[发明专利]一种从Cookie中提取用户样本的方法及装置

说明书

技术领域

本发明涉及互联网的Cookie技术，具体涉及一种从Cookie中提取用户样本的方法及装置。

背景技术

如今，互联网的Cookie技术被大量应用。网站利用Cookie，跟踪和记录互联网用户的访问行为，分析用户的浏览习惯，从而为网站结构优化、相关信息推送、互联网广告投放计划等提供数据支持。例如，某电商网站通过对Cookie行为的分析，发现80％的用户购买A产品后都会购买B产品，所以对购买了A产品的用户推送B产品的促销信息。再如，在做广告投放计划时，通过分析发现，去过A网站的60％用户都会访问B网站，而仅有去过A网站的20％用户去过C网站，为了在相同的广告预算下覆盖更多的人群，选取了在A和C网站同时投放广告的投放方案。

而在对用户行为分析时，一方面由于全部Cookie的数量往往很大，有可能达到上千万甚至上亿；另一方面一些分析工具和系统由于需要进行一些复杂计算，能处理的数据规模不大。所以需要从全体Cookie中提取一部分作为用户样本，只对样本进行处理分析。

目前，从全部Cookie中提取用户样本的一种方法是随机挑选。随机挑选方法存在如下缺点：

1)由于Cookie是有生命周期的，且生命周期较短，所以直接抽取Cookie作为样本，只能作为Cookie的一份抽样，而不能当作对网民的一份抽样。

2)不同Cookie的生命周期不一样，把不同生命周期的样本个体放在一 起比较计算其实是不合理的。例如，我们需要用样本估算1月1号到1月31号每一天A、B、C三个网站的访问人群的重叠度，而随机挑选出来的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。通过这样的样本估计出来的数据就会有问题。

2)Cookie的行为不持续，不能满足一些系统分析需求。例如，系统要分析“在A网站购买了某品牌商品”与“之前6个月内浏览过某网络广告”两种行为的关联关系，这时如果大部分样本个体只有不超过两个月的浏览行为，就无法进行这样的分析。

还有一种抽取用户样本的方法是从生命周期足够长的Cookie中挑选样本。例如需要用样本估算1月1号到1月31号A、B、C三个网站的访问人群的重叠度，则从存活时间覆盖整个1月份的Cookie中随机抽取样本。此种方法的存在如下缺点：

1)生命周期长的样本，其行为分布有可能与总体分布不一致，即样本的代表性会较差。

2)有些系统需要计算较长时间的数据，例如时间跨度超过6个月，而绝大部分Cookie的存活时间不超过6个月，此时想抽取生命周期能覆盖计算时段的样本将会很困难。

发明内容

本发明所要解决的技术问题是，提供一种从Cookie中提取用户样本的方法，以保证提取样本的可靠性，以及对网民人群的代表性。

为了解决上述技术问题，本发明公开了一种从Cookie中提取用户样本的方法，包括：

确定所有Cookie之间的相似度，将相似度达到设定值的Cookie聚为一类Cookie；

针对每一类Cookie，分别生成一份样本个体及其访问行为，将生成的所有样本个体构成一份样本，其中，按以下方式分别生成各类Cookie对应的样 本个体及其访问行为：

实时统计各类Cookie每个时刻的浏览行为的概率分布，利用所述概率分布建立概率分布模型，根据所述概率分布模型随机模拟出样本个体用户的浏览行为，并根据该类Cookie的个数，计算该类的权重。

较佳地，上述方法中确定所有Cookie之间的相似度指：

根据所有Cookie的浏览行为计算所有Cookie之间的相似度；或者

根据所有Cookie的信息和浏览行为计算所有Cookie之间的相似度。

较佳地，上述方法还包括：

当有新的Cookie加入时，确定新加入的Cookie的相似度，根据所确定的相似度将新加入的Cookie分到对应类别的Cookie中；

重新模拟新加入Cookie的此类Cookie的样本个体用户的浏览行为。

较佳地，上述方法中，根据该类Cookie的个数，计算该类的权重指：

针对各类Cookie，统计每一天中同时存活的此类Cookie的个数，将所统计的最大值作为该类Cookie的权重。

较佳地，上述方法中，实时统计各类Cookie每个时刻的浏览行为的概率分布指：

实时统计各类Cookie在各个网站上独立的浏览概率分布；或者