CN108765033B - 广告信息推送方法和装置、存储介质、电子设备 - Google Patents
广告信息推送方法和装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN108765033B CN108765033B CN201810587687.1A CN201810587687A CN108765033B CN 108765033 B CN108765033 B CN 108765033B CN 201810587687 A CN201810587687 A CN 201810587687A CN 108765033 B CN108765033 B CN 108765033B
- Authority
- CN
- China
- Prior art keywords
- scene
- image
- category
- advertisement
- advertisement information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 16
- 235000013305 food Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 238000003705 background correction Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0252—Targeted advertisements based on events or environment, e.g. weather or festivals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种广告信息推送方法和装置、电子设备、计算机可读存储介质,获取第一预设时间段内所拍摄的图像,对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告信息。因为用户一般会对感兴趣的事物进行拍照留念,所以通过获取第一预设时间段内所拍摄的图像,再对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告。很容易准确把握到用户的兴趣点,从而精准进行广告信息推送。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种广告信息推送方法和装置、存储介质、电子设备。
背景技术
随着移动互联网和智能终端技术的高速发展,智能终端在普通大众中越来越普及,因此越来越多的广告厂商开始在智能终端上进行广告推送。传统的广告推送方法,一般根据用户最近所使用的应用程序及访问的内容进行推测用户感兴趣的内容,从而向用户推荐一些和用户兴趣相关的广告。然而,用户使用应用程序时有一定的局限性,不能尽量全面地捕捉到用户的兴趣点,从而做到精确地进行广告推送。
发明内容
本申请实施例提供一种广告信息推送方法和装置、存储介质、电子设备,可以更精确地进行广告信息推送。
一种广告信息推送方法,包括:
获取第一预设时间段内所拍摄的图像;
对所述图像进行场景识别,得到所述图像所属的场景类别;
根据场景类别推送与所述场景类别对应的广告信息。
一种广告信息推送装置,所述装置包括:
图像获取模块,用于获取第一预设时间段内所拍摄的图像;
场景识别模块,用于对所述图像进行场景识别,得到所述图像所属的场景类别;
广告信息推送模块,用于根据场景类别推送与所述场景类别对应的广告信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的广告信息推送方法的步骤。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时执行如上所述的广告信息推送方法的步骤。
上述广告信息推送方法和装置、存储介质、电子设备,获取第一预设时间段内所拍摄的图像,对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告信息。因为用户一般会对感兴趣的事物进行拍照留念,所以通过获取第一预设时间段内所拍摄的图像,再对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告。很容易准确把握到用户的兴趣点,从而精准进行广告信息推送。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中电子设备的内部结构图;
图2为一个实施例中广告信息推送方法的流程图;
图3为一个实施例中神经网络模型的架构示意图;
图4为图2中对图像进行场景识别得到图像所属的场景类别方法的流程图;
图5为又一个实施例中广告信息推送方法的流程图;
图6为图2中根据场景类别推送与场景类别对应的广告信息方法的流程图;
图7为一个实施例中广告信息推送装置的结构示意图;
图8为又一个实施例中广告信息推送装置的结构示意图;
图9为一个实施例中提供的电子设备相关的手机的部分结构的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中电子设备的内部结构示意图。如图1所示,该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器用于存储数据、程序等,存储器上存储至少一个计算机程序,该计算机程序可被处理器执行,以实现本申请实施例中提供的适用于电子设备的广告信息推送方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random-Access-Memory,RAM)等。例如,在一个实施例中,存储器包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种广告信息推送方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的电子设备进行通信。该电子设备可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
在一个实施例中,如图2所示,提供了一种广告信息推送方法,以该方法应用于图1中的电子设备为例进行说明,包括:
步骤220,获取第一预设时间段内所拍摄的图像。
第一预设时间段可以根据用户拍摄照片的多少来定义,例如,将用户距离当前时刻拍摄100张照片的时间段设置为第一预设时间段,当然,也可以设置为其他数量的照片。也可以直接设置固定时间段为第一预设时间段,例如,直接设置距离当前时刻往前一个星期的时间段为第一预设时间段,当然,也可以设置其他长度的时间段为第一预设时间段。从用户拍摄图像的电子设备上获取拍摄时间在第一预设时间段内的所有图像。图像包含所拍摄的照片及视频等。
步骤240,对图像进行场景识别,得到图像所属的场景类别。
对上述所获取的第一预设时间段内的所有图像一一进行场景识别,得到每张图像场景识别的结果。具体地,采用神经网络模型对图像进行场景识别,神经网络模型的具体训练过程为:将包含有背景训练目标和前景训练目标的训练图像输入到神经网络,得到反映所述训练图像中背景区域各像素点的第一预测置信度与第一真实置信度之间的差异的第一损失函数,以及反映所述训练图像中前景区域各像素点的第二预测置信度与第二真实置信度之间的差异的第二损失函数;所述第一预测置信度为采用所述神经网络预测出的所述训练图像中背景区域某一像素点属于所述背景训练目标的置信度,所述第一真实置信度表示在所述训练图像中预先标注的所述像素点属于所述背景训练目标的置信度;所述第二预测置信度为采用所述神经网络预测出的所述训练图像中前景区域某一像素点属于所述前景训练目标的置信度,所述第二真实置信度表示在所述训练图像中预先标注的所述像素点属于所述前景训练目标的置信度;将所述第一损失函数和第二损失函数进行加权求和得到目标损失函数;根据所述目标损失函数调整所述神经网络的参数,对所述神经网络进行训练。从而训练出神经网络模型,根据该神经网络模型对图像进行场景识别,得到图像所属的场景类别。
图3为一个实施例中神经网络模型的架构示意图。如图3所示,神经网络的输入层接收带有图像类别标签的训练图像,通过基础网络(如CNN网络)进行特征提取,并将提取的图像特征输出给特征层,由该特征层对背景训练目标进行类别检测得到第一损失函数,对前景训练目标根据图像特征进行类别检测得到第二损失函数,对前景训练目标根据前景区域进行位置检测得到位置损失函数,将第一损失函数、第二损失函数和位置损失函数进行加权求和得到目标损失函数。该神经网络可为卷积神经网络。卷积神经网络包括数据输入层、卷积计算层、激活层、池化层和全连接层。数据输入层用于对原始图像数据进行预处理。该预处理可包括去均值、归一化、降维和白化处理。去均值是指将输入数据各个维度都中心化为0,目的是将样本的中心拉回到坐标系原点上。归一化是将幅度归一化到同样的范围。白化是指对数据各个特征轴上的幅度归一化。卷积计算层用于局部关联和窗口滑动。卷积计算层中每个滤波器连接数据窗的权重是固定的,每个滤波器关注一个图像特征,如垂直边缘、水平边缘、颜色、纹理等,将这些滤波器合在一起得到整张图像的特征提取器集合。一个滤波器是一个权重矩阵。通过一个权重矩阵可与不同窗口内数据做卷积。激活层用于将卷积层输出结果做非线性映射。激活层采用的激活函数可为ReLU(The Rectified LinearUnit,修正线性单元)。池化层可夹在连续的卷积层中间,用于压缩数据和参数的量,减小过拟合。池化层可采用最大值法或平均值法对数据降维。全连接层位于卷积神经网络的尾部,两层之间所有神经元都有权重连接。卷积神经网络的一部分卷积层级联到第一置信度输出节点,一部分卷积层级联到第二置信度输出节点,一部分卷积层级联到位置输出节点,根据第一置信度输出节点可以检测到图像的背景分类,根据第二置信度输出节点可以检测到图像的前景目标的类别,根据位置输出节点可以检测到前景目标所对应的位置。
对第一预设时间段内所有图像的场景识别结果按照预设标准进行分类,得到所有图像各自对应的场景类别。场景类别为按照预设标准进行划分而成的,例如,可以将场景识别结果分为风景类、美食类、人像类等。
步骤260,根据场景类别推送与场景类别对应的广告信息。
预先为每一个场景类别设置对应的广告信息,例如,可以是对于场景类别为风景类的时候,设置与之对应的为旅游、酒店类广告信息;而当场景类别为美食类的时候,可以设置与之对应的为餐厅、酒店类广告信息;而当场景类别为人像类的时候,可以设置与之对应的为美容美发类广告信息;而当场景类别为宠物类的时候,可以设置与之对应的为宠物喂养类广告信息。
本申请实施例中,获取第一预设时间段内所拍摄的图像,对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告信息。因为用户一般会对感兴趣的事物进行拍照留念,所以通过获取第一预设时间段内所拍摄的图像,再对图像进行场景识别,得到图像所属的场景类别。根据场景类别推送与场景类别对应的广告。很容易准确把握到用户的兴趣点,从而精准进行广告信息推送。
在一个实施例中,如图4所示,步骤240,对图像进行场景识别,得到图像所属的场景类别,包括:
步骤242,对第一预设时间段内所拍摄的图像进行场景识别,得到每一图像所对应的场景识别结果。
其中,场景识别结果为对图像中所包含的主体要素所进行场景识别的结果。一般情况下图像中的场景识别结果包括海滩、蓝天、绿草、雪景、夜景、背光、日出/日落、烟火、聚光灯、室内、文本文档、人像、婴儿、猫、狗、美食等。当然,以上并不是穷举。对第一预设时间段内所拍摄的图像一一进行场景识别,得到每一图像所对应的场景识别结果。一张图像所对应的场景是被结果可以为一个或多个,例如,对一张只有人像的自拍图像进行场景识别之后得到的场景识别结果就是人像;对于一张包含海滩、蓝天的图像进行场景识别之后得到的场景识别结果即为两个:海滩和蓝天。
步骤244,对图像的场景识别结果按照预设分类规则进行分类,得到图像所属的场景类别。
预设分类规则具体为:风景指的是供观赏的自然风光、景物,包括自然景观和人文景观。所以将场景识别结果为海滩、蓝天、绿草、雪景、日出/日落、烟火等划分为风景类。美食,顾名思义就是美味的食物,贵的有山珍海味,便宜的有街边小吃。其实美食是不分贵贱的,只要是自己喜欢的,都可以称之为美食。因此,将场景识别结果为食物(可供食用的东西,碳水化合物、肉食、水果、蔬菜等)的划分为美食类。将场景识别结果为人像的划分为人像类,将场景识别结果为猫、狗或其他宠物的划分为宠物类。
当对图像进行场景识别之后得到的场景识别结果都属于同一类场景类别的时候,则确定该同一场景类别就是该图像所属的场景类别。当对图像进行场景识别之后得到的场景识别结果不属于同一场景类别的时候,就需要判断该图像中哪个场景类别的权重较高,将较高权重的场景类别作为该图像的场景类别。
步骤246,统计每个场景类别中所包含的图像的数目。
对于第一预设时间段内的所有图像都进行了场景类别的划分之后,每一个图像只对应一个场景类别。在全部划分之后,统计每个场景类别中所包含的图像的数目。
本申请实施例中,预设分类规则可以实现将图像按照场景识别结果划分入不同的场景分类中,因此就实现了对图像进行场景类别划分。从而可以实现后续根据场景类别推送与场景类别对应的广告信息。
在一个实施例中,如图5所示,步骤220,在获取第一预设时间段内所拍摄的图像之前,包括:
步骤210,预先为每一场景类别设置对应进行推送的广告类别,每一场景类别可以对应一个或多个进行推送的广告类别。
预先为每一个场景类别设置对应的广告类别,例如,可以是对于场景类别为风景类的时候,设置与之对应的广告为旅游、酒店类;而当场景类别为美食类的时候,可以设置与之对应的广告为餐厅、酒店类;而当场景类别为人像类的时候,可以设置与之对应的广告为美容美发类;而当场景类别为宠物类的时候,可以设置与之对应的广告为宠物喂养类。
本申请实施例中,预先为每一个场景类别设置推送的广告类别,且每一场景类别可以对应一个或多个进行推送的广告类别。这样可以做到更加全面的推送广告。最后计算出的推送广告信息的类别及频率的准确度也会大大提高。
在一个实施例中,如图6所示,步骤260,根据场景类别推送与场景类别对应的广告信息,包括:
步骤262,根据统计出的每个场景类别中所包含的图像的数目,为场景类别设置对应的权值,场景类别中所包含的图像的数目越多则所对应的权值越大。
例如,可以规定当某场景类别中所包含的图像的数目在[0,10)之间,则为该场景类别设置对应的权值为1;可以规定当某场景类别中所包含的图像的数目在[10,20)之间,则为该场景类别设置对应的权值为2;可以规定当某场景类别中所包含的图像的数目在[20,30)之间,则为该场景类别设置对应的权值为3;可以规定当某场景类别中所包含的图像的数目在[30,40)之间,则为该场景类别设置对应的权值为4;可以规定当某场景类别中所包含的图像的数目在[40,∞)之间,则为该场景类别设置对应的权值为5。场景类别中所包含的图像的数目越多则所对应的权值越大。当然,也可以根据第一预设时间段内所有拍摄图像的数目相应进行设置上述权值规则。
步骤264,根据场景类别的权值计算第二预设时间段内与场景类别对应的广告信息的推送次数。
将每个广告分类的权值设置为与它相对应的场景识别的权值,如果有多个场景对应于同一个广告分类,则该广告分类的权值是与之对应的各个场景类别权值的和。在上述实施例中,每一个场景类别都相应对应着特定的广告类别,因此,根据场景类别的权值计算与场景类别对应的每一类广告类别的推送次数,推荐次数为在第二预设时间段内的推荐次数。例如,得到了旅游类广告的权值为4,餐厅类广告的权值为5,宠物喂养类广告的权值为1。则在第二预设时间段内假设推送广告的总次数为10次,则其中就可以包含4次旅游类广告推送,5次餐厅类广告推送,1次宠物喂养类广告推送。
步骤266,在第二预设时间段内按照广告信息的推送次数进行推送广告信息。
第二预设时间段可以是紧邻第一预设时间段的下一相同时长的时间段。例如,若第一预设时间段为一个星期,则第二预设时间段为与第一预设时间段相邻的一个星期。在第二预设时间段内按照不同广告类别的推送次数进行推送类别对应的广告信息。
本申请实施例中,根据统计出的每个场景类别中所包含的图像的数目,为场景类别设置对应的权值。再根据场景类别的权值计算与场景类别对应的广告类别的权值,从而得到每一类广告的权值。在第二预设时间段内按照不同广告类别的权值去分配不同广告类别的推送次数,即权值越高则推送次数越多。因为上述所得的场景类别的权值即可以反应用户的兴趣爱好,因此通过场景类别的权值得到的广告类别的权值也可以在一定程度上反应应用户的兴趣爱好。从而实现所推送的广告信息能够更加精确地预测用户的兴趣爱好。
在一个实施例中,根据场景类别的权值计算第二预设时间段内与场景类别对应的广告信息的推送次数,包括:
将场景类别的权值设置为与场景类别对应的进行推送的广告类别的权值;
将相同的广告类别的权值进行累加,得到广告类别的总权值;
根据广告类别的总权值的大小,在第二预设时间段内对应分配与广告类别对应的广告信息的推送次数。
具体地,将每个广告分类的权值设置为与它相对应的场景识别的权值,如果有多个场景对应于同一个广告分类,则该广告分类的权值是与之对应的各个场景类别权值的和。将相同广告类别的权值进行累加,得到该广告类别的总权值。例如,当场景类别为风景类的权值为4的时候,则与之对应的广告为旅游类广告的权值为4,之对应的广告为酒店类广告的权值也为4;而当场景类别为美食类的权值为5的时候,可以设置与之对应的广告为餐厅、酒店类的权值也为5;而当场景类别为宠物类的权值为1的时候,可以设置与之对应的广告为宠物喂养类的权值为1。
因此,经过对相同的广告类别的权值进行累加之后,由上述例子可以得到了旅游类广告的权值为4,酒店类广告的权值也为9,餐厅类广告的权值为5,宠物喂养类广告的权值为1。根据广告类别的总权值的大小,在第二预设时间段内对应分配与广告类别对应的广告信息的推送次数。假设在第二预设时间段内一共推送19次广告的话,那么其中将会推送9次酒店类广告、5次餐厅类广告、4次旅游类广告及1次宠物喂养类广告。
本申请实施例中,将场景类别的权值设置为与场景类别对应的进行推送的广告类别的权值。且对同一场景类别对应多个广告类别的情形进行了详细的概述,将相同的广告类别的权值进行累加,得到广告类别的总权值。设置同一场景类别可以对应多个广告类别,解决了同一场景类别只对应一类广告类别的过于单一、不够准确的问题。从而根据广告类别的总权值的大小,在第二预设时间段内对应分配与广告类别对应的广告信息的推送次数。
在一个实施例中,广告信息的内容包含从图像中所获得的信息。
本申请实施例中,上述实施例中计算获得了每一类广告类别在第二预设时间段内的推送次数,而每一类广告推送的内容则可以从对第一预设时间段内所获取到的图像进行分析得到。对第一预设时间段内所获取到的图像进行分析得到,每一类场景类别下所属的图像所对应的拍摄位置信息、拍摄具体时间信息、图像中的标志物信息等。因此,在进行推送广告信息的时候,就可以根据所获取到的拍摄位置信息、拍摄具体时间信息、图像中的标志物信息等,对广告信息的内容进行丰富和细化。
在一个具体的实施例中,提供了一种广告信息推送方法,以该方法应用于图1中的电子设备为例进行说明,包括:
步骤一:图像可以按照统一的标准分入不同的场景类别中,预先为每一场景类别设置对应进行推送的广告类别,每一场景类别可以对应一个或多个进行推送的广告类别。例如,可以是对于场景类别为风景类的时候,设置与之对应的广告为旅游、酒店类;而当场景类别为美食类的时候,可以设置与之对应的广告为餐厅、酒店类;而当场景类别为人像类的时候,可以设置与之对应的广告为美容美发类;而当场景类别为宠物类的时候,可以设置与之对应的广告为宠物喂养类;
步骤二:对第一预设时间段内所拍摄的图像进行场景识别,得到每一图像所对应的场景识别结果;
步骤三:对图像的场景识别结果按照预设分类规则进行分类,得到图像所属的场景类别;
步骤四,统计每个场景类别中所包含的图像的数目。
步骤五,根据统计出的每个场景类别中所包含的图像的数目,为场景类别设置对应的权值,场景类别中所包含的图像的数目越多则所对应的权值越大。
步骤六,根据场景类别的权值计算第二预设时间段内与场景类别对应的广告信息的推送次数。
步骤七,在第二预设时间段内按照广告信息的推送次数进行推送广告信息。
本申请实施例中,根据统计出的每个场景类别中所包含的图像的数目,为场景类别设置对应的权值。再根据场景类别的权值计算与场景类别对应的广告类别的权值,从而得到每一类广告的权值。在第二预设时间段内按照不同广告类别的权值去分配不同广告类别的推送次数,即权值越高则推送次数越多。因为上述所得的场景类别的权值即可以反应用户的兴趣爱好,因此通过场景类别的权值得到的广告类别的权值也可以在一定程度上反应应用户的兴趣爱好。从而实现所推送的广告信息能够更加精确地预测用户的兴趣爱好。
在一个实施例中,如图7所示,提供了一种广告信息推送装置700,装置包括:图像获取模块702、场景识别模块704及广告信息推送模块706。其中,
图像获取模块702,用于获取第一预设时间段内所拍摄的图像;
场景识别模块704,用于对图像进行场景识别,得到图像所属的场景类别;
广告信息推送模块706,用于根据场景类别推送与场景类别对应的广告信息。
在一个实施例中,场景识别模块,还用于对第一预设时间段内所拍摄的图像进行场景识别,得到每一图像所对应的场景识别结果;对图像的场景识别结果按照预设分类规则进行分类,得到图像所属的场景类别;统计每个场景类别中所包含的图像的数目。
在一个实施例中,如图8所示,提供了一种广告信息推送装置700,装置还包括:广告类别预设模块708,用于预先为每一场景类别设置对应进行推送的广告类别,每一场景类别可以对应一个或多个进行推送的广告类别。
在一个实施例中,广告信息推送模块,还用于根据统计出的每个场景类别所对应的出现次数,为场景类别设置对应的权值,场景类别的出现次数越高则所对应的权值越大;根据场景类别的权值计算第二预设时间段内与场景类别对应的广告信息的推送次数;在第二预设时间段内按照广告信息的推送次数进行推送广告信息。
在一个实施例中,广告信息推送模块,还用于将场景类别的权值设置为与场景类别对应的进行推送的广告类别的权值;将相同的广告类别的权值进行累加,得到广告类别的总权值;根据广告类别的总权值的大小,在第二预设时间段内对应分配与广告类别对应的广告信息的推送次数。
上述广告信息推送装置中各个模块的划分仅用于举例说明,在其他实施例中,可将广告信息推送装置按照需要划分为不同的模块,以完成上述广告信息推送装置的全部或部分功能。
在一个实施例中,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上述各实施例所提供的广告信息推送方法的步骤。
在一个实施例中,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述各实施例所提供的广告信息推送方法的步骤。
本申请实施例还提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述各实施例所提供的广告信息推送方法的步骤。
本申请实施例还提供一种电子设备。上述电子设备中包括图像处理电路,图像处理电路可以利用硬件和/或软件组件实现,可包括定义ISP(Image Signal Processing,图像信号处理)管线的各种处理单元。图9为一个实施例中图像处理电路的示意图。如图9所示,为便于说明,仅示出与本申请实施例相关的图像处理技术的各个方面。
如图9所示,图像处理电路包括ISP处理器940和控制逻辑器950。成像设备910捕捉的图像数据首先由ISP处理器940处理,ISP处理器940对图像数据进行分析以捕捉可用于确定和/或成像设备910的一个或多个控制参数的图像统计信息。成像设备910可包括具有一个或多个透镜912和图像传感器914的照相机。图像传感器914可包括色彩滤镜阵列(如Bayer滤镜),图像传感器914可获取用图像传感器914的每个成像像素捕捉的光强度和波长信息,并提供可由ISP处理器940处理的一组原始图像数据。传感器920(如陀螺仪)可基于传感器920接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器940。传感器920接口可以利用SMIA(Standard Mobile Imaging Architecture,标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外,图像传感器914也可将原始图像数据发送给传感器920,传感器920可基于传感器920接口类型把原始图像数据提供给ISP处理器940,或者传感器920将原始图像数据存储到图像存储器930中。
ISP处理器940按多种格式逐个像素地处理原始图像数据。例如,每个图像像素可具有8、10、12或14比特的位深度,ISP处理器940可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中,图像处理操作可按相同或不同的位深度精度进行。
ISP处理器940还可从图像存储器930接收图像数据。例如,传感器920接口将原始图像数据发送给图像存储器930,图像存储器930中的原始图像数据再提供给ISP处理器940以供处理。图像存储器930可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器,并可包括DMA(Direct Memory Access,直接直接存储器存取)特征。
当接收到来自图像传感器914接口或来自传感器920接口或来自图像存储器930的原始图像数据时,ISP处理器940可进行一个或多个图像处理操作,如时域滤波。处理后的图像数据可发送给图像存储器930,以便在被显示之前进行另外的处理。ISP处理器940从图像存储器930接收处理数据,并对处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理器940处理后的图像数据可输出给显示器970,以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit,图形处理器)进一步处理。此外,ISP处理器940的输出还可发送给图像存储器930,且显示器970可从图像存储器930读取图像数据。在一个实施例中,图像存储器930可被配置为实现一个或多个帧缓冲器。此外,ISP处理器940的输出可发送给编码器/解码器960,以便编码/解码图像数据。编码的图像数据可被保存,并在显示于显示器970设备上之前解压缩。编码器/解码器960可由CPU或GPU或协处理器实现。
ISP处理器940确定的统计数据可发送给控制逻辑器950单元。例如,统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜912阴影校正等图像传感器914统计信息。控制逻辑器950可包括执行一个或多个例程(如固件)的处理器和/或微控制器,一个或多个例程可根据接收的统计数据,确定成像设备910的控制参数及ISP处理器940的控制参数。例如,成像设备910的控制参数可包括传感器920控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜912控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如,在RGB处理期间)的增益水平和色彩校正矩阵,以及透镜912阴影校正参数。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种广告信息推送方法,其特征在于,包括:
获取第一预设时间段内所拍摄的图像;
采用神经网络模型对所述图像进行场景识别,得到所述图像所属的场景类别,统计每个场景类别中所包含的图像的数目;其中,神经网络模型的具体训练过程为:将包含有背景训练目标和前景训练目标的训练图像输入到神经网络,得到反映所述训练图像中背景区域各像素点的第一预测置信度与第一真实置信度之间的差异的第一损失函数,以及反映所述训练图像中前景区域各像素点的第二预测置信度与第二真实置信度之间的差异的第二损失函数;所述第一预测置信度为采用所述神经网络预测出的所述训练图像中背景区域某一像素点属于所述背景训练目标的置信度,所述第一真实置信度表示在所述训练图像中预先标注的所述像素点属于所述背景训练目标的置信度;所述第二预测置信度为采用所述神经网络预测出的所述训练图像中前景区域某一像素点属于所述前景训练目标的置信度,所述第二真实置信度表示在所述训练图像中预先标注的所述像素点属于所述前景训练目标的置信度;将所述第一损失函数和第二损失函数进行加权求和得到目标损失函数;根据所述目标损失函数调整所述神经网络的参数,对所述神经网络进行训练,得到神经网络模型;
根据统计出的每个场景类别所包含的图像的数目,为所述场景类别设置对应的权值,场景类别中所包含的图像的数目越多则所对应的权值越大;
根据所述场景类别的权值计算第二预设时间段内与所述场景类别对应的广告信息的推送次数;
在第二预设时间段内按照所述广告信息的推送次数进行推送所述广告信息。
2.根据权利要求1所述的方法,其特征在于,对所述图像进行场景识别,得到所述图像所属的场景类别,统计每个场景类别中所包含的图像的数目,包括:
对第一预设时间段内所拍摄的图像进行场景识别,得到每一图像所对应的场景识别结果;
对所述图像的场景识别结果按照预设分类规则进行分类,得到所述图像所属的场景类别;
统计每个场景类别中所包含的图像的数目。
3.根据权利要求2所述的方法,其特征在于,所述场景识别结果为对所述图像中所包含的主体要素所进行场景识别的结果,所述场景类别为对所述场景识别结果进行分类所得的类别。
4.根据权利要求1所述的方法,其特征在于,在获取第一预设时间段内所拍摄的图像之前,包括:
预先为每一场景类别设置对应进行推送的广告类别,每一场景类别可以对应一个或多个进行推送的广告类别。
5.根据权利要求1所述的方法,其特征在于,所述根据所述场景类别的权值计算第二预设时间段内与所述场景类别对应的广告信息的推送次数,包括:
将所述场景类别的权值设置为与所述场景类别对应的进行推送的广告类别的权值;
将相同的广告类别的权值进行累加,得到所述广告类别的总权值;
根据所述广告类别的总权值的大小,在所述第二预设时间段内对应分配与所述广告类别对应的广告信息的推送次数。
6.根据权利要求1所述的方法,其特征在于,所述广告信息的内容包含从所述图像中所获得的信息。
7.一种广告信息推送装置,其特征在于,所述装置包括:
图像获取模块,用于获取第一预设时间段内所拍摄的图像;
场景识别模块,用于采用神经网络模型对所述图像进行场景识别,得到所述图像所属的场景类别,统计每个场景类别中所包含的图像的数目;其中,神经网络模型的具体训练过程为:将包含有背景训练目标和前景训练目标的训练图像输入到神经网络,得到反映所述训练图像中背景区域各像素点的第一预测置信度与第一真实置信度之间的差异的第一损失函数,以及反映所述训练图像中前景区域各像素点的第二预测置信度与第二真实置信度之间的差异的第二损失函数;所述第一预测置信度为采用所述神经网络预测出的所述训练图像中背景区域某一像素点属于所述背景训练目标的置信度,所述第一真实置信度表示在所述训练图像中预先标注的所述像素点属于所述背景训练目标的置信度;所述第二预测置信度为采用所述神经网络预测出的所述训练图像中前景区域某一像素点属于所述前景训练目标的置信度,所述第二真实置信度表示在所述训练图像中预先标注的所述像素点属于所述前景训练目标的置信度;将所述第一损失函数和第二损失函数进行加权求和得到目标损失函数;根据所述目标损失函数调整所述神经网络的参数,对所述神经网络进行训练,得到神经网络模型;
广告信息推送模块,用于根据统计出的每个场景类别所包含的图像的数目,为所述场景类别设置对应的权值,场景类别中所包含的图像的数目越多则所对应的权值越大;根据所述场景类别的权值计算第二预设时间段内与所述场景类别对应的广告信息的推送次数;在第二预设时间段内按照所述广告信息的推送次数进行推送所述广告信息。
8.根据权利要求7所述的装置,其特征在于,场景识别模块,还用于对第一预设时间段内所拍摄的图像进行场景识别,得到每一图像所对应的场景识别结果;对所述图像的场景识别结果按照预设分类规则进行分类,得到所述图像所属的场景类别;统计每个场景类别中所包含的图像的数目。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的广告信息推送方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的广告信息推送方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587687.1A CN108765033B (zh) | 2018-06-08 | 2018-06-08 | 广告信息推送方法和装置、存储介质、电子设备 |
PCT/CN2019/087351 WO2019233260A1 (zh) | 2018-06-08 | 2019-05-17 | 广告信息推送方法和装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587687.1A CN108765033B (zh) | 2018-06-08 | 2018-06-08 | 广告信息推送方法和装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765033A CN108765033A (zh) | 2018-11-06 |
CN108765033B true CN108765033B (zh) | 2021-01-12 |
Family
ID=64000707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810587687.1A Expired - Fee Related CN108765033B (zh) | 2018-06-08 | 2018-06-08 | 广告信息推送方法和装置、存储介质、电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108765033B (zh) |
WO (1) | WO2019233260A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765033B (zh) * | 2018-06-08 | 2021-01-12 | Oppo广东移动通信有限公司 | 广告信息推送方法和装置、存储介质、电子设备 |
CN111800445B (zh) * | 2019-04-09 | 2023-02-28 | Oppo广东移动通信有限公司 | 消息推送方法、装置、存储介质及电子设备 |
CN111798259A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 应用推荐方法、装置、存储介质及电子设备 |
CN111340557B (zh) * | 2020-02-28 | 2024-02-06 | 京东科技控股股份有限公司 | 互动广告的处理方法、装置、终端及存储介质 |
CN111694983B (zh) * | 2020-06-12 | 2023-12-19 | 百度在线网络技术(北京)有限公司 | 信息显示方法、装置、电子设备以及存储介质 |
CN111666014B (zh) * | 2020-07-06 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种消息推送方法、装置、设备及计算机可读存储介质 |
CN112330371A (zh) * | 2020-11-26 | 2021-02-05 | 深圳创维-Rgb电子有限公司 | 基于ai的智能广告推送方法及装置、系统及存储介质 |
CN116614673B (zh) * | 2023-07-21 | 2023-10-20 | 山东宝盛鑫信息科技有限公司 | 一种基于特殊人群的短视频推送系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN107944386A (zh) * | 2017-11-22 | 2018-04-20 | 天津大学 | 基于卷积神经网络的视觉场景识别方法 |
CN108108751A (zh) * | 2017-12-08 | 2018-06-01 | 浙江师范大学 | 一种基于卷积多特征和深度随机森林的场景识别方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104618446A (zh) * | 2014-12-31 | 2015-05-13 | 百度在线网络技术(北京)有限公司 | 一种实现多媒体推送的方法和装置 |
CN105160550A (zh) * | 2015-08-21 | 2015-12-16 | 浙江视科文化传播有限公司 | 一种智能广告投放方法及装置 |
CN106878355A (zh) * | 2015-12-11 | 2017-06-20 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和装置 |
CN105608609B (zh) * | 2016-02-17 | 2018-02-16 | 北京金山安全软件有限公司 | 一种推送旅游信息的方法、装置及电子设备 |
CN106530008B (zh) * | 2016-11-10 | 2022-01-07 | 广州市沃希信息科技有限公司 | 一种基于场景图片的广告方法及系统 |
CN106792004B (zh) * | 2016-12-30 | 2020-09-15 | 北京小米移动软件有限公司 | 内容项目推送方法、装置及系统 |
CN107402964A (zh) * | 2017-06-22 | 2017-11-28 | 深圳市金立通信设备有限公司 | 一种信息推荐方法、服务器及终端 |
CN107295362B (zh) * | 2017-08-10 | 2020-02-21 | 上海六界信息技术有限公司 | 基于图像的直播内容筛选方法、装置、设备及存储介质 |
CN107622281B (zh) * | 2017-09-20 | 2021-02-05 | Oppo广东移动通信有限公司 | 图像分类方法、装置、存储介质及移动终端 |
CN107864225A (zh) * | 2017-12-21 | 2018-03-30 | 北京小米移动软件有限公司 | 基于ar的信息推送方法、装置及电子设备 |
CN108765033B (zh) * | 2018-06-08 | 2021-01-12 | Oppo广东移动通信有限公司 | 广告信息推送方法和装置、存储介质、电子设备 |
-
2018
- 2018-06-08 CN CN201810587687.1A patent/CN108765033B/zh not_active Expired - Fee Related
-
2019
- 2019-05-17 WO PCT/CN2019/087351 patent/WO2019233260A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN107944386A (zh) * | 2017-11-22 | 2018-04-20 | 天津大学 | 基于卷积神经网络的视觉场景识别方法 |
CN108108751A (zh) * | 2017-12-08 | 2018-06-01 | 浙江师范大学 | 一种基于卷积多特征和深度随机森林的场景识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019233260A1 (zh) | 2019-12-12 |
CN108765033A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765033B (zh) | 广告信息推送方法和装置、存储介质、电子设备 | |
CN108764208B (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108777815B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108764370B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN108805103B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108984657B (zh) | 图像推荐方法和装置、终端、可读存储介质 | |
US10896323B2 (en) | Method and device for image processing, computer readable storage medium, and electronic device | |
WO2019233393A1 (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108900769B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
WO2019233266A1 (zh) | 图像处理方法、计算机可读存储介质和电子设备 | |
CN110580487A (zh) | 神经网络的训练方法、构建方法、图像处理方法和装置 | |
CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN108810418B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN108961302B (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
WO2019233297A1 (zh) | 数据集的构建方法、移动终端、可读存储介质 | |
CN110334635B (zh) | 主体追踪方法、装置、电子设备和计算机可读存储介质 | |
CN108805198B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN110572573B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
WO2019237887A1 (zh) | 图像处理方法、电子设备、计算机可读存储介质 | |
CN109712177B (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN109063737A (zh) | 图像处理方法、装置、存储介质及移动终端 | |
CN108848306B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108717530B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108897786A (zh) | 应用程序的推荐方法、装置、存储介质及移动终端 | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210112 |