CN109242927B - 一种广告模板生成方法、装置及计算机设备 - Google Patents
一种广告模板生成方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109242927B CN109242927B CN201811146765.0A CN201811146765A CN109242927B CN 109242927 B CN109242927 B CN 109242927B CN 201811146765 A CN201811146765 A CN 201811146765A CN 109242927 B CN109242927 B CN 109242927B
- Authority
- CN
- China
- Prior art keywords
- template
- color matching
- advertisement
- model
- color
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims description 66
- 238000009826 distribution Methods 0.000 claims description 63
- 239000011265 semifinished product Substances 0.000 claims description 48
- 239000003086 colorant Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 239000000047 product Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- G06Q30/0276—Advertisement creation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种广告模板生成方法、装置及计算机设备,包括:利用配色模型对广告模板半成品配色,生成广告模板半成品对应的新广告模板;利用配色打分模型对新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板在线上投放。本发明解决了生成广告模板的效率低、线上投放点击率低的技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种广告模板生成方法、装置及计算机设备。
背景技术
展示广告,是一种按每千次展示计费的图片形式广告,比如横幅广告,可以投放在Feed和博客页面中,展示广告基于投放在线上的预先设计好的广告模板对广告在页面中进行呈现。而广告模板的设计可以分解为布局和配色两个步骤,其中,广告模板的布局是根据广告位的尺寸以及需要摆放的模板元素类别确定每个模板元素摆放的位置坐标和占用尺寸。而广告模板的配色是在布局确定的基础上进一步确定广告模板中每个模板元素的颜色,以生成最终的广告模板。
目前,广告模板的布局和配色均是通过设计师进行设计而成。设计师在确定广告模板的布局后,在人工对广告模板中的各个模板元素进行配色,因此,现有生成广告模板的效率低。
发明内容
鉴于上述问题,本发明提供一种广告模板生成方法、装置及计算机设备,以至少解决了线上投放广告的点击率低和效率低的技术问题。
第一方面,本发明实施例提供一种广告模板生成方法,包括:
利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
将所述配色合格的新广告模板进行线上投放。
可选的,所述配色打分模型通过如下步骤生成:
基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
基于所述线上投放数据训练出配色点击率预估模型;
将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
可选的,所述配色模型通过如下步骤生成:
基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型。
可选的,所述配色合格的广告模板样本和所述配色不合格的广告模板样本通过如下步骤获得:
获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
可选的,所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;
所述基于所述各种模板元素构造下的建模要素共同构建因子图模型,包括:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
可选的,所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
可选的,在将所述配色合格的新广告模板进行线上投放之后,还包括:
获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
向线上投放所述批量的合格广告模板。
可选的,所述利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板的步骤,包括:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
第二方面,本发明实施例提供一种广告模板生成装置,包括:
配色单元,用于利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
打分单元,用于利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
第一投放单元,用于将所述配色合格的新广告模板进行线上投放。
可选的,所述装置还包括第一模型生成单元,所述第一模型生成单元:
第一训练子单元,用于基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
投放子单元,用于将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
第二训练子单元,用于基于所述线上投放数据训练出配色点击率预估模型;
加权处理子单元,用于将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
可选的,所述装置还包括第二模型生成单元,所述第二模型单元包括:
建模子单元,用于基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
第三训练子单元,用于利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型。
可选的,所述装置还包括:
样本获取单元,用于获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
样本标记单元,用于对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
可选的,所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;所述建模子单元,具体用于:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
可选的,所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
可选的,所述装置还包括:
日志获取单元,用于获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
模型更新单元,用于将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
配色更新单元,用于基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
第二投放单元,用于向线上投放所述批量的合格广告模板。
可选的,所述配色单元具体用于:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
第三方面,本发明实施例提供一种计算机设备,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,所述处理器执行所述程序时实现第一方面中任一可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一可能的实现方式所述方法的步骤。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例提供的一种广告模板生成方法、装置及计算机设备,由于是利用配色模型对广告模板半成品配色,以生成广告模板半成品对应的新广告模板;利用配色打分模型对新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;将配色合格的新广告模板进行线上投放。以此实现利用机器学习自动进行广告模板的配色,而避免了广告模板的人工配色。因此,提高了广告模板的生成效率。
并且,对机器学习自动完成对广告模板的配色打分,避免了以设计师审美为基准,使得广告模板的配色更合理,有利于提高线上投放广告的点击率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。在附图中:
图1为本发明实施例中广告模板生成方法的流程图;
图2为本发明实施例中因子图模型的结构示意图;
图3为本发明实施例中广告模板生成装置的结构示意图;
图4为本发明实施例中计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面,本发明实施例提供一种广告模板生成方法。如图1所示,本发明实施例提供的广告模板生成方法,至少包括如下步骤:
S101、利用配色模型对广告模板半成品配色,生成广告模板半成品对应的新广告模板。
需要说明的是,广告模板的设计包括两个方面,即:布局步骤和在布局步骤完成之后的配色步骤。具体的,布局步骤是根据广告位的尺寸以及需要摆放的模板元素的类别,确定每个模板元素的摆放位置的坐标和尺寸,而本发明实施例中的广告模板半成品通过布局步骤形成。也即是说,本发明实施例中的广告模板半成品为完成元素布局的半成品。
在一可选的实施方式中,将模板配色建模为一个以单模板元素、配对模板元素、全局模板元素的颜色相容性问题。具体来讲,配色模型通过如下步骤S1011~步骤S1012生成:
步骤S1011、基于多种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子。
在本发明实施例中,模板元素构造有三种类型,包括:单模板元素、配对模板元素和全局模板元素。则步骤S1011的具体实施方式如下:基于每个单模板元素的建模要素、每个配对模板元素的建模要素以及全局模板元素的建模要素共同构建因子图模型。
需要说明的是,广告模板由一个以上类别的模板元素构成。比如:广告模板的模板元素包括模板按钮、模板按钮字体、广告标题、广告主题、品牌logo等等。需要说明的是,从经布局步骤形成的广告模板半成品中确定模板元素的类别。或者从广告模板样本集中广告模板样本中确定模板元素的类别。
在一具体的实施方式中,基于每个单模板元素的建模要素、每个配对模板元素的建模要素、全局模板元素的建模要素共同构建因子图模型,具体包括如下步骤:
步骤1、基于每个单模板元素的建模要素分别构建第一类颜色分布模型。
具体来讲,提取每个单模板元素的建模要素,并基于每个单模板元素的建模要素构建分别第一类颜色分布模型。在具体实施过程中,提取的单模板元素的建模要素包括:该单模板元素的颜色属性和空间特征。具体来讲,单模板元素的颜色属性包括该单模板元素的亮度、饱和度中的一种或者多种,在具体实施过程中,还可以包括其他颜色属性,比如:单模板元素的颜色卓越度。具体来讲,单模板元素的空间特征包括:该单模板元素的相对尺寸、标准离散密度、伸长率、集中率中的一种或者多种。在具体实施过程中,单模板元素的颜色属性和空间特征并不限于上述举例。具体而言,单模板元素的相对尺寸为该单模板元素相对于广告位的尺寸。
需要说明的是,单模板元素指的是广告模板中的一个模板元素,单模板元素可以是广告模板的模板按钮、模板按钮字体、广告标题、广告主题、品牌logo等等。
具体来讲,针对任一单模板元素,在给定空间特征下的颜色属性进行颜色分布建模如下:其中,c为单模板元素的颜色属性,f为对单模板元素给定的空间特征,从而得到第一类颜色分布模型;
通过步骤1对单模板元素的颜色分布建模,建立起单个模板元素的颜色对广告点击率的影响。
步骤2、基于每个配对模板元素的建模要素构建第二类颜色分布模型。
需要说明的是,两个相关的单模板元素构成配对模板元素。比如:模板按钮与模板按钮字体构成配对模板元素。
具体的,提取每个配对模板元素的建模要素,并基于每个配对模板元素的建模要素分别构建第二类颜色分布模型。在具体实施过程中,提取的每个配对模板元素的建模要素包括:配对模板元素的颜色属性和空间特征。具体来讲,配对模板元素的颜色属性包括:构成配对模板元素的两个单模板元素之间的相对亮度、相对饱和度、彩色差异度、命名相似度中的一种或者多种属性。
配对模板元素的空间特征,具体为:拼接构成配对模板元素的两个相关单模板元素的空间特征得到。以相对尺寸这一空间特征为例,配对模板元素AB包括:单模板元素A和与单模板元素A相关的单模板元素B,则将单模板元素A的相对尺寸X1与单模板元素B的相对尺寸X2进行拼接,得到配对模板元素AB的相对尺寸(X1,X2),配对模板元素的其他空间特征基于拼接相对尺寸的相似原理,拼接其两个相关单模板元素的对应空间特征得到,为了说明书的简洁,在此不再赘述。
具体来讲,针对任一配对模板元素,在给定空间特征下的颜色属性进行颜色分布建模如下:其中cs,cs′为配对模板元素的对应颜色属性,fs,s′为配对模板元素空间特征拼接得到的空间特征。
通过步骤2对配对模板元素的颜色分布建模,建立起相关模板元素的配色组合对广告点击率的影响。
步骤3、基于全局模板元素的建模要素构建第三类颜色分布模型。
具体的,全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。比如,全局模板元素的建模要素可以包括:5个模板元素主颜色的属性。举例来讲,以模板按钮、模板按钮字体、广告标题、广告主题和品牌logo这5个模板元素组成5个模板元素主颜色为例,针对全局模板元素的颜色属性进行颜色分布建模如下:
其中,c1…c5对应为5个模板元素主颜色的属性。
通过步骤3对全局模板元素的颜色分布建模,建立起全局模板元素的组合配色对广告点击率的影响。
在本发明实施例中,步骤1~步骤3为独立执行步骤,没有必然的执行先后顺序。
在步骤1~3均完成之后,再执行步骤4:将每个第一类颜色分布模型、每个第二类颜色分布模型和第三类颜色分布模型合并为因子图模型。
具体的,以全局模板元素包括5个模板元素主颜色为例的因子图模型参考图2所示。在图2的因子图模型中,C1、C2、C3、C4、C5对应为广告模板中的5个模板元素,针对模板元素C1、C2、C3、C4、C5分别建立第一类颜色分布模型FUnary,针对C1、C2、C3、C4、C5中的配对模板元素C1+C3、配对模板元C4+C3、配对模板元C5+C3、配对模板元C2+C3分别建立第二类颜色分布模型FPairwise,针对全局模板元素C1+C2+C3+C4+C5建立第三类颜色分布模型FPairwise。
通过步骤1~步骤4,能够将对广告模板配色的建模为一个单模板元素、配对模板元素、全局模板元素的颜色相容性问题。使得对广告模板的配色建模考虑了多种元素构造下的影响,从而有利于形成的配色模型能够更合理完成对广告模板半成品的配色,进而实现广告模板的自动、合理配色。
步骤S1011之后,执行步骤1012:基于配色合格的广告模板样本对因子图模型进行训练,以训练出配色模型。
在一可选的实施方式中,步骤1012具体为:利用因子图模型学习配色合格的广告模板样本中的单模板元素、配对模板元素、全局模板元素的颜色分布,从而训练得到配色模型。
在S101中,利用配色模型对广告模板半成品配色,可以为:从配色模型进行颜色采样,生成配色数据;基于配色数据对广告模板半成品进行配色,生成广告模板半成品对应的广告模板成品作为新广告模板。
具体来讲,使用随机采样方式从配色模型的颜色分布进行颜色采样,得到作为对广告模板半成品进行配色的配色数据,从而用于对广告模板半成品进行配色,以生成新广告模板。由于是进行RGB色彩空间的颜色采样,得到的配色数据具体为RGB颜色数据。比如,具体采用MCMC(Markov Chain Monte Carlo,马尔可夫链蒙特卡罗)采样方式对配色模型的颜色分布进行颜色采样,得到配色数据。
S102、利用配色打分模型对新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板。
在一可选的实施方式中,基于配色不合格的广告模板样本和配色合格的广告模板样本直接训练出配色打分模型。具体的,将配色合格的广告模板样本和配色不合格的广告模板样本输入CNN(Convolutional Neural Network,卷积神经网络)中进行训练,直至满足第一预设条件时结束训练,得到配色打分模型。
具体的,第一预设条件包括:预先设置的打分准确率阈值和训练次数阈值,在训练过程中先达到打分准确率阈值和训练次数阈值中的任一指标就结束训练,得出配色打分模型。
在另一可选的实施方式中,配色打分模型通过如下步骤S1021~S1023生成:
步骤1021、基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型。
在一可选的实施方式中,将配色合格的广告模板样本和配色不合格的广告模板样本输入至CNN(Convolutional Neural Network,卷积神经网络)中进行训练,直至满足第一预设条件时结束训练,得到打分模型。
整个CNN可以抽象成函数y=f(x),其中,f(.)表示卷积神经网络CNN,x表示广告模板样本,y表示模型输出的打分结果,模型输出的打分结果具体为:配色合格或者配色不合格。将配色打分模型输出的打分结果与该广告模板样本的实际打分结果进行对比,基于对比结果调整模型参数,循环训练直至满足第一预设条件。具体的,第一预设条件包括:预先设置的打分准确率阈值和训练次数阈值,在训练过程中先达到打分准确率阈值和训练次数阈值中任一指标就结束训练,得出打分模型。
为了适应小型数量级,使用Inception V3架构的CNN,Inception V3架构的CNN是将7x7卷积分解成两个一维的卷积(1x7,7x1),3x3卷积分解成两个一维的卷积(1x3,3x1),以加速计算和加深网络深度,又可以将1个卷积层拆成2个卷积层,使得网络深度进一步增加,增加了网络的非线性,使得CNN的输入从224x224变为了299x299。
步骤1022、将配色合格的广告模板样本进行线上投放,获得对应的线上投放数据。
具体的,配色合格的广告模板样本在线上投放,以在页面展示出基于配色合格的广告模板样本生成的展示广告,则线上投放数据具体为以配色合格的广告模板样本形成的展示广告的CTR(Click-Through-Rate,广告点击率),即展示广告的实际点击次数(严格的来说,可以是到达目标页面的数量)除以广告的展现量(Show content)。CTR是衡量互联网广告效果的一项重要指标。
步骤1023、基于线上投放数据训练出配色点击率预估模型。
配色点击率预估模型用于预判用户对一条广告点击的概率,对每次广告的点击情况做出预测。具体的,配色点击率预估模型的训练具体是:将线上投放数据输入至卷积神经网络进行训练,直至满足第二预设条件时结束训练,得到配色点击率预估模型。
在本发明实施例中,训练配色点击率预估模型所使用的卷积神经网络CNN与训练打分模型所使用卷积神经网络为相同结构。
需要说明的是,线上投放数据包括:配色合格的广告模板样本和该新广告模板生成的展示广告的实际广告点击率。将配色点击率预估模型输出的广告点击率预估值与该配色合格的广告模板样本在线上投放得到的实际广告点击率进行对比,基于对比结果调整配色点击率预估模型的模型参数,循环训练直至满足第二预设条件。
具体的,第二预设条件包括:预先设置的点击率预估准确率和训练次数阈值,在训练过程中先达到点击率预估准确率和训练次数阈值中任一指标就结束训练,得出配色点击率预估模型。比如,训练次数阈值设置为5000次,在训练次数达到5000次时,若点击率预估准确率仍然小于预先设置的点击率预估准确率,则停止训练。若训练次数少于5000次,但是点击率预估准确率已经达到预先设置的点击率预估准确率,也停止训练。
步骤1024、将打分模型与所述配色点击率预估模型进行加权,生成配色打分模型。
经过步骤1021~1024得到打分更准确的配色打分模型。基于步骤1021~1024生成的配色打分模型,对每个新广告模板进行配色打分的实施方式如下:
对每一个广告模板,利用打分模型得到预测打分利用配色点击率预估模型到预测打分/>将预测打分/>与预测打分/>进行加权,得到对新广告模板的打分结果为其中,u1为设计师打分均值,σ1为设计师打分标准差,u2为点击率均值,σ2为点击率标准差。得到对每个新广告模板的打分结果之后,将打分结果大于或等于打分阈值T的各个新广告模板作为配色合格的新广告模板。
具体的,打分模型与配色点击率预估模型之间的加权可以采用Boosting算法进行。
在一可选的实施方式中,在本发明实施例中所用的配色不合格的广告模板样本和配色合格的广告模板样本通过如下步骤11和步骤12得到:
步骤11、获取广告模板样本集,其中,广告模板样本集包括人工设计的原始广告模板以及通过调色板处理原始广告模板获得的调色后广告模板。
在具体实施过程中,如果人工设计的原始广告模板的数量足够,则广告模板样本集中均为人工设计的原始广告模板,如果人工设计的原始广告模板的数量不足,则基于调色板对人工设计的原始广告模板进行调色,生成调色后广告模板,从而补充样本数量,进而满足训练打分模型和配色模型所需的样本数量。在具体实施过程中,可以使用线上打分高于预设打分值的调色板对人工设计的原始广告模板进行调色。
步骤12、对所述广告模板样本集中的广告模板样本进行标记,获得配色合格的广告模板样本和配色不合格的广告模板样本。
步骤S103、将配色合格的新广告模板进行线上投放。
具体的,在线上投放的新广告模板被调用于在互联网页面上生成展示广告。进一步的,为了能够使得自动配色的广告模板具有更高点击率,在将配色合格的新广告模板进行线上投放之后,还包括如下步骤21~24:
步骤21、获得在线上投放配色合格的新广告模板所产生的线上投放日志。需要说明的是,线上投放的新广告模板为多个,达到一定数量。线上投放日志包括新广告模板和基于该新广告模板生成的展示广告的广告点击率。
步骤22、将线上投放日志反馈给配色打分模型和配色模型,对配色打分模型和配色模型进行更新。
步骤23、基于更新的配色模型和更新的配色打分模型对一个以上的模板半成品配色,获得批量的合格广告模板。
步骤24、向线上投放批量的合格广告模板。
通过线上投放日志进行配色模型和配色打分模型的更新,能够不断优化配色模型和更新的配色打分模型,使得上线的广告模板更符合用户需求,从而进一步提高广告点击率。
第二方面,本发明实施例提供一种广告模板生成装置,参考图3所示,包括:
配色单元301,用于利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
打分单元302,用于利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
第一投放单元303,用于将所述配色合格的新广告模板进行线上投放。
可选的,所述装置还包括第一模型生成单元,所述第一模型生成单元:
第一训练子单元,用于基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
投放子单元,用于将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
第二训练子单元,用于基于所述线上投放数据训练出配色点击率预估模型;
加权处理子单元,用于将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
在一可选的实施方式中,所述装置还包括第二模型生成单元,所述第二模型单元包括:
建模子单元,用于基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
第三训练子单元,用于利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型。
在一可选的实施方式中,所述装置还包括:
样本获取单元,用于获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
样本标记单元,用于对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
在一可选的实施方式中,所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;所述建模子单元,具体用于:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
在一可选的实施方式中,所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
在一可选的实施方式中,所述装置还包括:
日志获取单元,用于获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
模型更新单元,用于将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
配色更新单元,用于基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
第二投放单元,用于向线上投放所述批量的合格广告模板。
在一可选的实施方式中,所述配色单元301具体用于:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
第三方面,本发明实施例提供一种计算机设备,如图4所示,包括存储器404、处理器402及存储在存储器404上并可在处理器402上运行的计算机程序,所述处理器402执行所述程序时实现前文广告模板生成方法实施例中任一实施方式所述的步骤。
其中,在图4中,总线架构(用总线400来代表),总线400可以包括任意数量的互联的总线和桥,总线400将包括由处理器402代表的一个或多个处理器和存储器404代表的存储器的各种电路链接在一起。总线400还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口405在总线400和接收器401和发送器403之间提供接口。接收器401和发送器403可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器402负责管理总线400和通常的处理,而存储器404可以被用于存储处理器402在执行操作时所使用的数据。
依据本发明第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文前文广告模板生成方法实施例中任一实施方式所述的步骤。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例提供的一种广告模板生成方法、装置及计算机设备,由于是利用配色模型对广告模板半成品配色,以生成广告模板半成品对应的新广告模板;利用配色打分模型对新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;将配色合格的新广告模板进行线上投放。以此实现利用机器学习自动进行广告模板的配色,而避免了广告模板的人工配色。因此,提高了广告模板的生成效率。
并且,对机器学习自动完成对广告模板的配色打分,避免了以设计师审美为基准,使得广告模板的配色更合理,有利于提高线上投放广告的点击率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
本发明公开A1、一种广告模板生成方法,包括:
利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
将所述配色合格的新广告模板进行线上投放。
A2、如A1所述的方法,所述配色打分模型通过如下步骤生成:
基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
基于所述线上投放数据训练出配色点击率预估模型;
将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
A3、如A1所述的方法,所述配色模型通过如下步骤生成:
基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型。
A4、如A2或A3所述的方法,所述配色合格的广告模板样本和所述配色不合格的广告模板样本通过如下步骤获得:
获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
A5、如A求3所述的方法,所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;
所述基于所述各种模板元素构造下的建模要素共同构建因子图模型,包括:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
A6、如A5所述的方法,
所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;
所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;
所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
A7、如A1所述的方法,在将所述配色合格的新广告模板进行线上投放之后,还包括:
获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
向线上投放所述批量的合格广告模板。
A8、如A1所述的方法,所述利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板的步骤,包括:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
本发明还公开B9、一种广告模板生成装置,包括:
配色单元,用于利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
打分单元,用于利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
第一投放单元,用于将所述配色合格的新广告模板进行线上投放。
B10、如B9所述的装置,还包括第一模型生成单元,所述第一模型生成单元:
第一训练子单元,用于基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
投放子单元,用于将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
第二训练子单元,用于基于所述线上投放数据训练出配色点击率预估模型;
加权处理子单元,用于将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
B11、如B9所述的装置,第二模型生成单元,所述第二模型单元包括:
建模子单元,用于基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
第三训练子单元,用于利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型。
B12、如B10或B11所述的装置,还包括:
样本获取单元,用于获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
样本标记单元,用于对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
B13、如B11所述的装置,所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;所述建模子单元,具体用于:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
B14、如B13所述的装置,
所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;
所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;
所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
B15、如B9所述的装置,还包括:
日志获取单元,用于获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
模型更新单元,用于将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
配色更新单元,用于基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
第二投放单元,用于向线上投放所述批量的合格广告模板。
B16、如B9所述的装置,所述配色单元具体用于:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
本发明公开还公开C17、一种计算机设备,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,所述处理器执行所述程序时实现A1-A8中任一项所述方法的步骤。
本发明公开还公开D18、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现A1-A8中任一项所述方法的步骤。
Claims (14)
1.一种广告模板生成方法,其特征在于,包括:
利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
将所述配色合格的新广告模板进行线上投放;
所述配色模型通过如下步骤生成:
基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型;
所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;
所述基于所述各种模板元素构造下的建模要素共同构建因子图模型,包括:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
2.如权利要求1所述的方法,其特征在于,所述配色打分模型通过如下步骤生成:
基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
基于所述线上投放数据训练出配色点击率预估模型;
将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
3.如权利要求1或2所述的方法,其特征在于,所述配色合格的广告模板样本和所述配色不合格的广告模板样本通过如下步骤获得:
获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
4.如权利要求1所述的方法,其特征在于,
所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;
所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;
所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
5.如权利要求1所述的方法,其特征在于,在将所述配色合格的新广告模板进行线上投放之后,还包括:
获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
向线上投放所述批量的合格广告模板。
6.如权利要求1所述的方法,其特征在于,所述利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板的步骤,包括:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
7.一种广告模板生成装置,其特征在于,包括:
配色单元,用于利用配色模型对广告模板半成品配色,以生成所述广告模板半成品对应的新广告模板;
打分单元,用于利用配色打分模型对所述新广告模板进行配色打分,并基于配色打分结果确定出合格的新广告模板;
第一投放单元,用于将所述配色合格的新广告模板进行线上投放;
还包括第二模型生成单元,所述第二模型生成单元包括:
建模子单元,用于基于各种模板元素构造下的建模要素共同构建因子图模型,其中,每种模板元素构造下包括一种以上建模因子;
第三训练子单元,用于利用配色合格的广告模板样本对所述因子图模型进行训练,以训练出所述配色模型;
所述模板元素构造包括:单模板元素、配对模板元素和全局模板元素;所述建模子单元,具体用于:
基于每个单模板元素的建模要素构建第一类颜色分布模型,基于每个配对模板元素的建模要素构建第二类颜色分布模型,以及基于全局模板元素的建模要素构建第三类颜色分布模型;
将每个所述第一类颜色分布模型、每个所述第二类颜色分布模型和所述第三类颜色分布模型合并为所述因子图模型。
8.如权利要求7所述的装置,其特征在于,还包括第一模型生成单元,所述第一模型生成单元:
第一训练子单元,用于基于配色不合格的广告模板样本和配色合格的广告模板样本训练出打分模型;
投放子单元,用于将所述配色合格的广告模板样本进行线上投放,获得对应的线上投放数据;
第二训练子单元,用于基于所述线上投放数据训练出配色点击率预估模型;
加权处理子单元,用于将所述打分模型与所述配色点击率预估模型进行加权,以生成所述配色打分模型。
9.如权利要求7或8所述的装置,其特征在于,还包括:
样本获取单元,用于获取广告模板样本集,其中,所述广告模板样本集包括人工设计的原始广告模板以及通过调色板处理所述原始广告模板获得的调色后广告模板;
样本标记单元,用于对所述广告模板样本集中的广告模板样本进行标记,获得所述配色合格的广告模板样本和所述配色不合格的广告模板样本。
10.如权利要求7所述的装置,其特征在于,
所述单模板元素的建模要素,包括:所述单模板元素的颜色属性和空间特征;
所述配对模板元素的建模要素,包括:所述配对模板元素的颜色属性和空间特征,其中,所述配对模板元素的空间特征为拼接构成所述配对模板元素的两个相关单模板元素的空间特征得到;
所述全局模板元素的建模要素,包括:预设个数的模板元素主颜色的属性。
11.如权利要求7所述的装置,其特征在于,还包括:
日志获取单元,用于获得在线上投放所述配色合格的新广告模板所产生的线上投放日志;
模型更新单元,用于将所述线上投放日志反馈给所述配色打分模型和所述配色模型,对所述配色打分模型和所述配色模型进行更新;
配色更新单元,用于基于更新的配色模型和更新的配色打分模型,对一个以上的广告模板半成品进行配色,获得批量的合格广告模板;
第二投放单元,用于向线上投放所述批量的合格广告模板。
12.如权利要求7所述的装置,其特征在于,所述配色单元具体用于:
从所述配色模型进行颜色采样,生成配色数据;
基于所述配色数据对所述广告模板半成品进行配色,生成所述广告模板半成品对应的广告模板成品作为新广告模板。
13.一种计算机设备,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,所述处理器执行所述程序时实现权利要求1-6中任一所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146765.0A CN109242927B (zh) | 2018-09-29 | 2018-09-29 | 一种广告模板生成方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146765.0A CN109242927B (zh) | 2018-09-29 | 2018-09-29 | 一种广告模板生成方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242927A CN109242927A (zh) | 2019-01-18 |
CN109242927B true CN109242927B (zh) | 2024-02-02 |
Family
ID=65054530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811146765.0A Active CN109242927B (zh) | 2018-09-29 | 2018-09-29 | 一种广告模板生成方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242927B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308942A (zh) * | 2020-11-18 | 2021-02-02 | 北京京东尚科信息技术有限公司 | 用于生成图像的方法和装置 |
JP7189249B2 (ja) * | 2021-03-18 | 2022-12-13 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7534463B1 (ja) | 2023-02-20 | 2024-08-14 | Lineヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101512581A (zh) * | 2006-02-15 | 2009-08-19 | 微软公司 | 生成包含上下文图像的广告 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
CN107679883A (zh) * | 2017-05-05 | 2018-02-09 | 平安科技(深圳)有限公司 | 广告生成的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177588A1 (en) * | 2007-01-23 | 2008-07-24 | Quigo Technologies, Inc. | Systems and methods for selecting aesthetic settings for use in displaying advertisements over a network |
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
-
2018
- 2018-09-29 CN CN201811146765.0A patent/CN109242927B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101512581A (zh) * | 2006-02-15 | 2009-08-19 | 微软公司 | 生成包含上下文图像的广告 |
CN105631711A (zh) * | 2015-12-30 | 2016-06-01 | 合一网络技术(北京)有限公司 | 一种广告投放方法及装置 |
CN107679883A (zh) * | 2017-05-05 | 2018-02-09 | 平安科技(深圳)有限公司 | 广告生成的方法及系统 |
CN107330715A (zh) * | 2017-05-31 | 2017-11-07 | 北京京东尚科信息技术有限公司 | 选择图片广告素材的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109242927A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796190B (zh) | 具有深度学习特征的指数建模 | |
CN109902222B (zh) | 一种推荐方法及装置 | |
EP3602419B1 (en) | Neural network optimizer search | |
EP3542319B1 (en) | Training neural networks using a clustering loss | |
CN109376844A (zh) | 基于云平台和模型推荐的神经网络自动训练方法和装置 | |
US11803731B2 (en) | Neural architecture search with weight sharing | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
US11636251B2 (en) | Content aware font recommendation | |
CN111652378B (zh) | 学习来选择类别特征的词汇 | |
CN105160397A (zh) | 训练精炼的机器学习模型 | |
CN109242927B (zh) | 一种广告模板生成方法、装置及计算机设备 | |
CN112508256B (zh) | 一种基于众包的用户需求主动预测方法及系统 | |
CN110402445A (zh) | 使用递归神经网络处理序列数据 | |
CN110309114A (zh) | 媒体信息的处理方法、装置、存储介质和电子装置 | |
CN116204714A (zh) | 推荐方法、装置、电子设备及存储介质 | |
CN111242239A (zh) | 一种训练样本选取方法、装置、以及计算机存储介质 | |
KR102549937B1 (ko) | Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법 | |
US12033184B2 (en) | Digital channel personalization based on artificial intelligence (AI) and machine learning (ML) | |
CN111522914A (zh) | 标注数据采集方法、装置、电子设备及存储介质 | |
KR102549939B1 (ko) | Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 서버, 사용자 단말 및 방법 | |
JP7010337B2 (ja) | 学習装置、推定装置、学習方法、推定方法、プログラム、及び学習済み推定モデルのプログラム | |
CN117369962A (zh) | 工作流执行序列生成方法、装置、计算机设备和存储介质 | |
CN117668173A (zh) | 科学文献信息抽取方法、装置、计算机设备和存储介质 | |
CN117131275A (zh) | 一种基于知识图谱的学习资源推荐方法 | |
CN117131872A (zh) | 一种文案生成方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240108 Address after: Room 03, 2nd Floor, Building A, No. 20 Haitai Avenue, Huayuan Industrial Zone (Huanwai), Binhai New Area, Tianjin, 300450 Applicant after: 3600 Technology Group Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Applicant before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |