CN108182472A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取用户使用终端输入的文字信息；获取与文字信息语义相关的图片；将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。该实施方式实现了生成点击率。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

互联网针对搜索关键字，广泛使用了图片搭配文本的展示形式，而不再是局限于单纯文字形式。由于搜索关键词往往有多个图片作为备选可以出图，选择展现其中哪一张图片是配图的核心问题。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取用户使用终端输入的文字信息；获取与文字信息语义相关的图片；将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

在一些实施例中，该点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

在一些实施例中，该点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

在一些实施例中，该点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

在一些实施例中，该方法还包括：确定点击率是否在预设阈值范围内；响应于确定点击率在预设阈值范围内，将图片推送到上述终端。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：文字信息获取单元，配置用于获取用户使用终端输入的文字信息；图片获取单元，配置用于获取与文字信息语义相关的图片；信息生成单元，配置用于将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

在一些实施例中，上述点击率预测模型通过以下步骤训练得到:获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

在一些实施例中，该点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

在一些实施例中，点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

在一些实施例中，该装置还包括：确定单元，配置用于确定点击率是否在预设阈值范围内；推送单元，配置用于响应于确定点击率在预设阈值范围内，将图片推送到上述终端。

第三方面，本申请实施例提供了一种服务器，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法，通过获取用户使用终端输入的文字信息，而后获取与文字信息语义相关的图片，之后将文字信息和图片输入至预先训练的点击率预测模型，通过点击率预测模型对文字信息和图片进行特征提取及运算，得到点击率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请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

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如搜索类应用、图像处理类应用、即时通讯类应用等等。

终端设备101、102、103可以是具有显示屏并且支持文字信息输入的各种电子设备，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105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文字信息进行处理的文字信息处理服务器。文字信息处理服务器可以对与文字信息语义相关的图片进行点击率预测等处理，生成点击率。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

应理解，图1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。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。用于生成信息的方法，包括以下步骤：

步骤201，获取用户使用终端输入的文字信息。

在本实施例中，生成信息的方法运行于其上的电子设备(例如上述服务器105)首先获取用户使用终端(例如上述终端101、102、103)输入的文字信息。需要说明的是，上述终端可以通过有线连接方式或者无线连接方式将文字信息发送给上述电子设备的。

作为示例，上述文字信息的内容为“汽车”，用户使用终端上安装的搜索类应用输入“汽车”并通过点击搜索按钮向服务器发起请求。之后，服务器接收到终端发送的文字信息“汽车”。

步骤202，获取与文字信息语义相关的图片。

在本实施例中，上述电子设备根据步骤201获取的文字信息，获取与文字信息语义相关的图片。

可选的，与文字信息语义相关的图片可以是预先存储在上述电子设备中的、技术人员所预先指定的图片，这样的图片可以与文字信息相关。可选的，与文字信息语义相关的图片也可以是上述电子设备通过网络获取与文字信息的语义相关的图片。其中，与文字信息语义相关的图片可以包括以下至少一项：图片注释中包含该文字信息(或者该文字信息的近义词或关联词)的图片；图像周围的文本信息中包含该文字信息的图片；通过图像识别技术或者技术人员对于图像的描述确定图像内容包含该文字信息的图片。

作为示例，基于步骤201获取的文字信息“汽车”，可以提取预先存储在服务器105中的显示有汽车的图片，也可以通过网络获取注释中包含“汽车”的图片。

步骤203，将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

在本实施例中，点击率预测模型可以是人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。人工神经网络通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。这里，电子设备可以将文字信息、图片从人工神经网络的输入侧输入，依次经过点击率预测模型中的各层的参数的处理(例如乘积、卷积等)，并从点击率预测模型的输出侧输出，输出侧输出的信息即为点击率。

可选的，电子设备可以通过多种方式训练出可以表征文字信息、图片与点击率的对应关系的点击率预测模型。

作为示例，点击率预测模型可以是技术人员基于对大量的文字信息、图片和点击率的统计而预先制定的、存储有多个文字信息、图片与点击率的对应关系的对应关系表，并将该对应关系表作为点击率预测模型。这样，电子设备可以将用户使用终端输入的文字信息以及文字信息语义相关的图片与该对应关系表中的多个文字信息、图片依次进行比较，若对应关系表中的存在文字信息、图片与用户使用终端输入的文字信息以及文字信息语义相关的图片相同或相似，则将对应关系表中的该文字信息、图片所对应的点击率作为用户使用终端输入的文字信息以及文字信息语义相关的图片的点击率。

作为示例，点击率预测模型可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对文字信息、图片中的一个或多个数值进行数值计算以得到用于表征点击率的计算结果的计算公式，例如，该计算公式可以是将文字信息与图片语义的近似度的量化值与图片的清晰度的量化值进行相乘的公式，得到的乘积可以用于表征点击率。

在本实施例的一些可选的实现方式中，可以预先按照以下步骤训练得到点击率预测模型：首先，可以获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；之后，将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，用户使用终端301(例如图中的便携式计算机)上安装的搜索类应用输入文字信息303，例如“汽车”，并通过点击搜索按钮向服务器302发起请求。之后，服务器302接收到终端301发送的文字信息303“汽车”并提取预先存储在服务器中的显示有汽车的图片304；然后将该图片304与文字信息303“汽车”输入预先训练的人工神经网络305，得到该图片304的点击率306。从而实现生成图片的点击率。

本申请实施例提供的用于生成信息的方法，通过获取用户使用终端输入的文字信息，而后获取与文字信息语义相关的图片，之后将文字信息和图片输入至预先训练的点击率预测模型，通过点击率预测模型对文字信息和图片进行特征提取及运算，得到点击率。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取用户使用终端输入的文字信息。

在本实施例中，生成信息的方法运行于其上的电子设备首先获取用户使用终端(例如图1所示的终端101、102、103)输入的文字信息。需要说明的是，上述终端可以通过有线连接方式或者无线连接方式将文字信息发送给上述电子设备的。

步骤402，获取与文字信息语义相关的图片。

在本实施例中，上述电子设备根据获取的文字信息的语义，获取与文字信息语义相关的图片。

需要说明的是，与文字信息语义相关的图片可以是预先存储在上述电子设备中的、技术人员所预先指定、与文字信息相关的图片，也可以是上述电子设备通过分析文字信息的语义，通过网络获取的图片。

步骤403，将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率信之间的对应关系。

在本实施例中，该点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

在本实施例的一些可选的实现方式中，上述电子设备可以预先按照以下步骤训练得到点击率预测模型：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

在本实施例的一些可选的实现方式中，训练的可以是初始点击率预测模型，初始点击率预测模型可以是未经训练的点击率预测模型或未训练完成的点击率预测模型，初始化的点击率预测模型的各层可以设置有初始参数，参数在点击率预测模型的训练过程中可以被不断地调整。初始化点击率预测模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始化点击率预测模型可以是未经训练的卷积神经网络，也可以是未经训练的深度神经网络，还可以是对未经训练的卷积神经网络、未经训练的深度神经网络进行组合所得到的模型。这样，可以将文字信息、图片从点击率预测模型的输入侧输入，依次经过点击率预测模型中的各层的参数的处理，并从点击率预测模型的输出侧输出，输出侧输出的信息即为点击率。其中，可以通过计算样本图片的点击次数与展现次数的比值，得到该样本图片的点击率。该样本图片的点击次数和展现次数可以通过系统后台统计得到。

其中，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现。通常，卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。这里，可以将图片从卷积神经网络的输入侧输入，依次经过卷积神经网络中的各层的参数的处理，并从卷积神经网络的输出侧输出，输出侧输出的信息即为图片特征向量。

其中，深度神经网络是一种运算模型，由大量的节点(也称为神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)，也可称为激活函数。此处，上述预先训练的第一深度神经网络的神经元可以使用任意的非线性激活函数(例如，Sigmoid函数、Softplus函数、双极性Sigmoid函数等)对所输入的文字信息进行特征提取，所输出的向量即为文字特征向量。上述预先训练的第二深度神经网络的神经元可以使用任意的非线性激活函数(例如，Sigmoid函数、Softplus函数、双极性Sigmoid函数等)对所输入的文字信息、图片进行计算，得到点击率。上述电子设备可以预先对上述非线性激活函数进行有监督的训练得到上述第一深度神经网络、第二深度神经网络。

在本实施例的一些可选的实现方式中，上述电子设备可以基于点击率和实际点击率的误差，计算卷积神经网络、第一深度神经网络和第二深度神经网络的梯度；利用随机梯度下降法，更新卷积神经网络、第一深度神经网络和第二深度神经网络的参数。

在本实施例的一些可选的实现方式中，上述电子设备可以通过反向传播算法训练点击率预测模型。实践中，反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，损失函数即可用于表征点击率与实际点击率的误差。需要说明的是，上述反向传播算法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤404，确定点击率是否在预设阈值范围内。

在本实施例中，上述电子设备可以确定点击率是否在预设阈值范围内。

步骤405，响应于确定点击率在预设阈值范围内，将图片推送到终端。

在本实施例中，上述电子设备响应于确定点击率在预设阈值范围内，将图片推送到终端。

在本实施例中，点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，卷积神经网络用于提取图片特征向量，第一深度神经网络用于提取文字特征向量，第二深度神经网络用于文字信息、图片与点击率之间的对应关系。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息输出装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500可以包括：文字信息获取单元501、图片获取单元502和信息生成单元503。其中，文字信息获取单元501，配置用于获取用户使用终端输入的文字信息；图片获取单元502，配置用于获取与文字信息语义相关的图片；信息生成单元503，配置用于将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。在本实施例中，文字信息获取单元501、图片获取单元502和信息生成单元503的具体处理及其所产生的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

在本实施例的一些可选的实现方式中，点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

在本实施例的一些可选的实现方式中，点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

在本实施例的一些可选的实现方式中，装置500还包括：确定单元和推送单元(图中未示出)。其中，确定单元，配置用于确定点击率是否在预设阈值范围内；推送单元，配置用于响应于确定点击率在预设阈值范围内，将图片推送到终端。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本公开的实施例，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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述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。在本申请中，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。而在本申请中，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。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括文字信息获取单元、图片获取单元和信息生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，文字信息获取单元还可以被描述为“获取用户使用终端输入的文字信息的单元”。

作为另一方面，本申请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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备获取用户使用终端输入的文字信息；获取与文字信息语义相关的图片；将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

获取用户使用终端输入的文字信息；

获取与所述文字信息语义相关的图片；

将所述文字信息和所述图片输入至预先训练的点击率预测模型，得到点击率，其中，所述点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

2.根据权利要求1所述的方法，其中，所述点击率预测模型通过以下步骤训练得到：

获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；

将所述多个样本图片中的每个样本图片和与所述多个样本图片中的每个样本图片相关的文字信息作为输入，将所述多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

3.根据权利要求1所述的方法，其中，所述点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，所述卷积神经网络用于对所输入的图片进行特征提取以输出图片特征向量，所述第一深度神经网络用于对所输入的文字信息进行特征提取以输出文字特征向量，所述第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

4.根据权利要求3所述的方法，其中，所述点击率预测模型通过以下步骤训练得到：

获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；基于机器学习方法，将所述样本图片作为所述卷积神经网络的输入，将所述文字信息作为所述第一深度神经网络的输入，将所述卷积神经网络输出的图片特征向量和所述第一深度神经网络输出的文字特征向量作为所述第二深度神经网络的输入，将所述多个样本图片中的每个样本图片的点击率作为所述第二深度神经网络的输出，对所述卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：

确定所述点击率是否在预设阈值范围内；

响应于确定所述点击率在预设阈值范围内，将所述图片推送到所述终端。

6.一种用于生成信息的装置，所述装置包括：

文字信息获取单元，配置用于获取用户使用终端输入的文字信息；

图片获取单元，配置用于获取与所述文字信息语义相关的图片；

信息生成单元，配置用于将所述文字信息和所述图片输入至预先训练的点击率预测模型，得到点击率，其中，所述点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

7.根据权利要求6所述的装置，其中，所述点击率预测模型通过以下步骤训练得到：

获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；

将所述多个样本图片中的每个样本图片和与所述多个样本图片中的每个样本图片相关的文字信息作为输入，将所述多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。

8.根据权利要求6所述的装置，其中，所述点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，所述卷积神经网络用于对所输入的图片进行特征提取以输出图片特征向量，所述第一深度神经网络用于对所输入的文字信息进行特征提取以输出文字特征向量，所述第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。

9.根据权利要求8所述的装置，其中，所述点击率预测模型通过以下步骤训练得到：

获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；

基于机器学习方法，将所述样本图片作为所述卷积神经网络的输入，将所述文字信息作为所述第一深度神经网络的输入，将所述卷积神经网络输出的图片特征向量和所述第一深度神经网络输出的文字特征向量作为所述第二深度神经网络的输入，将所述多个样本图片中的每个样本图片的点击率作为所述第二深度神经网络的输出，对所述卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。

10.根据权利要求6-9之一所述的装置，其中，所述装置还包括：

确定单元，配置用于确定所述点击率是否在预设阈值范围内；

推送单元，配置用于响应于确定所述点击率在预设阈值范围内，将所述图片推送到所述终端。

11.一种服务器，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1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。