CN108765035A - 一种广告图像特征提取方法、装置及电子设备 - Google Patents
一种广告图像特征提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108765035A CN108765035A CN201810630028.1A CN201810630028A CN108765035A CN 108765035 A CN108765035 A CN 108765035A CN 201810630028 A CN201810630028 A CN 201810630028A CN 108765035 A CN108765035 A CN 108765035A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- advertising image
- layer
- convolutional neural
- 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.)
- Pending
Links
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
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种广告图像特征提取方法、装置及电子设备。所述方法包括:获取目标广告图像;将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。应用本发明实施例,能够为预估广告图像的投放结果,提供有效的参考信息。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及一种广告图像特征提取方法、装置及电子设备。
背景技术
用户在电脑、手机等终端设备上进行网络视频观看、网页浏览等操作时,显示屏幕上经常会出现各种广告图像,如嵌入在视频播放页中的广告图像、或以窗口形式弹出的广告图像等等。这些广告图像可能涉及多种类型的产品,如游戏类、美妆类、汽车类等。对于广告图像投送方而言,期望投送广告图像后能够获得较好的投放结果,比如,用户对该广告图像的点击率高,或者用户对该广告产品的购买率高等等。
因此,为了获得较好的投放结果,目前亟需一种方法,能够为预估广告图像的投放结果,提供有效的参考信息。
发明内容
本发明实施例的目的在于提供一种广告图像特征提取方法、装置及电子设备,以实现为预估广告图像的投放结果,提供有效的参考信息的目的。具体技术方案如下:
第一方面,本发明实施例提供了一种广告图像特征提取方法,所述方法包括:
获取目标广告图像;
将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;
其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。
可选的,所述分类卷积神经网络的训练过程包括:
确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本广告图像和各样本广告图像对应的投放结果信息;
利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
可选的,所述确定初始分类卷积神经网络,包括:
确定残差网络,其中,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本图像和各样本图像的类别信息;
利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
可选的,所述各样本广告图像对应的投放结果信息的确定方式,包括:
检测在预设时长内各样本广告图像是否被用户点击;
将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;
将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
可选的,所述各样本广告图像对应的投放结果信息的确定方式,包括:
获得各样本广告图像对应的用户点击率;
确定各样本广告图像对应的用户点击率所属的点击级别;
针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
可选的,所述确定各样本广告图像对应的用户点击率所属的点击级别,包括:
确定各样本广告图像在投放界面中的显示区域;
基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
可选的,所述基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,包括:
按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列;
针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例;
针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别,其中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
第二方面,本发明实施例提供了一种广告图像特征提取装置,所述装置包括:
获取模块,用于获取目标广告图像;
提取模块,用于将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;
其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。
可选的,所述装置还包括训练模块,所述训练模块,包括:
第一子模块,用于确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
第二子模块,用于获得多个样本广告图像和各样本广告图像对应的投放结果信息;
第三子模块,用于利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
可选的,所述第一子模块,具体用于:
确定残差网络,其中,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本图像和各样本图像的类别信息;
利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
可选的,所述装置还包括确定模块,所述确定模块用于:
检测在预设时长内各样本广告图像是否被用户点击;
将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;
将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
可选的,所述装置还包括确定模块,所述确定模块,包括:
第四子模块,用于获得各样本广告图像对应的用户点击率;
第五子模块,用于确定各样本广告图像对应的用户点击率所属的点击级别;
第六子模块,用于针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
可选的,所述第五子模块,包括:
第一确定单元,用于确定各样本广告图像在投放界面中的显示区域;
第二确定单元,用于基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
可选的,所述第二确定单元,具体用于:
按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列;
针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例;
针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别,其中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
第三方面,本发明实施例提供了一种电子设备,包括处理器和存储器,其中,
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现本发明实施例所提供的广告图像特征提取方法的步骤。
本发明实施例所提供的方案中,利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。由于该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果。因此,本发明实施例所提供的方案,能够为预估广告图像的投放结果,提供有效的参考信息。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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。
图1为本发明实施例所提供的一种广告图像特征提取方法的流程示意图;
图2为本发明实施例所提供的分类卷积神经网络的训练过程的流程示意图;
图3为本发明实施例所提供的一种广告图像特征提取装置的结构示意图;
图4为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为了获得能够体现投放结果的广告图像特征,本发明实施例提供了一种广告图像特征提取方法、装置、电子设备及存储介质。
需要说明的是,本发明实施例所提供的一种广告图像特征提取方法的执行主体可以为一种广告图像特征提取装置,该广告图像特征提取装置可以运行于电子设备中。其中,该电子设备可以为一图像处理工具中的插件,或者独立于一图像处理工具之外的程序,当然并不局限于此。
下面,首先对本发明实施例所提供的一种广告图像特征提取方法进行介绍。
如图1所示,本发明实施例所提供的一种广告图像特征提取方法,可以包括如下步骤:
S101,获取目标广告图像。
目标广告图像为一待投放的广告图像,所述目标广告图像可以是待投放于视频播放页中的广告图像,也可以是待投放于网页中的广告图像等;所述目标广告图像的图像格式可以包括图片、视频动画等等;所述目标广告图像所涉及的广告类型可以包括:游戏类、美妆类、汽车类,及医药类等。
在本发明实施例中,所述目标广告图像可以预先保存在一待投放广告图像库中,其中,所述待投放广告图像库可以位于本地数据库中,也可以位于远程数据库中等等。本发明实施例中的广告图像特征提取装置,可以从所述待投放广告图像库中,随机获取一待投放广告图像作为目标广告图像,或者依据一定的选取原则,从待投放广告库中选取一待投放广告图像作为目标广告图像等等。在此,并不对本发明实施例中,目标广告图像的保存位置,及获取目标广告图像的方式进行限定。
S102,将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。
在本发明实施例中,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。在本发明实施例中,可以直接获取一现有的、已训练完成的分类卷积神经网络,也可以由本发明实施例的广告图像特征提取装置,预先训练一初始分类卷积神经网络,得到所述分类卷积神经网络,这都是合理的。
样本广告图像是曾被投送过的广告图像,在一样本广告图像被投送后,用户会给与反馈信息,比如用户点击该样本广告图像等。在本发明实施例中,可以根据样本广告图像被投送后,用户给与的反馈信息,获得样本广告图像的投放结果信息,比如,在预设时长内,用户点击过一样本广告图像,那么可以确定该样本广告图像的投放结果信息为发生点击,等等。
在本发明实施例中,训练一初始分类卷积神经网络,得到所述分类卷积神经网络的主要过程是:将样本广告图像和样本广告图像对应的投放结果信息作为初始分类卷积神经网络的输入,通过初始分类卷积神经网络的计算得到训练结果,并通过不断调整网络参数,使得多次计算后,样本广告图像的训练结果能够逼近样本广告图像对应的真值,也就是样本广告图像对应的投放结果信息,从而完成初始分类卷积神经网络的训练,获得训练完成的分类卷积神经网络。根据神经网络的原理,训练完成的分类卷积神经网络能够对输入的目标广告图像,由最后一层,也就是全连接层,输出所述目标广告图像对应的投放结果信息。
那么,可以理解的是,所述特征提取层作为全连接层的前一层,它的输出中已经携带有与投放结果信息相关的内容,否则之后,全连接层是无法得到投放结果信息的。具体的:所述分类卷积神经网络的特征提取层输出的是多维的特征向量,该特征向量以数值形式体现目标广告图像中的特征,比如对比度、清晰度等等,在这些数值中,携带有目标广告图像对应的投放结果信息,因此,所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果,比如是否会被用户点击等等。
本发明实施例所提供的方案中,利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。由于该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果。因此,本发明实施例所提供的方案,能够为预估广告图像的投放结果,提供有效的参考信息。
以下,对本发明实施例中的分类卷积神经网络的训练过程进行介绍,需要说明的是,分类卷积神经网络的训练过程可以由该广告图像特征提取装置完成,也可以由其他装置完成。如图2所示,本发明实施例的分类卷积神经网络的训练过程可以包括以下步骤:
S201,确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层。
本发明实施例中,可以直接获取一现有的、已经完成训练的具有分类功能的卷积神经网络,作为初始分类卷积神经网络,以便于快速进行后续步骤。
当然,也可以对一现有的网络进行训练,获得初始分类卷积神经网络,在本发明实施例中,训练获得初始分类卷积神经网络的过程可以包括以下步骤:
第一步,确定残差网络,其中,所述残差网络为现有的卷积神经网络结构,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层。具体的,在本发明实施例中,可以采用ILSVRC比赛(ImageNet Large Scale VisualRecognition Competition,大规模视觉识别挑战赛)中2015年获胜的残差网络。
需要说明的是,在确定残差网络的过程中,可以设置网络参数的初始值,所述网络参数包括卷积核大小、数量等等。当然,该残差网络的网络参数的初始值也可以已经预先设定,那么在确定残差网络的过程中无需设置网络参数的初始值。
第二步,获得多个样本图像和各样本图像的类别信息。
多个样本图像可以为任意图像,而并不限于广告图像,比如含有人、动物,及车辆等对象的图像等;样本图像的类别信息是样本图像中对象所属的类别,所述类别可以包括:男人、女人、猫、狗,及小汽车等等。需要说明的是,各样本图像的类别信息是已知的,确定各样本图像的类别信息的方式可以是:通过人工识别,或者通过其他图像识别工具识别等等。
第三步,利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
在本发明实施例中,利用各样本图像和各样本图像对应的类别信息,训练所述残差网络的过程主要是:
1)将每一样本图像对应的类别信息作为该样本图像对应的真值,将各样本图像和对应的真值,通过残差网络进行训练,获得各样本图像的训练结果。
2)将每一样本图像的训练结果与该样本图像对应的真值进行比较,得到该样本图像对应的输出结果。
3)根据各个样本图像对应的输出结果,计算残差网络的损失值。
4)根据所述损失值,调整残差网络的参数,并重新进行1)-3)步骤,直至残差网络的损失值达到了一定的收敛条件,也就是所述损失值达到最小,这时,意味着每一样本图像的训练结果与该样本图像对应的真值一致,从而完成残差网络的训练,获得训练完成的初始分类卷积神经网络。
相比于直接获取现有的一初始分类卷积神经网络,在本发明实施例中,利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络,能够将所述初始分类卷积神经网络的参数调整至合适的范围值,以使得后续利用所述初始分类卷积神经网络进行训练时,训练效率得到提高。
S202,获得多个样本广告图像和各样本广告图像对应的投放结果信息。
在本发明实施例中,可以基于用户对样本广告图像的多种反馈信息,预先确定各样本广告图像对应的投放结果信息,其中,用户对样本广告图像的反馈信息可以为:用户对样本广告图像的观看信息、用户对样本广告图像的收藏信息、用户对样本广告图像的点击信息、用户对样本广告图像的评论信息,以及用户购买样本广告图像中产品的相关信息等等。需要说明的是,确定各样本广告图像对应的投放结果信息的过程,可以由该广告图像特征提取装置完成,也可以由其他装置完成。
可选地,在本发明实施例中,所述各样本广告图像对应的投放结果信息的确定方式包括:
A1,检测在预设时长内各样本广告图像是否被用户点击。
B1,将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
在本发明实施例中,可以将样本广告图像对应的投放结果信息简单确定为发生点击或者未发生点击,从而利用获得的投放结果信息,快速得到训练完成的所述分类卷积神经网络。
可选地,在本发明实施例中,所述各样本广告图像对应的投放结果信息的确定方式包括:
A2,获得各样本广告图像对应的用户点击率。
其中,所述用户点击率为:预设时长内,用户对一样本广告图像的点击次数,所述预设时长可以为一天或者一周等等。
B2,确定各样本广告图像对应的用户点击率所属的点击级别。
其中,所述点击级别可以包括:高和低;或者,所述点击级别可以包括高、中和低;或者,所述点击级别可以包括更为细致的级别等等,这都是合理的。
在本发明实施例中,确定各样本广告图像对应的用户点击率所属的点击级别,可以采用多种方式,比如基于样本广告图像对应的用户点击率和点击率阈值,确定样本广告图像对应的用户点击率所属的点击级别,具体的,比如,一样本广告图像对应的用户点击率大于阈值A,则将该用户点击率所属的点击级别确定为高等等,其中,所述点击率阈值A可以是根据以往的点击率统计数据确定的一固定数值,也可以是根据当前的、多个样本广告图像对应的用户点击率的平均值,并依据一定算法确定的一数值等。
其中,可选的,在本发明实施例中,确定各样本广告图像对应的用户点击率所属的点击级别,包括:
B2-1,确定各样本广告图像在投放界面中的显示区域。
在实际中,样本广告图像可以被投放在投放界面中的不同区域,比如在网页的上方或者下方等等,结合实际不难理解,用户对不同显示区域的样本广告图像的点击率可能不同,比如,用户通常会对显示区域较明显的上方区域的样本广告图像点击较多,而对显示区域为下方的样本广告图像点击较少。还有一些特殊情况,比如,一样本广告图像是嵌入在一段视频中的广告图像,那么该样本广告图像的显示区域可能在该视频的起始页面,也有可能是在该视频的结束页面,通常情况下,用户可能对一视频的起始页面中的样本广告图像的点击较多,而对结束页面中的样本广告图像的点击较少。
因此,可以利用各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
B2-2,基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
由于用户对各显示区域的样本广告图像的点击率可能不同,在确定各样本广告图像对应的用户点击率所属的点击级别时,可以使用各显示区域对应的确定规则。
在本发明实施例中,结合各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,这样确定出的点击级别与实际情况更为符合,也更具体细致,有利于在后续的广告图像特征提取过程中,得到更为具体、细致及准确的图像特征信息。
可选的,在本发明实施例中,基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,包括:
将各显示区域的样本广告图像对应的用户点击率,与预设的对应显示区域的、各点击级别对应的点击率范围进行比较,确定各样本广告图像对应的用户点击率所属的点击级别。
举例来说,针对于点击级别包括高、中、低的情况,可以预设各显示区域的各点击级别对应的点击率范围,比如预设显示区域为上方区域的各点击级别对应的点击率范围为:高点击级别对应的点击率范围为大于35次/天,中点击级别对应的点击率范围为5次/天~35次/天,低点击级别对应的点击率范围为小于5次/天等;预设显示区域为下方区域的各点击级别对应的点击率范围为:高点击级别对应的点击率范围为大于15次/天,中点击级别对应的点击率范围为2次/天~15次/天,低点击级别对应的点击率范围小于2次/天等;当然,各显示区域的各点击级别对应的点击率范围的具体数值,是根据实际情况设置的任何合理数值,不同显示区域的各点击级别对应的点击率范围的具体数值可以不同。
那么,在确定一样本广告图像对应的用户点击率所属的点击级别时,比如已知该样本广告图像在投放界面中的显示区域为上方区域,则将该样本广告图像对应的用户点击率,比如10次/天,与上述的上方区域的各点击级别对应的点击率范围进行比较,从而确定该样本广告图像对应的用户点击率所属的点击级别为中。
在本发明实施例中,将各显示区域的样本广告图像对应的用户点击率,与预设的对应显示区域的、各点击级别对应的点击率范围进行比较,确定各样本广告图像对应的用户点击率所属的点击级别,能够得到准确的点击级别,有利于在后续的广告图像特征提取过程中,得到更准确的图像特征信息。
可选的,在本发明实施例中,基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,包括:
B2-2-1,按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列。
B2-2-2,针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列。
本发明实施例中,可以针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,其中,N为大于1的自然数,比如N为2或者3等;所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例,比如将一目标序列顺序划分为2个子序列,这两个子序列中,第一子序列占该目标序列的70%,第二子序列占该目标序列的30%,等等。需要说明的是,各目标序列对应的划分比例可以不同。
B2-2-3,针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别。
需要说明的是,本发明实施例中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
以下述举例说明B2-2-1至B2-2-3的过程:
获取显示区域为上方区域的各样本广告图像对应的用户点击率,并对上述用户点击率进行降序排序,得到显示区域为上方区域的各样本图像对应的目标序列,作为上方序列;同理,得到显示区域为下方的各样本图像对应的目标序列,作为下方序列。
依据上方序列对应的划分比例,将上方序列顺序划分为第一序列、第二序列及第三序列;依据下方序列对应的划分比例,将下方序列顺序划分为第一序列、第二序列及第三序列。
将各个第一序列内的用户点击率的点击级别确定为高,将各个第二序列内的用户点击率的点击级别确定为中,将各个第三序列内的用户点击率的点击级别确定为低。
通过上述过程,可以基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,比如点击级别为高,或者点击级别为中,或者点击级别为低,等等。
在本发明实施例中,提出一种具体方法,能够利用点击率排序和比例划分的方式,基于各样本广告图像在投放界面中的显示区域,具体确定各样本广告图像对应的用户点击率所属的点击级别,该方法能够快速、简便地确定各样本广告图像对应的用户点击率所属的点击级别,有利于快速进行后续步骤。
C2,针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
举例说明,可以将所述点击级别为高的样本广告图像对应的投放结果信息,确定为高,将所述点击级别为中的样本广告图像对应的投放结果信息,确定为中,将所述点击级别为低的样本广告图像对应的投放结果信息,确定为低,等等。
在本发明实施例中,对用户点击率这一常见的、用户对样本广告图像的反馈信息进行预先统计,利用统计获得的各样本广告图像对应的用户点击率,确定各样本广告图像对应的用户点击率所属的点击级别,并针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息,因此,本发明实施例能够得到更具体、细致及准确的投放结果信息,有利于利用所述投放结果信息训练得到分类卷积神经网络,以使得利用所述分类卷积神经网络进行广告图像特征提取时,能够得到更为具体、细致及准确的图像特征信息。
S203,利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
本发明实施例中,利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络的过程,与前文所述的,利用各样本图像和各样本图像对应的类别信息,训练所述残差网络的过程类似,在此不再赘述。
在本发明实施例中,训练初始分类卷积神经网络的过程中,不仅可以利用样本广告图像特有的图像特征,而且所利用的样本广告图像可以是各种类型的样本广告图像,因此,本发明实施例所得到的分类卷积神经网络,可以提取各类型广告图像均适用的图像特征,且提取的图像特征能够体现广告图像的投放结果。
本发明实施例所提供的方案中,利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,且所述投放结果信息可以基于多种用户反馈信息确定,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果,比如用户是否会点击,用户的点击率所属的点击级别是高还是低等等。
本发明实施例所获得的能够体现投放结果的广告图像特征,在后续可以作为一用户定位模块的输入。该用户定位模块,基于输入的该图像特征,以及其它作为输入的、与用户属性相关的信息,如用户性别、年龄等,可以得到待投放广告图像对应的投送用户群体,比如将一美妆类的待投放广告图像对应的投送用户群体确定为20~30岁之间的女性等。由此可以看出,基于本发明实施例所获得的能够体现投放结果的广告图像特征,在后续可以进一步提高广告图像的投放准确度,提高投放效果。
相应于上述方法实施例,本发明实施例还提供了一种广告图像特征提取装置,如图3所示,该接口测试装置包括:
获取模块301,用于获取目标广告图像;
提取模块302,用于将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;
其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。
可选地,在本发明实施例中,所述装置还包括训练模块,所述训练模块,包括:
第一子模块,用于确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
第二子模块,用于获得多个样本广告图像和各样本广告图像对应的投放结果信息;
第三子模块,用于利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
可选地,在本发明实施例中,所述第一子模块,具体用于:
确定残差网络,其中,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本图像和各样本图像的类别信息;
利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
可选地,在本发明实施例中,所述装置还包括确定模块,所述确定模块用于:
检测在预设时长内各样本广告图像是否被用户点击;
将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;
将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
可选地,在本发明实施例中,所述装置还包括确定模块,所述确定模块,包括:
第四子模块,用于获得各样本广告图像对应的用户点击率;
第五子模块,用于确定各样本广告图像对应的用户点击率所属的点击级别;
第六子模块,用于针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
可选地,在本发明实施例中,所述第五子模块,包括:
第一确定单元,用于确定各样本广告图像在投放界面中的显示区域;
第二确定单元,用于基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
可选地,在本发明实施例中,所述第二确定单元,具体用于:
按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列;
针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例;
针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别,其中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
本发明实施例所提供的方案中,利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。由于该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果。因此,本发明实施例所提供的方案,能够为预估广告图像的投放结果,提供有效的参考信息。
相应于上述方法实施例,本发明实施例还提供了一种电子设备,如图4所示,可以包括处理器401和存储器402,其中,
所述存储器402,用于存放计算机程序;
所述处理器401,用于执行所述存储器402上所存放的程序时,实现本发明实施例所提供的接口测试方法的步骤。
上述存储器可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离于上述处理器的存储装置。
上述处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通过上述电子设备,能够实现:利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。由于该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果。因此,本发明实施例所提供的方案,能够为预估广告图像的投放结果,提供有效的参考信息。
另外,相应于上述实施例所提供的广告图像特征提取方法,本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现本发明实施例所提供的广告图像特征提取方法的步骤。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的广告图像特征提取方法的应用程序,因此能够实现:利用训练得到的分类卷积神经网络,对待投送的目标广告图像进行特征提取,获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息。由于该分类卷积神经网络是利用样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的,因此,所获得的目标广告图像的特征信息能够用于评估所述目标广告图像的投放结果。因此,本发明实施例所提供的方案,能够为预估广告图像的投放结果,提供有效的参考信息。
对于电子设备以及计算机可读存储介质实施例而言,由于其所涉及的方法内容基本相似于前述的方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的可选实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (15)
1.一种广告图像特征提取方法,其特征在于,包括:
获取目标广告图像;
将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;
其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述分类卷积神经网络的训练过程包括:
确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本广告图像和各样本广告图像对应的投放结果信息;
利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
3.根据权利要求2所述的方法,其特征在于,所述确定初始分类卷积神经网络,包括:
确定残差网络,其中,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本图像和各样本图像的类别信息;
利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
4.根据权利要求2所述的方法,其特征在于,所述各样本广告图像对应的投放结果信息的确定方式,包括:
检测在预设时长内各样本广告图像是否被用户点击;
将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;
将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
5.根据权利要求2所述的方法,其特征在于,所述各样本广告图像对应的投放结果信息的确定方式,包括:
获得各样本广告图像对应的用户点击率;
确定各样本广告图像对应的用户点击率所属的点击级别;
针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
6.根据权利要求5所述的方法,其特征在于,所述确定各样本广告图像对应的用户点击率所属的点击级别,包括:
确定各样本广告图像在投放界面中的显示区域;
基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
7.根据权利要求6所述的方法,其特征在于,所述基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别,包括:
按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列;
针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例;
针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别,其中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
8.一种广告图像特征提取装置,其特征在于,包括:
获取模块,用于获取目标广告图像;
提取模块,用于将所述目标广告图像输入预先训练的分类卷积神经网络中,并获得所述分类卷积神经网络的特征提取层所输出的、所述目标广告图像的特征信息,其中,所述特征信息为:能够用于评估所述目标广告图像的投放结果的信息;
其中,所述分类卷积神经网络的最后一层为全连接层,所述特征提取层为所述全连接层的前一层,所述分类卷积神经网络是根据样本广告图像,以及所述样本广告图像对应的投放结果信息训练得到的。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块,包括:
第一子模块,用于确定初始分类卷积神经网络,其中,所述初始分类卷积神经网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
第二子模块,用于获得多个样本广告图像和各样本广告图像对应的投放结果信息;
第三子模块,用于利用各样本广告图像和各样本广告图像对应的投放结果信息,训练所述初始分类卷积神经网络,得到所述分类卷积神经网络。
10.根据权利要求9所述的装置,其特征在于,所述第一子模块,具体用于:
确定残差网络,其中,所述残差网络包括至少一层卷积层、至少一层降采样层、一层特征提取层和一层全连接层;
获得多个样本图像和各样本图像的类别信息;
利用各样本图像和各样本图像的类别信息,训练所述残差网络,得到所述初始分类卷积神经网络。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括确定模块,所述确定模块用于:
检测在预设时长内各样本广告图像是否被用户点击;
将被用户点击的样本广告图像对应的投放结果信息确定为:发生点击;
将未被用户点击的样本广告图像对应的投放结果信息确定为:未发生点击。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括确定模块,所述确定模块,包括:
第四子模块,用于获得各样本广告图像对应的用户点击率;
第五子模块,用于确定各样本广告图像对应的用户点击率所属的点击级别;
第六子模块,用于针对每一样本广告图像,将该样本广告图像对应的用户点击率所属的点击级别,作为该样本广告图像对应的投放结果信息。
13.根据权利要求12所述的装置,其特征在于,所述第五子模块,包括:
第一确定单元,用于确定各样本广告图像在投放界面中的显示区域;
第二确定单元,用于基于各样本广告图像在投放界面中的显示区域,确定各样本广告图像对应的用户点击率所属的点击级别。
14.根据权利要求13所述的装置,其特征在于,所述第二确定单元,具体用于:
按照降序排列方式,对每个显示区域上的各样本广告图像对应的用户点击率进行排序,得到各显示区域对应的目标序列;
针对每一目标序列,依据该目标序列对应的划分比例,将该目标序列顺序划分为N个子序列,所述划分比例为:N个子序列中每个子序列,分别在目标序列中所占的比例;
针对于每一子序列,将该子序列内的所有用户点击率的点击级别确定为该子序列对应的级别,其中,每一组N个子序列对应N个级别且每个子序列唯一对应一个级别。
15.一种电子设备,其特征在于,包括处理器和存储器,其中,
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630028.1A CN108765035A (zh) | 2018-06-19 | 2018-06-19 | 一种广告图像特征提取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810630028.1A CN108765035A (zh) | 2018-06-19 | 2018-06-19 | 一种广告图像特征提取方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765035A true CN108765035A (zh) | 2018-11-06 |
Family
ID=63978643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630028.1A Pending CN108765035A (zh) | 2018-06-19 | 2018-06-19 | 一种广告图像特征提取方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765035A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020639A (zh) * | 2019-04-18 | 2019-07-16 | 北京奇艺世纪科技有限公司 | 视频特征提取方法及相关设备 |
CN110598028A (zh) * | 2019-09-06 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 图像分类方法、装置及存储介质、电子设备 |
CN112766285A (zh) * | 2021-01-26 | 2021-05-07 | 北京有竹居网络技术有限公司 | 图像样本生成方法、装置和电子设备 |
CN113935554A (zh) * | 2021-12-15 | 2022-01-14 | 北京达佳互联信息技术有限公司 | 投放系统中的模型训练方法、资源投放方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
CN105046515A (zh) * | 2015-06-26 | 2015-11-11 | 深圳市腾讯计算机系统有限公司 | 广告排序方法及装置 |
CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
-
2018
- 2018-06-19 CN CN201810630028.1A patent/CN108765035A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
CN105046515A (zh) * | 2015-06-26 | 2015-11-11 | 深圳市腾讯计算机系统有限公司 | 广告排序方法及装置 |
CN106296690A (zh) * | 2016-08-10 | 2017-01-04 | 北京小米移动软件有限公司 | 图像素材的质量评估方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020639A (zh) * | 2019-04-18 | 2019-07-16 | 北京奇艺世纪科技有限公司 | 视频特征提取方法及相关设备 |
CN110598028A (zh) * | 2019-09-06 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 图像分类方法、装置及存储介质、电子设备 |
CN112766285A (zh) * | 2021-01-26 | 2021-05-07 | 北京有竹居网络技术有限公司 | 图像样本生成方法、装置和电子设备 |
CN112766285B (zh) * | 2021-01-26 | 2024-03-19 | 北京有竹居网络技术有限公司 | 图像样本生成方法、装置和电子设备 |
CN113935554A (zh) * | 2021-12-15 | 2022-01-14 | 北京达佳互联信息技术有限公司 | 投放系统中的模型训练方法、资源投放方法及装置 |
CN113935554B (zh) * | 2021-12-15 | 2022-05-13 | 北京达佳互联信息技术有限公司 | 投放系统中的模型训练方法、资源投放方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765035A (zh) | 一种广告图像特征提取方法、装置及电子设备 | |
ES2945713T3 (es) | Modelos de aprendizaje automático para identificar objetos representados en datos de imagen o vídeo | |
CN104298719B (zh) | 基于社交行为进行用户的类别划分、广告投放方法和系统 | |
Whiteside et al. | Spatial characteristics of professional tennis serves with implications for serving aces: A machine learning approach | |
CN107465766B (zh) | 信息推送方法、电子设备及计算机存储介质 | |
CN104809154B (zh) | 用于资讯推荐的方法及装置 | |
US20160132931A1 (en) | Method of associating advertisements to images | |
US20170109015A1 (en) | Contextual athlete performance assessment | |
CN106803190A (zh) | 一种广告个性化推送系统及方法 | |
US20140100970A1 (en) | Automated Monitoring and Verification of Internet Based Advertising | |
CN108229994A (zh) | 一种信息推送方法及装置 | |
KR20110044294A (ko) | 이미지 내에서의 개체 식별 | |
CN108460629A (zh) | 用户营销推荐方法、装置、终端设备及存储介质 | |
CN104410907B (zh) | 视频广告的监测方法及监测装置 | |
US10016668B2 (en) | Mobile terminal for curling analysis and curling match analysis system using the same | |
CN105869008A (zh) | 一种广告定向投放方法及装置 | |
US9716750B2 (en) | System for providing content from servers based on user responses to content inquiries | |
Choi | A study on effect of tourism storytelling of tourism destination brand value and tourist behavioral intentions | |
CN109451328A (zh) | 游戏直播的信息处理方法及装置 | |
CN109272360B (zh) | 一种广告智能推荐方法、系统及装置 | |
CN106775805A (zh) | 一种应用程序启动空白时间的应用方法及系统 | |
CN108011740A (zh) | 一种媒体流量数据处理方法和装置 | |
CN109493146A (zh) | 广告投放方法及装置 | |
CN111311291B (zh) | 一种针对智能综合服务终端用户的广告投放方法 | |
CN113544697A (zh) | 用数据和身体姿态分析运动表现以对表现进行个性化预测 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |