一種面向Twitter的社交廣告可投放性分析方法
【專利摘要】一種面向Twitter的社交廣告可投放性分析方法。包括：創(chuàng)新地結(jié)合Twitter用戶多種不同來源的語料信息，構(gòu)建多源Twitter語料庫，有效擴(kuò)充Twitter短文本，便于推斷用戶發(fā)布內(nèi)容的潛在廣告價(jià)值，以實(shí)現(xiàn)精準(zhǔn)廣告受眾定位；借鑒LDA模型思想，提出多源Twitter語料主題分析模型，對(duì)用戶發(fā)布內(nèi)容進(jìn)行隱含語義分析；基于語義分析結(jié)果，設(shè)計(jì)特征選擇、過濾和表示算法，構(gòu)建邏輯回歸分類器，關(guān)于廣告可投放性進(jìn)行分類，作為廣告推薦的決策依據(jù)。本發(fā)明充分利用用戶發(fā)布信息特點(diǎn)，能夠準(zhǔn)確推斷其潛在廣告價(jià)值。通過本發(fā)明可得到符合用戶真實(shí)意圖的推斷結(jié)果。本發(fā)明可用于Twitter等社交網(wǎng)絡(luò)下的廣告推薦等領(lǐng)域。
【專利說明】-種面向Twitter的社交廣告可投放性分析方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算廣告學(xué)領(lǐng)域，具體涉及一種新型的關(guān)于社交廣告可投放性分析， 對(duì)知名社交網(wǎng)絡(luò)Twitter下用戶發(fā)布的內(nèi)容背后潛在的廣告價(jià)值進(jìn)行推斷的方案。該方案 也可適用于其他社交網(wǎng)絡(luò)如國外的Facebook、LinkedIn，以及國內(nèi)的新浪微博、人人網(wǎng)等平 臺(tái)。

【背景技術(shù)】
[0002] 社交網(wǎng)絡(luò)，是一種近年來迅速崛起的互聯(lián)網(wǎng)主流信息傳播媒體，代表平臺(tái)有國外 的Twitter、Facebook、Linkedln，以及國內(nèi)的人人網(wǎng)、新浪微博等。它允許用戶以PC或移 動(dòng)終端作為入口，利用不超過特定字?jǐn)?shù)限制的字符組織語言，發(fā)布感興趣的內(nèi)容，或通過評(píng) 論或留言，發(fā)表個(gè)人觀點(diǎn)，與好友進(jìn)行線上互動(dòng)。
[0003] 互聯(lián)網(wǎng)的普及，尤其是移動(dòng)終端應(yīng)用App的流行，帶動(dòng)了社交網(wǎng)絡(luò)規(guī)模的膨脹。迅 速興起的社交網(wǎng)絡(luò)，不僅引起了互聯(lián)網(wǎng)廣告商的關(guān)注，而且給社交網(wǎng)絡(luò)的運(yùn)營商帶來了新 的商機(jī)?；ヂ?lián)網(wǎng)廣告界隨之誕生出一種新的廣告形式--社交廣告。社交廣告，以社交網(wǎng) 絡(luò)為廣告投放的目標(biāo)平臺(tái)，廣告商和社交網(wǎng)絡(luò)運(yùn)營商將用戶作為廣告受眾，根據(jù)其線上活 動(dòng)和社交行為，定制并且投放契合用戶需求的廣告，實(shí)現(xiàn)"投其所好"的目的，以提升廣告點(diǎn) 擊率和轉(zhuǎn)化率。
[0004] 社交網(wǎng)絡(luò)作為海量用戶共享的信息發(fā)布平臺(tái)，信息覆蓋內(nèi)容和涉及話題廣泛。與 此同時(shí)，社交網(wǎng)絡(luò)又是一個(gè)高度用戶粘性的個(gè)性化環(huán)境，不同用戶的使用目的迥異。用戶在 社交網(wǎng)絡(luò)上的活動(dòng)（即信息發(fā)布行為），常反映出用戶現(xiàn)實(shí)生活中的具體需求，包括情感、 政治、商業(yè)或者其他方面。因而，在社交網(wǎng)絡(luò)下投放廣告，并非必然導(dǎo)致廣告點(diǎn)擊和轉(zhuǎn)化量。 社交網(wǎng)絡(luò)運(yùn)營商，以及廣告商，對(duì)用戶發(fā)布的情感、政治類等非商業(yè)性內(nèi)容投放廣告，不僅 不會(huì)帶來預(yù)期的廣告營銷效果，反而會(huì)導(dǎo)致負(fù)面用戶反饋。為了提高廣告商的營銷效益，盡 可能地增加廣告點(diǎn)擊率和轉(zhuǎn)化率，以增加社交網(wǎng)絡(luò)運(yùn)營利潤，廣告商和運(yùn)營商力求快速、準(zhǔn) 確地推斷社交廣告可投放性，定位那些具有消費(fèi)需求的用戶，為其推薦滿足消費(fèi)意圖的廣 告，同時(shí)提升用戶體驗(yàn)。
[0005] 關(guān)于廣告可投放性，以贊助搜索廣告和上下文廣告為代表的互聯(lián)網(wǎng)廣告形式，已 形成既有的較為成熟的理論和實(shí)踐。作為新型的互聯(lián)網(wǎng)廣告形式，社交廣告對(duì)廣告可投放 性的分析方法，無論是在學(xué)術(shù)研究，還是在商業(yè)實(shí)踐方面，都尚處于萌芽。此外，在社交網(wǎng)絡(luò) 平臺(tái)，根據(jù)用戶發(fā)布內(nèi)容推斷其潛在的消費(fèi)需求并非易事。社交用戶的消費(fèi)需求，不像贊助 搜索廣告那樣直觀，來自用戶的主動(dòng)搜索行為，也不像上下文廣告那樣簡便，可以根據(jù)Web 頁面訪問歷史進(jìn)行文本匹配。多數(shù)情況下，社交用戶發(fā)布內(nèi)容的社交廣告可投放性，是由用 戶特定時(shí)間段內(nèi)的線上活動(dòng)中隱式反映的，難以直觀、精準(zhǔn)地推斷。
[0006] 如何分析和獲知社交廣告可投放性，是社交廣告領(lǐng)域亟待解決的一項(xiàng)關(guān)鍵問題。 關(guān)于社交廣告可投放性分析技術(shù)的研究，對(duì)于實(shí)現(xiàn)社交廣告的精準(zhǔn)定位和投放，具有非常 重要的學(xué)術(shù)和實(shí)踐意義。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是解決如何分析和獲知社交廣告可投放性的問題，針對(duì)現(xiàn)有的互聯(lián) 網(wǎng)廣告可投放性分析技術(shù)在直接應(yīng)用到社交網(wǎng)絡(luò)上時(shí)凸顯的極大不足，以知名社交網(wǎng)絡(luò) Twitter為代表性研究對(duì)象，提供一種專門面向社交網(wǎng)絡(luò)的，關(guān)于社交廣告可投放性進(jìn)行分 析的方法。
[0008] 本發(fā)明根據(jù)Twitter用戶活動(dòng)特點(diǎn)，在充分觀察用戶行為的基礎(chǔ)上，針對(duì)Twitter 用戶在線發(fā)布的每一條內(nèi)容（通稱tweet)，綜合考察該用戶的歷史性發(fā)布tweet以及其 好友發(fā)布的評(píng)論tweet,提出多源Twitter主題分析語料庫的設(shè)計(jì)思想。并提出關(guān)于多源 Twitter語料庫的主題分析方法，克服了短小濃縮的tweet文本數(shù)據(jù)對(duì)語義分析造成的障 礙。本發(fā)明最后以主題分析結(jié)果作為依據(jù)，又提出一系列特征處理相關(guān)算法，針對(duì)每一條 tweet的潛在社交廣告可投放性進(jìn)行分析和判別。
[0009] 本發(fā)明提供的面向Twitter的社交廣告可投放性分析方法，包括如下步驟：
[0010] 1、一種面向Twitter的社交廣告可投放性分析方法，其特征在于該方法包括如下 步驟：
[0011] 第1、構(gòu)建多源Twitter語料庫；
[0012] 定義1 :社交網(wǎng)絡(luò)Twitter用戶發(fā)布的每一條內(nèi)容為一條tweet ;
[0013] 定義2 :當(dāng)前tweet為實(shí)時(shí)獲得的每一條tweet,用符號(hào)C表示；
[0014] 定義3 :最近tweet以當(dāng)前tweet的發(fā)布時(shí)間為基準(zhǔn),獲得的由該用戶于基準(zhǔn)時(shí)間 前一星期內(nèi)發(fā)布的tweet的集合，用符號(hào)R表示；
[0015] 定義4 :歷史tweet以當(dāng)前tweet的發(fā)布時(shí)間為基準(zhǔn),獲得的由該用戶于基準(zhǔn)時(shí)間 前兩星期至前一星期內(nèi)發(fā)布的tweet的集合，用符號(hào)Η表示；
[0016] 定義5 :好友評(píng)論tweet為Twitter用戶好友對(duì)當(dāng)前tweet發(fā)布的評(píng)論tweet的 集合，用符號(hào)F表不；
[0017] 定義6 :多源Twitter語料庫中tweet的四種不同來源，包括：當(dāng)前tweet、最近 tweet、歷史tweet和好友評(píng)論tweet,構(gòu)成語料源，用符號(hào)s表示，其中s= (C，R，H，F(xiàn));
[0018] 定義7 :多源Twitter語料庫中的每一條語料，用m表示；
[0019] 定義8 :多源Twitter語料庫中的所有語料的個(gè)數(shù)，用Μ表示；
[0020] 第2、多源Twitter語料主題分析
[0021] 定義9 :一條tweet中的詞，用w表示；
[0022] 定義10 :關(guān)于一條tweet的隱含語義，稱為主題，用符號(hào)z表示；
[0023] 定義11 :對(duì)于多源Twitter語料庫，不同的語料來源對(duì)應(yīng)的主題的構(gòu)成有所不同， 在每種語料源下，對(duì)應(yīng)的所有可能的主題構(gòu)成一個(gè)主題集合T，用4元組T = (T。，TK，TH，TF) 表示，其中：
[0024] ① Tc表示當(dāng)前tweet對(duì)應(yīng)的主題集合；
[0025] ②Τκ表示最近tweet對(duì)應(yīng)的主題集合；
[0026] ③TH表示歷史tweet對(duì)應(yīng)的主題集合；
[0027] ④TF表示好友評(píng)論tweet對(duì)應(yīng)的主題集合；
[0028] 每一條tweet關(guān)于各個(gè)主題的出現(xiàn)概率，都構(gòu)成一個(gè)概率分布；
[0029] 定義12 :每種語料源的所有tweet，關(guān)于對(duì)應(yīng)主題集合中各個(gè)主題的概率構(gòu)成 tweet?主題概率分布，用符號(hào)Θ表示；四種語料源下的所有tweet?主題概率分布Θ，可 以用4元組θ = ( Θ c，θ κ，θ Η，Θ F)表示，其中：
[0030] ①Θ。表示當(dāng)前tweet關(guān)于主題集合T。中各個(gè)主題的概率分布；
[0031] ②θ κ表示最近tweet關(guān)于主題集合Τκ中各個(gè)主題的概率分布；
[0032] ③θ Η表示歷史tweet關(guān)于主題集合ΤΗ中各個(gè)主題的概率分布；
[0033] ④Θ F表示好友評(píng)論tweet關(guān)于主題集合TF中各個(gè)主題的概率分布；
[0034] 定義13 :對(duì)于每種語料源和主題集合中的所有主題，關(guān)于對(duì)應(yīng)詞典中的所有詞， 構(gòu)成主題?詞概率分布φ，用4元組φ=(φ€, φκ, q)if, φ!1表示；其中：
[0035] ①1fc表示當(dāng)前Τ。中各個(gè)主題關(guān)于詞典V。中的各個(gè)詞的概率分布；
[0036] ②1fR表示當(dāng)前Τκ中各個(gè)主題關(guān)于詞典VK中的各個(gè)詞的概率分布；
[0037] ③ΨΗ表示當(dāng)前TH中各個(gè)主題關(guān)于詞典VH中的各個(gè)詞的概率分布；
[0038] ④-F表示當(dāng)前TF中各個(gè)主題關(guān)于詞典VF中的各個(gè)詞的概率分布；
[0039] 第3、社交廣告可投放性分類預(yù)處理
[0040] 定義14 :有社交廣告可投放性是根據(jù)twitter用戶發(fā)布的tweet,分析用戶消費(fèi)意 圖；如果該條tweet具備消費(fèi)意圖，則該條tweet成為具有社交廣告可投放性，反之為不具 有社交廣告可投放性；
[0041] 第3.1、分類特征選擇
[0042] 第3. 1. 1、對(duì)于多源Twitter語料庫下的每一條語料m，獲取主題概率分布4元組 θs [m] = ( Θ c [m], Θ E [m], Θ H [m], Θ F [m])；
[0043] 第3. 1. 2、對(duì)語料m的tweet?主題概率分布Θ s[m]按照概率值從大到小排序，得 到排序后的4元組Θ s[m];
[0044] 定義15 :在特征選擇過程中，保留的主題稱為目標(biāo)主題，用K表示目標(biāo)主題數(shù)；
[0045] 第3. 1. 3、對(duì)于Θ s[m]中的每一個(gè)主題概率分布，只保留關(guān)于前K主題的概率值；
[0046] 定義16 :經(jīng)過特征選擇后，多源Twitter語料庫的所有語料關(guān)于各個(gè)目標(biāo)主題的 概率分布，稱為目標(biāo)主題分布，表示為4元組Θ3 = (Θ。，Θκ, ΘΗ, ΘΡ)，其中：
[0047] ①表示當(dāng)前tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布；
[0048] ②?κ表示最近tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布；
[0049] ③?[1表示歷史tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布；
[0050] ④? F表示好友評(píng)論tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布；
[0051] 第3. 1. 4、對(duì)于主題集合中的每一個(gè)主題t，獲取關(guān)于對(duì)應(yīng)詞典的詞的概率分布4 元組

【權(quán)利要求】
1. 一種面向Twitter的社交廣告可投放性分析方法，其特征在于該方法包括如下步 驟： 第1、構(gòu)建多源Twitter語料庫； 定義1 :社交網(wǎng)絡(luò)Twitter用戶發(fā)布的每一條內(nèi)容為一條tweet; 定義2 :當(dāng)前tweet為實(shí)時(shí)獲得的每一條tweet,用符號(hào)C表示； 定義3 :最近tweet以當(dāng)前tweet的發(fā)布時(shí)間為基準(zhǔn)，獲得的由該用戶于基準(zhǔn)時(shí)間前一 星期內(nèi)發(fā)布的tweet的集合，用符號(hào)R表示； 定義4 :歷史tweet以當(dāng)前tweet的發(fā)布時(shí)間為基準(zhǔn)，獲得的由該用戶于基準(zhǔn)時(shí)間前兩 星期至前一星期內(nèi)發(fā)布的tweet的集合，用符號(hào)H表示； 定義5 :好友評(píng)論tweet為Twitter用戶好友對(duì)當(dāng)前tweet發(fā)布的評(píng)論tweet的集合， 用符號(hào)F表不； 定義6 :多源Twitter語料庫中tweet的四種不同來源，包括：當(dāng)前tweet、最近tweet、 歷史tweet和好友評(píng)論tweet,構(gòu)成語料源，用符號(hào)s表示，其中s= (C,R,H,F); 定義7 :多源Twitter語料庫中的每一條語料，用m表示； 定義8 :多源Twitter語料庫中的所有語料的個(gè)數(shù)，用M表示； 第2、多源Twitter語料主題分析 定義9 :一條tweet中的詞，用w表示； 定義10 :關(guān)于一條tweet的隱含語義，稱為主題，用符號(hào)z表不； 定義11 :對(duì)于多源Twitter語料庫，不同的語料來源對(duì)應(yīng)的主題的構(gòu)成有所不同，在每 種語料源下，對(duì)應(yīng)的所有可能的主題構(gòu)成一個(gè)主題集合T，用4元組T= (T。，TK，TH，Tf)表示， 其中： ①T。表示當(dāng)前tweet對(duì)應(yīng)的主題集合； ②Tk表示最近tweet對(duì)應(yīng)的主題集合； ③Th表示歷史tweet對(duì)應(yīng)的主題集合； ④Tf表示好友評(píng)論tweet對(duì)應(yīng)的主題集合； 每一條tweet關(guān)于各個(gè)主題的出現(xiàn)概率，都構(gòu)成一個(gè)概率分布； 定義12 :每種語料源的所有tweet,關(guān)于對(duì)應(yīng)主題集合中各個(gè)主題的概率構(gòu)成tweet? 主題概率分布，用符號(hào)9表示；四種語料源下的所有tweet?主題概率分布0，可以用4元 組Q=(QC，QR，QH,QF)表示，其中： ①e。表示當(dāng)前tweet關(guān)于主題集合T。中各個(gè)主題的概率分布； ②eK表示最近tweet關(guān)于主題集合Tk中各個(gè)主題的概率分布； ③eH表示歷史tweet關(guān)于主題集合Th中各個(gè)主題的概率分布； ④ 9F表示好友評(píng)論tweet關(guān)于主題集合Tf中各個(gè)主題的概率分布； 定義13 :對(duì)于每種語料源和主題集合中的所有主題，關(guān)于對(duì)應(yīng)詞典中的所有詞，構(gòu)成 主題?詞概率分布9,用4元組(^=(啊，卿,_，僻)表示；其中： ① 杯表示當(dāng)前T。中各個(gè)主題關(guān)于詞典V。中的各個(gè)詞的概率分布； ②fR表示當(dāng)前Tk中各個(gè)主題關(guān)于詞典Vk中的各個(gè)詞的概率分布； ③f"表示當(dāng)前Th中各個(gè)主題關(guān)于詞典Vh中的各個(gè)詞的概率分布； ④輕表示當(dāng)前Tf中各個(gè)主題關(guān)于詞典Vf中的各個(gè)詞的概率分布； 第3、社交廣告可投放性分類預(yù)處理 定義14 :有社交廣告可投放性是根據(jù)twitter用戶發(fā)布的tweet，分析用戶消費(fèi)意圖； 如果該條tweet具備消費(fèi)意圖，則該條tweet成為具有社交廣告可投放性，反之為不具有社 交廣告可投放性； 第3.1、分類特征選擇 第3. 1. 1、對(duì)于多源Twitter語料庫下的每一條語料m，獲取主題概率分布4元組0s[m] =(0c [m]，0K [m]，0H[m]，0F [m]); 第3.I. 2、對(duì)語料m的tweet?主題概率分布0s[m]按照概率值從大到小排序，得到排 序后的4元組0s[m]; 定義15 :在特征選擇過程中，保留的主題稱為目標(biāo)主題，用K表示目標(biāo)主題數(shù)； 第3. 1.3、對(duì)于0s[m]中的每一個(gè)主題概率分布，只保留關(guān)于前K主題的概率值； 定義16 :經(jīng)過特征選擇后，多源Twitter語料庫的所有語料關(guān)于各個(gè)目標(biāo)主題的概率 分布，稱為目標(biāo)主題分布，表示為4元組?s = (?。，?K, ?H, ?F)，其中： ① ?。表示當(dāng)前tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布； ②O1(表示最近tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布； ③ ?!!表示歷史tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布； ④ ?F表示好友評(píng)論tweet關(guān)于對(duì)應(yīng)目標(biāo)主題的概率分布； 第3. 1. 4、對(duì)于主題集合中的每一個(gè)主題t，獲取關(guān)于對(duì)應(yīng)詞典的詞的概率分布4元組 cps[l]=( (pc[t],q>R[t],q>n[l],q)F[t])； 第3.I. 5、對(duì)主題t的主題?詞概率分布fsW按照概率值從大到小排序，得到排序后的 4 元組?[!；]; 定義17 :在特征選擇過程中，保留的詞稱為目標(biāo)詞，用N表示目標(biāo)詞數(shù)； 第3. 1. 6、對(duì)于中的每一個(gè)詞概率分布，只保留前N個(gè)詞的概率值； 定義18 :經(jīng)過特征選擇后，所有主題關(guān)于各個(gè)目標(biāo)詞的概率分布，稱為目標(biāo)詞分布，表 示為4元組叫s =(叫c，WK，WH，叫F)，其中： ①V。表示主題集合T。關(guān)于對(duì)應(yīng)目標(biāo)詞的概率分布； ②Wk表示主題集合Tk關(guān)于對(duì)應(yīng)目標(biāo)詞的概率分布； ③Wh表示主題集合Th關(guān)于對(duì)應(yīng)目標(biāo)詞的概率分布； ④Wf表示主題集合Tf關(guān)于對(duì)應(yīng)目標(biāo)詞的概率分布； 第3. 2、特征提取 第3. 2. 1、對(duì)于每種語料源s= (C,R,H,F)下的每條語料m，建立哈希表Q，初始為空； 第3. 2. 2、對(duì)于每條語料m: ① 遍歷目標(biāo)主題分布?s[m]中的每一項(xiàng)，記下該項(xiàng)對(duì)應(yīng)的目標(biāo)主題及目標(biāo)主題概率， 記為（t，p); ② 再根據(jù)遍歷到的每一個(gè)主題t，獲取該主題對(duì)應(yīng)的目標(biāo)詞及目標(biāo)詞概率，記為 (w,q)； ③ 計(jì)算概率值的乘積：P*q; ④在對(duì)應(yīng)哈希表Q中查找詞w，若查找失敗，則將詞w并概率值乘積p*q-并插入到Q;若w已存在于Q中，則將對(duì)應(yīng)位置處的概率值增加p*q; 第3. 3、特征表示 掃描哈希表Q中的每一個(gè)詞W，建立詞典U，表示為4元組u= (U。，UK,UH,Uf); 其中： ①u。表示當(dāng)前tweet對(duì)應(yīng)的高語義關(guān)聯(lián)詞構(gòu)成的詞典，詞典中詞的個(gè)數(shù)記為Iuc| ; ② ^表示最近tweet對(duì)應(yīng)的高語義關(guān)聯(lián)詞構(gòu)成的詞典，詞典中詞的個(gè)數(shù)記為IUr| ; ③ 、表示歷史tweet對(duì)應(yīng)的高語義關(guān)聯(lián)詞構(gòu)成的詞典，詞典中詞的個(gè)數(shù)記為IuH| ; ④uF表示好友評(píng)論tweet對(duì)應(yīng)的高語義關(guān)聯(lián)詞構(gòu)成的詞典，詞典中詞的個(gè)數(shù)記為 ufI； 定義19 :語料m對(duì)應(yīng)的tweet?詞概率向量，稱為社交廣告可投放性分類特征向量； 第4、構(gòu)建社交廣告可投放性分類器 第4. 1、根據(jù)社交廣告可投放性分類特征向量，構(gòu)造線性回歸函數(shù)如下：h" (X) = 31 〇X〇+ 31A+…+ 31nXn 定義20:社交廣告可投放性分類特征向量[Xtl,X1，…，Xn]的系數(shù)[^，JI1，…，JIn]稱 為特征權(quán)重參數(shù)； 定義21 :將線性回歸函數(shù)(X)代入邏輯方程：，邏輯方程的定義為：g(x) =exp(x)/ (l+exp(x))； 第4. 2、將線性回歸函數(shù)hn(x)代入邏輯方程g(x)以進(jìn)行歸一化，替換其中的變量x得 到： gO^ (X)) =expQi11 (X))/(1+expQi11 (X))) =exp (^Xtl+ J1+... + nXn) / (1+exp (^Xtl+ J1+... + nXn)); 第4. 3、利用牛頓迭代法獲得特征權(quán)重參數(shù)的訓(xùn)練值[i，…，n]; 第4. 4、設(shè)置社交廣告可投放性分類閾值，由于邏輯方程g(X)的閾值為[0, 1]，因此，根 據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，可以將社交廣告可投放性分類閾值設(shè)置為g(x)的中間值0. 5 ; 第4. 5、對(duì)于多源Twitter語料庫中的每一條語料m，利用特征權(quán)重參數(shù)的訓(xùn)練值 [&Ji1，…，']計(jì)算歸一化后的線性回歸函數(shù)g(hn(x))，與閾值進(jìn)行比較：如果大于閾 值，則判定為具有社交廣告可投放性；否則判定為不具有社交廣告可投放性。
【文檔編號(hào)】G06F17/30GK104268130SQ201410494291
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月24日 優(yōu)先權(quán)日:2014年9月24日
【發(fā)明者】張瑩, 趙雪, 俞力, 蘇麗麗, 袁曉潔 申請(qǐng)人:南開大學(xué)