[发明专利]一种支持用户私有IP发现的跨屏追踪方法

说明书

本发明提供一种支持用户私有IP发现的跨屏追踪方法，涉及数据质量和数据集成技术领域。该方法首先基于半监督学习的迭代式方法计算数据集中所有IP的用户私有IP概率；并基于用户私有IP概率生成候选集；计算候选集中候选对上的各属性的TF‑IDF相似度和关联相似度以及IP属性上的PIPSim相似度，得到候选对的属性相似度向量；利用GBRT模型预测候选对的相似度；最后基于得到的相似度生成相似度图，使用图聚类算法进行用户聚类。本发明提供的支持用户私有IP发现的跨屏追踪方法，综合考虑了设备、Cookie和已知用户之间的用户识别，相比于其他的跨屏追踪方法，在准确率、召回率以及F‑0.5值上都有较大幅度的提升。

技术领域

本发明涉及数据质量和数据集成技术领域，尤其涉及一种支持用户私有IP发现的跨屏追踪方法。

背景技术

随着智能设备的兴起，互联网用户可能会使用多台设备同时浏览网页，这对广告商和网站主的个性化服务造成了很大的困扰。对于同时使用电脑和手机的用户，广告商不能依据电脑端的浏览记录在用户的手机端推送广告，造成广告推送的割裂，这对广告商会造成巨大的利润损失；而网站主会由于不能推送用户的兴趣点而造成用户粘度下降，损失用户。

跨屏追踪是根据网络日志识别同一互联网用户的多台设备。对于用户的手机、Pad等移动端设备可以使用设备号(如安卓设备的IMEI号和苹果设备的IDFA号)来唯一标识一台设备，设备号和移动设备之间是一一对应的关系；对于用户PC，可以使用用户浏览网页的Cookie来唯一标识PC，但是同一PC可能会对应多个Cookie，PC和Cookie之间是一对多的关系。跨屏追踪就是识别哪些设备和哪些Cookie属于同一个用户。

现有的跨屏追踪方法主要分为四个过程：候选集生成、特征工程、模型训练和后期处理。

对于候选集生成过程，由于服务器日志数量巨大，候选集生成过程直接影响了跨屏追踪的效率。现有方法主要使用IP来生成候选集，将使用过同一IP的Cookie和设备作为候选对。然而并不是所有的IP都能用于候选集生成，对于有大量设备和Cookie接入的IP不能用于候选集生成。使用这种IP生成候选集将导致候选集的准确率大大降低。且这种基于设备和Cookie数量的生成方法具有数据敏感性，需要针对不同的数据集设计不同的生成规则，不具有通用性；而且现有的候选集生成方法只能保证较高的召回率，具有准确率比较低的局限性。

同时，现有跨屏追踪方法中主要将跨屏追踪问题看作是一个二分图问题，只对移动设备和Cookie进行用户识别，没有考虑Cookie和Cookie的用户识别，也没有充分利用已知用户的信息，导致预测结果的召回率偏低。如图1所示，已知Cookie₁、Cookie₂属于同一用户u₁，p_ij表示设备dev_i和cookie_j属于同一用户的概率，表示设备dev_i与用户u₁属于同一用户的概率。由于现有的用户识别过程没有对Cookie₁和Cookie₂的信息进行聚合，可能会认为dev₁、Cookie₁以及Cookie₂不属于同一用户，造成召回率降低；假设dev₁、Cookie₃和Cookie₄也属于同一用户，通过图1，可能会认为dev₁和Cookie₄属于同一用户，而dev₁和Cookie₃不属于同一用户，造成召回率降低。

发明内容

针对现有技术的缺陷，本发明提供一种支持用户私有IP发现的跨屏追踪方法，实现对服务器日志的用户识别。

一种支持用户私有IP发现的跨屏追踪方法，包括以下步骤：