configured to determine a first lifecycle of the first group of data items based on the publishing status of the first group of data items that have already been published.
  • the first lifecycle in the cycle indicates the impact of the first data item in the first group of data items on the release target; and the second quantity determination module is configured to determine the second quantity of the second group of data items to be released based on the release quantity, the first quantity of the first group of data items, and the first group lifecycle.
  • an electronic device in a third aspect of this disclosure, includes at least one processing unit; and at least one memory coupled to the at least one processing unit and storing instructions for execution by the at least one processing unit. When executed by the at least one processing unit, the instructions cause the device to perform the method of the first aspect of this disclosure.
  • a computer-readable storage medium stores a computer program that can be executed by a processor to implement the method of the first aspect of this disclosure.
  • a computer program product comprising a computer program wherein the computer program, when executed by a processor, implements the method of the first aspect of this disclosure.
  • Figure 1 shows a schematic diagram of an example environment in which embodiments of the present disclosure can be implemented
  • Figure 2 shows a schematic diagram of examples of some embodiments according to the present disclosure
  • Figure 3 illustrates an example relationship between the number of data published and the effects according to some embodiments of this disclosure
  • Figure 4 illustrates an example relationship between the effect and time of data release according to some embodiments of this disclosure
  • Figure 5 illustrates an example of acquiring data items according to some embodiments of the present disclosure.
  • Figure 6 illustrates a flowchart of a process for managing data publishing according to some embodiments of the present disclosure
  • Figure 7 illustrates a block diagram of an apparatus for managing data publishing according to some embodiments of the present disclosure.
  • Figure 8 shows a block diagram of an electronic device in which one or more embodiments of the present disclosure may be implemented.
  • performing a step in response to A does not mean that the step is performed immediately after A, but may include one or more intermediate steps.
  • a prompt message is sent to the user to explicitly inform them that the requested operation will require obtaining and using the user's personal information.
  • This allows users to independently choose, based on prompts, whether to provide personal information to the software or hardware, such as electronic devices, applications, servers, or storage media, that perform the operations of this disclosed technical solution.
  • a prompt message in response to a user's active request, can be sent to the user, such as a pop-up window, where the prompt message can be presented in text format.
  • the pop-up window can also include a selection control allowing the user to choose "agree” or “disagree” to provide personal information to the electronic device.
  • model refers to a model that learns the relationship between inputs and outputs from training data, enabling it to generate corresponding outputs for a given input after training. Model generation can be based on machine learning techniques. Deep learning is a machine learning algorithm that processes inputs and provides corresponding outputs using multiple layers of processing units. A neural network model is an example of a deep learning-based model. In this paper, “model” may also be referred to as a “machine learning model,” “learning model,” “machine learning network,” or “learning network,” and these terms are used interchangeably.
  • a neural network is a machine learning network based on deep learning.
  • a neural network processes input and provides a corresponding output, typically consisting of an input layer, an output layer, and one or more hidden layers between the input and output layers.
  • Neural networks used in deep learning applications often include many hidden layers, thus increasing the network's depth.
  • the layers of a neural network are connected sequentially, so that the output of the previous layer is provided as the input to the next layer.
  • the input layer receives the input to the neural network, while the output layer's output serves as the final output.
  • Each layer of a neural network includes one or more nodes (also called processing nodes or neurons), each node processing the input from the layer above.
  • Machine learning typically comprises three phases: training, testing, and application (also known as inference).
  • training phase a given model is trained using a large amount of training data, iteratively updating parameter values until the model can consistently generate inferences that satisfy the expected goals from the training data.
  • the model can be recognized...
  • the parameter values of the trained model are determined.
  • testing phase test inputs are applied to the trained model to test whether it can provide the correct output, thus determining the model's performance.
  • the testing phase can sometimes be integrated into the training phase.
  • the trained model can be used to process actual model inputs based on the trained parameter values to determine the corresponding model output.
  • an improved scheme for managing data publishing is provided.
  • a publishing objective associated with data publishing is received, the publishing objective describing the publishing result expected to be obtained through data publishing.
  • the number of multiple data items to be published to achieve the publishing objective is determined.
  • a first group lifecycle of the first group of data items is determined, the first lifecycle in the first group lifecycle indicating the impact of the first data item in the first group of data items on the publishing objective.
  • a second quantity of a second group of data items to be published is determined.
  • the number of data items to be published can be determined based on the lifecycle of already published data items and the determined number of items to be published. This helps to flexibly adjust the amount of data published, reduce resource waste, and improve the effectiveness of data publishing.
  • Figure 1 illustrates a schematic diagram of an example environment 100 in which embodiments of the present disclosure can be implemented.
  • Environment 100 relates to a data management platform 110.
  • the data management platform 110 may include a plurality of data items 112 (e.g., it may include data items 112-1, ..., 112-N1, where N1 is a positive integer greater than 1; for ease of description, one or more data items are collectively referred to as data item 112 below).
  • Data item 112 may include data items of any suitable type, such as images, text, audio, video, etc.
  • Data item 112 may also be referred to as media item, media data, etc.
  • the data management platform 110 can receive a publishing target 102 associated with data publishing and determine the number of data items 112 to be published based on the publishing target 102. According to the management platform 110, based on a determined number of publications, the corresponding multiple data items can be published to at least one data publishing platform 120 (for example, it may include data publishing platforms 120-1, ..., 120-N2, where N2 is a positive integer. For ease of description, one or more data publishing platforms will be collectively referred to as data publishing platform 120 below).
  • Data items can be, for example, news, promotional data, etc.
  • the data management platform 110 and data publishing platform 110 in environment 100 can be applications for publishing data and applications for presenting data, respectively.
  • the data management platform 110 can run on suitable electronic devices. These electronic devices can be any type of mobile terminal, fixed terminal, or portable terminal, including mobile phones, desktop computers, laptop computers, notebook computers, netbook computers, tablet computers, media computers, multimedia tablets, personal communication system (PCS) devices, personal navigation devices, personal digital assistants (PDAs), audio/video players, digital cameras/camcorders, positioning devices, television receivers, radio receivers, e-book devices, gaming devices, or any combination thereof, including accessories and peripherals of these devices or any combination thereof. In some embodiments, the data management platform 110 can also support any type of user-facing interface (such as "wearable" circuitry).
  • the server can be any type of computing system/server capable of providing computing power, including but not limited to mainframes, edge computing nodes, computing devices in cloud environments, and so on.
  • FIG. 2 shows a schematic diagram of Example 200 according to some embodiments of the present disclosure.
  • Example 200 can be implemented at a data management platform 110.
  • Example 200 is described below with reference to Figure 1.
  • the data management platform 110 may receive a data posting 210 and a posting target 220 associated with the data posting 210.
  • the data management platform 110 may receive user (e.g., data poster) input and determine the data posting 210 and the posting target 220 based on the user input.
  • the user input may be any appropriate type of user input, such as voice, text, etc.
  • Data release 210 can indicate which data items or which types of data items to process.
  • the data item is published, and the platforms(s) to which it is published.
  • Publish target 220 may correspond to publish target 102 in Figure 1.
  • the data item may include media items used to recommend the target object, which can be any appropriate type of media item.
  • Target objects include virtual items (e.g., applications, music, movies, etc.) and real items.
  • Publishing objective 220 can describe the expected publishing results obtained through data publishing (i.e., publishing data items). Taking a data item used to recommend an application as an example, the publishing result could be that M users downloaded the application. In some embodiments, publishing objective 220 may also include ensuring that the occurrence rate of events associated with the target object meets a predetermined threshold. Events may include download events, registration events, access events, conversion events, etc., associated with the target object. For example, taking an application as an example, a download event associated with the target object could be that a user downloaded the application, and a registration event associated with the target object could be that a user registered for the application. Taking an item as an example, an access event associated with the target object could be that a user viewed the item's details page, and a conversion event associated with the target object could be that a user added the item to their cart or purchased the item.
  • the download event occurrence rate can be the ratio of the number of users who actually downloaded the application after viewing the data item to all users who viewed the data item.
  • Publishing objective 220 could, for example, include ensuring that the download event occurrence rate for the application exceeds a predetermined threshold. In this way, publishing objectives can be measured in various ways, thus meeting the diverse needs of data publishers.
  • the data management platform 110 can determine the number 230 of multiple data items to be published to achieve the publication goal 220. For example, the data management platform 110 can determine the relationship function between the publication goal and the published data based on historical publication goals and historical publication quantities. This relationship function can be any suitable function, for example, it can be a power function. The data management platform 110 can determine the publication quantity 230 based on the relationship function between the publication goal and the published data, and the publication goal 220.
  • Figure 3 illustrates a schematic diagram of an example relationship 300 between the number of data releases and their effects according to some embodiments of the present disclosure.
  • triangles can represent real...
  • the number of published data items is represented by a circle, indicating the number of valid data items among a large number of published data items.
  • Valid data items may include those with corresponding events. For example, if a user downloads the application via a data item, that data item is considered valid.
  • the data management platform 110 can determine the relationship function between the number of valid data items and the publishing target (i.e., curve 310 in the figure). Based on this relationship function, the data management platform 110 can determine the number of valid data items corresponding to publishing target 220, which is also the publishing quantity 230. This avoids resource waste caused by publishing a large number of data items.
  • the data management platform 110 can determine the first lifecycle 260 of the first set of data items 240 based on the release status 250 of the first set of data items 240 that have already been released.
  • the first lifecycle in the first set of lifecycle 260 indicates the impact of the first data item in the first set of data items 240 on the release target 220.
  • the first set of data items 240 may include multiple first data items, and each first data item may correspond to a different first lifecycle.
  • the first lifecycle may, for example, include four stages: launch, development, decline, and no impact.
  • the data management platform 110 may, for example, determine its corresponding first lifecycle (that is, determine which stage of launch, development, decline, or no impact the first data item is in) based on the release status of the first data item.
  • the data management platform 110 can obtain the first set of time points when the first group of data items is published, and determine the first set of lifecycles of the first group of data items based on the first set of time points and a machine learning model.
  • the first group of data items can be all data items currently published, and the first set of time points corresponding to multiple first data items in the first group of data items can be the same time point (i.e., the first group of data items is published at the same time) or different time points (i.e., the first group of data items is published in batches at multiple time points).
  • This machine learning model can be any suitable machine learning model for determining the lifecycle of data items, such as, but not limited to, transformers, fully convolutional networks (FCNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), etc., and embodiments of this disclosure are not limited in this respect.
  • the machine learning model can be, for example, a time series model.
  • Platform 110 can acquire reference data items associated with reference data publication, which are then published to achieve the reference publication goal. Based on the reference publication time and the publication results generated after that time, platform 110 can determine the reference lifecycle of the reference data item. Platform 110 can then update the machine learning model based on the reference time and lifecycle.
  • the reference data item could be a historically published data item. Platform 110 can use the corresponding time and publication results of historically published data items to update the machine learning model. In this way, the machine learning model can acquire various knowledge from historical data, thereby determining the lifecycle of published data items more accurately and effectively.
  • Figure 4 illustrates a schematic diagram of an example relationship 400 between the publication effect and time of data according to some embodiments of the present disclosure.
  • the publication effect refers to the impact of data items on the publication target.
  • a machine learning model can, for example, determine and update the relationship function between publication effect and time (e.g., curve 410 shown in the figure) based on a reference time point corresponding to a reference data item and a reference publication result. Further, in the application phase, the machine learning model can determine a first set of lifecycles for the first set of data items based on the publication status of the first set of data items and the determined relationship function between publication effect and time.
  • the data management platform 110 can determine a second quantity (also referred to as the quantity to be published 270) of the second group of data items to be published based on the publication quantity 230, the first quantity of the first group of data items 240, and the lifecycle of the first group 260.
  • the data items can be published in batches. For example, if it is expected that the published data items can have a stable impact on the publication target within one month, data items can be published once every 10 days, for a total of 3 times. Each batch of data items can correspond to the publication quantity corresponding to the publication target.
  • the release target for each batch of data items can also be different.
  • the release target corresponds to a release quantity of X
  • the number of data items in each batch can be [X- ⁇ , X+ ⁇ ], where ⁇ can be any appropriate value, such as 10% of X (or other proportions). This ensures that the release quantity varies within a certain range, guaranteeing the release result.
  • the currently active data items in each batch can include data items from previously released data items that still influence the release target, as well as newly released data items from this batch.
  • the data management platform 110 can obtain data items to be published from multiple platforms. For example, the data management platform 110 can obtain a second set of data items that meet a second quantity from a first data source and a second data source, and publish the second set of data items to achieve the publishing objective. Specifically, the data management platform 110 can determine a first quality distribution of a first plurality of reference data items provided by the first data source and a second quality distribution of a second plurality of reference data items provided by the second data source. In other words, more data items can be selected from data sources providing high-quality data items, and fewer data items can be selected from data sources providing general-quality data items, based on the quality of the data items provided by each data source.
  • Each of the first plurality of quality ratings here could be determined, for example, based on the occurrence rate of events associated with the target object corresponding to the relevant data item. For instance, if a data item is an item-specific data item, its quality rating could be determined based on the occurrence rate (i.e., conversion rate) of the conversion events for the item corresponding to that data item; the higher the occurrence rate, the higher the corresponding quality rating.
  • occurrence rate i.e., conversion rate
  • the number of data items to be published can be determined based on the lifecycle of already published data items and a determined number of items to be published. This helps to flexibly adjust the amount of data published, reduce resource waste, and improve the effectiveness of data publishing.
  • the data management platform 110 receives a publishing objective associated with data publishing, which describes the expected publishing result obtained through data publishing.
  • determining the first set of lifecycles includes: obtaining a first set of time points when the first set of data items are published; and determining the first set of lifecycles of the first set of data items based on the first set of time points and a machine learning model.
  • the machine learning model is obtained based on: acquiring reference data items associated with reference data publication, the reference data items being published to achieve a reference publication objective; determining the reference lifecycle of the reference data items based on the reference time point in time when the reference data items were published, and the reference publication results generated after the reference time point; and updating the machine learning model based on the reference time point and the reference lifecycle.
  • determining the first quality distribution includes: acquiring a first plurality of parameters respectively. The first plurality of quality evaluations of the reference data items are considered; and a first quality distribution is determined based on the ratio between at least a portion of the reference data items and the first plurality of reference data items, wherein the quality evaluation of at least a portion of the reference data items is higher than a threshold evaluation.
  • the data item includes a media item for recommending a target object, which includes virtual items and real items
  • the publishing target includes causing the occurrence rate of events associated with the target object to meet a predetermined threshold.
  • the apparatus 700 includes a release target receiving module 710, configured to receive a release target associated with data release, the release target describing the release result expected to be obtained through data release.
  • the apparatus 700 also includes a release quantity determination module 720, configured to determine the release quantity of multiple data items required to achieve the release target.
  • the apparatus 700 further includes a lifecycle determination module 730, configured to determine a first lifecycle of the first group of data items based on the release status of the first group of data items already released, the first lifecycle in the first group of lifecycles indicating the impact of the first data item in the first group of data items on the release target.
  • the apparatus 700 also includes a second quantity determination module 740, configured to... Based on the number of releases, the first number of data items in the first group, and the lifecycle of the first group, determine the second number of data items in the second group to be released.
  • the machine learning model is obtained based on: acquiring reference data items associated with reference data publication, the reference data items being published to achieve a reference publication objective; determining the reference lifecycle of the reference data items based on the reference time point in time when the reference data items were published, and the reference publication results generated after the reference time point; and updating the machine learning model based on the reference time point and the reference lifecycle.
  • Such electronic devices or combinations of electronic devices may, for example, include the data management platform 110 in Figure 1.
  • Figure 8 shows a block diagram of an electronic device 800 in which one or more embodiments of the present disclosure may be implemented. It should be understood that the electronic device 800 shown in Figure 8 is merely exemplary and should not constitute any limitation on the functionality and scope of the embodiments described herein. The electronic device 800 shown in Figure 8 can be used to implement the data management platform 110 of Figure 1, and/or the apparatus 700 of Figure 7.
  • Electronic device 800 typically includes multiple computer storage media. Such media can be any available media accessible to electronic device 800, including but not limited to volatile and non-volatile media, removable and non-removable media.
  • Memory 820 can be volatile memory (e.g., registers, cache, random access memory (RAM)), non-volatile memory (e.g., read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), flash memory), or some combination thereof.
  • Storage device 830 can be removable or non-removable media and can include machine-readable media, such as flash drives, disks, or any other media capable of storing information and/or data and accessible within electronic device 800.
  • Electronic device 800 may further include additional removable/non-removable, volatile/non-volatile storage media.
  • disk drives for reading or writing from removable, non-volatile disks (e.g., "floppy disks") and optical disk drives for reading or writing from removable, non-volatile optical disks may be provided.
  • each drive may be connected to a bus (not shown) via one or more data media interfaces.
  • Memory 820 may include computer program product 825 having one or more program modules configured to perform various methods or actions of various implementations of this disclosure.
  • the communication unit 840 enables communication with other computing devices via a communication medium. Additionally, the functionality of the components of the electronic device 800 can be implemented as a single computing cluster or multiple computing machines capable of communicating via communication connections. Therefore, the electronic device 800 can operate in a networked environment using logical connections to one or more other servers, network personal computers (PCs), or another network node.
  • PCs network personal computers
  • Input device 850 can be one or more input devices, such as a mouse, keyboard, trackball, etc.
  • Output device 860 can be one or more output devices, such as a monitor, speaker, printer, etc.
  • Electronic device 800 can also communicate with one or more external devices (not shown) via communication unit 840 as needed. These external devices include storage devices, display devices, etc., and can communicate with one or more devices that enable user interaction with electronic device 800, or with any device that enables electronic device 800 to communicate with one or more other computing devices (e.g., network card, modem, etc.). Such communication can be performed via input/output (I/O) interface (not shown).
  • I/O input/output
  • a computer-readable storage medium that stores computer-executable instructions thereon, wherein the computer-executable instructions are executed by a processor to implement the methods described above.
  • a computer program product is also provided, which is tangibly stored on a non-transitory computer-readable medium and includes computer-executable instructions, which are executed by a processor to implement the methods described above.
  • These computer-readable program instructions can be provided to a processing unit of a general-purpose computer, a special-purpose computer, or other programmable data processing apparatus to produce a machine such that, when executed by the processing unit of the computer or other programmable data processing apparatus, they create means for implementing the functions/actions specified in one or more blocks of the flowchart and/or block diagram.
  • These computer-readable program instructions can also be stored in a computer-readable storage medium that causes a computer, programmable data processing apparatus, and/or other device to operate in a particular manner.
  • the computer-readable medium storing the instructions comprises an article of manufacture that includes instructions for implementing aspects of the functions/actions specified in one or more blocks of the flowchart and/or block diagram.
  • Computer-readable program instructions may be loaded onto a computer, other programmable data processing apparatus, or other device to cause the computer, other programmable data processing apparatus, or other device to perform operations on the computer, other programmable data processing apparatus, or other devices. He performs a series of operational steps on his device to produce a computer-implemented process, thereby causing instructions that execute on a computer, other programmable data processing device, or other device to perform the functions/actions specified in one or more boxes of a flowchart and/or block diagram.
  • each block in a flowchart or block diagram may represent a module, segment, or portion of an instruction, which contains one or more executable instructions for implementing the specified logical function.
  • the functions indicated in the blocks may occur in a different order than those indicated in the drawings. For example, two consecutive blocks may actually be executed substantially in parallel, and they may sometimes be executed in reverse order, depending on the functions involved.
  • each block in the block diagrams and/or flowcharts, and combinations of blocks in the block diagrams and/or flowcharts may be implemented using a dedicated hardware-based system that performs the specified function or action, or using a combination of dedicated hardware and computer instructions.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了用于管理数据发布的方法、装置、设备和存储介质。该方法包括：接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果；确定用于实现发布目标所需发布的多个数据项的发布数量；基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响；以及基于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。可以基于已发布的数据项的生命周期和确定的待发布数量，确定要被发布的数据项的数量。这有助于灵活调整数据量的发布，降低资源浪费，提高数据发布效果。

Description

用于管理数据发布的方法、装置、设备和存储介质 技术领域
本公开的示例实施例总体涉及数据发布领域，特别地涉及用于管理数据发布的方法、装置、设备和计算机可读存储介质。
背景技术
随着计算机技术的发展，已经开发出了多种多样的应用，并且可以在各种应用中发布多种类型的数据，以便向应用的用户提供多方面信息。准确地确定数据的发布数量，有利于评估数据发布链路质量和数据发布效果。
发明内容
在本公开的第一方面，提供了一种用于管理数据发布的方法。该方法包括：接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果；确定用于实现发布目标所需发布的多个数据项的发布数量；基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响；以及基于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
在本公开的第二方面，提供了一种用于管理数据发布的装置。该装置包括：发布目标接收模块，被配置为接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果；发布数量确定模块，被配置为确定用于实现发布目标所需发布的多个数据项的发布数量；生命周期确定模块，被配置为基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命 周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响；以及第二数量确定模块，被配置为基于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
在本公开的第三方面，提供了一种电子设备。该设备包括至少一个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。指令在由至少一个处理单元执行时使设备执行本公开的第一方面的方法。
在本公开的第四方面，提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序可由处理器执行以实现本公开的第一方面的方法。
在本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，其中计算机程序在被处理器执行时实现本公开的第一方面的方法。
应当理解，本内容部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的描述而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本公开的实施例能够在其中实现的示例环境的示意图；
图2示出了根据本公开的一些实施例的示例的示意图；
图3示出了根据本公开的一些实施例的数据的发布数量和效果的示例关系的示意图；
图4示出了根据本公开的一些实施例的数据的发布效果和时间的示例关系的示意图；
图5示出了根据本公开的一些实施例的获取数据项的示例的示意 图；
图6示出了根据本公开的一些实施例的用于管理数据发布的过程的流程图；
图7示出了根据本公开的一些实施例的用于管理数据发布的装置的框图；以及
图8示出了其中可以实施本公开的一个或多个实施例的电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中示出了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“一些实施例”应当理解为“至少一些实施例”。下文还可能包括其他明确的和隐含的定义。
在本文中，除非明确说明，“响应于A”执行一个步骤并不意味着在“A”之后立即执行该步骤，而是可以包括一个或多个中间步骤。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获得或使用)应当遵循相应法律法规及相关规定的要求。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当根据相关法律法规通过适当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获得和使用到用户的个 人信息，从而使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限制性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式，例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获得用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其他满足相关法律法规的方式也可应用于本公开的实现方式中。
如本文中所使用的，术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联关系，从而在训练完成后可以针对给定的输入，生成对应的输出。模型的生成可以基于机器学习技术。深度学习是一种机器学习算法，通过使用多层处理单元来处理输入和提供相应输出。神经网络模型是基于深度学习的模型的一个示例。在本文中，“模型”也可以被称为“机器学习模型”、“学习模型”、“机器学习网络”或“学习网络”，这些术语在本文中可互换地使用。
“神经网络”是一种基于深度学习的机器学习网络。神经网络能够处理输入并且提供相应输出，其通常包括输入层和输出层以及在输入层与输出层之间的一个或多个隐藏层。在深度学习应用中使用的神经网络通常包括许多隐藏层，从而增加网络的深度。神经网络的各个层按顺序相连，从而前一层的输出被提供作为后一层的输入，其中输入层接收神经网络的输入，而输出层的输出作为神经网络的最终输出。神经网络的每个层包括一个或多个节点(也称为处理节点或神经元)，每个节点处理来自上一层的输入。
通常，机器学习大致可以包括三个阶段，即训练阶段、测试阶段和应用阶段(也称为推理阶段)。在训练阶段，给定的模型可以使用大量的训练数据进行训练，不断迭代更新参数值，直到模型能够从训练数据中获得一致的满足预期目标的推理。通过训练，模型可以被认 为能够从训练数据中学习从输入到输出之间的关联(也称为输入到输出的映射)。训练后的模型的参数值被确定。在测试阶段，将测试输入应用到训练后的模型，以测试模型是否能够提供正确的输出，从而确定模型的性能。测试阶段有时候可以被融合在训练阶段。在应用或推理阶段，已训练的模型可以被用于基于训练得到的参数值，对实际的模型输入进行处理，确定对应的模型输出。
如前文所提及的，数据的发布数量会影响数据的发布结果。传统上，难以准确确定获得目标发布结果所需的发布数量。为获取目标发布结果，往往会发布大量数据项。这可能会导致出现数据浪费的情况。
有鉴于此，根据本公开的实施例，提供了一种用于管理数据发布的改进方案。根据该方案，接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果。确定用于实现发布目标所需发布的多个数据项的发布数量。基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响。基于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
由此，可以基于已发布的数据项的生命周期和确定的待发布数量，确定要被发布的数据项的数量。这有助于灵活调整发布的数据量，降低资源浪费，提高数据发布效果。
图1示出了本公开的实施例能够在其中实现的示例环境100的示意图。环境100涉及数据管理平台110。在该示例环境100中，数据管理平台110可以包括多个数据项112(例如可以包括数据项112-1、……、112-N1，其中N1是大于1的正整数，为了便于描述，下文将一个或多个数据项统称为数据项112)。数据项112可以包括任意适当类型的数据项，例如，图像、文本、音频、视频等。数据项112也可以被称之为媒体项、媒体数据等等。
数据管理平台110可以接收与数据发布相关联的发布目标102，并基于发布目标102确定要被发布的多个数据项112的发布数量。数 据管理平台110可以基于确定的发布数量，将相应的多个数据项发布至至少一个数据发布平台120(例如可以包括数据发布平台120-1、……、120-N2，其中N2为正整数，为了便于描述，下文将一个或多个数据发布平台统称为数据发布平台120)。
数据项例如可以为新闻、推广数据，等等。环境100中的数据管理平台110和数据发布平台110可以分别是发布数据的应用和用于呈现数据的应用。
数据管理平台110可以运行在适当的电子设备。这里的电子设备可以是任意类型的移动终端、固定终端或便携式终端，包括移动手机、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、媒体计算机、多媒体平板、个人通信系统(PCS)设备、个人导航设备、个人数字助理(PDA)、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者前述各项的任意组合，包括这些设备的配件和外设或者其任意组合。在一些实施例中，数据管理平台110也能够支持任意类型的针对用户的接口(诸如“可佩戴”电路等)。服务器可以是能够提供计算能力的各种类型的计算系统/服务器，包括但不限于大型机、边缘计算节点、云环境中的计算设备，等等。
应当理解，仅出于示例性的目的描述环境100中各个元素的结构和功能，而不暗示对于本公开的范围的任何限制。以下将参考附图的示例来详细描述本公开的一些示例实施例。
图2示出了根据本公开的一些实施例的示例200的示意图。示例200可以被实现在数据管理平台110处。下面参考图1描述示例200。
在示例200中，数据管理平台110可以接收数据发布210以及与数据发布210相关联的发布目标220。例如，数据管理平台110可以接收用户(例如，数据发布者)输入，并基于用户输入确定数据发布210和发布目标220。用户输入可以为任意适当类型的用户输入，例如语音、文本等。
数据发布210可以指示对哪些数据项或者对哪些类型的数据项进 行发布，以及将数据项发布到哪个或哪些平台。发布目标220可以对应于图1中的发布目标102。数据项可以包括用于推荐目标对象的媒体项，其可以为任意适当类型的媒体项。目标对象包括虚拟物品(例如应用、音乐、电影等)以及真实物品。
发布目标220可以描述通过数据发布(也即对数据项进行发布)而期望获得的发布结果。以数据项为用于推荐某个应用的数据项为例，发布结果例如可以为有M个用户下载了该应用。在一些实施例中，发布目标220还可以包括使得与目标对象相关联的事件的出现率满足预定阈值。事件例如可以包括与目标对象相关联的下载事件、注册事件、访问事件、转化事件等等。例如，以目标对象为应用为例，与目标对象相关联的下载事件例如可以为用户下载了应用，与目标对象相关联的注册事件例如可以为用户注册了应用。以目标对象为物品为例，与目标对象相关联的访问事件例如可以为用户查看了物品的详情页面，与目标对象相关联的转化事件例如可以为用户加购了物品或者用户购买了物品。
依旧以数据项为用于推荐某个应用的数据项为例，可以理解，并不是每个浏览到被发布的数据项的用户都会下载应用，因此，下载事件的出现率可以为通过浏览该数据项而真实下载了应用的用户的数目和浏览到数据项的全部用户的比值，发布目标220例如可以包括与该应用的下载事件的出现率大于预定阈值。以此方式，可以以多种方式来衡量发布目标，从而满足数据发布者的多方面需求。
数据管理平台110可以确定用于实现发布目标220所需发布的多个数据项的发布数量230。数据管理平台110例如可以基于历史数据发布的历史发布目标和历史发布数量，来确定发布目标和发布数据之间的关系函数。这个关系函数可以为任意适当的函数，例如，其可以为幂函数。数据管理平台110例如可以基于发布目标和发布数据之间的关系函数和发布目标220，来确定发布数量230。
参考图3，图3示出了根据本公开的一些实施例的数据的发布数量和效果的示例关系300的示意图。在图3中，三角形可以表示真实 发布的数据项的数目，圆形可以表示发布的大量数据项中的有效数据项的数目。有效数据项例如可以包括存在相应事件的数据项。以数据项用于推荐某一应用为例，若存在用户经由某一数据项对该应用进行下载，则该数据项为有效的数据项。数据管理平台110可以确定有效的数据项的有效数据项数目和发布目标之间的关系函数(也即图中曲线310)。数据管理平台110可以基于这个关系函数确定发布目标220对应的有效数据项数目，有效数据项数目也即发布数量230。这可以避免发布大量数据项所导致的资源浪费。
数据管理平台110可以基于已经发布的第一组数据项240的发布状态250，确定第一组数据项240的第一组生命周期260。第一组生命周期260中的第一生命周期指示第一组数据项240中的第一数据项对于发布目标220产生的影响。第一组数据项240可以包括多个第一数据项，每个第一数据项可以对应于不同的第一生命周期。第一生命周期例如可以包括上线-发展-衰退-无影响这四个阶段。针对每个第一数据项，数据管理平台110例如可以基于该第一数据项对应的发布状态来确定其对应的第一生命周期(也即确定该第一数据项处于上线、发展、衰退、无影响中的哪个阶段)。
在一些实施例中，数据管理平台110可以分别获取第一组数据项被发布的第一组时间点，并基于第一组时间点，根据机器学习模型确定第一组数据项的第一组生命周期。第一组数据项可以为当前被发布的全部数据项，第一组数据项中的多个第一数据项对应的第一组时间点可以为相同的时间点(也即第一组数据项被同时发布)，也可以为不同的时间点(也即第一组数据项在多个时间点分批次发布)。
这个机器学习模型可以是任意适当的用于确定数据项的生命周期的机器学习模型，其例如可以包括但不限于transformer、全卷积网络(FCN)、卷积神经网络(CNN)、循环神经网络(RNN)等等，本公开的实施例在此方面不受限制。在一些实施例中，机器学习模型例如可以为时间序列模型。
关于这个机器学习模型的训练方式，在一些实施例中，数据管理 平台110可以获取与参考数据发布相关联的参考数据项，参考数据项被发布以实现参考发布目标。数据管理平台110可以基于参考数据项被发布的参考时间点，以及参考数据项在参考时间点之后产生的参考发布结果，确定参考数据项的参考生命周期。数据管理平台110进而可以基于参考时间点和参考生命周期，更新机器学习模型。这里的参考数据项例如可以为历史被发布的数据项。数据管理平台110可以利用历史被发布的数据项对应的时间点和发布结果，来更新机器学习模型。以此方式，可以使得机器学习模型获取历史数据中的各种知识，从而以更为准确并且有效的方式确定被发布的数据项的生命周期。
参考图4，图4示出了根据本公开的一些实施例的数据的发布效果和时间的示例关系400的示意图。这里的发布效果也即数据项对于发布目标产生的影响。机器学习模型例如可以基于参考数据项对应的参考时间点、参考发布结果来确定并更新发布效果和时间之间的关系函数(例如图中所示曲线410)。进一步地，在应用阶段，机器学习模型可以基于第一组数据项的发布状态和确定的发布效果和时间之间的关系函数，确定第一组数据项的第一组生命周期。
数据管理平台110可以基于发布数量230、第一组数据项240的第一数量以及第一组生命周期260，确定将被发布的第二组数据项的第二数量(其也可以被简称为待发布数量270)。在一些实施例中，为保证发布的数据项可以在一定时间段内对发布目标产生稳定影响，可以分批次发布数据项。例如，若期望发布的数据项可以在一个月内对发布目标产生稳定影响，可以每10天发布一次数据项，共发布3次。每批次的数据项可以均对应于与发布目标相对应的发布数量。
在一些实施例中，每批次数据项对应的发布目标也可以不同。例如，若发布目标对应的发布数量为X，则每批次的数据项的数量可以为[X-Δ，X+Δ]，Δ可以为任意适当数值，例如可以为X的10％(或者其他比例)。由此，可以保证发布数量在一定范围内变化，保证发布结果。每批次的当前活跃的数据项可以包括先前发布的数据项中仍在对发布目标产生影响的数据项和该批次新发布的数据项。
例如，以发布目标对应的发布数量为100为例，若第一组数据项的第一数量为100，且第一组数据项中对应生命周期为无影响的数据项为40个，数据管理平台110可以确定待发布的数据项的数量为100-40＝60个。若第一组数据项的第一数量为50，且第一组数据项中对应生命周期为无影响的数据项为20个，为保证当前批次的数据项的发布目标，数据管理平台110可以确第一组数据项中仍对发布目标产生影响的数据项的数目为50-20＝30，进而确定待发布的数据项的数量为100-30＝70个。备选地和/或附加地，可以在多个批次中逐步发布数据项，进而在预定时间段内实现发布目标。
在一些实施例中，数据管理平台110可以分别从多个平台获取待发布的数据项。例如，数据管理平台110可以从第一数据源和第二数据源获取满足第二数量的第二组数据项，并发布第二组数据项以使得发布目标被实现。具体地，数据管理平台110可以确定由第一数据源提供的第一多个参考数据项的第一质量分布以及由第二数据源提供的第二多个参考数据项的第二质量分布。换言之，可以按照各个数据源所提供的数据项的质量优劣，来从提供优质数据项的数据源选择更多数据项，并且从提供一般质量数据项的数据源选择更少数据项。
关于确定第一质量分布的具体方式，在一些实施例中，数据管理平台110可以分别获取第一多个参考数据项(例如历史从第一数据源获取的多个数据项)的第一多个质量评价。数据管理平台110可以基于第一多个参考数据项中的至少一部分参考数据项与第一多个参考数据项之间的比例，确定第一质量分布，至少一部分参考数据项的质量评价高于阈值评价。
这里的第一多个质量评价中的每个质量评价例如可以是基于与相应的数据项对应的目标对象相关联的事件的出现率来确定的。例如，若某个数据项为针对物品的数据项，则该数据项的质量评价可以是基于该数据项对应的物品的转化事件的出现率(也即，转化率)来确定的，出现率越高，对应的质量评价越高。
类似地，数据管理平台110可以分别获取第二多个参考数据项(例 如历史从第二数据源获取的多个数据项)的第二多个质量评价，并基于第二多个参考数据项中的至少一部分参考数据项与第二多个参考数据项之间的比例，确定第二质量分布，至少一部分参考数据项的质量评价高于阈值评价。以此方式，可以基于数据项质量分布来确定数据源的质量，以便从高质量的数据源获取更多的数据项。
数据管理平台110可以基于第一质量分布和第二质量分布，确定分别从第一数据源获取的数据项的数量和从第二数据源获取的数据项的数量之间的比例，并根据比例，分别从第一数据源获取的第一多个数据项并且从第二数据源获取的第二多个数据项。这里的第一多个数据项与第二多个数据项之和例如可以满足第二数量(也即满足待发布数量270)。以待发布数量为60为例，第一多个数据项与第二多个数据项之和例如可以为60。备选地或者附加地，在一些实施例中，第一多个数据项与第二多个数据项之和例如可以为[60-Δ,60+Δ]，Δ例如可以为6。可以理解，若包括多个数据源，则数据管理平台110从多个数据源获取的多个数据项之和满足第二数量。
参考图5，图5示出了根据本公开的一些实施例的获取数据项的示例500的示意图。示例500包括A、B、C三个数据源，数据管理平台110可以从每个数据源获取10个参考数据项，可以将每个数据源对应的10个参考数据项按照质量评价从高到低进行排序。以数据源A为例，数据管理平台110从数据源A获取的10个参考数据项对应的10个质量评价可以分别为10、9、8、7、2、1、1、1、1、0。若阈值评价为2，则数据源A对应的前5个参考数据项满足(例如，大于或者等于)阈值评价。
类似地，数据源B对应的前9个参考数据项满足阈值评价，数据源C对应的前7个参考数据项满足阈值评价。因此，数据源A、B、C中满足阈值评价的参考数据项的数目分别为5、9、7。数据管理平台110进而可以基于数据源A、B、C中满足阈值评价的参考数据项的数目，确定从这三个数据源获取数据项的比例为24％：43％：33％。若第二数量为100，则数据管理平台110可以从数据源A获取24个 数据项，从数据源B获取43个数据项，从数据源C获取33个数据项。由此，可以保证从对应质量评价高的数据源中获取多的数据项，从对应质量评价低的数据源中获取少的数据项，提高获取的数据项的质量。
关于发布第二组数据项的具体方式，在一些实施例中，数据管理平台110可以直接发布第二组数据项。例如，若待发布数量270为60，则第二组数据项可以包括60个数据项，数据管理平台110可以直接发布这60个数据项。备选地或者附加地，在一些实施例中，数据管理平台110还可以响应于确定第一数据项的第一生命周期指示第一数据项对于发布目标产生的影响低于预定阈值影响，利用第二组数据项中的第二数据项替换第一数据项。例如，若第一数据项对应的生命周期为无影响，则数据管理平台110可以直接用第二数据项替换这个第一数据项。以此方式，可以去除不在产生影响的非活跃数据项，从而降低该非活跃数据项导致的存储和计算消耗等。
在一些实施例中，第二组数据项的第二数量和第一质量分布中的至少任一项按照预定时间间隔被确定。也即数据管理平台110可以周期性的来确定待发布数量270，并周期性地确定从多个数据源中的各个数据源获取数据项的比例。这里的周期可以是预先定义好的，例如一天、三天、一周、十天等等。以周期为一天为例，数据管理平台110可以每天确定一次待发布数量270和/或每天确定一次从各个数据源获取数据项的比例。这可以保证数据管理平台110可以基于数据发布的实时效果来调整数据项的发布，有助于提升数据发布的效果，保证发布质量。
综上所述，根据本公开的实施例，可以基于已发布的数据项的生命周期和确定的待发布数量，确定要被发布的数据项的数量。这有助于灵活调整数据量的发布，降低资源浪费，提高数据发布效果。
图6示出了根据本公开的一些实施例的用于管理数据发布的过程600的流程图。过程600可以被实现在数据管理平台110处。下面参考图1描述过程600。
在框610，数据管理平台110接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果。
在框620，数据管理平台110确定用于实现发布目标所需发布的多个数据项的发布数量。
在框630，数据管理平台110基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响。
在框640，数据管理平台110基于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
在一些实施例中，确定第一组生命周期包括：分别获取第一组数据项被发布的第一组时间点；以及基于第一组时间点，根据机器学习模型确定第一组数据项的第一组生命周期。
在一些实施例中，机器学习模型是基于以下来获取的：获取与参考数据发布相关联的参考数据项，参考数据项被发布以实现参考发布目标；基于参考数据项被发布的参考时间点，以及参考数据项在参考时间点之后产生的参考发布结果，确定参考数据项的参考生命周期；以及基于参考时间点和参考生命周期，更新机器学习模型。
在一些实施例中，过程600进一步包括：从第一数据源和第二数据源获取满足第二数量的第二组数据项；以及发布第二组数据项以使得发布目标被实现。
在一些实施例中，获取第二组数据项包括：确定由第一数据源提供的第一多个参考数据项的第一质量分布以及由第二数据源提供的第二多个参考数据项的第二质量分布；基于第一质量分布和第二质量分布，确定分别从第一数据源获取的数据项的数量和从第二数据源获取的数据项的数量之间的比例；以及根据比例，分别从第一数据源获取的第一多个数据项并且从第二数据源获取的第二多个数据项。
在一些实施例中，确定第一质量分布包括：分别获取第一多个参 考数据项的第一多个质量评价；以及基于第一多个参考数据项中的至少一部分参考数据项与第一多个参考数据项之间的比例，确定第一质量分布，至少一部分参考数据项的质量评价高于阈值评价。
在一些实施例中，第一多个数据项与第二多个数据项之和满足第二数量。
在一些实施例中，发布第二组数据项进一步包括：响应于确定第一数据项的第一生命周期指示第一数据项对于发布目标产生的影响低于预定阈值影响，利用第二组数据项中的第二数据项替换第一数据项。
在一些实施例中，第二组数据项的第二数量和第一质量分布中的至少任一项按照预定时间间隔被确定。
在一些实施例中，数据项包括用于推荐目标对象的媒体项，目标对象包括虚拟物品以及真实物品，并且发布目标包括使得与目标对象相关联的事件的出现率满足预定阈值。
在一些实施例中，事件包括以下至少任一项：与目标对象相关联的下载事件、注册事件、访问事件以及转化事件。
根据本公开的一些实施例，还提供了一种用于管理数据发布的装置。图7示出了根据本公开的一些实施例的用于管理数据发布的装置700的框图。装置700可以被实现为或者被包括在数据管理平台110中。装置700中的各个模块/组件可以由硬件、软件、固件或者它们的任意组合来实现。
如图7所示，装置700包括发布目标接收模块710，被配置为接收与数据发布相关联的发布目标，发布目标描述通过数据发布而期望获得的发布结果。装置700还包括发布数量确定模块720，被配置为确定用于实现发布目标所需发布的多个数据项的发布数量。装置700还包括生命周期确定模块730，被配置为基于已经发布的第一组数据项的发布状态，确定第一组数据项的第一组生命周期，第一组生命周期中的第一生命周期指示第一组数据项中的第一数据项对于发布目标产生的影响。装置700还包括第二数量确定模块740，被配置为基 于发布数量、第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
在一些实施例中，生命周期确定模块730包括：时间点获取模块，被配置为分别获取第一组数据项被发布的第一组时间点；以及第一周期确定模块，被配置为基于第一组时间点，根据机器学习模型确定第一组数据项的第一组生命周期。
在一些实施例中，机器学习模型是基于以下来获取的：获取与参考数据发布相关联的参考数据项，参考数据项被发布以实现参考发布目标；基于参考数据项被发布的参考时间点，以及参考数据项在参考时间点之后产生的参考发布结果，确定参考数据项的参考生命周期；以及基于参考时间点和参考生命周期，更新机器学习模型。
在一些实施例中，装置700进一步包括：数据项获取模块，被配置为从第一数据源和第二数据源获取满足第二数量的第二组数据项；以及数据项发布模块，被配置为发布第二组数据项以使得发布目标被实现。
在一些实施例中，数据项获取模块包括：分布确定模块，被配置为确定由第一数据源提供的第一多个参考数据项的第一质量分布以及由第二数据源提供的第二多个参考数据项的第二质量分布；比例确定模块，被配置为基于第一质量分布和第二质量分布，确定分别从第一数据源获取的数据项的数量和从第二数据源获取的数据项的数量之间的比例；以及第一数据项获取模块，被配置为根据比例，分别从第一数据源获取的第一多个数据项并且从第二数据源获取的第二多个数据项。
在一些实施例中，分布确定模块包括：评价获取模块，被配置为分别获取第一多个参考数据项的第一多个质量评价；以及质量分布确定模块，被配置为基于第一多个参考数据项中的至少一部分参考数据项与第一多个参考数据项之间的比例，确定第一质量分布，至少一部分参考数据项的质量评价高于阈值评价。
在一些实施例中，第一多个数据项与第二多个数据项之和满足第 二数量。
在一些实施例中，数据项发布模块进一步包括：数据项替换模块，被配置为响应于确定第一数据项的第一生命周期指示第一数据项对于发布目标产生的影响低于预定阈值影响，利用第二组数据项中的第二数据项替换第一数据项。
在一些实施例中，第二组数据项的第二数量和第一质量分布中的至少任一项按照预定时间间隔被确定。
在一些实施例中，数据项包括用于推荐目标对象的媒体项，目标对象包括虚拟物品以及真实物品，并且发布目标包括使得与目标对象相关联的事件的出现率满足预定阈值。
在一些实施例中，事件包括以下至少任一项：与目标对象相关联的下载事件、注册事件、访问事件以及转化事件。
装置700中所包括的单元和/或模块可以利用各种方式来实现，包括软件、硬件、固件或其任意组合。在一些实施例中，一个或多个单元和/或模块可以使用软件和/或固件来实现，例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代，装置700中的部分或者全部单元和/或模块可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制，可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)，等等。
应当理解，以上方法中的一个或多个步骤可以由适当的电子设备或电子设备的组合来执行。这样的电子设备或电子设备的组合例如可以包括图1中的数据管理平台110。
图8示出了其中可以实施本公开的一个或多个实施例的电子设备800的框图。应当理解，图8所示出的电子设备800仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。图8所示出的电子设备800可以用于实现图1的数据管理平台110，和/或，图7的装置700。
如图8所示，电子设备800是通用计算设备的形式。电子设备800的组件可以包括但不限于一个或多个处理器或处理单元810、存储器820、存储设备830、一个或多个通信单元840、一个或多个输入设备850以及一个或多个输出设备860。处理单元810可以是实际或虚拟处理器并且能够根据存储器820中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高电子设备800的并行处理能力。
电子设备800通常包括多个计算机存储介质。这样的介质可以是电子设备800可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器820可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如，只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储设备830可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据并且可以在电子设备800内被访问。
电子设备800可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图8中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器820可以包括计算机程序产品825，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实现方式的各种方法或动作。
通信单元840实现通过通信介质与其他计算设备进行通信。附加地，电子设备800的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，电子设备800可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个网络节点的逻辑连接来在联网环境中进行操作。
输入设备850可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备860可以是一个或多个输出设备，例如显示器、扬声器、打印机等。电子设备800还可以根据需要通过通信单元840与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与电子设备800交互的设备进行通信，或者与使得电子设备800与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。
根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中计算机可执行指令被处理器执行以实现上文描述的方法。根据本公开的示例性实现方式，还提供了一种计算机程序产品，计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括计算机可执行指令，而计算机可执行指令被处理器执行以实现上文描述的方法。
这里参照根据本公开实现的方法、装置、设备和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其 他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各个实现方式。

Claims (15)

  1. 一种用于管理数据发布的方法，包括：
    接收与所述数据发布相关联的发布目标，所述发布目标描述通过数据发布而期望获得的发布结果；
    确定用于实现所述发布目标所需发布的多个数据项的发布数量；
    基于已经发布的第一组数据项的发布状态，确定所述第一组数据项的第一组生命周期，所述第一组生命周期中的第一生命周期指示所述第一组数据项中的第一数据项对于所述发布目标产生的影响；以及
    基于所述发布数量、所述第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
  2. 根据权利要求1所述的方法，其中确定所述第一组生命周期包括：
    分别获取所述第一组数据项被发布的第一组时间点；以及
    基于所述第一组时间点，根据机器学习模型确定所述第一组数据项的所述第一组生命周期。
  3. 根据权利要求2所述的方法，其中所述机器学习模型是基于以下来获取的：
    获取与参考数据发布相关联的参考数据项，所述参考数据项被发布以实现参考发布目标；
    基于所述参考数据项被发布的参考时间点，以及所述参考数据项在所述参考时间点之后产生的参考发布结果，确定所述参考数据项的参考生命周期；以及
    基于所述参考时间点和所述参考生命周期，更新所述机器学习模型。
  4. 根据权利要求1所述的方法，进一步包括：
    从第一数据源和第二数据源获取满足所述第二数量的所述第二组数据项；以及
    发布所述第二组数据项以使得所述发布目标被实现。
  5. 根据权利要求4所述的方法，其中获取所述第二组数据项包括：
    确定由所述第一数据源提供的第一多个参考数据项的第一质量分布以及由所述第二数据源提供的第二多个参考数据项的第二质量分布；
    基于所述第一质量分布和所述第二质量分布，确定分别从所述第一数据源获取的数据项的数量和从所述第二数据源获取的数据项的数量之间的比例；以及
    根据所述比例，分别从所述第一数据源获取的第一多个数据项并且从所述第二数据源获取的第二多个数据项。
  6. 根据权利要求5所述的方法，其中确定所述第一质量分布包括：
    分别获取所述第一多个参考数据项的第一多个质量评价；以及
    基于所述第一多个参考数据项中的至少一部分参考数据项与所述第一多个参考数据项之间的比例，确定所述第一质量分布，所述至少一部分参考数据项的质量评价高于阈值评价。
  7. 根据权利要求5所述的方法，其中所述第一多个数据项与所述第二多个数据项之和满足所述第二数量。
  8. 根据权利要求4所述的方法，其中发布所述第二组数据项进一步包括：响应于确定所述第一数据项的所述第一生命周期指示所述第一数据项对于所述发布目标产生的影响低于预定阈值影响，利用所述第二组数据项中的第二数据项替换所述第一数据项。
  9. 根据权利要求6所述的方法，其中第二组数据项的第二数量和所述第一质量分布中的至少任一项按照预定时间间隔被确定。
  10. 根据权利要求1所述的方法，其中所述数据项包括用于推荐目标对象的媒体项，所述目标对象包括虚拟物品以及真实物品，并且所述发布目标包括使得与所述目标对象相关联的事件的出现率满足预定阈值。
  11. 根据权利要求10所述的方法，所述事件包括以下至少任一 项：与所述目标对象相关联的下载事件、注册事件、访问事件以及转化事件。
  12. 一种用于管理数据发布的装置，包括：
    发布目标接收模块，被配置为接收与所述数据发布相关联的发布目标，所述发布目标描述通过数据发布而期望获得的发布结果；
    发布数量确定模块，被配置为确定用于实现所述发布目标所需发布的多个数据项的发布数量；
    生命周期确定模块，被配置为基于已经发布的第一组数据项的发布状态，确定所述第一组数据项的第一组生命周期，所述第一组生命周期中的第一生命周期指示所述第一组数据项中的第一数据项对于所述发布目标产生的影响；以及
    第二数量确定模块，被配置为基于所述发布数量、所述第一组数据项的第一数量以及第一组生命周期，确定将被发布的第二组数据项的第二数量。
  13. 一种电子设备，包括：
    至少一个处理单元；以及
    至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令在由所述至少一个处理单元执行时使所述电子设备执行根据权利要求1至11中任一项所述的方法。
  14. 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序可由处理器执行以实现根据权利要求1至11中任一项所述的方法。
  15. 一种计算机程序产品，包括计算机程序，其中所述计算机程序在被处理器执行时实现根据权利要求1至11中任一项所述的方法。
PCT/CN2024/099423 2024-06-14 2024-06-14 用于管理数据发布的方法、装置、设备和存储介质 Pending WO2025255844A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2024/099423 WO2025255844A1 (zh) 2024-06-14 2024-06-14 用于管理数据发布的方法、装置、设备和存储介质
US19/241,679 US20250384103A1 (en) 2024-06-14 2025-06-18 Method, apparatus, device and storage medium for managing data publishing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/099423 WO2025255844A1 (zh) 2024-06-14 2024-06-14 用于管理数据发布的方法、装置、设备和存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/241,679 Continuation US20250384103A1 (en) 2024-06-14 2025-06-18 Method, apparatus, device and storage medium for managing data publishing

Publications (1)

Publication Number Publication Date
WO2025255844A1 true WO2025255844A1 (zh) 2025-12-18

Family

ID=98013387

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/099423 Pending WO2025255844A1 (zh) 2024-06-14 2024-06-14 用于管理数据发布的方法、装置、设备和存储介质

Country Status (2)

Country Link
US (1) US20250384103A1 (zh)
WO (1) WO2025255844A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131059A (zh) * 2022-06-02 2022-09-30 腾讯科技（北京）有限公司 多媒体资源的发布方法、装置、计算机设备及存储介质
CN115422467A (zh) * 2022-09-30 2022-12-02 北京有竹居网络技术有限公司 用于转化评估的方法、装置、设备和存储介质
CN116645151A (zh) * 2023-05-05 2023-08-25 抖音视界有限公司 数据投放方法、装置、设备和介质
WO2024005712A1 (zh) * 2022-06-27 2024-01-04 脸萌有限公司 用于回报评估的方法、装置、设备和存储介质
CN118170481A (zh) * 2024-03-12 2024-06-11 北京字跳网络技术有限公司 信息呈现方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131059A (zh) * 2022-06-02 2022-09-30 腾讯科技（北京）有限公司 多媒体资源的发布方法、装置、计算机设备及存储介质
WO2024005712A1 (zh) * 2022-06-27 2024-01-04 脸萌有限公司 用于回报评估的方法、装置、设备和存储介质
CN115422467A (zh) * 2022-09-30 2022-12-02 北京有竹居网络技术有限公司 用于转化评估的方法、装置、设备和存储介质
CN116645151A (zh) * 2023-05-05 2023-08-25 抖音视界有限公司 数据投放方法、装置、设备和介质
CN118170481A (zh) * 2024-03-12 2024-06-11 北京字跳网络技术有限公司 信息呈现方法、装置、设备和存储介质

Also Published As

Publication number Publication date
US20250384103A1 (en) 2025-12-18

Similar Documents

Publication Publication Date Title
CN111401940B (zh) 特征预测方法、装置、电子设备及存储介质
WO2019204898A1 (en) Workload scheduling in a distributed computing environment based on an applied computational value
Patilea et al. Testing second-order dynamics for autoregressive processes in presence of time-varying variance
JP2019503014A (ja) ユーザ挙動データの処理方法及び装置
US20250371257A1 (en) Method, device, medium and program product for information interaction
Luedtke et al. Parametric-rate inference for one-sided differentiable parameters
US10580090B2 (en) Batch-computed activity stream updates
WO2024234969A1 (zh) 用于评估数据投放的方法、装置、设备和存储介质
US20240119471A1 (en) Method, apparatus, device, and storage medium for conversion evaluation
CN116034354A (zh) 用于自动化干预的系统和方法
WO2025255844A1 (zh) 用于管理数据发布的方法、装置、设备和存储介质
CN110990256A (zh) 开源代码检测方法、装置及计算机可读存储介质
CN111861525A (zh) 任务执行方法、装置、电子设备及计算机可读存储介质
US20250307760A1 (en) Automating options clause management using inference models
US20250384461A1 (en) Method and apparatus for return evaluation, device and storage medium
US20250004908A1 (en) Managing integration of new data for data pipelines
WO2024140229A1 (zh) 用于特征学习的方法、装置、设备和存储介质
US20250307851A1 (en) A method of managing contracts with suppliers of products
CN108510299B (zh) 确定多媒体资源投放策略的方法及装置
US20250005393A1 (en) Ensuring compliance of data for use in a data pipeline with limitations on data collection
US20230297899A1 (en) Optimal Time-to-Event Modeling for Longitudinal Prediction fo Open Entitles
CN112131297A (zh) 数据处理方法、装置、设备及存储介质
US20250390540A1 (en) Method, apparatus, device and storage medium for providing content in application
CN114491305B (zh) 内容推荐方法及其装置、存储介质
US20250373897A1 (en) Method, apparatus, device and medium for information interaction

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24943007

Country of ref document: EP

Kind code of ref document: A1