一种信息的投放方法及系统的制作方法
【技术领域】
[0001]本发明属于通信技术领域，尤其涉及一种信息的投放方法及系统。
【背景技术】
[0002]随着互联网技术的发展，各种即时通信和社交应用也如雨后春笋般应运而生。即时通信和社交应用中所涉及的大量用户数据，比如用户的喜好、年龄和需求等等，对于信息的投放，如广告的投放有着极大的意义。
[0003]现有技术方案中，将在特定业务场景下收集到的，对产品、服务具有相同需求和兴趣的人群称之为种子人群，种子人群通常数量不多，一般在十万以下；与种子人群具有相同特征的人群称之为扩展人群，扩展人群的数量通常为种子人群的数倍。一般的，进行广告投放时，先通过种子人群找到扩展人群，其后将扩展人群作为广告投放的目标用户，当有多个种子人群时，会先找到各个种子人群的扩展人群，然后会取各个种子人群的扩展人群的交集作为最终广告投放的目标用户。
[0004]在对现有技术的研究和实践过程中，本发明的发明人发现，由于现有技术中选取了所有种子人群的扩展人群的交集作为广告投放的目标用户，当种子人群较多时，会导致数据计算量较为庞大;并且，种子人群中可能会存在有冗余或可信度低等非优质种子用户，会对目标用户的确定造成影响，导致广告投放效果不佳的问题。
【发明内容】
[0005]本发明的目的在于提供一种信息的投放方法及系统，旨在降低数据计算量，并改善广告投放效果。
[0006]为解决上述技术问题，本发明实施例提供以下技术方案:
[0007]—种信息的投放方法，其中包括:
[0008]获取种子人群，并通过第一预设模型确定所述种子人群的特征权重值向量；
[0009]基于所述特征权重值向量对所述种子人群进行扩展，生成相应的候选种子人群；
[0010]统计所述候选种子人群关于信息投放的历史数据，并根据所述历史数据，确定最优候选种子人群，所述历史数据包括点击率；
[0011]通过第二预设模型确定所述最优候选种子人群的特征权重值向量；
[0012]基于所述最优候选种子人群的特征权重值向量，对所述最优候选种子人群进行扩展，生成目标人群，以向所述目标人群进行信息投放。
[0013]为解决上述技术问题，本发明实施例还提供以下技术方案:
[0014]一种信息的投放系统，其中包括:
[0015]获取单元，用于获取种子人群；
[0016]第一确定单元，用于通过第一预设模型确定种子人群的特征权重值向量；
[0017]扩展单元，用于基于所述特征权重值向量对所述种子人群进行扩展，生成相应的候选种子人群；
[0018]最优人群确定单元，用于统计所述候选种子人群关于信息投放的历史数据，并根据所述历史数据，确定最优候选种子人群，所述历史数据包括点击率；
[0019]第二确定单元，用于通过第二预设模型确定所述最优候选种子人群的特征权重值向量；
[0020]投放单元，用于基于所述最优候选种子人群的特征权重值向量，对所述最优候选种子人群进行扩展，生成目标人群，以向所述目标人群进行信息投放。
[0021]相对于现有技术，本发明实施例，首先通过模型训练确定种子人群的特征权重值向量，其后基于特征权重值向量对种子人群进行扩展，生成候选种子人群，并结合候选种子人群关于信息投放的历史数据来确定最优候选种子人群，针对最优候选种子人群进行二次扩展，确定出信息投放的目标人群，对可能会存在的有冗余或可信度低等非优质种子用户进行过滤，不仅大大降低了数据计算量，并且可以使目标人群的确定更加精准，提高了广告的投放效果。
【附图说明】
[0022]下面结合附图，通过对本发明的【具体实施方式】详细描述，将使本发明的技术方案及其它有益效果显而易见。
[0023]图la是本发明实施例提供的信息的投放系统的应用场景示意图；
[0024]图lb是本发明第一实施例提供的信息的投放方法的流程示意图；
[0025]图2为本发明第二实施例提供的信息的投放方法的流程示意图；
[0026]图3a为本发明第三实施例提供的信息的投放系统的结构示意图；
[0027]图3b为本发明第三实施例提供的信息的投放系统的另一结构示意图。
【具体实施方式】
[0028]请参照图式，其中相同的组件符号代表相同的组件，本发明的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本发明具体实施例，其不应被视为限制本发明未在此详述的其它具体实施例。
[0029]在以下的说明中，本发明的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本发明原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
[0030]本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的系统及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本发明保护范围之内。[0031 ]本发明实施例提供一种信息的投放方法及系统。
[0032]参见图la，该图为本发明实施例所提供的信息的投放系统的应用场景示意图，该应用场景中，包括信息投放系统，主要用于获取种子人群，如多组对产品、服务具有相同需求和兴趣的人群;根据所述种子人群，并通过第一预设模型确定种子人群的特征权重值向量;基于特征权重值向量对种子人群进行扩展，生成相应的候选种子人群;统计候选种子人群关于信息投放的历史数据，如点击率和/或交易信息;根据历史数据，从候选种子人群中确定出目标人群，可具体的，根据历史数据，确定最优候选种子人群，通过第二预设模型确定所述最优候选种子人群的特征权重值向量，基于所述最优候选种子人群的特征权重值向量，对所述最优候选种子人群进行扩展，确定目标人群，以向目标人群进行信息投放，如进行广告投放等等。
[0033]此外，该应用场景中，还可以包括数据库，主要用于存储海量待候选的种子人群；当然，所述种子人群的相关数据可以来源于信息投放平台和交易平台，即该应用场景中还可以包括信息投放平台和交易平台，其中，信息投放平台主要用于记录网络视频的播放次数、点赞率、点不喜欢率等点击率相关数据，并根据信息投放系统确定的目标人群，进行信息投放，如进行广告投放等。交易平台，主要是用于记录信息交易的相关数据，如信息播放次数和交易价值之间的关系、用户的交易记录，等等。
[0034]以下将分别进行详细说明。
[0035]第一实施例
[0036]在本实施例中，将从信息投放系统的角度进行描述，该信息投放系统具体可以集成在服务器等网络设备中。
[0037]—种信息的投放方法，包括:获取种子人群，并通过第一预设模型确定种子人群的特征权重值向量;基于特征权重值向量对种子人群进行扩展，生成相应的候选种子人群;统计候选种子人群关于信息投放的历史数据，并根据历史数据，确定最优候选种子人群，历史数据包括点击率;通过第二预设模型确定最优候选种子人群的特征权重值向量;基于最优候选种子人群的特征权重值向量，对最优候选种子人群进行扩展，生成目标人群，以向目标人群进行信息投放。
[0038]请参阅图lb，图lb是本发明第一实施例提供的信息的投放方法的流程示意图。所述方法包括:
[0039]在步骤S101中，获取种子人群，并通过第一预设模型确定种子人群的特征权重值向量。
[0040]可以理解的是，本发明实施例中种子人群是指在特定业务场景下收集到的，对产品、服务具有相同需求和兴趣的人群，种子人群通常数量不多，一般在十万以下。
[0041]另容易想到的是，种子人群可以具体到在预设数据库中收集到，其中该数据库数据可以由各类信息(如广告)的信息主上传，也可以由对应的交易平台中获取。
[0042]获取到种子人群后，需要对该种子人群进行分析，以确定种子人群的特征权重值向量，比如，通过第一预设模型确定种子人群的特征权重值向量可以具体包括:
[0043](1)将种子人群确定为第一正例样本；
[0044](2)获取非种子人群，并将所述非种子人群确定为第一负例样本；
[0045]可以理解的是，想从大盘用户里寻找出与种子人群相似的用户群，将此问题转化为一个经典的二分类(0、1)问题，也就是输出结果只有两种类别，例如:(阳性/阴性)、(有病/没病)、(垃圾邮件/非垃圾邮件)、(敌军/非敌军)等。
[0046]其中，二分类模型中训练模型所用的样本数据中被标签化的样本称为正例样本，种子人群属于线下标签的正例样本，二分类模型中训练模型所用的样本数据中未被标签化的样本称为负例样本，里面却包含了潜在的标签样本。
[0047]例如，假设该种子人群是对某品牌平板电脑感兴趣的用户，这时的种子用户包被定义为分类模型训练学习的正样本，此处称为第一正例样本，从大盘用户，即前述预设数据库中海量待候选种子人群，中找出相应数据的负样本