CN109819288B - 广告投放视频的确定方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例提供了一种广告投放视频的确定方法、装置、电子设备及存储介质，方法包括：获取待评估视频及目标视频，目标视频的广告转化率达到预设转化率；通过分类模型，从待评估视频中确定与目标视频属于相同类别的视频，作为备选视频，分类模型为基于预先获取的分类视频样本训练得到的；基于备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率，转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，包括视频特征与广告转化率的对应关系；基于备选视频的广告转化率及预设转化率，确定备选视频中的广告投放视频。无需人工进行挑选，提高确定广告投放视频的效率及准确率。

Description

广告投放视频的确定方法、装置、电子设备及存储介质

技术领域

本申请涉及视频数据处理技术领域，特别是涉及一种广告投放视频的确定方法、装置、电子设备及存储介质。

背景技术

在视频播放平台中有大量的视频，例如，短视频应用程序拥有海量的用户发布视频。在进行广告投放时，将视频作为广告素材，一方面可以减少广告素材的制作成本，另一方面用户点击广告时，可以播放广告对应的视频，用户体验好。

对于一个视频来说，点击观看投放于该视频的广告的用户数量与观看该视频的用户总数量的比值称为该视频的广告转化率，那么为了提高广告的推广度，进行视频广告推广时，就需要选择广告转化率高的视频作为广告投放视频。

目前广告投放视频主要通过运营人员根据经验确定，从海量的视频中进行人工挑选得到广告投放视频。可见，这种确定广告投放视频的方式的效率低且依赖个人能力，无法准确确定广告投放视频，影响后续广告投放效果。

发明内容

为克服相关技术中存在的问题，本申请实施例提供一种广告投放视频的确定方法、装置、电子设备及存储介质。具体技术方案如下：

根据本申请实施例的第一方面，提供一种广告投放视频的确定方法，所述方法包括：

获取待评估视频及目标视频，其中，所述目标视频的广告转化率达到预设转化率；

通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频，其中，所述分类模型为基于预先获取的分类视频样本训练得到的；

基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率，其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系；

基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

作为一种实施方式，所述通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频的步骤，包括：

提取所述待评估视频及所述目标视频的属性信息；

将所述属性信息输入预先训练完成的分类模型；

根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

作为一种实施方式，所述提取所述待评估视频及所述目标视频的属性信息的步骤，包括：

当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

作为一种实施方式，所述神经网络模型包括卷积神经网络和循环神经网络；

所述将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量的步骤，包括：

将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

作为一种实施方式，所述基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率的步骤，包括：

提取所述备选视频的视频特征；

将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

输出所确定的广告转化率。

作为一种实施方式，所述转化率预测模型的训练方式，包括：

获取初始转化率预测模型；

获取多个预估视频样本及每个预估视频样本的广告转化率；

根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；

提取所述预估视频样本的视频特征；

将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；

当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型。

作为一种实施方式，所述基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频的步骤，包括：

将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

所述方法还包括：

利用所述广告投放视频进行广告投放。

作为一种实施方式，所述方法还包括：

更新所述分类视频样本和/或所述预估视频样本；

基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

根据本申请实施例的第二方面，提供一种广告投放视频的确定装置，所述装置包括：

视频获取模块，被配置为获取待评估视频及目标视频，其中，所述目标视频的广告转化率达到预设转化率；

备选视频确定模块，被配置为通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频，其中，所述分类模型为基于预先获取的分类视频样本训练得到的；

转化率确定模块，被配置为基于所述备选视频的视频特征，通过利用转化率模型训练模块预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率，其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系；

投放视频确定模块，被配置为基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

作为一种实施方式，所述备选视频确定模块包括：

属性信息提取子模块，被配置为提取所述待评估视频及所述目标视频的属性信息；

属性信息输入子模块，被配置为将所述属性信息输入预先训练完成的分类模型；

类别确定子模块，被配置为根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

备选视频确定子模块，被配置为根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

作为一种实施方式，所述属性信息提取子模块包括：

文字信息提取单元，被配置为当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

第一属性信息提取单元，被配置为将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

关键帧提取单元，被配置为当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

第二属性信息提取单元，被配置为将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

作为一种实施方式，所述神经网络模型包括卷积神经网络和循环神经网络；

所述第二属性信息提取单元包括：

特征图组确定子单元，被配置为将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

特征图向量确定子单元，被配置为将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

作为一种实施方式，所述转化率确定模块包括：

视频特征提取子模块，被配置为提取所述备选视频的视频特征；

视频特征输入子模块，被配置为将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

转化率确定子模块，被配置为根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

转化率输出子模块，被配置为输出所确定的广告转化率。

作为一种实施方式，所述转化率模型训练模块包括：

初始模块获取子模块，被配置为获取初始转化率预测模型；

样本获取子模块，被配置为获取多个预估视频样本及每个预估视频样本的广告转化率；

打分子模块，被配置为根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；

视频特征获取子模块，被配置为提取所述预估视频样本的视频特征；

模型训练子模块，被配置为将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；

模型获得子模块，被配置为当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型。

作为一种实施方式，所述投放视频确定模块包括：

投放视频确定子模块，被配置为将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

所述装置还包括：

广告投放模块，被配置为利用所述广告投放视频进行广告投放。

作为一种实施方式，所述装置还包括：

样本更新模块，被配置为更新所述分类视频样本和/或所述预估视频样本；

模型更新模块，被配置为基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

根据本申请实施例的第三方面，提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一所述的广告投放视频的确定方法步骤。

根据本申请实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一所述的广告投放视频的确定方法步骤。

本申请实施例所提供的方案中，获取待评估视频及目标视频，其中，目标视频的广告转化率达到预设转化率，然后通过预先训练完成的分类模型，从待评估视频中确定与目标视频属于相同类别的视频，作为备选视频，其中，分类模型为基于预先获取的分类视频样本训练得到的，进而将备选视频输入预先训练完成的转化率预测模型，根据备选视频的视频特征得到每个备选视频对应的转化率，其中，转化率预测模型为基于预先获取的预估视频样本训练得到的，转化率预测模型包括视频特征与广告转化率的对应关系，再基于备选视频的转化率及预设转化率，确定备选视频中的广告投放视频。无需人工进行挑选，通过转化率预测模型可以准确确定备选视频的广告转化率，进而提高确定广告投放视频的效率及准确率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据一示例性实施例示出的一种广告投放视频的确定方法的流程图；

图2是图1所示实施例中步骤S102的一种具体流程图；

图3是图1所示实施例中步骤S103的一种具体流程图；

图4是根据一示例性实施例示出的转化率预测模型的一种训练方式的流程图；

图5是根据一示例性实施例示出的一种广告投放视频的确定装置的结构框图；

图6是根据一示例性实施例示出的一种电子设备的结构框图；

图7是图6所示实施例中电子设备的一种具体结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

为了提高广告投放视频的确定效率及准确率，本申请实施例提供了一种广告投放视频的确定方法、装置、电子设备及非临时性计算机可读存储介质。

下面首先对本申请实施例所提供的一种广告投放视频的确定方法进行介绍。

本申请实施例所提供的一种广告投放视频的确定方法可以应用于任意需要确定广告投放视频的电子设备，例如，可以为视频播放应用程序的服务器，还可以为处理器、终端等，在此不做具体限定。为了描述方便，以下简称电子设备。

如图1所示，一种广告投放视频的确定方法，所述方法包括步骤S101-步骤S104。

在步骤S101中，获取待评估视频及目标视频；

其中，所述目标视频的广告转化率达到预设转化率。

在步骤S102中，通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频；

其中，所述分类模型为基于预先获取的分类视频样本训练得到的。

在步骤S103中，基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率；

其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系。

在步骤S104中，基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

可见，本申请实施例所提供的方案中，获取待评估视频及目标视频，其中，目标视频的广告转化率达到预设转化率，然后通过预先训练完成的分类模型，从待评估视频中确定与目标视频属于相同类别的视频，作为备选视频，其中，分类模型为基于预先获取的分类视频样本训练得到的，进而将备选视频输入预先训练完成的转化率预测模型，根据备选视频的视频特征得到每个备选视频对应的转化率，其中，转化率预测模型为基于预先获取的预估视频样本训练得到的，转化率预测模型包括视频特征与广告转化率的对应关系，再基于备选视频的转化率及预设转化率，确定备选视频中的广告投放视频。无需人工进行挑选，通过转化率预测模型可以准确确定备选视频的广告转化率，进而提高确定广告投放视频的效率及准确率。

在上述步骤S101中，电子设备可以获取待评估视频及目标视频，其中，待评估视频即为需要对其广告转化率进行评估的视频，可以为用户上传的短视频等。目标视频即为广告转化率达到预设转化率的视频，可以为已经投放广告的视频中广告转化率达到预设转化率的视频。目标视频可以是一个或多个，这都是合理的。

预设转化率可以根据广告投放需求进行确定，如果对广告转化率要求较高，则预设转化率可以高一些，例如，可以为80％、70％、55％等；如果对广告转化率要求较低，则预设转化率可以高一些，例如，可以为50％、45％、30％等，在此均不做具体限定。

目标视频的广告转化率较高，适合作为广告投放素材，那么与目标视频属于同一种类的视频也很可能适合作为广告投放素材，所以为了找到与目标视频属于同一种类的视频，电子设备可以执行上述步骤S102，即通过预先训练完成的分类模型，从上述待评估视频中确定与目标视频属于相同类别的视频，作为备选视频。

其中，分类模型可以为基于预先获取的分类视频样本训练得到的。分类视频样本即为不同类别的视频，在对分类模型进行训练时，可以预先构建初始分类模型，利用分类视频样本对初始分类模型进行训练，不断调整初始分类模型的参数，在此过程中，初始分类模型不断学习不同类别的视频的属性信息与类别的对应关系，当输出结果的准确率或分类视频样本的迭代次数达到一定值时，便可以停止训练，得到分类模型。

分类模型可以为任意能够进行视频分类的无监督学习模型等，其采用的分类算法可以为K-means(K均值聚类算法)、K-medoids(K-中心点聚类算法)、CLARANS(基于随机选择的聚类算法)、DBSCAN(Density-Based Spatial Clustering of Applications withNoise)算法等，在此不做具体限定。

这样，电子设备便可以通过分类模型确定目标视频及上述待评估视频的类别，进而确定与目标视频类别相同的待评估视频，将这些类别与目标视频类别相同的待评估视频作为备选视频。

确定备选视频后，电子设备便可以执行上述步骤S103，即基于备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率。其中，转化率预测模型可以包括视频特征与广告转化率的对应关系，这样，将上述备选视频的视频特征输入转化率预测模型，转化率预测模型便可以根据备选视频的视频特征以及其包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率。

转化率预测模型可以为卷积神经网络等深度学习模型，在此不做具体限定。转化率预测模型可以预先基于预估视频样本的视频特征及广告转化率进行训练得到，为了方案清楚及布局清晰，后续将会对转化率预测模型的训练方式进行举例介绍。

在上述步骤S104中，电子设备便可以基于备选视频的广告转化率及预设转化率，确定备选视频中的广告投放视频。在一种实施方式，电子设备可以将广告转化率超过预设转化率的备选视频确定为广告投放视频，在另一种实施方式中，电子设备可以将广告转化率与预设转化率的差值在预设范围内的备选视频确定为广告投放视频，这都是合理的，具体确定方式可以根据广告投放需求确定。

作为本申请实施例的一种实施方式，如图2所示，上述通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频的步骤，可以包括：

步骤S201，提取所述待评估视频及所述目标视频的属性信息；

为了确定待评估视频及目标视频的类别，电子设备可以提取待评估视频及目标视频的属性信息。其中，属性信息即为能够表示视频属性的信息，例如，视频中的文字、关键帧等。

步骤S202，将所述属性信息输入预先训练完成的分类模型；

接下来，电子设备便可以将所提取的目标视频的属性信息以及上述待评估视频的属性信息输入预先训练完成的分类模型。

步骤S203，根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

由于上述分类模型包括视频的属性信息与类别的对应关系，所以，将目标视频的属性信息输入分类模型后，分类模型便可以根据目标视频的属性信息以及其包括的视频的属性信息与类别的对应关系，确定目标视频的类别。

同样的，将待评估视频的属性信息输入分类模型后，分类模型便可以根据待评估视频的属性信息以及其包括的视频的属性信息与类别的对应关系，确定待评估视频的类别。

步骤S204，根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

确定了目标视频的类别及每个待评估视频的类别后，电子设备便可以从待评估视频中确定与目标视频属于相同类别的视频。可以理解的是，与目标视频类别相同的待评估视频的广告转化率较高的可能性更大。

可见，在本实施例中，电子设备可以提取待评估视频及目标视频的属性信息，将属性信息输入预先训练完成的分类模型，根据所提取的属性信息及分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及目标视频的类别，进而确定待评估视频中确定与目标视频属于相同类别的视频。这样，可以准确快速地从待评估视频中找出与目标视频的类别相同的视频，作为备选视频。

作为本申请实施例的一种实施方式，上述提取所述待评估视频及所述目标视频的属性信息的步骤，可以包括：

当待提取视频为文本类视频时，提取所述待提取视频的文字信息；将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

其中，上述待提取视频为待评估视频或目标视频。视频一般可以分为文本类视频和图像类视频，而对于不同种类的视频来说，能表示其特征属性的属性信息也是不同的，所以为了能够使得提取的属性信息能够尽可能地表示视频的特征属性，对于每个待提取视频来说，电子设备可以先确定其为文本类视频还是图像类视频。

如果待提取视频为文本类视频，那么视频中的文字能够更好的表征视频的特征属性，例如，视频封面文字、字幕、用户评论文字等。电子设备可以提取待提取视频的文字信息，具体来说，电子设备可以识别待提取视频中的文字，例如可以采用OCR(OpticalCharacter Recognition，光学字符识别)等文字识别方式从视频中提取文字。接下来，电子设备可以通过NLP(Natural Language Processing，自然语言处理)等方式对识别出的文字进行语义分析，可以包括对词语进行切分，词性进行标注等，进而得到待提取视频的文字信息。

得到上述文字信息后，电子设备可以将文字信息输入预先训练完成的语言模型，语言模型对文字信息进行处理，得到词语特征向量并输出，该词语特征向量便可以作为待提取视频的属性信息。

其中，语言模型可以为预先基于文字信息样本训练完成的，其包括文字信息与词语特征向量的对应关系，具体训练方式可以采用梯度下降算法等，在此不做具体限定及说明。语言模型可以为卷积神经网络等深度学习模型，只要可以通过训练达到对文字信息进行处理输出词语特征向量的目的即可。

如果待提取视频为图像类视频，那么视频中的图像能够更好的表征视频的特征属性，例如，视频封面图、精彩部分包括的视频帧等。电子设备可以提取待提取视频的关键帧，例如可以利用ffmpeg对待提取视频进行抓图，进而得到待提取视频的关键帧。

得到上述关键帧后，电子设备便可以将关键帧输入预先训练完成的神经网络模型，该神经网络模型可以对关键帧进行特征提取，进而得到特征图向量，该特征图向量便可以作为待提取视频的属性信息。

其中，神经网络模型可以为预先基于关键帧样本训练完成的，其包括关键帧特征与特征图向量的对应关系，具体训练方式可以采用梯度下降算法等，在此不做具体限定及说明。神经网络模型可以为卷积神经网络等深度学习模型，只要可以通过训练达到对关键帧进行处理输出特征图向量的目的即可。

可见，在本实施例中，电子设备可以针对不同的类型的待提取视频采用不同方式进行属性信息的提取，这样可以更加有针对性，使得提取的属性信息更能表征视评的属性特征，提高后续分类的准确性。

作为本申请实施例的一种实施方式，上述神经网络模型可以包括卷积神经网络和循环神经网络。针对这种情况而言，上述将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量的步骤，可以包括：

将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

上述神经网络模型可以包括卷积神经网络和循环神经网络，其中，对于卷积神经网络和循环神经网络的具体结构本申请在此不做具体限定，可以采用相关技术领域的卷积神经网络和循环神经网络进行训练得到，训练方式依然可以采用梯度下降算法等进行训练，在此不做具体限定及说明。

电子设备在提取上述关键帧后，便可以将该关键帧输入卷积神经网络中，卷积神经网络便可以对该关键帧进行卷积处理，进而得到关键帧的特征图组。进而，电子设备可以将卷积神经网络输出的特征图组输入循环神经网络，循环神经网络便可以对特征图组进行池化处理，得到特征图组对应的特征图向量。

可见，在本实施例中，上述神经网络模型可以包括卷积神经网络和循环神经网络，电子设备可以将关键帧输入卷积神经网络进行卷积处理，得到特征图组，再将特征图组输入循环神经网络进行池化处理，得到特征图向量。这样可以准确快速地确定图像类视频对应的特征图向量，利于后续分类步骤的进行。

作为本申请实施例的一种实施方式，如图3所示，上述基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率的步骤，可以包括：

步骤S301，提取所述备选视频的视频特征；

为了确定每个备选视频对应的广告转化率，电子设备首先可以提取每个备选视频的视频特征，其中，视频特征可以包括属性信息、用户行为信息等，用户行为信息可以包括用户的点击、观看、标记喜欢等操作信息，可以通过用户行为日志获得。属性信息的获取方式可以与上述待提取视频的属性信息的获取方式相同，在此不做赘述。

步骤S302，将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

步骤S303，根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

提取了各备选视频的视频特征后，可以将备选视频的视频特征输入预先训练完成的转化率预测模型。由于该转化率预测模型包括视频特征与广告转化率的对应关系，所以将备选视频的视频特征输入转化率预测模型后，转化率预测模型便可以根据自身包括的视频特征与广告转化率的对应关系，对输入的备选视频的视频特征进行处理，得到每个视频特征对应的广告转化率，也就是每个备选视频对应的广告转化率。

步骤S304，输出所确定的广告转化率。

得到每个备选视频对应的广告转化率后，转化率预测模型便可以输出所确定的广告转化率。

在一种实施方式中，转化率预测模型可以以分数的形式输出广告转化率，例如，分数越高，表示广告转化率越高。在这种情况下，转化率预测模型包括的视频特征与广告转化率的对应关系即为视频特征与分数的对应关系，在训练转化率预测模型时，将每个预估视频样本的广告转化率转化为分数即可。

可见，在本实施例中，电子设备可以提取备选视频的视频特征，将备选视频的视频特征输入预先训练完成的转化率预测模型，根据备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率，进而输出所确定的广告转化率，可以准确确定每个备选视频对应的广告率。

作为本申请实施例的一种实施方式，如图4所示，上述转化率预测模型的训练方式，可以包括：

步骤S401，获取初始转化率预测模型；

首先，电子设备可以获取初始转化率预测模型，该初始转化率预测模型的初始参数可以随机设定。电子设备可以构建初始转化率预测模型，也可以从其他设备获取初始转化率预测模型，这都是合理的。

步骤S402，获取多个预估视频样本及每个预估视频样本的广告转化率；

为了训练初始转化率预测模型得到上述转化率预测模型，电子设备可以获取多个预估视频样本，并确定每个预估视频样本的广告转化率。为了方便确定预估视频样本的广告转化率，预估视频样本可以是已经进行广告投放的视频。

步骤S403，根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；

得到每个预估视频样本的广告转化率后，电子设备可以对根据预估视频样本的广告转化率对每个预估视频样本进行打分，进而得到每个预估视频样本的分数。

其中，打分可以按照预设的打分规则进行，例如，可以预设广告转化率与分数的公式等，在此不做具体限定。

步骤S404，提取所述预估视频样本的视频特征；

接下来，电子设备可以预估视频样本的提取视频特征，电子设备可以从广告投放日志、用户行为日志等资源获取预估视频样本的提取视频特征，具体方式与提取上述备选视频的视频特征的方式相同，在此不再赘述。

步骤S405，将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；

在提取上述预估视频样本的视频特征后，电子设备便可以将预估视频样本的视频特征输入该初始转化率预测模型中，以对初始转化率预测模型进行训练。

在对初始转化率预测模型进行训练的过程中，该初始转化率预测模型可以根据自身输出的分数与预估视频样本的实际分数之间的差异，不断学习视频特征与广告转化率对应的分数的对应关系，不断调整初始转化率预测模型的参数，进而，初始转化率预测模型逐渐建立准确地视频特征与广告转化率对应的分数的对应关系。

对于训练该初始转化率预测模型的具体方式本申请实施例在此不做具体限定，可以采用相关任意模型训练方式，例如，可以采用梯度下降算法等方式。

步骤S406，当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型。

在训练初始转化率预测模型的过程中，不断调整其参数，初始转化率预测模型的输出结果会越来越准确。在一种实施方式中，当初始转化率预测模型的输出结果准确度达到预设值时，说明此时的初始转化率预测模型已经能够对应任意的视频特征，输出较为准确的广告转化率对应的分数，那么此时便可以停止训练。

其中，上述预设准确度可以根据实际场景中对于得到的广告转化率的准确程度设定，例如，可以为90％、95％、98％等，在此不做具体限定。

在另一种实施方式中，在训练初始转化率预测模型的过程中，预估视频样本的视频特征被不断地输入初始转化率预测模型，每输入一个预估视频样本的视频特征，便可以称之为一次迭代。那么当预估视频样本的训练迭代次数达到预设次数时，说明此时已经训练了大量的预估视频样本，此时的初始转化率预测模型已经能够对应任意的视频特征，输出较为准确的广告转化率，也就可以停止训练。

可见，在本实施例中，电子设备可以利用预估视频样本的视频特征及分数对初始转化率预测模型进行训练，当初始转化率预测模型的输出分数的准确度达到预设值，或视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到转化率预测模型。通过上述训练方式可以得到能够输出准确的广告转化率对应的分数。

作为本申请实施例的一种实施方式，上述基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频的步骤，可以包括：

将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频。

确定了所有备选视频的广告转化率后，电子设备可以确定每个备选视频的广告转化率是否达到上述预设转化率，如果达到预设转化率，说明该备选视频如果用来投放广告，很可能获得很好的推广效果，那么便可以将其确定为广告投放视频。

如果备选视频的广告转化率未达到预设转化率，说明该备选视频如果用来投放广告，很可能不会获得好的推广效果，那么便可以不将其确定为广告投放视频。

相应的，上述方法还可以包括：

利用所述广告投放视频进行广告投放。

在确定了广告投放视频后，电子设备可以利用所确定的广告投放视频进行广告投放，这样，可以使得投放的广告能够获得良好的推广效果。

可见，在本实施例中，电子设备可以将广告转化率达到预设转化率的备选视频确定为广告投放视频，进而利用广告投放视频进行广告投放。这样，可以提高广告的推广度，能够获得良好的推广效果。

作为本申请实施例的一种实施方式，上述方法还可以包括：

更新所述分类视频样本和/或所述预估视频样本；基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

由于用户发布的视频在实时更新，投放广告后获得良好效果的视频也可能在更新，所以为了提高上述各模型输出结果的准确度，电子设备可以根据用户发布的视频及投放广告后获得良好效果的视频，更新上述分类视频样本和/或预估视频样本，进而，基于更新后的分类视频样本训练分类模型，更新其参数。还可以基于更新后的预估视频样本训练转化率预测模型，更新其参数。

可见，在本实施例中，电子设备可以更新分类视频样本和/或预估视频样本，进而，基于更新后的分类视频样本更新分类模型的参数，和/或，基于更新后的预估视频样本更新转化率预测模型的参数，这样，可以实时更新优化各模型，使得其输出的结果更加准确。

图5是根据一示例性实施例示出的一种广告投放视频的确定装置框图。如图5所示，一种广告投放视频的确定装置，所述装置包括：

视频获取模块510，被配置为获取待评估视频及目标视频；

其中，所述目标视频的广告转化率达到预设转化率。

备选视频确定模块520，被配置为通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频；

其中，所述分类模型为基于预先获取的分类视频样本训练得到的。

转化率确定模块530，被配置为基于所述备选视频的视频特征，通过利用转化率模型训练模块(图5中未示出)预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率；

其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系。

投放视频确定模块540，被配置为基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

可见，本申请实施例所提供的方案中，获取待评估视频及目标视频，其中，目标视频的广告转化率达到预设转化率，然后通过预先训练完成的分类模型，从待评估视频中确定与目标视频属于相同类别的视频，作为备选视频，其中，分类模型为基于预先获取的分类视频样本训练得到的，进而将备选视频输入预先训练完成的转化率预测模型，根据备选视频的视频特征得到每个备选视频对应的转化率，其中，转化率预测模型为基于预先获取的预估视频样本训练得到的，转化率预测模型包括视频特征与广告转化率的对应关系，再基于备选视频的转化率及预设转化率，确定备选视频中的广告投放视频。无需人工进行挑选，通过转化率预测模型可以准确确定备选视频的广告转化率，进而提高确定广告投放视频的效率及准确率。

作为本申请实施例的一种实施方式，上述备选视频确定模块520可以包括：

属性信息提取子模块(图5中未示出)，被配置为提取所述待评估视频及所述目标视频的属性信息；

属性信息输入子模块(图5中未示出)，被配置为将所述属性信息输入预先训练完成的分类模型；

类别确定子模块(图5中未示出)，被配置为根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

备选视频确定子模块(图5中未示出)，被配置为根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

作为本申请实施例的一种实施方式，上述属性信息提取子模块可以包括：

文字信息提取单元(图5中未示出)，被配置为当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

第一属性信息提取单元(图5中未示出)，被配置为将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

关键帧提取单元(图5中未示出)，被配置为当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

第二属性信息提取单元(图5中未示出)，被配置为将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

作为本申请实施例的一种实施方式，上述神经网络模型可以包括卷积神经网络和循环神经网络；

上述第二属性信息提取单元可以包括：

特征图组确定子单元(图5中未示出)，被配置为将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

特征图向量确定子单元(图5中未示出)，被配置为将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

作为本申请实施例的一种实施方式，上述转化率确定模块530可以包括：

视频特征提取子模块(图5中未示出)，被配置为提取所述备选视频的视频特征；

视频特征输入子模块(图5中未示出)，被配置为将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

转化率确定子模块(图5中未示出)，被配置为根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

转化率输出子模块(图5中未示出)，被配置为输出所确定的广告转化率。

作为本申请实施例的一种实施方式，上述转化率模型训练模块可以包括：

初始模块获取子模块(图5中未示出)，被配置为获取初始转化率预测模型；

样本获取子模块(图5中未示出)，被配置为获取多个预估视频样本及每个预估视频样本的广告转化率；

打分子模块(图5中未示出)，被配置为根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；

视频特征获取子模块(图5中未示出)，被配置为提取所述预估视频样本的视频特征；

模型训练子模块(图5中未示出)，被配置为将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；

模型获得子模块(图5中未示出)，被配置为当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型。

作为本申请实施例的一种实施方式，上述投放视频确定模块540可以包括：

投放视频确定子模块(图5中未示出)，被配置为将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

上述装置还可以包括：

广告投放模块(图5中未示出)，被配置为利用所述广告投放视频进行广告投放。

作为本申请实施例的一种实施方式，上述装置还可以包括：

样本更新模块(图5中未示出)，被配置为更新所述分类视频样本和/或所述预估视频样本；

模型更新模块(图5中未示出)，被配置为基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

本申请实施例还提供了一种电子设备，如图6所示，电子设备可以包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：

获取待评估视频及目标视频；

其中，所述目标视频的广告转化率达到预设转化率。

通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频；

其中，所述分类模型为基于预先获取的分类视频样本训练得到的。

基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率；

其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系。

基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

可见，本申请实施例所提供的方案中，电子设备可以获取待评估视频及目标视频，其中，目标视频的广告转化率达到预设转化率，然后通过预先训练完成的分类模型，从待评估视频中确定与目标视频属于相同类别的视频，作为备选视频，其中，分类模型为基于预先获取的分类视频样本训练得到的，进而将备选视频输入预先训练完成的转化率预测模型，根据备选视频的视频特征得到每个备选视频对应的转化率，其中，转化率预测模型为基于预先获取的预估视频样本训练得到的，转化率预测模型包括视频特征与广告转化率的对应关系，再基于备选视频的转化率及预设转化率，确定备选视频中的广告投放视频。无需人工进行挑选，通过转化率预测模型可以准确确定备选视频的广告转化率，进而提高确定广告投放视频的效率及准确率。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，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前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。

其中，上述通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频的步骤，可以包括：

提取所述待评估视频及所述目标视频的属性信息；

将所述属性信息输入预先训练完成的分类模型；

根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

其中，上述提取所述待评估视频及所述目标视频的属性信息的步骤，可以包括：

当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

其中，上述神经网络模型可以包括卷积神经网络和循环神经网络；

上述将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量的步骤，可以包括：

将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

其中，上述基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率的步骤，可以包括：

提取所述备选视频的视频特征；

将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

输出所确定的广告转化率。

其中，上述转化率预测模型的训练方式，可以包括：

获取初始转化率预测模型；

获取多个预估视频样本及每个预估视频样本的广告转化率；

根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；

提取所述预估视频样本的视频特征；

将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；

当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型。

其中，上述基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频的步骤，可以包括：

将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

上述方法还可以包括：

利用所述广告投放视频进行广告投放。

其中，上述方法还可以包括：

更新所述分类视频样本和/或所述预估视频样本；

基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

图7是根据一示例性实施例示出的一种电子设备700的框图。例如，电子设备700可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，电子设备700可以包括以下一个或多个组件：处理组件702，存储器704，电力组件706，多媒体组件708，音频组件710，输入/输出(I/O)的接口712，传感器组件714，以及通信组件716。

处理组件702通常控制电子设备700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。

存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与为电子设备700生成、管理和分配电力相关联的组件。

多媒体组件708包括在电子设备700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当电子设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当电子设备700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。

I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件714包括一个或多个传感器，用于为电子设备700提供各个方面的状态评估。例如，传感器组件714可以检测到电子设备700的打开/关闭状态，组件的相对定位，例如所述组件为电子设备700的显示器和小键盘，传感器组件714还可以检测电子设备700或电子设备700一个组件的位置改变，用户与电子设备700接触的存在或不存在，电子设备700方位或加速/减速和电子设备700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由电子设备700的处理器720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例中任一所述的广告投放视频的确定方法。

本申请实施例还提供了一种应用程序产品，该应用程序产品用于在运行时执行上述实施例中任一所述的广告投放视频的确定方法。

本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由上面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (16)

1.一种广告投放视频的确定方法，其特征在于，所述方法包括：

获取待评估视频及目标视频，其中，所述目标视频的广告转化率达到预设转化率；

通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频，其中，所述分类模型为基于预先获取的分类视频样本训练得到的；

基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率，其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系；所述转化率预测模型的训练方式，包括：获取初始转化率预测模型；获取多个预估视频样本及每个预估视频样本的广告转化率；根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；提取所述预估视频样本的视频特征；将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型；

基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

2.如权利要求1所述的方法，其特征在于，所述通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频的步骤，包括：

提取所述待评估视频及所述目标视频的属性信息；

将所述属性信息输入预先训练完成的分类模型；

根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

3.如权利要求2所述的方法，其特征在于，所述提取所述待评估视频及所述目标视频的属性信息的步骤，包括：

当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

4.如权利要求3所述的方法，其特征在于，所述神经网络模型包括卷积神经网络和循环神经网络；

所述将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量的步骤，包括：

将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

5.如权利要求1所述的方法，其特征在于，所述基于所述备选视频的视频特征，通过预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率的步骤，包括：

提取所述备选视频的视频特征；

将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

输出所确定的广告转化率。

6.如权利要求1-5任一项所述的方法，其特征在于，所述基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频的步骤，包括：

将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

所述方法还包括：

利用所述广告投放视频进行广告投放。

7.如权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

更新所述分类视频样本和/或所述预估视频样本；

基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

8.一种广告投放视频的确定装置，其特征在于，所述装置包括：

视频获取模块，被配置为获取待评估视频及目标视频，其中，所述目标视频的广告转化率达到预设转化率；

备选视频确定模块，被配置为通过预先训练完成的分类模型，从所述待评估视频中确定与所述目标视频属于相同类别的视频，作为备选视频，其中，所述分类模型为基于预先获取的分类视频样本训练得到的；

转化率确定模块，被配置为基于所述备选视频的视频特征，通过利用转化率模型训练模块预先训练完成的转化率预测模型得到每个备选视频对应的广告转化率，其中，所述转化率预测模型为基于预先获取的预估视频样本的视频特征及广告转化率训练得到的，所述转化率预测模型包括视频特征与广告转化率的对应关系；所述转化率模型训练模块包括：初始模块获取子模块，被配置为获取初始转化率预测模型；样本获取子模块，被配置为获取多个预估视频样本及每个预估视频样本的广告转化率；打分子模块，被配置为根据所述预估视频样本的广告转化率对所述预估视频样本进行打分，得到分数；视频特征获取子模块，被配置为提取所述预估视频样本的视频特征；模型训练子模块，被配置为将所述预估视频样本的视频特征输入所述初始转化率预测模型，基于所述预估视频样本的视频特征及分数对所述初始转化率预测模型进行训练；模型获得子模块，被配置为当所述初始转化率预测模型的输出分数的准确度达到预设值，或所述视频样本的视频特征训练迭代次数达到预设次数时，停止训练，得到所述转化率预测模型；

投放视频确定模块，被配置为基于所述备选视频的广告转化率及所述预设转化率，确定所述备选视频中的广告投放视频。

9.如权利要求8所述的装置，其特征在于，所述备选视频确定模块包括：

属性信息提取子模块，被配置为提取所述待评估视频及所述目标视频的属性信息；

属性信息输入子模块，被配置为将所述属性信息输入预先训练完成的分类模型；

类别确定子模块，被配置为根据所提取的属性信息及所述分类模型包括的属性信息与类别的对应关系，确定每个待评估视频及所述目标视频的类别；

备选视频确定子模块，被配置为根据所述目标视频的类别及每个待评估视频的类别，确定所述待评估视频中确定与所述目标视频属于相同类别的视频。

10.如权利要求9所述的装置，其特征在于，所述属性信息提取子模块包括：

文字信息提取单元，被配置为当待提取视频为文本类视频时，提取所述待提取视频的文字信息，其中，所述待提取视频为所述待评估视频或目标视频；

第一属性信息提取单元，被配置为将所述文字信息输入预先训练完成的语言模型，得到词语特征向量，作为所述待提取视频的属性信息；

关键帧提取单元，被配置为当所述待提取视频为图像类视频时，提取所述待提取视频的关键帧；

第二属性信息提取单元，被配置为将所述关键帧输入预先训练完成的神经网络模型，得到特征图向量，作为所述待提取视频的属性信息。

11.如权利要求10所述的装置，其特征在于，所述神经网络模型包括卷积神经网络和循环神经网络；

所述第二属性信息提取单元包括：

特征图组确定子单元，被配置为将所述关键帧输入所述卷积神经网络进行卷积处理，得到所述关键帧的特征图组；

特征图向量确定子单元，被配置为将所述特征图组输入所述循环神经网络进行池化处理，得到所述特征图组对应的特征图向量。

12.如权利要求8所述的装置，其特征在于，所述转化率确定模块包括：

视频特征提取子模块，被配置为提取所述备选视频的视频特征；

视频特征输入子模块，被配置为将所述备选视频的视频特征输入预先训练完成的转化率预测模型；

转化率确定子模块，被配置为根据所述备选视频的视频特征及所述转化率预测模型包括的视频特征与广告转化率的对应关系，确定每个备选视频对应的广告转化率；

转化率输出子模块，被配置为输出所确定的广告转化率。

13.如权利要求8-12任一项所述的装置，其特征在于，所述投放视频确定模块包括：

投放视频确定子模块，被配置为将广告转化率达到所述预设转化率的备选视频，确定为广告投放视频；

所述装置还包括：

广告投放模块，被配置为利用所述广告投放视频进行广告投放。

14.如权利要求8-12任一项所述的装置，其特征在于，所述装置还包括：

样本更新模块，被配置为更新所述分类视频样本和/或所述预估视频样本；

模型更新模块，被配置为基于更新后的分类视频样本更新所述分类模型的参数，和/或，基于更新后的预估视频样本更新所述转化率预测模型的参数。

15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行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。

16.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1-7任一所述的方法步骤。

Images