跨人口统计群体估计普查级受众规模和总印象持续时间的方法、系统和装置与流程

等。除非基于其使用上下文另有规定或理解，否则此类描述符不旨在赋予任何优先级、物理顺序、或列表中的排列的含义，或者在时间上排序，而仅仅是用作标记，用于分别指代多个元素或组件，以便于理解所公开的示例。在一些示例中，描述符“第一”可用于指代具体实施方式中的元件，而同一元件可在权利要求中用不同的描述符(例如“第二”或“第三”)来指代。在这种情况下，应当理解，使用这种描述符仅仅是为了便于引用多个元件或组件。
具体实施方式
14.受众测量实体(ame)执行测量以确定参与看电视、收听无线电台或浏览网站的人(例如，受众)的数量。鉴于制作内容和/或广告的公司和/或个体希望了解其内容的覆盖范围和有效性，识别此类信息是有用的。为了实现这一点，诸如尼尔森(美国)有限公司的公司利用设备上计量器(on-device meter，odm)来监控自愿成为小组一部分的个体(例如小组成员)的手机、平板电脑(例如，ipads
tm
)和/或其他计算设备(例如，pda、笔记本电脑等)的使用情况。小组成员是在注册到小组时已经提供人口统计信息的用户，允许他们的人口统计信息链接到他们选择收听或观看的媒体。因此，小组成员(例如，受众)代表了媒体消费者的大群体(例如，普查)的统计上相当数量的样本，从而允许广播公司和广告商能够更好地了解谁在使用他们的媒体内容并最大化收入潜力。
15.设备上计量器(odm)可以通过收集与被监控设备的使用有关的感兴趣数据的软件来实现。odm可以收集指示小组成员所暴露于的媒体访问活动的数据(例如，网站名称、访问日期/时间、页面浏览量、访问持续时间、点击流数据、和/或其他媒体识别信息(例如，网页内容、广告等))。该数据定期或不定期地上传到数据收集设施(例如，受众测量实体服务器)。鉴于小组成员在向ame注册时提交了他们的人口统计数据，odm数据的优势在于它将该人口统计信息与odm收集的活动数据联系起来。此类监控活动通过使用监控指令标记要跟踪的互联网媒体来执行，例如基于在blumenau的美国专利no.6,108,637的中公开的示例来执行，该专利通过引用整体并入本文。监控指令形成媒体印象请求，其提示监控数据从odm客户端发送到监控实体(例如，ame，如尼尔森有限公司)，以汇集准确的使用统计数据。每当用户(例如，从服务器、从高速缓存)访问媒体时，都会执行印象请求。当媒体用户也是ame小组的一部分(例如，小组成员)时，ame能够将小组成员的人口统计数据(例如，年龄、职业等)与小组成员的媒体使用数据(例如，基于用户的印象数、基于用户的总印象持续时间)匹配。如本文所使用的，印象被定义为家庭或个体访问和/或暴露于媒体(例如，广告、页面视图或视频视图形式的内容、广告组和/或内容集合等)的事件。
16.在互联网(例如，facebook、google、youtube等)上运行的数据库所有者向注册订户提供服务(例如，社交网络、流媒体等)。通过设置cookie和/或其他设备/用户标识符，数据库所有者可以在订户使用指定服务时识别他们的订户。mainak等人的美国专利no.8,370,489(其整体并入本文)中公开的示例，允许ame与数据库所有者合作，以通过在接收到来自用户的初始印象(例如，由于观看广告)后向数据库所有者发送印象请求来收集更广泛的互联网使用数据。由于用户可能是非小组成员(例如，不是具有可用相关联人口统计数据的ame小组的成员)，假设如果给定用户是订户，与订户相对应的数据库所有者记载/记录对于用户的数据库所有者人口统计印象，则ame可以从该数据库所有者获得数据。然而，为了保护其订户的隐私，数据库所有者通过聚合数据来概括订户级的受众度量。因此，ame可以
访问第三方聚合的基于订户的受众度量，其中按人口统计类别报告印象数和独特受众规模(例如，15-20岁的女性、15-20岁的男性、21-26岁的女性、21-26岁的男性等)。
17.如本文所使用的，独特受众规模基于可彼此区分的受众成员，使得多次暴露于相同媒体的单个受众成员/订户被识别为单个的独特受众成员。如本文所使用的，媒体的全域受众(例如，总受众)是在特定的感兴趣地理范围内和/或在与媒体受众度量相关的感兴趣时间期间访问媒体的总人数。确定某些媒体(例如，广告)是否接触到更大的独特受众可用于识别ame客户端(例如，广告商)是否接触到更大的受众群。当ame记录与任何人口统计信息无关的用户访问媒体的印象时，记录的印象计为普查级印象。因此，可以为同一用户记录多个普查级印象，因为该用户未被识别为独特受众成员。对各个人口统计群体的普查级独特受众、印象数(例如，已经浏览网页的次数)和持续时间的估计可以提高监控实体(如ame)提供的使用统计数据的准确性。在本文公开的示例中，术语“持续时间”对应于在监控区间期间与印象相关联的各个曝光时间的聚合或总和。例如，聚合或总和可以处于个体级别而使得持续时间与个体相关联，聚合或总和可以处于人口统计级别而使得持续时间与给定的人口统计群体相关联，聚合或总和可以处于群体级别而使得持续时间与给定的群体全域相关联，等等。鉴于个体在测量区间期间可以观看例如20到30分钟的不同视频，但在测量区间期间观看的各个视频的数量(总印象数)是未知的，因此可以在测量区间内记录个体的受众曝光持续时间，但实际印象数本身可能是未知的。
18.在一些示例中，对于普查级信息，ame可以访问总印象数(例如，浏览网页的总次数)和总印象持续时间(例如，浏览网页的时长)，而不是总独特受众(例如，可区分用户的总数)。ame可以接收附加的第三方数据，这些数据仅限于订阅第三方(例如数据库所有者)提供的服务的用户。例如，普查级数据包括其人口统计信息可能不可用的个体的(一个或多个)总普查级印象持续时间，而第三方级数据包括与特定人口统计群体(例如，人口统计级数据)相关的受众规模和持续时间(例如，(一个或多个)基于用户的印象持续时间)的订户级数据。因此，第三方数据可以基于提供第三方数据的数据库所有者执行的订户数据与不同人口统计类别的匹配，向ame提供部分受众和持续时间信息，直至聚合人口统计级别。但是，出于订户隐私的考虑，第三方数据不会提供与特定订户相关的受众和持续时间。本文公开的示例方法、系统和装置允许基于提供针对群体全域的子集的跨不同人口统计类别的受众规模和持续时间的第三方订户数据，来估计跨不同人口统计类别的普查级受众规模和持续时间。
19.本文公开的示例使用独立于可用人口统计群体的实际数量来求解的一个变量(例如，普查级和基于订户的数据库的持续时间)。本文公开的示例利用提供关于持续时间和独特受众规模的部分信息的第三方订户级受众度量，来在估计媒体的总独特受众规模时克服普查级印象的匿名性。本文公开的示例应用信息论来获得将普查级信息解析为基于人口统计群体的数据的解决方案。在本文公开的示例中，普查级受众度量估计器通过以下来跨人口统计群体确定普查级独特受众和持续时间：针对受众规模和持续时间中的每一者，确定给定人口统计群体中的个体是第三方订户数据的成员的概率；确定第三方订户数据和普查级数据之间的概率散度；以及基于等式约束在界限内建立搜索空间，所述等式约束由每个人口统计群体的普查级持续时间的总和等于总参考普查级持续时间来定义。本文公开的示例允许在逻辑上与所有约束、比例独立性和不变性一致的估计。
20.虽然结合网站媒体曝光监控描述了本文公开的示例，但是所公开的技术也可以结合不限于网站的其他类型的媒体曝光的监控来使用。本文公开的示例可用于监控任何一种或多种媒体类型(例如，视频、音频、网页、图像、文本等)的媒体印象。此外，本文公开的示例可用于除受众监控之外的应用(例如，确定群体规模、参加者的数量、观察的数量等)。虽然所公开的示例包括与印象数和/或受众有关的数据集，但这些数据集还可以包括从其他来源(例如，货币交易、医疗数据等)获得的数据。
21.图1是示出示例操作环境100的框图，在该示例操作环境100中，实现受众度量估计器以跨人口统计群体确定普查级受众规模和持续时间。图1的示例操作环境100包括示例用户110(例如，受众)、示例用户设备112、示例网络114、示例第三方数据库所有者120和示例受众测量实体(ame)130。第三方数据库所有者120包括示例订户数据库122。订户数据库122包括示例订户受众规模数据124和示例持续时间数据126。ame 130包括示例普查级数据132和示例受众度量估计器140。普查级数据132包括示例总持续时间134。
22.用户110包括在一个或多个用户设备112上访问媒体的任何个体，使得访问和/或暴露于媒体的发生产生媒体印象(例如，观看广告、电影、网页横幅、网页等)。示例用户110可以包括在向示例ame 130注册时已经提供了他们的人口统计信息的小组成员。当作为小组成员的示例用户110利用示例用户设备112通过示例网络114访问媒体内容时，ame 130(例如，ame服务器)存储与其人口统计信息相关联的小组成员活动数据。用户110还包括不是小组成员的个体(例如，没有向ame 130注册)。用户110包括作为数据库所有者120提供的服务的订户并且通过他们的(一个或多个)用户设备112使用这些服务的个体。
23.用户设备112可以是固定或便携式计算机、手持计算设备、智能电话、互联网设备和/或可以连接到网络(例如，互联网)并能够呈现媒体的任何其他类型的设备。在图1所示的示例中，(一个或多个)客户端设备102包括智能手机(例如，motorola
tm moto x
tm
、nexus 5、android
tm
平台设备等)和膝上型计算机。然而，可以附加地或替选地使用任何其他(一种或多种)类型的(一个或多个)设备，例如平板电脑(例如，ipad
tm
、motorola
tm xoom
tm
等)、台式计算机、照相机、互联网兼容电视、智能电视等。图1的(一个或多个)用户设备112用于访问(例如，请求、接收、表现和/或呈现)例如由web服务器提供的在线媒体。例如，用户110可以在(一个或多个)用户设备112上运行web浏览器以从媒体托管服务器请求流媒体(例如，通过http请求)。web服务器可以是任何web浏览器，用于提供由示例用户110在(一个或多个)示例用户设备112上通过示例网络114访问的媒体内容(例如youtube)。网络114可以使用任何合适的(一个或多个)有线和/或无线网络来实现，包括例如一个或多个数据总线、一个或多个局域网(lan)、一个或多个无线lan、一个或多个蜂窝网络、互联网等。短语“通信”(包括其变型)包含直接通信和/或通过一个或多个中间组件的间接通信，并且不需要直接物理(例如，有线)通信和/或持续通信，而是另外包括以周期性或非周期性区间、以及一次性事件进行的选择性通信。
24.在一些示例中，媒体(也称为媒体项目)被标记或编码以包括监控或标记指令。监控指令是由访问媒体内容(例如，通过网络114)的web浏览器执行的计算机可执行指令(例如，java或任何其他计算机语言或脚本)。监控指令的执行导致web浏览器向ame 130的服务器和/或数据库所有者120发送印象请求。当访问媒体的用户设备112被识别为属于数据库
所有者120的服务的注册订户时，由数据库所有者120记录人口统计印象。数据库所有者120在订户数据存储器122中存储为注册订户生成的数据。同样，ame 130记录用户设备112的普查级媒体印象(例如，普查级印象)，而不管人口统计信息是否可用于此类记录的印象。ame 130将普查级数据信息存储在普查级数据存储器132中。在标题为“methods and apparatus to determine impressions using distributed demographic information”的美国专利no.8,370,489、标题为“methods and apparatus to collect distributed user information for media impressions and search terms”的美国专利no.8,930,701、以及标题为“methods and apparatus to collect distributed user information for media impressions and search terms”的美国专利no.9,237,138中公开了收集印象数据的监控指令和方法的其他示例，所有这些专利通过引用整体并入本文。
25.ame 130作为独立方操作以测量和/或验证与数据库所有者120的订户访问的媒体有关的受众测量信息。当用户112访问媒体时，ame 130将普查级信息存储在普查级数据存储器132中，普查级信息包括总持续时间134(例如，网页浏览次数)。第三方数据库所有者120向ame 130提供使个人特定数据模糊的聚合订户数据，使得人口统计群体内的个体之间的参考聚合(例如，第三方聚合的基于订户的受众度量)可用。例如，订户受众数据124和持续时间数据126在特定人口统计级别(例如，15-20岁的女性、15-20岁的男性、21-26岁的女性、21-26岁的男性等)上提供。例如，订户受众数据124对应于每个人口统计类别的聚合中的独特受众规模数据。
26.ame 130的受众度量估计器140接收第三方聚合的基于订户的受众度量数据(例如，受众规模数据124和持续时间数据126)。受众度量估计器140使用聚合数据来估计普查级受众规模数据、普查级持续时间数据。此外，受众度量估计器140使用可用于ame 130的普查级数据(例如，总持续时间134)来为基于订户的数据进行普查级受众规模和持续时间估计，如下面结合图2进一步描述的。
27.图2是图1的受众度量估计器140的示例实现方式的框图。示例受众度量估计器140包括示例数据存储器210、示例概率分布生成器220和示例概率散度确定器230，所有这些都使用示例总线240连接。概率分布生成器220包括示例分布参数求解器222。概率散度确定器230包括示例搜索空间识别器232、示例散度参数求解器234、示例迭代器236和示例普查级输出计算器238。
28.数据存储器210存储从第三方数据库所有者120检索的第三方聚合的基于订户的受众度量数据。例如，从第三方数据库所有者120检索并存储在数据存储器210中的数据可以包括订户数据122(例如，第三方受众规模124和第三方持续时间126)。数据存储器210还可以存储普查级数据132(例如，总持续时间134)。受众度量估计器140可以从数据存储器210检索第三方数据和普查级数据以执行普查级估计计算(例如，确定给定人口统计群体的普查级独特受众规模、和普查级持续时间)。数据存储器210可以由任何用于存储数据的存储设备和/或存储盘实现，例如闪存、磁介质、光介质等。此外，存储在数据存储器210中的数据可以是任何数据格式，例如二进制数据、逗号分隔的数据、制表符分隔的数据、结构化查询语言(sql)结构等。虽然在所示示例中，数据存储器210被示出为单个数据库，但数据存储器210可以由任意数量和/或(一种或多种)类型的数据库实现。
29.概率分布生成器220为给定群体中的任何个体生成概率分布的估计，使得该分布
受制于个体在受众中并具有平均持续时间的概率。
30.分布参数求解器222求解与给定群体的每个个体的概率分布相关联的参数。例如，概率分布生成器220将概率密度函数、和/或个人特定概率分布分配给基于第三方订户的受众个体。在一些示例中，使用第三方订户持续时间126，将概率密度函数分配给订户受众个体。在一些示例中，概率分布生成器220分配在设定的时间区间(例如，t1《t《t2)附近出现的收视率的概率。在一些示例中，概率分布生成器220还基于个体在受众中并具有平均持续时间的概率，为人口统计群体(k)内的个体分配个人特定概率分布。一旦已经分配了概率分布，分布参数求解器222确定概率分布的解，使得最终解可以解析地表示，如结合图4更详细描述的。
31.概率散度确定器230可用于使用图1的可用第三方订户数据122和普查级数据132来确定给定人口统计群体中的先验分布和后验分布之间的概率散度。例如，概率散度确定器230可以将第三方数据定义为第k个人口统计群体中的先验概率分布，并将普查级数据定义为第k个人口统计群体中的后验概率分布，如下面结合图5更详细描述的。在一些示例中，可以使用两个分布之间的kullback-leibler(kl)散度来确定概率散度。
32.为了基于概率散度产生针对不同人口统计类别的普查级受众和持续时间的解，概率散度确定器230使用搜索空间识别器232来基于普查级持续时间等式约束来建立一组给定界限内的搜索空间。例如，一旦建立了等式约束，则散度参数求解器234可以基于等式约束来评估散度参数。在一些示例中，散度参数求解器234使用迭代器236来在由搜索空间识别器232确定的搜索空间上迭代，直到满足等式约束(例如，由以下定义的等式约束：每个人口统计群体的普查级持续时间的总和等于总参考普查级持续时间)。普查级输出计算器238基于满足等式约束的解来估计普查级个体数据(例如，受众和持续时间)，如结合图6更详细描述的。
33.虽然在图1和图2中示出了实现受众度量估计器140的示例方式，但图1和图2中所示的一个或多个元件、过程和/或设备可以以任何其他方式组合、划分、重新布置、省略、消除和/或实现。此外，图1-图2的示例数据存储器210、示例概率分布生成器220、概率散度确定器230、和/或更一般地，示例性受众度量估计器140可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。因此，例如，图1-图2的示例数据存储器210、示例概率分布生成器220、概率散度确定器230、和/或更一般地，示例受众度量估计器140中的任一者可由一个或多个模拟或数字电路、逻辑电路、(一个或多个)可编程处理器、(一个或多个)可编程控制器、(一个或多个)图形处理单元(gpu)、(一个或多个)数字信号处理器(dsp)、(一个或多个)专用集成电路(asic)、(一个或多个)可编程逻辑器件(pld)和/或(一个或多个)现场可编程逻辑器件(fpld)来实现。当阅读本专利的任何装置或系统权利要求以涵盖纯软件和/或固件实现时，示例数据存储器210、示例概率分布生成器220和/或概率散度确定器230中的至少一者，在此明确定义为包括非暂时性计算机可读存储设备或存储盘，例如包括软件和/或固件的存储器、数字多功能盘(dvd)、光盘(cd)、蓝光光盘等。此外，示例受众度量估计器140可以包括一个或多个元件、过程和/或设备(除了或代替图1和图2所示的元件、过程和/或设备)，和/或可以包括所示元件、过程和设备的任一者或所有的多于一个。如本文所使用的，短语“通信”(包括其变型)包含直接通信、和/或通过一个或多个中间组件的间接通信，并且不需要直接物理(例如，有线)通信和/或持续通信，而是另外包括以周期性区间、预
先安排的区间、非周期性区间和/或一次性事件进行的选择性通信。
34.图3-图6中分别示出了表示用于实现图1-图2的示例受众度量估计器140的示例机器可读指令的流程图。机器可读指令可以是一个或多个可执行程序或可执行程序的(一个或多个)部分，该一个或多个可执行程序或可执行程序的(一个或多个)部分用于由处理器(例如下面结合图3-图6讨论的示例处理器平台900中所示的处理器906)执行。程序可以实施在存储在非暂时性计算机可读存储介质(例如cd-rom、软盘、硬盘驱动器、数字多功能盘(dvd)、蓝光光盘、或与处理器906相关联的存储器)上的软件中，但是整个程序和/或其部分可替选地由处理器906以外的设备执行和/或以固件或专用硬件实施。此外，尽管参考图3-图6所示的流程图来描述示例程序，但可替选地，可以使用实现示例受众度量估计器140的许多其他方法。例如，可以改变框的执行顺序，和/或可以改变、消除或组合所描述的一些框。附加地或替选地，任何或所有框可由构造成在不运行软件或固件的情况下执行相应操作的一个或多个硬件电路(例如，离散电路、和/或集成模拟和/或数字电路、fpga、asic、比较器、运算放大器(op-amp)、逻辑电路等)来实现。
35.本文所述的机器可读指令可以压缩格式、加密格式、分散格式、打包格式等中的一种或多种存储。如本文所述的机器可读指令可存储为可用于创建、制造和/或产生机器可执行指令的数据(例如，指令的一部分、代码、代码的表示等)。例如，机器可读指令可以被分散并存储在一个或多个存储设备和/或计算设备(例如，服务器)上。机器可读指令可能需要安装、修改、适应、更新、组合、补充、配置、解密、解压缩、解包、分发、重新分配等中的一者或多者，以使其由计算设备和/或其他机器直接可读和/或可执行。例如，机器可读指令可以存储在多个部分中，这些部分被单独压缩、加密并存储在单独的计算设备上，其中这些部分在被解密、解压缩、以及组合时形成一组可执行指令，该组可执行指令指令实现如本文所述的程序。
36.在另一示例中，机器可读指令可以计算机可读取的状态存储，但需要添加库(例如，动态链接库(dll))、软件开发工具包(sdk)、应用程序编程接口(api)等，以在特定计算设备或其他设备上执行指令。在另一示例中，在机器可读指令和/或(一个或多个)相应程序可以全部或部分执行之前，可能需要配置机器可读指令(例如，存储的设置、数据输入、记录的网络地址等)。因此，所公开的机器可读指令和/或(一个或多个)相应程序旨在涵盖这种机器可读指令和/或(一个或多个)程序，而不管机器可读指令和/或(一个或多个)程序在存储时或相反在静止或传输中的特定格式或状态如何。
37.本文描述的机器可读指令可以由任何过去、现在或未来的指令语言、脚本语言、编程语言等来表示。例如，机器可读指令可以使用以下语言中的任何一种来表示：c、c 、java、c#、perl、python、javascript、超文本标记语言(html)、结构化查询语言(sql)、swift等。
38.如上所述，图3、图4、图5和/或图6的示例性过程可以使用存储在非暂时性计算机和/或机器可读介质上的可执行指令(例如，计算机和/或机器可读指令)来实现，非暂时性计算机和/或机器可读介质例如硬盘驱动器、闪存、只读存储器(rom)、光盘(cd)、数字多功能盘(dvd)、高速缓存、随机存取存储器(ram)、和/或其中信息可存储任意持续时间(例如，长时间、永久、短暂、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储磁盘。如本文所使用的，术语非暂时性计算机可读介质被明确定义为包括任何类型的计算机可读存储
设备和/或存储盘，并排除传播信号和排除传输介质。
[0039]“包括”和“包含”(及其所有形式和时态)在本文用作开放式术语。因此，每当权利要求采用任何形式的“包括”或“包含”(例如，包括(comprises、includes、comprising、including)、具有等)作为前序，或在任何种类的权利要求陈述中，应当理解，可以存在附加的元素、术语等，而不会超出相应权利要求或陈述的范围。如本文所使用的，当短语“至少”在例如权利要求的前序中用作过渡术语时，其以与术语“包括”和“包含”相同的方式是开放式的。例如，当以诸如a、b和/或c的形式使用术语“和/或”时，指a、b、c的任何组合或子集，例如(1)仅a、(2)仅b、(3)仅c、(4)a与b、(5)a与c、(6)b与c、以及(7)a与b与c。如本文在描述结构、组件、项目、对象和/或事物的上下文中所使用的，短语“a和b中的至少一者”意指包括(1)至少一个a、(2)至少一个b、和(3)至少一个a和至少一个b中的任何一者的实现方式。类似地，如本文在描述结构、组件、项目、对象和/或事物的上下文中所使用的，短语“a 或b中的至少一者”意指包括(1)至少一个a、(2)至少一个b、和(3)至少一个a和至少一个b中的任何一者的实现方式。如本文在描述过程、指令、动作、活动和/或步骤的执行或运行的上下文中所使用的，短语“a和b中的至少一者”意指包括(1)至少一个a、(2)至少一个b、和(3)至少一个a和至少一个b中的任何一者的实现方式。类似地，如本文在描述过程、指令、动作、活动和/或步骤的执行或运行的上下文中所使用的，短语“a或b中的至少一者”意指包括(1)至少一个a、(2)至少一个b、和(3)至少一个a和至少一个b中的任何一者的实现方式。
[0040]
如本文所使用的，单数引用(例如，“一”、“一个”、“第一”、“第二”等)不排除复数。如本文所使用的，术语“一”或“一个”实体是指该实体中的一个或多个。术语“一”(或“一个”)、“一个或多个”和“至少一个”在本文中可以互换使用。此外，尽管单独列出，但多个装置、元件或方法动作可以通过例如单个单元或处理器来实现。此外，尽管单独的特征可以包括在不同的示例或权利要求中，但是这些特征可以可能地被组合，并且不同的示例或权利要求中的包括并不意味着特征的组合是不可行的和/或不有利的。
[0041]
图3是表示可以被执行以实现图2的示例性受众度量估计器140的元素的机器可读指令的流程图300。示例受众度量估计器140针对每个人口统计群体(k)从数据存储器202检索第三方订户数据(例如，可从图1的数据库所有者120获得)(框302)。第三方数据库所有者120基于当订户暴露于用户设备112上的印象(例如，第三方媒体)时收集的订户数据122来确定订户的不同人口统计类别的受众规模和持续时间数据。例如，记录的持续时间126与特定订户(例如，用户110)相关联。基于该数据，受众度量估计器140可以针对不同的聚合人口统计类别，检索基于订户的受众规模{ak}数据(例如，受众规模数据124)和持续时间{dk}数据(例如，持续时间数据126)的输入。示例受众度量估计器140还从ame 130的普查级数据存储器132检索普查级数据(框304)。例如，ame 130还可以访问用户110在使用设备112时产生的记录的印象，但是当这些用户不是ame小组的成员时，该数据不与用户的特定人口统计群体相关联，使得ame 130可以确定记录的总持续时间134(例如，用户110的总普查级持续时间)，而不区分各个用户。因此，普查级数据存储器132向受众度量估计器140提供输入：总普查级持续时间(t)数据(例如，总持续时间数据134)。使用第三方数据和普查级数据，示例受众度量估计器140的示例概率分布生成器220确定给定人口统计群体k中的个体是第三方订户数据(例如，受众规模{ak}数据、持续时间{dk}数据)的成员的概率，并为受制于这些约束的总群体中的每个个体生成概率分布，使得分布参数求解器222确定分布参数，该分布参数
可进一步用于确定普查级受众和持续时间数据的潜在解(框306)。一旦已经生成了概率分布，图2的示例概率散度确定器230就可以确定第三方数据和普查级数据之间的概率散度(框308)。此外，示例概率散度确定器230基于使用分布参数求解器222计算的概率分布参数和使用散度参数求解器234计算的概率散度参数，使用普查级输出计算器238估计普查级个体数据(例如，独特受众规模和持续时间)(框310)。示例受众度量估计器140提供普查级输出，包括普查级受众规模{xk}(框312)、和普查级持续时间{tk}(框314)的输出估计。因此，使用普查级数据(例如，总持续时间134)和第三方数据(例如，受众规模124、和持续时间126)，受众度量估计器140估计各个人口统计类别的普查级独特受众312和持续时间314。
[0042]
图4是表示机器可读指令的流程图306，该机器可读指令可以被执行以实现图2的示例受众度量估计器140的元素以生成概率分布。例如，概率分布生成器220使用持续时间(t)为小组受众个体(i)分配概率密度函数[p
t(i)
](框402)。每个人在普查级和第三方数据库中都有跨所有(未知)印象的固定但未知的印象数量(n)和持续时间(t)(例如，“john smith”具有总计20分钟的持续时间，其中只有10分钟在数据库中注册，或者根本没有在数据库中注册)。然而，聚合信息使个人特定数据模糊，并在人口统计群体中的个体之间留下了参考聚合，因此每个人的不确定性可以以概率分布的形式表示。这种分布是点质量分布和连续分布的混合。点质量分布在t＝0时表示个体没有浏览任何页面，因此没有持续时间。连续分布在开区间(0,∞)上是连续的。
[0043]
为了使用示例概率分布生成器220得出个体概率分布估计的解，假设在总群体中有总共u个个体。可以为每个人表示一组u个概率分布跨越每个个体具有任何持续时间(t)、以及没有任何持续时间的可能性的不确定性，使得，例如，如果u＝5，则为个人1-5分配如下概率：和概率分布生成器220分配p(i)作为第i个个人没有任何持续时间的概率(例如点质量分布)，并且分配作为概率密度函数，该概率密度函数表示第i个个人具有持续时间t的概率。例如，概率分布生成器220根据下面的等式1，分配个体在未知数量的印象(例如，个体观看了20到30分钟的不同视频，但观看的各个视频的数量未知)中具有t1和t2时间单位之间的聚合总持续时间的概率(pr)，总概率等于1，如等式2所示，因此个体的总持续时间为零或任何正实数值：
[0044][0045][0046]
如果除了已知的总行为之外没有可用的个体行为的进一步信息，则概率分布生成器220为给定人口统计群体中的每个个体分配相同的概率分布(例如，给定已知总持续时间为600分钟的总共100个个体，每个个体被分配的平均持续时间为6分钟)。假设概率分布生成器220可以访问来自第三方订户数据122的受众和持续时间信息两者(例如，受众规模124和持续时间126)，概率分布生成器220使用在受众中的概率(d1)和每个个体的平均持续时间(d2)为人口统计群体中的个体分配个人特定概率分布(h)(框404)。这种个人特定分布可
以根据下面的等式3-6表示：
[0047][0048]
受制于
[0049]
∫
0∞
p
t
dt＝d1等式5
[0050]
∫
0∞
tp
t
dt＝d2等式6
[0051]
概率分布生成器220可以根据等式7-10重新安排等式3-6的个人特定分布问题的解(例如，用z表示法表示)，但受制于根据等式7表示的集合{zj}的最终解(框406)：
[0052][0053][0054][0055][0056]
分布参数求解器222求解z0、z1和z2(框408)。例如，z0、z1和z2的直接解可以分别根据等式11、12和13表示：
[0057]
z0＝1-d1等式11
[0058][0059][0060]
一旦个体概率分布估计的解可用，则可以为每个个体(例如，受众成员)计算给定持续时间特性的概率。例如，如果在100个人中，有50人的受众和200个时间单位的持续时间，总概率(z0)、在受众中的概率(z1)和持续时间的概率(z2)可以如下面的示例1所示基于等式11-13求解：
[0061][0062][0063][0064]
在该示例中，可以为每个个体计算给定持续时间特性的概率，使得如果p0＝z0＝0.5，则该个体有50％的机会没有在任何持续时间进行观看。为了估计该示例中的受众具有
至多5个时间单位的持续时间的概率，受众度量估计器140可以应用等式1来生成估计，如下面的示例2中所示：
[0065][0066]
图5是表示机器可读指令的流程图308，该机器可读指令可以被执行以实现图2的示例受众度量估计器140的元素，该流程图表示用于确定概率散度的指令。一旦如上面结合图4所描述的，受众度量估计器140使用概率分布生成器220生成概率分布，则概率散度确定器230确定概率散度。概率散度允许在两个概率分布之间进行比较。在本文公开的示例中，概率散度允许在第三方订户数据的分布和普查级数据的分布之间进行比较。在本文公开的示例中，使用kullback-leibler概率散度(kl散度)来测量这两个概率分布之间的差异(例如，确定一个概率分布与另一个概率分布的近似程度)。例如，概率散度确定器230将第三方订户数据定义为先验分布(q)，将普查级数据定义为后验分布(p)。受众规模和持续时间在第k个人口统计群体(uk)中的整个个体群体中均匀划分，因此u表示群体全域估计。全域估计(例如，总受众)可以定义为，例如，在与媒体受众度量相关的特定感兴趣地理范围内和/或在感兴趣的时间期间访问媒体的总人数。例如，全域估计可以基于在评估用户设备112记录的印象期间由ame 130获得的普查级数据132。例如，第k个人口统计群体可以表示人口统计类别(例如，35-40岁的女性、35-40岁的男性等)。因此，概率散度确定器230以与如下等式19-22一致的方式，将第三方数据定义为第k个人口统计群体中的先验概率分布(qk)(框502)，并且将普查级数据定义为第k个人口统计群体中的后验概率分布(pk)(框504)：
[0067][0068][0069][0070]
在等式14-16中，第k个人口统计群体中的特定个体是第三方聚合的订户受众总数(ak)的成员的概率被定义为ak/uk，第k个人口统计群体中的特定个体具有在第三方聚合的持续时间总和(dk)中的持续时间的概率被定义为dk/uk。在本文公开的示例中，受众度量估计器140访问第三方数据(例如，图1的订户数据122)，其提供订户受众(ak)和持续时间(dk)(例如，分别是图1的受众124数据和持续时间126数据)的匿名化聚合数据。然而，对于普查级数据，受众度量估计器140只能访问普查级总持续时间134。在等式14-16中，第k个人口统计群体中的特定个体是普查级独特受众总数(xk)的成员的概率被定义为xk/uk，第k个人口统计群体中的特定个体具有在普查级持续时间总和(tk)中的持续时间的概率被定义为tk/uk。一旦概率散度确定器230分别定义了第三方订户数据的先验分布和普查级数据的后验分布(框502和504)，则散度参数求解器234确定第k个人口统计群体中的先验分布和后验分布之间的散度，以便为普查级独特受众和持续时间找到解(框506)，如下面结合图6详细描述的。
[0071]
图6是表示机器可读指令的流程图506，该机器可读指令可以被执行以实现图2的示例受众度量估计器140的元素，该流程图表示用于确定图5的概率散度的指令。除了具有
不同的值外，先验分布(qk)和后验分布(pk)在同一个域中，并且具有相同的线性约束。因此，散度参数求解器234表示根据如下等式17的个体的从第三方订户数据到普查级数据的散度(例如，kullback-leibler散度kl(pk:qk)，其中，pk是表示普查级数据的后验概率分布，qk是表示第三方订户数据的先验概率分布)：
[0072][0073]
在等式17中，散度参数求解器234用z表示法表示kl散度，参考如前所述在等式11-13中确定并在下面再现为等式24-27的z0、z1、和z2的解。在一些示例中，散度参数求解器234扩展等式17以根据等式18产生任何给定个体在第k个人口统计群体中的分布可以如何变化的描述：
[0074][0075]
鉴于假定第k个人口统计群体中的所有个体都具有相同的行为，散度参数求解器234将kl(pk:qk)乘以第k个人口统计群体(uk)中的个体数量以确定人口统计群体中的个体可以如何共同改变(例如，由于散度相同，因此使用乘法而不是将每个单独的kl散度加在一起)。为了确定跨群体的总散度，散度参数求解器234根据等式19跨所有散度和所有人口统计群体求和：
[0076][0077]
为了充分描述受众的行为和持续时间，散度参数求解器234根据等式20最小化等式19：
[0078][0079]
受制于
[0080]
在等式20中，{xk}和{tk}分别表示与独特受众规模、印象持续时间有关的普查级数
据，所有这些都是未知的。然而，等式20受制于独特受众规模持续时间{tk}的值的总和等于总普查级持续时间(t)(例如，总持续时间134)，这在本文中也称为等式约束。在一些示例中，散度参数求解器234通过根据等式21-23取等式组20的拉格朗日量来求解该等式组(例如，当2k 1等式组全为零时求解)，其中该解针对所有人口统计群体k＝{1,2,...,k}，除了将关于拉格朗日乘数(λ)的偏导数设置为等于0(例如，等式24)外：
[0081][0082][0083][0084][0085]
散度参数求解器234使用拉格朗日乘数(λ)求解等式21的拉格朗日量，以表示普查级总持续时间约束除了跨人口统计群体的总持续时间约束(λ)之外，每个人口统计群体都是相互排斥的，不会影响其他人口统计群体。因此，除了增加上述约束之外，普查级独特受众规模{xk}和持续时间{tk}的基于拉格朗日量的导数涉及相同人口统计群体(例如，35-40岁的女性)的项。因此，普查级独特受众规模{xk}和持续时间{tk}的基于拉格朗日量的导数可以分别根据等式25和26来表示：
[0086][0087][0088]
受众度量估计器140基于等式25和26确定普查级个体数据{xk,tk}的解，其中xk和tk都出现在每个等式内，使得当等于零时可以同时求解这些等式。{xk}的解可以根据等式27表示，而{tk}的解可以基于等式28根据等式29表示：
[0089][0090][0091]
[0092]
作为求解的一部分，搜索空间识别器232基于普查级总持续时间(λ)等式约束建立有界区间(框602、604)。例如，跨所有人口统计群体的最小化可以用等式30的不等式表示，使得xk的估计值随着总持续时间(λ)的增加而增加，并且在人口统计群体k(uk)中的个体总数达到xk的最大限制：
[0093][0094]
在等式30中，任何人口统计群体k的普查级总持续时间(λ)等式约束的值的上限可以定义为第三方订户受众规模(ak)与第三方持续时间(dk)的比率。同样，普查级总持续时间(λ)等式约束的值低于所有人口统计群体的最小限制。在λ＝0时，每个人口统计群体的普查级持续时间(tk)的估计与每个人口统计群体的第三方订户持续时间(dk)没有不同，因此tk＝dk且xk＝ak，使得普查估计复制第三方订户信息。如果对任何普查变量都没有约束，并且kl散度尽可能地最小化，使得没有限制的最小值等于先验值，则这一点成立。此外，随着λ接近负无穷大(λ
→‑
∞)，xk和tk都变为零(例如，当普查总持续时间小于第三方订户估计时，这可能适用)。如果每个人口统计群体的平均观看持续时间定义为ck＝dk/ak，则最小值的指数k与人口统计群体中最大持续时间ck的指数相同。例如，如果人口统计群体中的最长持续时间被定义为c*，则等
[0095]
式30的等式约束可以根据等式31重写：
[0096][0097]
此外，如果第三方总持续时间(d)被设置为小于或等于总普查级持续时间(t)(例如，d≤ t)，则搜索空间识别器232可以升级持续时间以匹配更大的总持续时间，使得有界区间(例如，等式约束)可以根据等式32表示：
[0098][0099]
当受众度量估计器140基于z0、z1和z2的解来估计每个人口统计群体的普查级受众规模{xk}和普查级持续时间{tk}时(框606)，搜索空间识别器232验证满足上述等式约束(例如，等式30和等式32)(框608)。例如，迭代器236可以在给定的搜索空间上迭代，直到满足等式约束，而普查级输出计算器238输出满足给定约束的最终普查级个体数据。因此，对第三方订户数据的访问允许受众度量估计器140通过求解{xk,tk}来估计普查级独特受众规模和持续时间。
[0100]
图7a-图7c包括表示机器可读指令的示例编程代码，该机器可读指令可以被执行以实现图1-图2的示例受众度量估计器，以基于第三方订户数据122(例如，受众规模124和持续时间126)和普查级总持续时间134，来跨多个人口统计群体估计普查级独特受众规模312和普查级持续时间314。图3-图6的示例指令可用于matlab开发环境。然而，类似的指令可用于在其他开发环境中实现本文公开的技术。在图7a中，附图标记702的示例指令将每个受众的平均持续时间定义为ck＝dk/ak，并将人口统计群体中的最高持续时间定义为c*(例如，cstar)，如结合上面的图6所描述的。这允许基于等式32(例如，使用min_lambda和max_lambda)定义在求解普查级估计时应满足的等式约束。在图7b中，附图标记704的示例指令
实现二分法求根以求解普查级估计(例如censusaudience和censusduration)。虽然在该示例中使用二分法求根，但是可以实施任何其他方法以基于结合图3-图6描述的推导来执行普查级估计。附图标记704的指令实现循环以求解普查级估计，同时满足由附图标记702的指令定义的等式约束。附图标记706的示例指令求解独特受众规模的普查级估计(例如，censusaudience)，而附图标记708的示例指令求解持续时间的普查级估计(例如，censusduration)。在图7c中，附图标记710的示例指令将预期总普查级持续时间(例如，estimatedtotalduration)设置为等于所确定的基于人口统计群体的普查级持续时间(例如，censusduration)的总和。附图标记712的示例指令基于估计的普查级总持续时间与所有人口统计群体的持续时间(例如，总持续时间134)之间的差值是否大于零来确定等式约束的上界限和下界限(例如，等式32的λ)。例如，如果差值大于零，则等式约束的上界限下移。否则，等式约束的下界限上移。因此，由搜索空间识别器216定义的搜索空间可以根据估计的总普查级持续时间的计算值而变化。
[0101]
图8a-图8c包括提供第三方订户数据和普查级数据的示例数据集(包括由图1-2的示例受众度量估计器140使用的总持续时间数据)，以生成跨人口统计群体的独特受众和持续时间的普查级估计。图8a列出了表800，其具有在基于第三方订户数据确定普查级数据时自始至终使用的符号。例如，附图标记802标识人口统计群体k(例如，人口统计群体1可以指代35-40岁的女性，人口统计群体2可以指代35-40岁的男性等)。附图标记804标识群体(例如，每个人口统计群体(uk)的全域受众(u))。附图标记806标识第三方订户数据，包括订户数据受众规模(ak)和持续时间(dk)。附图标记808标识普查级数据，包括普查级独特受众(xk)和普查级持续时间(tk)。附图标记810标识每个数据组的总数，包括总全域受众(u)、第三方总受众规模(a)、第三方总持续时间(d)、普查级总受众规模(x)、和普查级总持续时间(t)。
[0102]
图8b示出了具有可从图1的第三方订户数据122获得的示例数据集、以及图1的普查级总持续时间134可用的示例数据集的表820。例如，考虑总共四个不同的人口统计群体(k)(附图标记822)(例如，18岁以下的群体、18-34岁的群体、35-44岁的群体、和55岁及以上的群体)。对于每个人口统计群体(例如，k＝1-4)，群体824(例如，全域受众，uk)的范围为从总共1000到总共10000人。第三方订户数据826包括每个人口统计群体的受众规模和持续时间的值，以及总受众规模和总持续时间的值。普查级数据828仅包括总持续时间(例如，17400)，而特定人口统计群体的独特受众规模和持续时间以及总独特受众规模都是使用贯穿本技术描述的方法求解并应用于以下示例的变量。例如，使用可从示例表820中获得的数据，每个人口统计群体中最高的平均持续时间是针对18-34岁年龄范围的人口统计群体的(例如，3600分钟的最大值)。该数据用于确定ck＝dk/ak(例如，d
18-34
/a
18-34
＝3,600/2,000＝1.8)，如结合图6所述的。基于该计算，等式32可用于进一步确定搜索空间(例如，使用搜索空间识别器216)，如示例3所示，其中搜索空间界限的上限是ck的乘法逆(例如，其中ck表示整个人口统计群体中较高的平均持续时间，如由c*定义)：
[0103][0104]
对于示例3的等式的搜索空间区间中的每个λ值，可以基于等式27(再现如下)计算估计的普查级受众规模，并且可以基于等式29(再现如下)计算估计的普查持续时间，直到
匹配总持续时间约束。例如，对等式27和29使用λ＝0.2346，为每个人口统计群体生成一组值，这些值表示普查级830独特受众规模{xk}和普查级持续时间{tk}的解(示例4)：
[0105][0106][0107][0108][0109]
示例4产生使用λ＝0.2346(其中0≤λ≤0.555)确定的{xk}和{tk}值，因为在这个λ值处，可以满足由等式20(再现如下)设置的持续时间约束(例如，所有普查级持续时间tk的总和等于已知的普查级总持续时间t)：
[0110][0111]
受制于
[0112]
图8c示出了具有可从图1的第三方订户数据122获得的示例数据集846、以及可用于图1的普查级总持续时间134的示例数据集848的表840。在图8c的示例表840中，第三方订户数据846的持续时间具有与图8b的表820相同的每个人口统计群体842的受众规模数据、以及相同的群体规模844。然而，假定持续时间测量的单位从分钟变为小时，每个人口统计群体842的第三方订户数据846的持续时间比图4b的表820中所示的要短得多。例如，如果将持续时间更改为新单位(例如，通过乘以缩放因子)，则普查级持续时间的最终估计值也应按相同因子缩放，而受众规模的估计值应保持不变。例如，图8b的第三方订户数据826的持续时间除以60(例如，将分钟更改为小时、或秒更改为分钟，这取决于原始单位)，会产生每个人口统计群体k的第三方订户数据846的持续时间。如图8b所描述的求解过程与图8c中所示的数据保持相同。例如，可以使用示例5，基于具有每个受众成员总数的最大持续时间的人口统计群体的值(例如，2000个个体为60小时)定义搜索空间：
[0113][0114]
对于λ’＝14.0746，可以为所有人口统计群体确定普查级受众规模{xk}和普查级持续时间{tk}的解，如图8c的示例表840的填充的普查级部分850所示。因此，估计的普查级受众保持与图8b的示例相同，而所有估计的普查级持续时间都按与输入相同的因子进行缩放(例如，从分钟更改为小时将比例更改60倍)。同样，λ也按相反方向缩放以抵消持续时间的缩放(例如，λ’/λ＝14.0746/0.2346＝60)。鉴于持续时间的时间单位可以是任何比例尺，
持续时间解按相同的因子缩放。因此，持续时间的单位(例如，分钟、小时或秒)的使用可以是任何选择的单位，只要该单位在整个引用数据中是一致的。如使用示例表820和840所示的，受众估计是比例无关的，而持续时间估计是比例不变的。因此，当使用不同的时间单位比例尺时，受众估计不会改变，而持续时间估计会按相同的因子进行缩放。例如，等式33表示受众估计的比例尺独立性，其中s是时间的缩放因子，并且对于该比例尺的λ的新解由λ’表示，因此当λ’＝λ/s时达到相等：
[0115][0116]
同样，普查级持续时间的比例不变性可以根据等式34表示，其中x’k
是已准备好的受众估计，xk(未准备好的)是原始受众估计，因此当λ’＝λ/s时再次达到相等：
[0117][0118]
因此，鉴于这些属性在λ’＝λ/s时保留，普查级受众估计保持不变，并且普查级持续时间适当缩放，其中λ表示原始数据的解和约束，而由于时间缩放，解是相同的λ，尽管除以缩放因子(s)。
[0119]
在上面公开的示例中，假设群体是有限群体。然而，如果假设群体是无限的，则所公开的用于确定普查级解的等式可以简化的有效应用包括：(1)各个群体未知，只有群体的人口统计比例，和/或(2)给定数据的值是如此小(例如，与全域估计群体的下界限相比)以至于考虑有限群体是不必要的，并且在假设无限群体时甚至可以具有可忽略不计的影响。例如，要使用无限群体进行求解，可以对某个群体比例πk做出与等式35一致的假设，使得全域受众接近无穷大(u
→
∞)：
[0120]
uk＝πku等式35
[0121]
使用等式35对原始等式27中的uk进行替换(例如，普查级独特受众估计的解)得出等式36：
[0122][0123]
此外，随着全域受众接近无穷大(u
→
∞)，等式36可以重写为等式37：
[0124][0125]
将等式37代入原始等式29(例如，表示普查级持续时间估计的解)得出等式38的分析公式：
[0126]
[0127]
然而，搜索空间界限保持不变，因此等式30仍然有效，并可用于使用无限群体(例如，全域受众)假设来求解普查级独特受众和持续时间估计。
[0128]
图9是构造成执行图3-图6的指令以实现图1-图2的示例受众度量估计器的示例处理平台的框图。处理器平台900可以是，例如，服务器、个人计算机、工作站、自学习机(例如，神经网络)、移动设备(例如，手机、智能手机、诸如ipad
tm
的平板电脑)、个人数字助理(pda)、互联网设备、或者任何其他类型的计算设备。
[0129]
所示示例的处理器平台900包括处理器906。所示示例的处理器906是硬件。例如，处理器906可以由一个或多个集成电路、逻辑电路、微处理器、gpu、dsp、或来自任何期望家族或制造商的控制器来实现。硬件处理器906可以是基于半导体(例如，基于硅)的设备。在该示例中，处理器906实现图2的示例概率分布生成器220和示例概率散度确定器230。
[0130]
所示示例的处理器906包括本地存储器908(例如，高速缓存)。所示示例的处理器906通过总线918与包括易失性存储器902和非易失性存储器904的主存储器通信。易失性存储器902可以由同步动态随机存取存储器(sdram)、动态随机存取存储器(dram)、动态随机存取存储器和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器904可以由闪存和/或任何其他期望类型的存储器设备来实现。对主存储器902、904的访问由存储器控制器控制。
[0131]
所示示例的处理器平台900还包括接口电路914。接口电路914可以由任何类型的接口标准实现，例如以太网接口、通用串行总线(usb)、接口、近场通信(nfc)接口、和/或pci-express(串行总线)接口。
[0132]
在所示示例中，一个或多个输入设备912连接到接口电路914。(一个或多个)输入设备912允许用户向处理器906输入数据和/或命令。(一个或多个)输入设备可以由例如音频传感器、麦克风、照相机(静物或视频)、键盘、按钮、鼠标、触摸屏、轨迹板、轨迹球、等点、和/或语音识别系统来实现。
[0133]
一个或多个输出设备916也连接到所示示例的接口电路914。输出设备916例如可以由显示设备(例如，发光二极管(led)、有机发光二极管(oled)、液晶显示器(lcd)、阴极射线管显示器(crt)、就地开关(ips)显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此，所示示例的接口电路914通常包括图形驱动卡、图形驱动芯片和/或图形驱动处理器。
[0134]
所示示例的接口电路914还包括通信设备(例如发射器、接收器、收发器、调制解调器、住宅网关、无线接入点和/或网络接口)，以促进通过网络924与外部机器(例如，任何种类的计算设备)交换数据。通信可以通过例如以太网连接、数字用户线路(dsl)连接、电话线连接、同轴电缆系统、卫星系统、直线对传式无线系统、蜂窝电话系统等实现。
[0135]
所示示例的处理器平台900还包括用于存储软件和/或数据的一个或多个大容量存储设备910。此类大容量存储设备910的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光光盘驱动器、独立磁盘冗余阵列(raid)系统和数字多功能盘(dvd)驱动器。大容量存储设备910包括图2的示例数据存储器210。
[0136]
图3-图6中表示的机器可执行指令920可以存储在大容量存储设备920、易失性存储器902、非易失性存储器904、和/或可移除的非暂时性计算机可读存储介质(例如cd或
dvd)上。
[0137]
根据上文，可以理解，示例系统、方法和装置允许使用第三方订户级受众度量，其提供关于持续时间和独特受众规模的部分信息，以克服在估计媒体的总独特受众规模时普查级印象的匿名性。在本文公开的示例中，受众度量估计器通过以下来跨人口统计群体确定普查级独特受众和持续时间：生成概率分布和确定第三方普查级数据和订户数据之间存在的概率散度，以及基于等式约束建立界限内的搜索空间，使得在满足等式约束之前在搜索空间上迭代会产生普查级各个数据估计。本文公开的示例使用第三方得出的部分受众度量和总普查级持续时间来确定不同人口统计群体在普查级别上的受众规模和持续时间。本文公开的示例允许在逻辑上与所有约束、比例独立性和不变性一致的估计。此外，本文公开的示例允许监控任何一种或多种媒体类型的媒体印象。
[0138]
尽管本文已经公开了某些示例方法、装置和制品，但是本专利的覆盖范围不限于此。相反，本专利涵盖了完全落入本专利权利要求范围内的所有方法、装置和制品。