[發明專利]一種從Cookie中提取用戶樣本的方法及裝置

有效

• 申請號: 201210552981.1
• 申請日: 2012-12-18
• 公開（公告）號: CN103870671B
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 陳家耀;歐陽佑;馮是聰;吳明輝
• 申請（專利權）人: 秒針信息技術有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京安信方達知識產權代理有限公司11262
• 代理人: 栗若木,曲鵬

技術領域

本發明涉及互聯網的Cookie技術，具體涉及一種從Cookie中提取用戶樣本的方法及裝置。

背景技術

如今，互聯網的Cookie技術被大量應用。網站利用Cookie，跟蹤和記錄互聯網用戶的訪問行為，分析用戶的瀏覽習慣，從而為網站結構優化、相關信息推送、互聯網廣告投放計劃等提供數據支持。例如，某電商網站通過對Cookie行為的分析，發現80％的用戶購買A產品后都會購買B產品，所以對購買了A產品的用戶推送B產品的促銷信息。再如，在做廣告投放計劃時，通過分析發現，去過A網站的60％用戶都會訪問B網站，而僅有去過A網站的20％用戶去過C網站，為了在相同的廣告預算下覆蓋更多的人群，選取了在A和C網站同時投放廣告的投放方案。

而在對用戶行為分析時，一方面由于全部Cookie的數量往往很大，有可能達到上千萬甚至上億；另一方面一些分析工具和系統由于需要進行一些復雜計算，能處理的數據規模不大。所以需要從全體Cookie中提取一部分作為用戶樣本，只對樣本進行處理分析。

目前，從全部Cookie中提取用戶樣本的一種方法是隨機挑選。隨機挑選方法存在如下缺點：

1)由于Cookie是有生命周期的，且生命周期較短，所以直接抽取Cookie作為樣本，只能作為Cookie的一份抽樣，而不能當作對網民的一份抽樣。

2)不同Cookie的生命周期不一樣，把不同生命周期的樣本個體放在一 起比較計算其實是不合理的。例如，我們需要用樣本估算1月1號到1月31號每一天A、B、C三個網站的訪問人群的重疊度，而隨機挑選出來的Cookie有可能一部分是只在上半月存活，一部分只在下半月存活。通過這樣的樣本估計出來的數據就會有問題。

2)Cookie的行為不持續，不能滿足一些系統分析需求。例如，系統要分析“在A網站購買了某品牌商品”與“之前6個月內瀏覽過某網絡廣告”兩種行為的關聯關系，這時如果大部分樣本個體只有不超過兩個月的瀏覽行為，就無法進行這樣的分析。

還有一種抽取用戶樣本的方法是從生命周期足夠長的Cookie中挑選樣本。例如需要用樣本估算1月1號到1月31號A、B、C三個網站的訪問人群的重疊度，則從存活時間覆蓋整個1月份的Cookie中隨機抽取樣本。此種方法的存在如下缺點：

1)生命周期長的樣本，其行為分布有可能與總體分布不一致，即樣本的代表性會較差。

2)有些系統需要計算較長時間的數據，例如時間跨度超過6個月，而絕大部分Cookie的存活時間不超過6個月，此時想抽取生命周期能覆蓋計算時段的樣本將會很困難。

發明內容

本發明所要解決的技術問題是，提供一種從Cookie中提取用戶樣本的方法，以保證提取樣本的可靠性，以及對網民人群的代表性。

為了解決上述技術問題，本發明公開了一種從Cookie中提取用戶樣本的方法，包括：

確定所有Cookie之間的相似度，將相似度達到設定值的Cookie聚為一類Cookie；

針對每一類Cookie，分別生成一份樣本個體及其訪問行為，將生成的所有樣本個體構成一份樣本，其中，按以下方式分別生成各類Cookie對應的樣 本個體及其訪問行為：

實時統計各類Cookie每個時刻的瀏覽行為的概率分布，利用所述概率分布建立概率分布模型，根據所述概率分布模型隨機模擬出樣本個體用戶的瀏覽行為，并根據該類Cookie的個數，計算該類的權重。

較佳地，上述方法中確定所有Cookie之間的相似度指：

根據所有Cookie的瀏覽行為計算所有Cookie之間的相似度；或者

根據所有Cookie的信息和瀏覽行為計算所有Cookie之間的相似度。

較佳地，上述方法還包括：

當有新的Cookie加入時，確定新加入的Cookie的相似度，根據所確定的相似度將新加入的Cookie分到對應類別的Cookie中；

重新模擬新加入Cookie的此類Cookie的樣本個體用戶的瀏覽行為。

較佳地，上述方法中，根據該類Cookie的個數，計算該類的權重指：

針對各類Cookie，統計每一天中同時存活的此類Cookie的個數，將所統計的最大值作為該類Cookie的權重。

較佳地，上述方法中，實時統計各類Cookie每個時刻的瀏覽行為的概率分布指：

實時統計各類Cookie在各個網站上獨立的瀏覽概率分布；或者