一种预测用户频次的方法及装置制造方法及图纸

本发明专利技术提供了一种预测用户频次的方法及装置，该方法，包括：设置至少一个用户类别，设置所述用户类别与用户频次的对应关系；设置每个所述用户类别对应的目标预测模型；获取目标用户的特征数据；根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别；根据所述对应关系，确定所述目标用户类别对应的用户频次；将所述目标用户类别对应的用户频次作为所述目标用户的用户频次。本发明专利技术提供了一种预测用户频次的方法及装置，能够预测用户频次。

Method and device for predicting user frequency

The present invention provides a method and device for predicting user frequency of the method, including: setting at least one user categories, setting corresponding relation between the user and the user category frequency; the user set for each category corresponds to the target prediction model; feature data acquisition target user; according to the characteristics of data and each of the the target users of the target prediction model, predict the target user categories the target user belongs; according to the corresponding relations, determine the target user category corresponds to the frequency of the user; the target user categories as the target user of user frequency frequency. The invention provides a method and a device for predicting the frequency of users, which can predict the frequency of users.

【技术实现步骤摘要】
一种预测用户频次的方法及装置
本专利技术涉及网络
，特别涉及一种预测用户频次的方法及装置。
技术介绍
随着互联网占据了人们日常生活越来越多的比重，互联网广告也得到了飞速的发展。如果从广告的目的作为区分标准，互联网广告可以分为：品牌广告和效果广告。效果广告主要目的是促进消费行为，评价指标通常为CPA(CostPerAction，每次行动成本)指标：点击、下载、注册、电话、在线咨询，或者购买等；品牌广告主要目的是建立品牌知名度，提升品牌影响力，评价指标通常为：TA(TargetAudiences，目标受众)和N+UV(userview，用户频次)，用户频次主要是指用户在一定时间内的使用次数。例如：用户在一天内使用优酷播放器播放视频的次数，用户在一周内浏览目标网站的次数等。如果能够预测出一段时间中的用户频次，可以根据预测出的用户频次，对用户流量进行最佳分配，进行广告投放，能够大大提高用户流量的收益。现有技术无法预测用户频次。
技术实现思路
本专利技术实施例提供了一种预测用户频次的方法及装置，能够预测用户频次。一方面，本专利技术实施例提供了一种预测用户频次的方法，包括：设置至少一个用户类别，设置所述用户类别与用户频次的对应关系；设置每个所述用户类别对应的目标预测模型；包括：获取目标用户的特征数据；根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别；根据所述对应关系，确定所述目标用户类别对应的用户频次；将所述目标用户类别对应的用户频次作为所述目标用户的用户频次。进一步地，所述设置每个用户类别对应的目标预测模型，包括：设置每个所述用户类别对应的初始预测模型；获取样本用户的特征数据和用户频次；根据每个所述样本用户的用户频次和所述对应关系，确定每个所述样本用户所属的用户类别；根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，对每个所述初始预测模型进行训练，获取每个所述用户类别对应的目标预测模型。进一步地，所述设置每个所述用户类别对应的初始预测模型，包括：设置每个所述用户类别对应的初始预测函数，其中，当前用户类别对应的所述初始预测函数为：其中，θTx＝θ0+θ1x1+,...,+θixi+,...,+θnxn，θi为第i个特征权重，x为当前样本用户的特征数据向量，x＝(x1,x2,...,xj,...,xn)，xj为所述当前样本用户的第j个特征数据；h(x)为所述当前样本用户属于所述当前用户类别的概率，在所述当前样本用户属于所述当前用户类别时，h(x)为1；在所述当前样本用户不属于所述当前用户类别时，h(x)为0；所述根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，对每个所述初始预测模型进行训练，获取每个所述用户类别对应的目标预测模型，包括：根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定每个所述初始预测函数中的每个特征权重；根据每个所述用户类别对应的所述初始预测函数中的每个特征权重，确定每个所述用户类别对应的目标预测函数，其中，当前用户类别对应的目标预测函数为：其中，θTy＝θ0+θ1y1+,...,+θiyi+,...,+θnyn，θi为所述当前用户类别对应的初始预测函数中的第i个特征权重，y为所述目标用户的特征数据向量，y＝(y1,y2,...,yj,...,yn)，yj为所述目标用户的第i个特征数据，H(y)为所述目标用户属于所述当前用户类别的概率；所述根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别，包括：根据所述目标用户的特征数据和每个所述目标预测函数，确定每个所述目标预测函数对应的预测概率；将各个所述预测概率中最大的目标预测概率对应的用户类别作为所述目标用户类别。进一步地，所述根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定每个所述初始预测函数中的每个特征权重，包括：根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定在当前初始预测函数的权重确定参数取最大值时的所述当前初始预测函数的每个特征权重，其中，其中，l(θ)为所述当前初始预测函数的权重确定参数，m为所述样本用户的数量，x(k)为第k个样本用户的特征数据向量，当所述第k个样本用户属于所述当前初始预测函数对应的用户类别时，z(k)＝1，当所述第k个样本用户不属于所述当前初始预测函数对应的用户类别时，z(k)＝0。进一步地，所述特征数据，包括：用户cookie、访问时间、访问次数、属性标签、登录时间分布、访问间隔分布、访问时间的均值、访问时间的方差、访问次数的均值、访问次数的方差中的一个或多个。进一步地，在所述将所述目标用户类别对应的用户频次作为所述目标用户的用户频次之后，进一步包括：根据所述目标用户的用户频次、至少一个广告主的控频要求和预设原则，针对所述目标用户投放所述至少一个广告主的广告，其中，所述预设原则包括：满足最多的广告主的控频要求，所述广告主的控频要求包括：所述广告主的广告最少被所述目标用户浏览预设值次。另一方面，本专利技术实施例提供了一种预测用户频次的装置，包括：第一设置单元，用于设置至少一个用户类别，设置所述用户类别与用户频次的对应关系第二设置单元，用于设置每个所述用户类别对应的目标预测模型；目标获取单元，用于获取目标用户的特征数据；预测单元，用于根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别；频次确定单元，用于根据所述对应关系，确定所述目标用户类别对应的用户频次，将所述目标用户类别对应的用户频次作为所述目标用户的用户频次。进一步地，所述第二设置单元，包括：设置子单元，用于设置每个所述用户类别对应的初始预测模型；样本获取子单元，用于获取样本用户的特征数据和用户频次；样本类别确定子单元，用于根据每个所述样本用户的用户频次和所述对应关系，确定每个所述样本用户所属的用户类别；训练子单元，用于根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，对每个所述初始预测模型进行训练，获取每个所述用户类别对应的目标预测模型。进一步地，所述设置子单元，用于设置每个所述用户类别对应的初始预测函数，其中，当前用户类别对应的所述初始预测函数为：其中，θTx＝θ0+θ1x1+,...,+θixi+,...,+θnxn，θi为第i个特征权重，x为当前样本用户的特征数据向量，x＝(x1,x2,...,xj,...,xn)，xj为所述当前样本用户的第j个特征数据；h(x)为所述当前样本用户属于所述当前用户类别的概率，在所述当前样本用户属于所述当前用户类别时，h(x)为1；在所述当前样本用户不属于所述当前用户类别时，h(x)为0；所述训练子单元，用于根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定每个所述初始预测函数中的每个特征权重；根据每个所述用户类别对应的所述初始预测函数中的每个特征权重，确定每个所述用户类别对应的目标预测函数，其中，当前用户类别对应的目标预测函数为：其中，θTy＝θ0+θ1y1+,...,+θiyi+,...,+θnyn，θi为所述当前用户类别对应的初始预测函数中的第i个特征权重，y为所述目标用户的特征数据向量，y＝(y1,y2本文档来自技高网...

【技术保护点】
一种预测用户频次的方法，其特征在于，设置至少一个用户类别，设置所述用户类别与用户频次的对应关系；设置每个所述用户类别对应的目标预测模型；包括：获取目标用户的特征数据；根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别；根据所述对应关系，确定所述目标用户类别对应的用户频次；将所述目标用户类别对应的用户频次作为所述目标用户的用户频次。

【技术特征摘要】
1.一种预测用户频次的方法，其特征在于，设置至少一个用户类别，设置所述用户类别与用户频次的对应关系；设置每个所述用户类别对应的目标预测模型；包括：获取目标用户的特征数据；根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别；根据所述对应关系，确定所述目标用户类别对应的用户频次；将所述目标用户类别对应的用户频次作为所述目标用户的用户频次。2.根据权利要求1所述的方法，其特征在于，所述设置每个用户类别对应的目标预测模型，包括：设置每个所述用户类别对应的初始预测模型；获取样本用户的特征数据和用户频次；根据每个所述样本用户的用户频次和所述对应关系，确定每个所述样本用户所属的用户类别；根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，对每个所述初始预测模型进行训练，获取每个所述用户类别对应的目标预测模型。3.根据权利要求2所述的方法，其特征在于，所述设置每个所述用户类别对应的初始预测模型，包括：设置每个所述用户类别对应的初始预测函数，其中，当前用户类别对应的所述初始预测函数为：其中，θTx＝θ0+θ1x1+,...,+θixi+,...,+θnxn，θi为第i个特征权重，x为当前样本用户的特征数据向量，x＝(x1,x2,...,xj,...,xn)，xj为所述当前样本用户的第j个特征数据；h(x)为所述当前样本用户属于所述当前用户类别的概率，在所述当前样本用户属于所述当前用户类别时，h(x)为1；在所述当前样本用户不属于所述当前用户类别时，h(x)为0；所述根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，对每个所述初始预测模型进行训练，获取每个所述用户类别对应的目标预测模型，包括：根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定每个所述初始预测函数中的每个特征权重；根据每个所述用户类别对应的所述初始预测函数中的每个特征权重，确定每个所述用户类别对应的目标预测函数，其中，当前用户类别对应的目标预测函数为：其中，θTy＝θ0+θ1y1+,...,+θiyi+,...,+θnyn，θi为所述当前用户类别对应的初始预测函数中的第i个特征权重，y为所述目标用户的特征数据向量，y＝(y1,y2,...,yj,...,yn)，yj为所述目标用户的第i个特征数据，H(y)为所述目标用户属于所述当前用户类别的概率；所述根据所述目标用户的特征数据和每个所述目标预测模型，预测所述目标用户所属的目标用户类别，包括：根据所述目标用户的特征数据和每个所述目标预测函数，确定每个所述目标预测函数对应的预测概率；将各个所述预测概率中最大的目标预测概率对应的用户类别作为所述目标用户类别。4.根据权利要求3所述的方法，其特征在于，所述根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定每个所述初始预测函数中的每个特征权重，包括：根据各个所述样本用户的特征数据和各个所述样本用户所属的用户类别，确定在当前初始预测函数的权重确定参数取最大值时的所述当前初始预测函数的每个特征权重，其中，其中，l(θ)为所述当前初始预测函数的权重确定参数，m为所述样本用户的数量，x(k)为第k个样本用户的特征数据向量，当所述第k个样本用户属于所述当前初始预测函数对应的用户类别时，z(k)＝1，当所述第k个样本用户不属于所述当前初始预测函数对应的用户类别时，z(k)＝0。5.根据权利要求1-4中任一所述的方法，其特征在于，所述特征数据，包括：用户cookie、访问时间、访问次数、属性标签、登录时间分布、访问间隔分布、访问时间的均值、访问时间的方差、访问次数的均值、访问次数的方差中的一个或多个；和/或，在所述将所述目标用户类别对应的用户频次作为所述目标用户的用户频次之后，进一步包括：根据所述目标用户的用户频次、至少一个广告主的控频要求和预设原则，针对所述目标用户投放所述至少一个广告主的广告，其中，所述预设原则包括：满足最多的广告主的控频要求，所述广告主的...

【专利技术属性】
技术研发人员：尹子杰，
申请(专利权)人：加和北京信息科技有限公司，
类型：发明
国别省市：北京,11