CN107481037B - 原生广告插播方法和装置 - Google Patents

原生广告插播方法和装置 Download PDF

Info

Publication number
CN107481037B
CN107481037B CN201710605797.1A CN201710605797A CN107481037B CN 107481037 B CN107481037 B CN 107481037B CN 201710605797 A CN201710605797 A CN 201710605797A CN 107481037 B CN107481037 B CN 107481037B
Authority
CN
China
Prior art keywords
training
training sample
advertisement insertion
advertisement
deep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710605797.1A
Other languages
English (en)
Other versions
CN107481037A (zh
Inventor
赵夕炜
徐夙龙
江雪
胡景贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201710605797.1A priority Critical patent/CN107481037B/zh
Publication of CN107481037A publication Critical patent/CN107481037A/zh
Application granted granted Critical
Publication of CN107481037B publication Critical patent/CN107481037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明实施例公开了一种原生广告插播方法和装置，涉及计算机技术领域。其中，该方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。本发明提供的原生广告插播方法，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现了更优的原生广告插播效果。

Description

原生广告插播方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种原生广告插播方法和装置。
背景技术
原生广告是近几年兴起的一种广告样式，其以尽可能小地伤害用户体验为前提，与原生信息流高度融合。例如，在电商等购物类应用中，原生广告会是一条商品搜索结果；在微博、微信等社交应用中，原生广告会是一则微博或者是朋友圈的一则说说。
如何在原生信息流中插入原生广告是一个复杂的研究课题。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的原生广告插播方法对于用户体验的量化指标限制不是特别明确，无法有效评估不同插播结果对用户体验的影响；同时，现有的原生广告插播方法大多基于固定的广告位次进行插播，无法满足动态调整广告位次的需求，进而造成原生广告插播效果不理想。
发明内容
有鉴于此，本发明实施例提供一种原生广告插播方法和装置，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现更优的原生广告插播效果。
为实现上述目的，根据本发明实施例的一个方面，提供了一种原生广告插播方法。
本发明实施例的原生广告插播方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
可选地，所述方法还包括：基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从未插入广告的搜索展示记录中提取的特征数据。
可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000021
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000022
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000023
代表优化MA、MN以使损失函数取得极小值。
可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000024
Figure GDA0002649592480000025
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000026
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000027
代表优化MA以使函数
Figure GDA0002649592480000028
取得极大值。
可选地，所述方法还包括：在所述根据第二对抗优化方式对深度神经网络进行训练的步骤之前，基于第二训练样本训练销售额(GMV)预估网络；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。
可选地，所述方法还包括：将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。
为实现上述目的，根据本发明实施例的另一方面，提供了一种原生广告插播装置。
本发明实施例的原生广告插播装置包括：预估模块，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；过滤模块，用于将预估值大于预设阈值的候选广告插播结果滤除；选取模块，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
可选地，所述装置还包括：训练模块，用于基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从没插入广告的搜索展示记录中提取的特征数据。
可选地，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000031
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000041
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000042
代表优化MA、MN以使损失函数取得极小值。
可选地，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第二对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000043
Figure GDA0002649592480000044
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000045
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000046
代表优化MA以使函数
Figure GDA0002649592480000047
取得极大值。
可选地，所述训练模块还用于：基于第二训练样本训练销售额(GMV)预估网络；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。
可选地，所述装置还包括：生成模块，用于将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。
为实现上述目的，根据本发明实施例的再一个方面，提供了一种服务器。
本发明实施例的服务器，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的原生广告插播方法。
为实现上述目的，根据本发明实施例的又一个方面，提供了一种计算机可读介质。
本发明实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的原生广告插播方法。
上述发明中的一个实施例具有如下优点或有益效果：在本发明实施例中，通过预估器对“候选广告插播结果包含广告的概率”这一用户体验的量化指标进行预估，能够有效评估不同候选广告插播结果对用户体验的影响；通过将预估值大于预设阈值的候选广告插播结果滤除，并从过滤剩下的候选广告插播结果中选取待展示的广告插播结果，能够进一步减少原生广告插播对用户体验的伤害，同时能够满足动态调整广告位次的原生广告插播需求。进而，通过以上步骤，能够实现更优的原生广告插播效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明一个实施例的原生广告插播方法的主要步骤示意图；
图2是根据本发明另一实施例的原生广告插播方法的主要步骤示意图；
图3是根据本发明实施例的深度网络映射器的结构示意图；
图4是根据本发明实施例的深度网络辨别器的结构示意图；
图5是根据本发明实施例的GMV预估网络的结构示意图；
图6是根据本发明一个实施例的原生广告插播装置的主要模块示意图；
图7是根据本发明另一实施例的原生广告插播装置的主要模块示意图；
图8是本发明实施例可以应用于其中的示例性系统架构图；
图9是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。
图1是根据本发明一个实施例的原生广告插播方法的主要步骤示意图。如图1所示，该实施例的原生广告插播方法主要包括以下步骤：
步骤S101、基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估。
具体实施时，在接收到用户的搜索请求之后，会根据该搜索请求生成多个候选广告插播结果。然后，基于所述预估器对每个候选广告插播结果包含广告的概率进行预估。一般来说，所述预估值越大，意味着预估器判断候选广告插播结果中含有广告的可能性越大，进而，该候选广告插播结果对用户体验的影响越大；所述预估值越小，意味着预估器判断候选广告插播结果含有广告的可能性越小，进而，该候选广告插播结果对用户体验的影响越小。通过步骤S101，可得到各个候选广告插播结果包含广告的概率的预估值，从而能够有效评估不同候选广告插播结果对用户体验的影响。
步骤S102、将预估值大于预设阈值的候选广告插播结果滤除。
其中，所述预设阈值满足：大于等于0且小于等于1。具体实施时，所述预设阈值的取值可根据业务需求确定。例如，可将预设阈值设为0.3、0.4或0.5。通过步骤S102，能够筛选出对用户体验影响较小的候选广告插播结果。并且，通过“候选广告插播结果包含广告的概率的预估值”这一指标进行筛选，能够满足动态调整广告位次的插播需求。
步骤S103、从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
其中，步骤S103有多种实施方式。例如，在一实施方式中，步骤S103包括：步骤(a)、对过滤剩下的每个候选广告插播结果进行点击率预估。具体实施时，可基于训练得到的点击率预测模型对过滤剩下的每个候选广告插播结果中含有的广告被点击的概率(即点击率)进行预估，从而得到点击率预估值。步骤(b)、根据点击率预估值(pctr)和广告主出价(bid)计算过滤剩下的每个候选广告插播结果的期望广告收入。具体实施时，可根据公式pctr*bid计算每个候选广告插播结果的期望广告收入。步骤(c)、将期望广告收入最大的候选广告插播结果作为待展示的广告插播结果。通过该实施方式，能够使待展示的广告插播结果对用户体验的影响较小、且期望广告收入较大，进而实现更优的原生广告插播效果。
在本发明实施例中，通过引入“候选广告插播结果包含广告的概率的预估值”这一用户体验的量化指标，并通过以上步骤获取待展示的广告插播结果，能够减少原生广告插播对用户体验的伤害，满足动态调整广告位次的需求，进而带来更优的原生广告插播效果。
图2是根据本发明另一实施例的原生广告插播方法的主要步骤示意图。如图2所示，该实施例的原生广告插播方法主要包括以下步骤：
步骤S201、基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到预估器。
其中，所述第一训练样本包括：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本包括：从未插入广告的搜索展示记录中提取的特征数据。以电商购物类应用为例，所述插入广告的搜索展示记录包括：搜索请求、插入广告的商品展示列表；所述未插入广告的搜索展示记录包括：搜索请求、未插入广告的商品展示列表。在该场景下，第一、第二训练样本可包括：搜索请求切词、商品展示列表中的商品名称切词，搜索请求切词与商品名称切词的匹配词，商品好评率。可理解的是，在不影响本发明实施的情况下，本领域技术人员可以根据业务需求对第一、二训练样本包括的特征数据进行改动。
其中，所述深度神经网络包括：深度网络映射器、深度网络辨别器。由于第一训练样本和第二训练样本的特征分布不一样，故需要两个深度网络映射器。在训练过程中，一个深度网络映射器用于将第一训练样本映射至深度网络辨别器的向量空间；另一个深度网络映射器用于将第二训练样本映射至深度网络辨别器的向量空间；深度网络辨别器用于接收深度网络映射器输出的向量，并判断第一、二训练样本中是否带广告。
在本发明实施例中，步骤S201有多种实施方式。在一实施方式中，步骤S201包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000081
其中，V(D,MA,MN)代表损失函数，其优先选取交叉熵的格式；D代表深度网络辨别器函数，其输出值为0～1之间的数值，表示样本中带广告的概率；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000091
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000092
代表优化MA、MN以使损失函数取得极小值。
在第一对抗优化方式中，D、MN和MA的参数在对抗训练中学习变动。其中，深度网络辨别器的优化目标是尽可能分辨出训练样本中是否包含广告，深度网络映射器的优化目标是尽可能让辨别器分辨不出来样本是否带广告。理想状态下，当优化目标达到对抗平衡时，深度网络辨别器分辨不出训练样本是否包含广告。并且，在第一对抗优化方式中，第一、二训练样本可优选对用户体验影响较大的特征数据，比如商品好评率等。在训练完成以后，由MA与D可组建一个预估器，以对候选广告插播结果包含广告的概率进行预估。
在另一实施方式中，步骤S201包括：步骤一、预先训练MN，具体包括：基于第二训练样本训练销售额(GMV)预估网络，其中，GMV预估网络是一个拟合模型，其输出为销售额的预估值；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。步骤二、根据第二对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000093
Figure GDA0002649592480000094
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000101
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000102
代表优化MA以使函数
Figure GDA0002649592480000103
取得极大值。
在第二对抗优化方式中，提前训练得到的MN在对抗训练中保持不变，只有D和MA的参数在对抗训练中学习变动。在训练完成以后，由MA与D可组建一个预估器，以对候选广告插播结果包含广告的概率进行预估。
在再一实施方式中，也可将第一对抗优化方式与第二对抗优化方式结合起来对深度神经网络进行训练，以得到预估器。通过采用第一、第二对抗优化方式对深度神经网络进行训练，能够提高预估器的预估准确率。进而，基于所述预估器对候选广告插播结果含有广告的概率进行评估，能够更有效地评估不同候选广告插播结果对用户体验的影响。
步骤S202、将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果。其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。
例如，用户在电商购物应用的搜索引擎中输入“连衣裙”这一搜索请求，搜索引擎根据该搜索请求返回了9条不带广告的商品信息。那么，这9条不带广告的商品信息可被称为自然搜索结果。另外，假设选取了50条与搜索请求相关的广告，并假设广告插播目标是：在9条自然搜索结果中插播一条广告。那么，生成的候选广告插播结果的个数为500个。以上只是关于自然搜索结果、生成候选广告插播结果的示例性说明，不应构成对本发明保护范围的限制。另外，可理解的是，在不影响本发明实施的情况下，可先执行步骤S201，再执行步骤S202；也可先执行步骤S202，再执行步骤S201。
步骤S203、基于所述预估器对每个候选广告插播结果包含广告的概率进行预估。
例如，将500个候选广告插播结果的特征数据输入预估器，能得到每个候选广告插播结果中包含广告的概率预估值。可理解的是，以上只是对步骤S203的示例性说明，并不能构成对本发明保护范围的限制。
步骤S204、将预估值大于预设阈值的候选广告插播结果滤除。
例如，将预设阈值设为0.4，则将预估值大于0.4的候选广告插播结果滤除。可理解的是，以上只是对步骤S204的示例性说明，并不能构成对本发明保护范围的限制。
步骤S205、从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。关于步骤S205，可参考步骤S103的相关表述。
在本发明实施例中，通过对深度神经网络进行训练，能提高预估器的预估准确率；通过生成候选广告插播结果、并通过所述预估器对“候选广告插播结果包含广告的概率”这一用户体验的量化指标进行预估，并将预估值大于预设阈值的候选广告插播结果滤除等步骤，能够进一步减少原生广告插播对用户体验的伤害，同时能够满足动态调整广告位次的原生广告插播需求，进而实现更优的原生广告插播效果。
图3是根据本发明实施例的深度网络映射器的结构示意图。如图3所示，本发明实施例的深度网络映射器包括：输入层、隐藏层、输出层。其中，输入层用于输入特征数据，输出层用于输出映射向量，该映射向量作为深度网络辨别器的输入向量。可理解的是，图3只是对本发明实施例的深度网络映射器的示例性说明，图3所示隐藏层的层数、每层节点的个数并不能构成对本发明的限制。
图4是根据本发明实施例的深度网络辨别器的结构示意图。如图4所示，本发明实施例的深度网络辨别器包括：输入层、隐藏层、输出层。其中，输入层用于输入深度网络映射器生成的映射向量，输出层用于输出训练样本或测试样本(比如，候选广告插播结果)中是否包含广告的概率预估值。可理解的是，图4只是对本发明实施例的深度网络映射器的示例性说明，图4所示隐藏层的层数、每层节点的个数并不能构成对本发明的限制。
图5是根据本发明实施例的GMV预估网络的结构示意图。如图5所示，本发明实施例的GMW预估网络包括：输入层、隐藏层、输出层。其中，输入层用于输入不带广告的训练样本，即第二训练样本，输出层用于输出销售额(GMV)预估值。在GMV预估网络训练完成之后，将最后一层的拟合节点去除，即可得到用于第二对抗优化方式中的MN。可理解的是，图5只是对本发明实施例的深度网络映射器的示例性说明，图5所示隐藏层的层数、每层节点的个数并不能构成对本发明的限制。
图6是根据本发明一个实施例的原生广告插播装置的主要模块示意图。如图6所示，该实施例的原生广告插播装置600主要包括：预估模块601、过滤模块602、选取模块603。
预估模块601，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估。
一般来说，候选广告插播结果包含广告的概率预估值越大，意味着预估器判断候选广告插播结果中含有广告的可能性越大，进而，该候选广告插播结果对用户体验的影响越大；候选广告插播结果包含广告的概率预估值越小，意味着预估器判断候选广告插播结果含有广告的可能性越小，进而，该候选广告插播结果对用户体验的影响越小。通过预估模块601，可得到各个候选广告插播结果包含广告的概率的预估值，从而能够有效评估不同候选广告插播结果对用户体验的影响。
过滤模块602，用于将预估值大于预设阈值的候选广告插播结果滤除。
其中，所述预设阈值满足：大于等于0且小于等于1。具体实施时，所述预设阈值的取值可根据业务需求确定。例如，可将预设阈值设为0.3、0.4或0.5。通过过滤模块602，能够筛选出对用户体验影响较小的候选广告插播结果。并且，通过过滤模块602对“候选广告插播结果包含广告的概率的预估值”这一用户体验量化指标进行筛选，能够满足动态调整广告位次的插播需求。
选取模块603，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
在一实施方式中，选取模块603选取待展示的广告插播结果包括：选取模块603对过滤剩下的每个候选广告插播结果进行点击率预估。具体实施时，可基于训练得到的点击率预测模型对过滤剩下的每个候选广告插播结果中含有的广告被点击的概率(即点击率)进行预估，从而得到点击率预估值。然后，选取模块603根据点击率预估值(pctr)和广告主出价(bid)计算过滤剩下的每个候选广告插播结果的期望广告收入。具体实施时，可根据公式pctr*bid计算每个候选广告插播结果的期望广告收入。接下来，选取模块603将期望广告收入最大的候选广告插播结果作为待展示的广告插播结果。通过该实施方式，能够使待展示的广告插播结果对用户体验的影响较小、且期望广告收入较大，进而实现更优的原生广告插播效果。
在本发明实施例中，通过引入“候选广告插播结果包含广告的概率的预估值”这一用户体验的量化指标，并通过预估模块、过滤模块、选取模块获取待展示的广告插播结果，能够减少原生广告插播对用户体验的伤害，满足动态调整广告位次的需求，进而带来更优的原生广告插播效果。
图7是根据本发明另一实施例的原生广告插播装置的主要模块示意图。如图7所示，该实施例的原生广告插播装置700主要包括：训练模块701、生成模块702、预估模块703、过滤模块704、选取模块705。
训练模块701，用于基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器。
其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从没插入广告的搜索展示记录中提取的特征数据。以电商购物类应用为例，第一、第二训练样本可包括：搜索请求切词、商品展示列表中的商品名称切词，搜索请求切词与商品名称切词的匹配词，商品好评率。可理解的是，在不影响本发明实施的情况下，本领域技术人员可以根据业务需求对第一、二训练样本包括的特征数据进行改动。
其中，所述深度神经网络包括：深度网络映射器、深度网络辨别器。由于第一训练样本和第二训练样本的特征分布不一样，故需要两个深度网络映射器。在训练过程中，一个深度网络映射器用于将第一训练样本映射至深度网络辨别器的向量空间；另一个深度网络映射器用于将第二训练样本映射至深度网络辨别器的向量空间；深度网络辨别器用于接收深度网络映射器输出的向量，并判断第一、二训练样本中是否带广告。
在一实施方式中，训练模块701基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure GDA0002649592480000151
其中，V(D,MA,MN)代表损失函数，其优先选取交叉熵的格式；D代表深度网络辨别器函数，其输出值为0～1之间的数值，表示样本中带广告的概率；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000152
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000153
代表优化MA、MN以使损失函数取得极小值。
在训练模块701根据第一对抗优化方式进行训练过程中，D、MN和MA的参数在对抗训练中学习变动。并且，在第一对抗优化方式中，第一、二训练样本可优选对用户体验影响较大的特征数据，比如商品好评率等。在训练完成以后，由MA与D可组建一个预估器，以对候选广告插播结果包含广告的概率进行预估。
在另一实施方式中，训练模块701基于第一训练样本和第二训练样本对深度神经网络进行训练包括：首先，训练模块701训练MN，具体包括：基于第二训练样本训练销售额(GMV)预估网络，其中，GMV预估网络是一个拟合模型，其输出为销售额的预估值；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。然后，训练模块701根据第二对抗优化方式对D、MA进行对抗训练，
Figure GDA0002649592480000154
Figure GDA0002649592480000155
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure GDA0002649592480000161
代表优化D以使损失函数取得极大值；
Figure GDA0002649592480000162
代表优化MA以使函数
Figure GDA0002649592480000163
取得极大值。
在第二对抗优化方式中，提前训练得到的MN在对抗训练中保持不变，只有D和MA的参数在对抗训练中学习变动。在训练完成以后，由MA与D可组建一个预估器，以对候选广告插播结果包含广告的概率进行预估。
在再一实施方式中，训练模块701也可将第一对抗优化方式与第二对抗优化方式结合起来对深度神经网络进行训练，以得到预估器。通过训练模块对深度神经网络进行对抗训练，能够提高预估器的预估准确率。
生成模块702，用于将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。例如，生成模块选取了50条与搜索请求相关的广告，并假设广告插播目标是：在9条自然搜索结果中插播一条广告。那么，生成模块生成的候选广告插播结果的个数为500个。以上只是关于生成模块的示例性说明，不应构成对本发明保护范围的限制。
预估模块703，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估。例如，将500个候选广告插播结果的特征数据输入预估器，能得到每个候选广告插播结果中包含广告的概率预估值。
过滤模块704，用于将预估值大于预设阈值的候选广告插播结果滤除。例如，将预设阈值设为0.4，则将预估值大于0.4的候选广告插播结果滤除。
选取模块705，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。关于选取模块705如何选取待展示的广告插播结果，可参考上一实施例中关于选取模块603的相关表述。
在本发明实施例中，通过训练模块对深度神经网络进行对抗训练，能提高预估器的预估准确率；通过生成模块生成候选广告插播结果、并通过预估模块对“候选广告插播结果包含广告的概率”进行预估，通过过滤模块将预估值大于预设阈值的候选广告插播结果滤除，通过选取模块从过滤剩下的候选广告插播结果中选取待展示的广告插播结果，能够进一步减少原生广告插播对用户体验的伤害，同时能够满足动态调整广告位次的原生广告插播需求，进而实现更优的原生广告插播效果。
图8示出了可以应用本发明实施例的原生广告插播方法或原生广告插播装置的示例性系统架构800。
如图8所示，系统架构800可以包括：终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的搜索请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本发明实施例所提供的原生广告插播方法一般由服务器805执行，相应地，原生广告插播装置一般设置于服务器805中。
应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图9示出了适于用来实现本发明实施例的服务器的计算机系统900的结构示意图。图9示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括预估模块、过滤模块和选取模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，过滤模块还可以被描述为“将预估值大于预设阈值的候选广告插播结果滤除的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种原生广告插播方法，其特征在于，所述方法包括：
将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果；
基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；其中，所述预估器是基于第一训练样本和第二训练样本对深度神经网络进行训练得到的；所述第一训练样本包括：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本包括：从未插入广告的搜索展示记录中提取的特征数据；
将预估值大于预设阈值的候选广告插播结果滤除；
从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
2.根据权利要求1所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure FDA0002717655820000011
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure FDA0002717655820000012
代表优化D以使损失函数取得极大值；
Figure FDA0002717655820000013
代表优化MA、MN以使损失函数取得极小值。
3.根据权利要求1或2所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，
Figure FDA0002717655820000014
Figure FDA0002717655820000021
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure FDA0002717655820000022
代表优化D以使损失函数取得极大值；
Figure FDA0002717655820000023
代表优化MA以使函数
Figure FDA0002717655820000024
取得极大值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述根据第二对抗优化方式对深度神经网络进行训练的步骤之前，
基于第二训练样本训练销售额GMV预估网络；将训练得到的销售额GMV预估网络的最后一层去除，并将去除最后一层的销售额GMV预估网络作为第二对抗优化方式中的MN。
5.一种原生广告插播装置，其特征在于，所述装置包括：
生成模块，用于将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果；
预估模块，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；其中，所述预估器是基于第一训练样本和第二训练样本对深度神经网络进行训练得到的；所述第一训练样本包括：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本包括：从未插入广告的搜索展示记录中提取的特征数据；
过滤模块，用于将预估值大于预设阈值的候选广告插播结果滤除；
选取模块，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
训练模块，用于基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器。
7.根据权利要求6所述的装置，其特征在于，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第一对抗优化方式对深度神经网络进行训练，
Figure FDA0002717655820000031
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure FDA0002717655820000032
代表优化D以使损失函数取得极大值；
Figure FDA0002717655820000033
代表优化MA、MN以使损失函数取得极小值。
8.根据权利要求6或7所述的装置，其特征在于，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第二对抗优化方式对深度神经网络进行训练，
Figure FDA0002717655820000034
Figure FDA0002717655820000035
其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；
Figure FDA0002717655820000036
代表优化D以使损失函数取得极大值；
Figure FDA0002717655820000037
代表优化MA以使函数
Figure FDA0002717655820000038
取得极大值。
9.根据权利要求8所述的装置，其特征在于，所述训练模块还用于：
基于第二训练样本训练销售额GMV预估网络；将训练得到的销售额GMV预估网络的最后一层去除，并将去除最后一层的销售额GMV预估网络作为第二对抗优化方式中的MN。
10.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至4中任一所述的方法。
CN201710605797.1A 2017-07-24 2017-07-24 原生广告插播方法和装置 Active CN107481037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710605797.1A CN107481037B (zh) 2017-07-24 2017-07-24 原生广告插播方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710605797.1A CN107481037B (zh) 2017-07-24 2017-07-24 原生广告插播方法和装置

Publications (2)

Publication Number Publication Date
CN107481037A CN107481037A (zh) 2017-12-15
CN107481037B true CN107481037B (zh) 2021-01-26

Family

ID=60595872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710605797.1A Active CN107481037B (zh) 2017-07-24 2017-07-24 原生广告插播方法和装置

Country Status (1)

Country Link
CN (1) CN107481037B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1658572A (zh) * 2004-02-13 2005-08-24 微软公司 用于预防兜售信息的智能隔离
CN101276417A (zh) * 2008-04-17 2008-10-01 上海交通大学 基于内容的互联网动画媒体垃圾信息过滤方法
AU2012202277A1 (en) * 2012-04-18 2013-11-14 Pillar Sports Pty Ltd Stackla
CN105141987A (zh) * 2015-08-14 2015-12-09 京东方科技集团股份有限公司 广告植入方法和广告植入系统
CN106055664A (zh) * 2016-06-03 2016-10-26 腾讯科技（深圳）有限公司 一种基于用户评论的ugc垃圾内容过滤方法及系统
CN106709742A (zh) * 2015-07-23 2017-05-24 腾讯科技（深圳）有限公司 一种原生广告数据处理方法及装置
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1658572A (zh) * 2004-02-13 2005-08-24 微软公司 用于预防兜售信息的智能隔离
CN101276417A (zh) * 2008-04-17 2008-10-01 上海交通大学 基于内容的互联网动画媒体垃圾信息过滤方法
AU2012202277A1 (en) * 2012-04-18 2013-11-14 Pillar Sports Pty Ltd Stackla
CN106709742A (zh) * 2015-07-23 2017-05-24 腾讯科技（深圳）有限公司 一种原生广告数据处理方法及装置
CN105141987A (zh) * 2015-08-14 2015-12-09 京东方科技集团股份有限公司 广告植入方法和广告植入系统
CN106055664A (zh) * 2016-06-03 2016-10-26 腾讯科技（深圳）有限公司 一种基于用户评论的ugc垃圾内容过滤方法及系统
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Conditional generative adversarial nets;Mirza Mehdi,Osindero Simon;《arXiv preprint arXiv:1411.1784》;20141231;全文 *
生成式对抗网络GAN的研究进展与展望;王坤峰等;《自动化学报》;20170315(第3期);第321第1段-第327第1段 *

Also Published As

Publication number Publication date
CN107481037A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
US11269962B2 (en) Inductive matrix completion and graph proximity for content item recommendation
CN107426328B (zh) 信息推送方法和装置
CN109460513A (zh) 用于生成点击率预测模型的方法和装置
US20160103758A1 (en) Online product testing using bucket tests
WO2018126740A1 (zh) 用于推送信息的方法和装置
CN111125574A (zh) 用于生成信息的方法和装置
US20120239590A1 (en) Managing customer communications among a plurality of channels
US20180129929A1 (en) Method and system for inferring user visit behavior of a user based on social media content posted online
CN113239275B (zh) 信息推送方法、装置、电子设备和存储介质
CN107911449A (zh) 用于推送信息的方法和装置
CN112241327A (zh) 分享信息处理方法、装置、存储介质与电子设备
CN107977678A (zh) 用于输出信息的方法和装置
CN108595448A (zh) 信息推送方法和装置
CN112925973A (zh) 数据处理方法和装置
CN111787042B (zh) 用于推送信息的方法和装置
CN112819528A (zh) 人群包的上线方法、装置及电子设备
US9208509B1 (en) System, method, and computer program for personalizing content for a user based on a size of a working vocabulary of the user
CN110609783A (zh) 用于识别异常行为用户的方法和装置
CN110232581B (zh) 一种为用户提供优惠券的方法和装置
CN110633405A (zh) 用于推送信息的方法和装置
CN112308648A (zh) 信息处理方法及装置
CN107481037B (zh) 原生广告插播方法和装置
US20230043820A1 (en) Method and system for user group determination, churn identification and content selection
CN113158032A (zh) 一种信息推送方法和装置
US10616161B1 (en) Computerized system and method for digital content extraction and propagation in HTML messages

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant