CN110427578B - 一种基于深度机器学习的数字内容投放方法 - Google Patents
一种基于深度机器学习的数字内容投放方法 Download PDFInfo
- Publication number
- CN110427578B CN110427578B CN201910641879.0A CN201910641879A CN110427578B CN 110427578 B CN110427578 B CN 110427578B CN 201910641879 A CN201910641879 A CN 201910641879A CN 110427578 B CN110427578 B CN 110427578B
- Authority
- CN
- China
- Prior art keywords
- neural network
- user
- network structure
- digital content
- identification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
- G06F16/986—Document structures and storage, e.g. HTML extensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种基于深度机器学习的数字内容投放方法,包括:获取用户标识和所述用户标识对应的数字内容;构建神经网络结构,利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构;当所述神经网络结构的识别准确率满足预设阈值时,得到最优神经网络结构;接收携带用户标识的投放请求,利用所述最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。本发明提出的方法,采用基于深度机器学习的神经网络结构对待投送的数字内容和用户标识进行识别匹配,实现了数字内容的精准投放,提高了数字内容投放的准确率和效率。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种基于深度机器学习的数字内容投放方法。
背景技术
随着互联网技术的不断发展,互联网上的数字内容量大幅增加,现有的数字内容,包括音频、视频等多媒体文件,以及短视频、视频直播等各种新型用户原创内容(UserGenerated Content,UGC),促使互联网上的数字内容越来越丰富。
现有数字内容投放方法主要是基于用户的浏览历史数据,进行模糊辨别、预测用户的兴趣偏好以及模糊匹配用户的人群分类属性等进行数字内容的投放。由于上述投放方法本身采用的是模糊的辨别、预测和匹配方式,其投放的准确率较低,若推送的数字内容不当会造成用户产生厌恶、排斥心理等不利影响。
发明内容
本发明提供了一种基于深度机器学习的数字内容投放方法,用以解决现有数字内容投放方法投放的准确率较低的问题。
本发明提供的一种基于深度机器学习的数字内容投放方法,包括:
获取用户标识和所述用户标识对应的数字内容;
构建神经网络结构,利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构;
当所述神经网络结构的识别准确率满足预设阈值时,得到最优神经网络结构;
接收携带用户标识的投放请求,利用所述最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。
在本发明的一个实施例中,所述用户标识包括时间标识、区域标识和对象标识中的一种或多种。
在本发明的一个实施例中,所述用户标识对应的数字内容包括:视频、图像、音频中的一种或多种。
在本发明的一个实施例中,所述神经网络结构为卷积神经网络,包括:卷积层、池化层、激活层、Batch Normalization层和全连接层中的一种或多种。
在本发明的一个实施例中,利用所述用户标识和所述用户标识对应的数字内容训练神经网络结构,包括:
将所述用户标识和所述用户标识对应的数字内容按照4:1的比例划分训练集和测试集;
利用所述训练集训练所述神经网络结构;
利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率。
在本发明的一个实施例中,在利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率之后,还包括:判断所述识别准确率是否满足预设阈值,若不满足,则根据所述识别准确率调整所述神经网络结构。
在本发明的一个实施例中,所述预设阈值为90%。
在本发明的一个实施例中,利用所述最优神经网络结构识别所述投放请求对应的用户标识与待投放数字内容的关联程度,包括:
将所述投放请求对应的用户标识和待投放的数字内容作为所述最优神经网络结构输入;
利用最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。
在本发明的一个实施例中,在所述构建神经网络结构时,为节约利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构时的耗能、节约所述训练的时间,同时不降低所述神经网络结构的识别准确率,在所训练过程中,对所述用户标识进行用户标识数量的智能精简并根据精简的结果得到调整后的用来训练的用户标识的值,同时根据所述用户标识数量的智能精简调整所述携带用户标识,得到调整后的携带用户标识的值,其中具体的步骤如下所示;
其中,所述用户标识数量的智能精简为,将所述用户标识进行标识的方面从N1个方面精简为N2个综合方面,以根据所述N2个综合方面进行标识,且N1大于等于N2;
步骤S801、将所有的所述用户标识进行数值化,并将数值化后的值组成矩阵A,矩阵A含有P行N列,其中,P行为含有P个用户标识,N列表示每个用户标识从N个方面进行了标识;
步骤S802、对于所述矩阵A首先利用公式(1)将不同的标识值转变为无差标识矩阵B;
其中,Ai,j为矩阵A的第i行j列的值,Bi,j为矩阵B的第i行j列的值,且对于表示行数和列数的下标的字符,可以用任意字符替代,只要所述字符在相应的下标处即可,i=1、2、3……P,j=1、2、3……N;
步骤S803、对所述矩阵B利用公式(2)构建标识差异向量C;
其中,B1i,j为中间矩阵B1的第i行j列的值,(B1)T为矩阵B1的转置,s=1、2、3……N,t=1、2、3……N;
步骤S804、利用公式(3)计算矩阵C的特征向量;
其中,λ为求解得到的特征向量,E为N阶的单位矩阵,Rank(λ)为将向量λ从大到小排序后形成的向量,η为排序向量,ηl表示向量η的第l个值,表示向量的下标的字符可以用任意字符替换,只要在下标处即表示相同意思,l=1、2、3……N,N1为选择向量,寻找出N1中第一次大于0.8的值,若所述值为N1的第l个值,则提取η1、η2、η3…ηl,并将η1、η2、η3…ηl分别带入公式公式(4);
其中,ηm为η1、η2、η3…ηl种的第m个值,Xj,m为调整系数X的第j行m列的值,m=1、2、3……l,j=1、2、3……N;
步骤S805、获取所述接收携带用户标识,并将所述标识数值化后形成标识向量D,将所述向量D和矩阵B带入公式(5),得到用户标识数量的智能精简后的调整的用户标识和调整后的携带用户标识;
其中,矩阵R为调整后的用来训练的用户标识的值,即为用来训练的用户标识,Z1j为中间向量Z1的第j个值,Dj为向量D的第j个值,Z为调整后的携带用户标识的值,即为携带用户标识的投放请求;
S806、在所训练所述神经网络结构过程中将所述用户标识所考虑的方面控制在l个方面,R为用来进行训练的用户标识,Z为携带用户标识的投放请求。
本发明的一些有益效果可以包括:
本发明提供的一种基于深度机器学习的数字内容投放方法,采用基于深度机器学习的神经网络结构对待投送的数字内容和用户标识进行识别匹配,实现了数字内容的精准投放,提高了数字内容投放的准确率和效率。
本发明的其它特征和优点将在随说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于深度机器学习的数字内容投放方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1为本发明实施例中一种基于深度机器学习的数字内容投放方法的流程图。如图1所示,本发明提供的一种基于深度机器学习的数字内容投放方法,包括:
获取用户标识和所述用户标识对应的数字内容;
构建神经网络结构,利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构;
当所述神经网络结构的识别准确率满足预设阈值时,得到最优神经网络结构;
接收携带用户标识的投放请求,利用所述最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。
具体地,现有的数字内容投放方法主要是基于用户的浏览历史数据,进行模糊辨别、预测用户的兴趣偏好以及模糊匹配用户的人群分类属性等进行数字内容的投放,其投放准确率和效率较低,为了解决这一问题,本发明提出了一种基于深度机器学习的数字内容投放方法,通过构建神经网络结构,建立用户标识和所述用户标识对应的数字内容的关联程度模型,将待投放数字内容与用户标识对应起来,当接收到用户新的投放请求时,只需根据投放请求中携带的用户标识,利用最优的神经网络结构进行识别和判断投放请求中携带的用户标识和所述用户标识对应的数字内容的关联程度,将与用户标识最接近的待投放数字内容投放给用户,实现了精准投放,提高了投放准确率和投放效率。
在一个具体的实施方式中,所述用户标识包括时间标识、区域标识和对象标识中的一种或多种。
具体地,用户标识包括时间标识、区域标识和对象标识中的一种或多种,时间标识指的是用户接收数字内容投放的时间,这个时间指的是接收数字内容投放时的具体时间;区域标识指的是用户接收数字内容的场景,例如用户在浏览网页时需要接收数字内容或用户在操作手机软件时需要接收数字内容;对象标识指的是接收数字内容的对象,具体指的是用户的操作终端类型。这些用户标识可以准确识别出用户的需求,为后续根据用户的需求进行数字内容的精准投放提供了保障。
在一个具体的实施方式中,所述用户标识对应的数字内容包括:视频、图像、音频中的一种或多种。
具体地,数字内容可以包括音频、图像、视频等多媒体文件,也可以是一项短视频、视频直播等各种新型用户原创内容,这些待投放的数字内容可以通过神经网络结构与上述用户标识实现精准匹配,从而提高数字内容的投放准确率和投放效率,为后续数字内容的精准投放提供了保障。
在一个具体的实施方式中,所述神经网络结构为卷积神经网络,包括:卷积层、池化层、激活层、BatchNormalization层和全连接层中的一种或多种。
具体地,卷积神经网络基本上由四种类型层构成:卷积层,池化层,Batch-Normalize层和全连接层。不同层结构的设计(比如卷积层的数量;池化层的数量、位置;Batch-Normalize层的数量、位置),参数值(每层卷积的卷积核大小,卷积的步长,池化层的池化方式、步长)和卷积神经网络的下降训练算法等的选取对卷积神经网络的性能影响比较大。在得到满足高精度和参数量要求的卷积神经网络过程中,很多因素对卷积神经网络分类识别的结果都有很大的影响。卷积运算的目的是提取输入的不同特征,使用不同卷积核的组合,可实现梯度计算和尺度计算(配合池化层)等作用。第一层卷积层可能只能提取一些低级的特征。更多层的卷积层络能从低级特征中迭代提取更复杂的特征。卷积层的层数,卷积核的大小,卷积核的数量等对于卷积神经网络的识别准确率有着很重要的影响。卷积神经网络通过多层卷积运算进行特征提取。卷积核越多,卷积神经网络的层数越多,提取到的特征也越多,但是参数量也会越大。因此,在权衡精度和参数量时,卷积神经网络的层数,卷积核的个数,卷积核的大小十分重要。为了满足精度要求,本申请中采用3层卷积层,1层池化层、1层激活层、1层Batch-Normalize层和1层全连接层。
在一个具体的实施方式中,利用所述用户标识和所述用户标识对应的数字内容训练神经网络结构,包括:
利用所述用户标识和所述用户标识对应的数字内容训练神经网络结构,包括:
将所述用户标识和所述用户标识对应的数字内容按照4:1的比例划分训练集和测试集;
利用所述训练集训练所述神经网络结构;
利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率。
特别需要说明的是,机器学习时常常需要处理的一个问题是划分测试数据和训练数据,训练数据用于训练模型,简单的说就是通过训练数据来确定拟合曲线的参数,进而获得卷积神经网络的结构参数;测试数据则是根据训练数据的训练结果来评判最终的训练效果。
具体到本实施例中,将上述用户标识和待投送的数字内容按照4:1的比例划分训练集和测试集;由于每种用户标识可能对应多种数字内容,为此将多组用户标识及其对应的数字内容中的80%作为训练集,20%作为测试集,根据预设识别准确率确定神经网络结构,这里的预设识别准确率为90%。再将训练集送入神经网络结构,对神经网络结构进行训练,得到训练后的神经网络结构。再利用20%的测试集对训练后的神经网络结构进行测试,得到最优的神经网络结构。
在一个具体的实施方式中,在利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率之后,还包括:判断所述识别准确率是否满足预设阈值,若不满足,则根据所述识别准确率调整所述神经网络结构。
具体地,在训练时,需要根据识别准确率实时的调整神经网络结构,直到得到的识别准确率满足预设阈值的要求后得到最优的神经网络结构。输入一组用户标识以及用户标识对应的数字内容,得出相应的识别准确率,通过比较该识别准确率与预设阈值的大小来判断是否达到要求,当不满足预设阈值的要求时,则要根据识别准确率对神经网络结构进行调整,再重新计算识别准确率,直到识别准确率满足预设阈值的要求。
在一个具体的实施方式中,所述预设阈值为90%。
在一个具体的实施方式中,利用所述最优神经网络结构识别所述投放请求对应的用户标识与待投放数字内容的关联程度,包括:
将所述投放请求对应的用户标识和待投放的数字内容作为所述最优神经网络结构输入;
利用最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。
具体地,在确定出最优的神经网络结构后,接收用户的投放请求,用户的投放请求中包含有用户标识,将这一用户标识和待投放的数字内容作为最优神经网络结构的输入,利用最优神经网络结构,识别待投放数字内容对应的用户标识和用户投放请求中包含的用户标识的关联度,将与用户投放请求中包含的用户标识关联度最高的数字内容投放给用户。
本发明提供的一种基于深度机器学习的数字内容投放方法,采用基于深度机器学习的神经网络结构对待投送的数字内容和用户标识进行识别匹配,实现了数字内容的精准投放,提高了数字内容投放的准确率和效率。
在一个具体的实施例中,在所述构建神经网络结构时,为节约利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构时的耗能、节约所述训练的时间,同时不降低所述神经网络结构的识别准确率,在所训练过程中,对所述用户标识进行用户标识数量的智能精简并根据精简的结果得到调整后的用来训练的用户标识的值,同时根据所述用户标识数量的智能精简调整所述携带用户标识,得到调整后的携带用户标识的值,其中具体的步骤如下所示;
其中,所述用户标识数量的智能精简为,将所述用户标识进行标识的方面从N1个方面精简为N2个综合方面,以根据所述N2个综合方面进行标识,且N1大于等于N2;
其中,对所述用户标识数量的智能精简为,例如对用户标识的数据可能从20个方面进行考虑了,但是通过智能精简,将这20个方面整合为5个综合方面,从而大幅度的减小计算。
步骤S801、将所有的所述用户标识进行数值化,并将数值化后的值组成矩阵A,矩阵A含有P行N列,其中,P行为含有P个用户标识,N列表示每个用户标识从N个方面进行了标识;
步骤S802、对于所述矩阵A首先利用公式(1)将不同的标识值转变为无差标识矩阵B;
其中,Ai,j为矩阵A的第i行j列的值,Bi,j为矩阵B的第i行j列的值,且对于表示行数和列数的下标的字符,可以用任意字符替代,只要所述字符在相应的下标处即可,i=1、2、3……P,j=1、2、3……N;
步骤S803、对所述矩阵B利用公式(2)构建标识差异向量C;
其中,B1i,j为中间矩阵B1的第i行j列的值,(B1)T为矩阵B1的转置,s=1、2、3……N,t=1、2、3……N;
步骤S804、利用公式(3)计算矩阵C的特征向量;
其中,λ为求解得到的特征向量,E为N阶的单位矩阵,Rank(λ)为将向量λ从大到小排序后形成的向量,η为排序向量,ηl表示向量η的第l个值,表示向量的下标的字符可以用任意字符替换,只要在下标处即表示相同意思,l=1、2、3……N,N1为选择向量,寻找出N1中第一次大于0.8的值,若所述值为N1的第l个值,则提取η1、η2、η3…ηl,并将η1、η2、η3…ηl分别带入公式公式(4);
其中,ηm为η1、η2、η3…ηl种的第m个值,Xj,m为调整系数X的第j行m列的值,m=1、2、3……l,j=1、2、3……N;
步骤S805、获取所述接收携带用户标识,并将所述标识数值化后形成标识向量D,将所述向量D和矩阵B带入公式(5),得到用户标识数量的智能精简后的调整的用户标识和调整后的携带用户标识;
其中,矩阵R为调整后的用来训练的用户标识的值,即为用来训练的用户标识,Z1j为中间向量Z1的第j个值,Dj为向量D的第j个值,Z为调整后的携带用户标识的值,即为携带用户标识的投放请求;
S806、在所训练所述神经网络结构过程中将所述用户标识所考虑的方面控制在l个方面,R为用来进行训练的用户标识,Z为携带用户标识的投放请求。
利用上述技术,可以大幅度的减少所述用户标识所考虑的方面数,从而使得在训练所述神经网络结构的过程中大幅度的减少计算量,不仅能够提高训练所述神经网络结构的效率,而且能大幅度的节约所述过程中的能耗,更能保持所述过程中的稳定性,从而达到了节约在所述深度训练所述神经网络结构过程中对机器的耗能、节约所述深度学习的时间,同时不降低所述神经网络结构的识别准确率。
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。
Claims (8)
1.一种基于深度机器学习的数字内容投放方法,其特征在于,包括:
获取用户标识和所述用户标识对应的数字内容;
构建神经网络结构,利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构;
当所述神经网络结构的识别准确率满足预设阈值时,得到最优神经网络结构;
接收携带用户标识的投放请求,利用所述最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户;
在所述构建神经网络结构时,为节约利用所述用户标识和所述用户标识对应的数字内容训练所述神经网络结构时的耗能、节约所述训练的时间,同时不降低所述神经网络结构的识别准确率,在所训练过程中,对所述用户标识进行用户标识数量的智能精简并根据精简的结果得到调整后的用来训练的用户标识的值,同时根据所述用户标识数量的智能精简调整所述携带用户标识,得到调整后的携带用户标识的值,其中具体的步骤如下所示;
其中,所述用户标识数量的智能精简为,将所述用户标识进行标识的方面从N1个方面精简为N2个综合方面,以根据所述N2个综合方面进行标识,且N1大于等于N2;
步骤S801、将所有的所述用户标识进行数值化,并将数值化后的值组成矩阵A,矩阵A含有P行N列,其中,P行为含有P个用户标识,N列表示每个用户标识从N个方面进行了标识;
步骤S802、对于所述矩阵A首先利用公式(1)将不同的标识值转变为无差标识矩阵B;
其中,Ai,j为矩阵A的第i行j列的值,Bi,j为矩阵B的第i行j列的值,且对于表示行数和列数的下标的字符,可以用任意字符替代,只要所述字符在相应的下标处即可,i=1、2、3……P,j=1、2、3……N;
步骤S803、对所述矩阵B利用公式(2)构建标识差异向量C;
其中,B1i,j为中间矩阵B1的第i行j列的值,(B1)T为矩阵B1的转置,s=1、2、3……N,t=1、2、3……N;
步骤S804、利用公式(3)计算矩阵C的特征向量;
|C-λE|=0
η=Rank(λ)
其中,λ为求解得到的特征向量,E为N阶的单位矩阵,Rank(λ)为将向量λ从大到小排序后形成的向量,η为排序向量,ηl表示向量η的第l个值,表示向量的下标的字符可以用任意字符替换,只要在下标处即表示相同意思,l=1、2、3……N,N1为选择向量,寻找出N1中第一次大于0.8的值,若所述值为N1的第l个值,则提取η1、η2、η3…ηl,并将η1、η2、η3…ηl分别带入公式公式(4);
其中,ηm为η1、η2、η3…ηl种的第m个值,Xj,m为调整系数X的第j行m列的值,m=1、2、3……l,j=1、2、3……N;
步骤S805、获取所述接收携带用户标识,并将所述标识数值化后形成标识向量D,将所述向量D和矩阵B带入公式(5),得到用户标识数量的智能精简后的调整的用户标识和调整后的携带用户标识;
R=B*X
Z=Z1*X
(5)
其中,矩阵R为调整后的用来训练的用户标识的值,即为用来训练的用户标识,Z1j为中间向量Z1的第j个值,Dj为向量D的第j个值,Z为调整后的携带用户标识的值,即为携带用户标识的投放请求;
S806、在所训练所述神经网络结构过程中将所述用户标识所考虑的方面控制在l个方面,R为用来进行训练的用户标识,Z为携带用户标识的投放请求。
2.根据权利要求1所述的方法,其特征在于,所述用户标识包括时间标识、区域标识和对象标识中的一种或多种。
3.根据权利要求1所述的方法,其特征在于,所述用户标识对应的数字内容包括:视频、图像、音频中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述神经网络结构为卷积神经网络,包括:卷积层、池化层、激活层、Batch Normalization层和全连接层中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,利用所述用户标识和所述用户标识对应的数字内容训练神经网络结构,包括:
将所述用户标识和所述用户标识对应的数字内容按照4:1的比例划分训练集和测试集;
利用所述训练集训练所述神经网络结构;
利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率。
6.根据权利要求5所述的方法,其特征在于,在利用所述测试集测试训练后的所述神经网络结构得到所述神经网络结构的识别准确率之后,还包括:判断所述识别准确率是否满足预设阈值,若不满足,则根据所述识别准确率调整所述神经网络结构。
7.根据权利要求6所述的方法,其特征在于,所述预设阈值为90%。
8.根据权利要求1所述的方法,其特征在于,利用所述最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户,包括:
将所述投放请求对应的用户标识和待投放的数字内容作为所述最优神经网络结构输入;
利用最优神经网络结构将所述投放请求对应的待投放数字内容投放给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641879.0A CN110427578B (zh) | 2019-07-16 | 2019-07-16 | 一种基于深度机器学习的数字内容投放方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641879.0A CN110427578B (zh) | 2019-07-16 | 2019-07-16 | 一种基于深度机器学习的数字内容投放方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427578A CN110427578A (zh) | 2019-11-08 |
CN110427578B true CN110427578B (zh) | 2020-06-02 |
Family
ID=68409699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910641879.0A Active CN110427578B (zh) | 2019-07-16 | 2019-07-16 | 一种基于深度机器学习的数字内容投放方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427578B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833676A (zh) * | 2020-08-05 | 2020-10-27 | 北京育宝科技有限公司 | 一种交互式学习辅助方法、装置和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009028926A3 (en) * | 2007-08-29 | 2009-06-25 | Mimos Berhad | Apparatus and method for volumetric multi-modal hand biometrlc identification |
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN105787767A (zh) * | 2016-03-03 | 2016-07-20 | 上海珍岛信息技术有限公司 | 一种广告点击率预估模型获取方法与系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068344A1 (en) * | 2013-10-15 | 2018-03-08 | Jennifer L. Sultzaberger | Systems and methods for management of media campaigns |
CN109522254B (zh) * | 2017-10-30 | 2022-04-12 | 上海寒武纪信息科技有限公司 | 运算装置及方法 |
CN109816421A (zh) * | 2018-12-13 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 广告机投放内容控制方法、装置、计算机设备及存储介质 |
CN109711872A (zh) * | 2018-12-14 | 2019-05-03 | 中国平安人寿保险股份有限公司 | 基于大数据分析的广告投放方法及装置 |
CN109711885A (zh) * | 2018-12-27 | 2019-05-03 | 上海旺翔文化传媒股份有限公司 | 激励视频广告智能投放方法 |
-
2019
- 2019-07-16 CN CN201910641879.0A patent/CN110427578B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009028926A3 (en) * | 2007-08-29 | 2009-06-25 | Mimos Berhad | Apparatus and method for volumetric multi-modal hand biometrlc identification |
CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
CN105787767A (zh) * | 2016-03-03 | 2016-07-20 | 上海珍岛信息技术有限公司 | 一种广告点击率预估模型获取方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110427578A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4080889A1 (en) | Anchor information pushing method and apparatus, computer device, and storage medium | |
CN109345302B (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
WO2019242331A1 (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN111553754B (zh) | 行为预测系统的更新方法及装置 | |
US20190102652A1 (en) | Information pushing method, storage medium and server | |
CN104679818B (zh) | 一种视频关键帧提取方法及系统 | |
CN107894998B (zh) | 视频推荐方法及装置 | |
CN108427708A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN106951471A (zh) | 一种基于svm的标签发展趋势预测模型的构建方法 | |
CN111160458B (zh) | 一种图像处理系统及其卷积神经网络 | |
CN108804577B (zh) | 一种资讯标签兴趣度的预估方法 | |
CN112163637B (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
WO2020135642A1 (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN107944485A (zh) | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN110427578B (zh) | 一种基于深度机器学习的数字内容投放方法 | |
CN111597446A (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN112084825B (zh) | 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质 | |
CN108960186B (zh) | 一种基于人脸的广告机用户识别方法 | |
CN117315237B (zh) | 目标检测模型的确定方法及装置、存储介质 | |
CN114529752A (zh) | 一种基于深度神经网络的样本增量学习方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |