CN111144937A - 广告素材确定方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种广告素材确定方法、装置、设备及存储介质，所述方法包括：获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素；通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征；将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，获取广告指标预测结果；根据所述指标预测结果对所述素材特征指向的所述广告元素进行操作，确定广告素材中的广告元素。本公开通过对广告元素的操作实现对广告素材进行优化的过程，提升广告投放效果。

Description

广告素材确定方法、装置、设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种广告素材确定方法、装置、设备及存储介质。

背景技术

广告是实现现代营销媒体战略的重要部分之一。随着网络平台的发展，网络广告的占比逐年上升，广告主通常将广告投放到各大媒体平台，广告指标是用于衡量广告投放效果的参考因素，广告指标包括广告点击率、广告转化率等，广告点击率是指广告被点击的次数与被显示次数之比，其可以用来衡量广告的吸引程度；广告转化率是指通过点击广告进入推广网站的用户形成转化的比例，广告转化率通常反映广告的直接收益，转化是指用户的身份产生转变的标志，如用户从非付费用户转化为付费用户，或者用户从非注册用户转化为注册用户。

在实际场景中，广告受众的点击行为或者转化行为往往在很大程度上受到广告素材的影响，譬如广告的目标受众为男性的男性商品广告，使用了吸引女性关注的广告封面，显然会对最终效果产生负面影响。

但是，发明人在实现本发明的过程中，发现：相关技术中判断广告素材的投放效果的方式是在线尝试，即上传多组素材，根据实际情况对广告素材进行更新，但这一方法需要在广告素材上线后才能判断出对广告的影响，无法及时对广告素材进行优化，影响到整体的投放效果。

发明内容

为克服相关技术中存在的问题，本公开提供了一种广告素材确定方法、装置、设备及存储介质。

根据本公开实施例的第一方面，提供一种广告素材确定方法，包括：

获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素；

通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征；

将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果；

根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

可选地，所述广告元素包括以下至少一种类型：视频、图像、音频以及文本。

可选地，所述素材提取模型以及所述广告指标预估模型通过以下方式训练获得：

获取若干训练样本，所述训练样本包括历史广告素材、与所述历史广告素材对应的用户特征以及指标标签；

将所述历史广告素材输入预设的素材提取模型中进行特征提取，获得历史素材特征；

将所述历史广告素材以及所述用户特征输入预设的广告指标预估模型中，获得指标预测结果；

根据所述指标预测结果与所述指标标签之间的差异，调整所述素材提取模型以及所述广告指标预估模型的参数，获得训练完成后的模型。

可选地，所述指标标签包括点击标签以及转化标签；

所述通过所述广告指标预估模型获得指标预测结果，包括：

通过所述广告指标预估模型获得点击率预测结果或者转化率预测结果。

可选地，所述素材提取模型包括不同类型的特征提取组件；

所述通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征，包括：

将至少一种所述广告元素输入所述素材提取模型中，通过对应的特征提取组件对所述广告元素进行特征提取，获取素材特征。

可选地，所述素材提取模型还包括嵌入层；

则在获取所述素材特征之后，还包括：

通过所述嵌入层对所述素材特征进行处理，获取素材特征嵌入向量；

所述方法还包括：

对所述投放目标用户的用户特征进行处理，获取用户特征嵌入向量；

所述将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，包括：

将所述用户特征嵌入向量以及所述素材特征嵌入向量输入所述广告指标预估模型中。

可选地，所述指标预测结果以数值方式表示；

所述根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，包括：

响应于所述指标预测结果不小于预设阈值，保留所述素材特征指向的所述广告元素；或者，

响应于所述指标预测结果小于所述预设阈值，对所述素材特征指向的所述广告元素执行目标操作；所述目标操作包括替换操作、修改操作以及删除操作。

根据本公开实施例的第二方面，提供一种广告素材确定装置，包括：

素材及用户特征获取模块，用于获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素；

素材特征获取模块，用于通过预先建立的素材提取模型对所述广告元素进行特征提取，获取素材特征；

预测结果获取模块，用于将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果；

确定模块，用于根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现第一方面中任一项所述的方法。

根据本公开实施例的第四方面，提供一种存储介质，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第一方面中任一项所述的方法

根据本公开实施例的第五方面，提供一种计算机程序产品，包括第一方面中任一所述方法的计算机程序。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开实施例中，在获取待投放广告素材以及投放目标用户的用户特征之后，通过预先建立的素材提取模型对所述广告素材中的至少一种广告元素进行特征提取，获取素材特征，然后将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果，本实施例中在提取素材特征之后，在表示形式上并没有对素材特征进行另外的转换处理，而是直接将所述素材特征作为所述广告指标预估模型的输入，避免所述素材特征在转换的过程中丢失了细节信息，使得所述素材特征保留了所述广告元素更多细节信息，从而所述广告指标预估模型能够基于保留了更多细节信息的素材特征准确捕捉到对所述指标预测结果产生影响的信息，得出准确的指标预测结果，最终能够根据所述指标预测结果准确对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的所述广告元素对广告素材的精准优化，有利于提高目标用户对优化后的广告素材的反馈效果。

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，并不能限制本公开。

附图说明

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

图1A是本公开根据一示例性实施例示出的第一种素材提取模型的架构图。

图1B是本公开根据一示例性实施例示出的第二种素材提取模型的架构图。

图2是本公开根据一示例性实施例示出的第三种素材提取模型的架构图。

图3是本公开根据一示例性实施例示出的素材提取模型与点击率预估模型的联合架构示意图。

图4是本公开根据一示例性实施例示出的点击率预估模型的架构图。

图5是本公开根据一示例性实施例示出的一种广告素材确定方法的流程示意图。

图6A是本公开根据一示例性实施例示出的步骤S102的第一种具体实现流程图。

图6B是本公开根据一示例性实施例示出的步骤S102的第二种具体实现流程图。

图7是本公开根据一示例性实施例示出的步骤S102的第三种具体实现流程图。

图8是本公开根据一示例性实施例示出的一种电子设备的硬件结构图。

图9是本公开根据一示例性实施例提供的一种广告素材确定装置的结构框图。

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公开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、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

相关技术中判断广告素材的投放效果的方式是在线尝试，即上传多组素材，根据实际情况对广告素材进行更新，这一方法需要在广告素材上线后才能判断出对广告的影响，无法及时对广告素材进行优化，影响到整体的投放效果。并且，相关技术中，广告点击率预估模型已被广泛使用，但更多的是用来预测目标用户是否会点击待推送的广告素材，从而决定是否向用户推送该广告素材，并未考虑基于广告点击率预估模型来优化广告素材。

基于此，本公开实施例提出了一种广告素材确定方法，在广告素材投放之前，根据指标预测结果来确定广告素材中的广告元素，所述指标预测结果表示预测的用户对广告素材的反馈结果，比如所述指标预测结果可以是点击率预测结果或者转化率预测结果，从而实现对广告素材的优化；其中，所述广告素材确定方法可由电子设备来执行，所述电子设备可以是电脑、平板、终端或者服务器等计算设备。

在一实施例中，在实现所述广告素材确定方法之前，需要先进行素材提取模型以及广告指标预估模型的联合训练，从而利用训练好的素材提取模型以及广告指标预估模型来评估或指导广告素材优化过程。

以下对素材提取模型以及广告指标预估模型的联合训练过程进行具体说明：

所述电子设备获取若干训练样本，所述训练样本包括历史广告素材、与所述历史广告素材对应的用户特征以及指标标签，所述历史广告素材包括一种或多种广告元素，所述广告元素包括以下至少一种类型：视频、图像、音频以及文本；比如一支呈现在电视屏幕上的广告素材包括视频元素和音频元素，或者一支呈现在电台中的广告素材至包括音频元素，载入一支呈现在杂志上的广告素材包括图像素材以及文本素材等；可以理解的是，本公开对于所述训练样本的获取来源不做任何限制，可依据实际情况进行具体设置。

其中，所述历史广告素材对应的用户特征可以包括用户的性别、年龄、地域以及爱好等特征；所述指标标签可以是点击标签或者转化标签，在所述广告指标预估模型用于预测用户的点击率的情况下，所述指标标签为点击标签，在所述广告指标预估模型用于预测用户的转化率的情况下，所述指标标签为转化标签。

在训练过程中，所述电子设备将所述历史广告素材输入预设的素材提取模型中进行特征提取，获得历史素材特征，然后将所述历史广告素材以及所述用户特征输入预设的广告指标预估模型中，获得指标预测结果，最后根据所述指标预测结果与所述指标标签之间的差异，调整所述素材提取模型以及所述广告指标预估模型的参数，获得训练完成后的模型；本公开实施例中，将所述素材提取模型的输出结果(历史素材特征)作为所述广告指标预估模型的输入，并基于所述广告指标预估模型输出的指标预测结果与指标标签的差异，对两个模型的参数的调整，实现联合训练的过程，进一步地，本实施例中将所述素材提取模型可以作为组件形式加入到所述广告指标预估模型中，所述素材提取模型获取素材特征的过程与所述电子设备获取所述历史用户的用户特征的过程相互独立，所述素材提取模型获取素材特征的过程不受其他输入因素的影响，使得所述素材提取模型能够独立进行素材特征的准确提取或者根据实际需要进行个性化的特征提取。请参阅图1A，为所述素材提取模型10的第一种架构示意图。所述素材提取模型10包括输入层11，所述输入层11用于获取输入的不同类型的广告元素，并且考虑到不同的所述广告素材包括不同类型的广告元素，所述素材提取模型10中设置有不同类型的特征提取组件12，以满足不同广告元素的特征提取需求，即不同类型的所述特征提取组件12用于提取对应类型的广告元素的特征，可以理解的是，本公开实施例对于各个类型的广告元素具体应用的特征提取算法不做任何限制，可依据实际应用场景进行具体设置，作为例子，比如针对图像类型或视频类型，可以设置CNN(Convolutional Neural Networks，卷积神经网络)组件进行特征提取；针对广告文案类型，可以设置LSTM(Long Short-Term Memory，长短期记忆网络)组件或RNN(RecurrentNeural Network，循环神经网络)组件进行特征提取；针对音频类型，可以设置LSTM(LongShort-Term Memory，长短期记忆网络)组件或CNN(Convolutional Neural Networks，卷积神经网络)组件进行特征提取。

在所述特征提取组件12之后，所述素材提取模型10还设置了嵌入层14，所述嵌入层14用于对所述素材特征进行处理(embedding操作)，获取素材特征嵌入向量；其中，所述素材特征嵌入向量为一维向量；本实施例通过嵌入层的嵌入操作，将所述特征提取组件提取的广告元素的特征降维成低维度稠密特征，从而避免大量的稀疏特征对资源的过度占用。

请参阅图1B，为所述素材提取模型10的第二种架构示意图，所述素材提取模型10包括依次连接的输入层11，不同类型的特征提取组件12，一层或多层卷积层、池化层或者全连接层13(图1B中以所述素材提取模型10包括1层卷积层、池化层或者全连接层进行示例性说明)、以及嵌入层14；所述卷积层、池化层或者全连接层13用于对所述特征提取组件12输出的特征进行降维处理，获取降维后的素材特征，接着，所述嵌入层14用于对降维后的素材特征进行处理(embedding操作)，获取素材特征嵌入向量；本实施例通过所述卷积层、池化层或者全连接层的降维处理，降低素材特征的维度，有利于减少计算量。

请参阅图2，为所述素材提取模型10的第三种架构示意图(图2中以所述素材提取模型10包括1层卷积层、池化层或者全连接层13进行示例性说明)，所述素材提取模型10包括依次连接的输入层11，不同类型的特征提取组件12，拼接层15，一层或多层卷积层、池化层或者全连接层13，以及嵌入层14，其中，考虑到所述广告素材包括多种不同类型的广告元素时，不同类型的特征提取组件12输出不同的特征，为了进一步提高处理效率，方便所述卷积层、池化层或者全连接层13更为高效地进行降维处理，所述素材提取模型10设置了一拼接层15，所述拼接层15用于对不同类型的特征提取组件12输出的特征进行拼接处理，获取拼接后的素材特征；所述卷积层、池化层或者全连接层13用于对所述拼接后的素材特征进行降维处理，获取降维后的素材特征，即所述卷积层、池化层或者全连接层13可以基于所述拼接后的素材特征对不同类型的特征提取组件12输出的特征进行统一处理，有利于提高处理效率，接着，所述素材提取模型10还包括嵌入层14，所述嵌入层14用于对降维后的素材特征进行处理(嵌入操作，embedding)，获取素材特征嵌入向量，实现获取低维度稠密特征的目的，从而避免大量的稀疏特征对资源的过度占用。

请参阅图3，为所述素材提取模型10与所述广告指标预估模型20的联合架构示意图，所述电子设备还对所述历史用户的用户特征进行处理(嵌入操作，embedding)，获取用户特征嵌入向量，所述用户特征嵌入向量为一维向量，本实施例通过嵌入操操作实现将所述历史用户的用户特征降维成低维度稠密特征，从而避免大量的稀疏特征对资源的过度占用；然后所述电子设备将所述素材特征嵌入向量以及所述用户特征嵌入向量输入广告指标预估模型20进行训练，获取指标预测结果，根据所述指标预测结果与对应的指标预测结果之间的差异，调整所述素材提取模型10以及所述广告指标预估模型20的参数，从而得到训练好的模型；本公开实施例将所述素材提取模型10的嵌入层14接入所述广告指标预估模型20的输入层，使得所述素材提取模型10获取的素材特征嵌入向量直接作为所述广告指标预估模型20的输入，通过所述广告指标预估模型20的输出结果与指标预测结果对两个模型的参数进行调整，实现联合训练的过程，进一步地，由于本公开实施例无需在表示形式上对所述素材特征嵌入向量进行额外的转换处理，而是直接将所述素材特征嵌入向量作为所述广告指标预估模型的输入，避免所述素材特征嵌入向量在转换的过程中丢失了细节信息，使得所述素材特征嵌入向量保留了所述广告元素更多细节信息，在将能够保留更多细节信息的所述素材特征嵌入向量直接作为所述广告指标预估模型20的输入之后，使得所述广告指标预估模型20能够准确捕捉到对所述指标预测结果产生影响的信息，从而得出准确的指标预测结果。

在一个可能的实现方式中，请参阅图4(图4中以所述广告指标预估模型20包括多层全连接层23进行示例性说明)，为本公开根据一示例性实施性示出的一种广告指标预估模型的结构示意图，所述广告指标预估模型20包括输入层21、拼接层22、一层或多层全连接层23以及输出层24，所述输入层21用于获取输入的所述素材特征嵌入向量以及所述用户特征嵌入向量；为了方便后续的处理，提高处理效率，通过所述拼接层22对所述素材特征嵌入向量以及所述用户特征嵌入向量进行拼接，获取拼接后的特征向量；所述全连接层23用于根据所述拼接后的特征向量获取指标预测结果，本实施例中所述全连接层能够基于所述拼接后的特征向量对所述素材特征嵌入向量以及所述用户特征嵌入向量进行统一处理，有利于提高处理效率；所述输出层24用于输出所述指标预测结果。

可以理解的是，上述的广告指标预估模型20的架构仅为其中一种举例说明，本公开实施例对于所述广告指标预估模型的架构不做任何限制，可依据实际应用场景进行具体设置。

在训练好所述素材提取模型以及所述广告指标预估模型之后，所述电子设备可以利用训练好的素材提取模型以及广告指标预估模型来确定所述广告素材中的广告元素，实现广告素材优化过程。请参阅图5，为本公开根据一示例性实施例所示出的一种广告素材确定方法的流程示意图，其可由所述电子设备来执行，所述电子设备可以是电脑、服务器或者云服务器等计算设备，所述方法包括：

在步骤S101中，获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素。

在步骤S102中，通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征。

在步骤S103中，将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果。

在步骤S104中，根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

对于步骤S101，所述电子设备获取待投放广告素材以及投放目标用户的用户特征，通过预测所述投放目标用户对所述待投放素材的反馈结果，所述反馈结果可以是点击结果或者转化结果，然后根据反馈结果确定所述广告素材所包括的广告元素，实现对所述广告素材的优化。

其中，所述广告素材包括至少一种广告元素，所述广告元素包括以下至少一种类型：视频、图像、音频以及文本；比如一支呈现在电视屏幕上的广告素材包括视频元素和音频元素，或者一支呈现在电台中的广告素材至包括音频元素，载入一支呈现在杂志上的广告素材包括图像元素以及文本元素等。

其中，本公开实施例对于同一支广告素材中进行广告指标预测的广告元素的数量不做任何限制，可以根据实际需要进行具体选择，所述广告指标可以是点击率或者转化率，在一个例子中，在所述广告素材包括一种广告元素时，所述电子设备可以基于所述广告元素确定指标预测结果；在另一个例子中，在所述广告素材包括多种广告元素时，所述电子设备可以基于待投放广告素材的其中一种广告元素确定指标预测结果，也可以基于所述广告素材两种或两种以上任意组合的广告元素确定指标预测结果，还可以获取所述广告素材所包括的所有广告元素确定指标预测结果。

可以理解的是，本公开实施例对于所述广告素材以及所述投放目标用户的用户特征的获取来源不做任何限制，可依据实际应用场景进行具体设置；作为例子，所述投放目标用户的用户特征可以包括用户的性别、年龄、地域以及爱好等特征；在一种可能的实现方式中，所述投放目标用户的用户特征可以从训练日志中获取，所述训练日志包括模型训练时的若干训练样本，从而无需再对所述投放目标用户的用户特征进行处理，有利于节省处理时间，提高处理效率。对于步骤S102，所述电子设备将至少一种所述广告元素输入所述素材提取模型中，通过所述素材提取模型对所述广告元素进行特征提取，获取素材特征；其中，在所述广告素材包括多种广告元素时，根据实际需要，所述电子设备可以将所述待投放广告所包括的其中一种广告元素输入所述素材提取模型中，也可以将所述待投放广告所包括的任意两种或两种以上的广告元素输入所述素材提取模型中，还可以将所述待投放广告所包括的所有广告元素输入所述素材提取模型中；本公开实施例中，实现待投放广告素材所包括的广告元素的个性化选择，从而针对所述广告素材获取多个指标预测结果，实现基于指标预测结果从不同维度对所述广告素材进行预测评估，有利于提高对所述广告素材的优化效果。

在第一种具体的实现方式中，所述素材提取模型包括输入层，不同类型的特征提取组件以及嵌入层，请参阅图6A，为步骤S102的一种具体实现流程图，所述步骤S102包括：步骤S1021，将所述广告元素输入所述素材提取模型中；步骤S1022，通过对应的特征提取组件对所述广告元素进行特征提取；步骤S1023，通过嵌入层对所述素材特征进行处理，获取素材特征嵌入向量；本公开实施例通过不同的特征提取组件实现对不同类型的广告元素的特征提取，获取反映所述广告元素细节信息的特征，进而通过所述嵌入层的嵌入操作，将所述特征提取组件提取的广告元素的特征降维成低维度稠密特征，从而避免大量的稀疏特征对资源的过度占用。

在第二种具体的实现方式中，所述素材提取模型包括输入层，不同类型的特征提取组件，一层或多层卷积层、池化层或者全连接层，以及嵌入层，请参阅图6B，为步骤S102的一种具体实现流程图，所述步骤S102包括：步骤S1021，将所述广告元素输入所述素材提取模型中；步骤S1022，通过对应的特征提取组件对所述广告元素进行特征提取；步骤S1024，通过卷积层、池化层或者全连接层对所述特征提取组件输出的特征进行降维处理，获取降维后的素材特征；步骤S1025，通过嵌入层对降维后的素材特征进行处理，获取素材特征嵌入向量；本公开实施例通过不同的特征提取组件实现对不同类型的广告元素的特征提取，获取反映所述广告元素细节信息的特征，进而通过所述卷积层、池化层或者全连接层的降维处理，有利于减少计算量，以及嵌入层的embedding操作，将所述特征提取组件提取的广告元素的特征降维成低维度稠密特征，从而避免大量的稀疏特征对资源的过度占用。

其中，考虑到不同的所述广告素材包括不同类型的广告元素，因此所述素材提取模型10中设置有不同类型的特征提取组件12，以满足不同广告元素的提取需求，即所述特征提取组件用于提取对应类型的广告元素的特征，可以理解的是，本公开实施例对于各个类型的广告元素具体应用的特征提取算法不做任何限制，可依据实际应用场景进行具体设置，作为例子，比如针对图像类型或视频类型，可以设置CNN(Convolutional NeuralNetworks，卷积神经网络)组件进行特征提取；针对广告文案类型，可以设置LSTM(LongShort-Term Memory，长短期记忆网络)组件或RNN(Recurrent Neural Network，循环神经网络)组件进行特征提取；针对音频类型，可以设置LSTM(Long Short-Term Memory，长短期记忆网络)组件或CNN(Convolutional Neural Networks，卷积神经网络)组件进行特征提取。

在第三种具体的实现方式中，所述素材提取模型包括输入层，不同类型的特征提取组件，拼接层，一层或多层卷积层、池化层或者全连接层，以及嵌入层，请参阅图7，为步骤S102的另一种具体实现流程图，所述步骤S102包括：步骤S1021，将所述广告元素输入所述素材提取模型中；步骤S1022，通过对应的特征提取组件对所述广告元素进行特征提取；步骤S1026，通过拼接层对不同类型的特征提取组件输出的特征进行拼接处理，获取拼接后的素材特征；步骤S1027，通过卷积层、池化层或者全连接层对所述拼接后的素材特征进行降维处理，获取降维后的素材特征；步骤S1028，通过嵌入层对降维后的素材特征进行处理，获取素材特征嵌入向量；本公开实施例中，通过所述拼接层对不同类型的特征提取组件输出的特征进行拼接处理，使得所述卷积层、池化层或者全连接层13可以基于所述拼接后的素材特征对不同类型的特征提取组件12输出的特征进行统一处理，有利于提高处理效率。

在一实施例中，所述电子设备还对所述投放目标用户的用户特征进行处理(嵌入操作，embedding)，从而获取用户特征嵌入向量；其中，所述素材特征嵌入向量和所述用户特征嵌入向量均为一维向量；本实施例通过嵌入操作获取素材特征嵌入向量和用户特征嵌入向量，实现获取低维度稠密特征的目的，从而避免大量的稀疏特征对资源的过度占用，另外，所述素材特征嵌入向量基于所述素材提取模型获取，并且直接作为所述广告指标预估模型的输入，所述用户特征嵌入向量以及所述素材特征嵌入向量的获取过程单独进行，两者之间没有相互关联，所述素材提取模型获取素材特征的过程不受其他输入因素的影响，使得所述素材提取模型能够独立进行素材特征的准确提取或者根据实际需要进行个性化的特征提取。

对于步骤S103，所述电子设备将所述用户特征嵌入向量以及所述素材特征嵌入向量输入所述广告指标预估模型中，以通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果，作为例子，所述广告指标预测模型可以用于预测所述投放目标用户对所述待投放广告素材的点击率或者转化率，即将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取点击率预测结果或者转化率预测结果。

本实施例中，所述电子设备将从所述素材提取模型获取的素材特征嵌入向量以及所述用户特征嵌入向量作为所述广告指标预估模型的输入，实现对所述广告素材的预估，而素材特征嵌入向量是所述电子设备将待投放广告素材所包括的广告元素直接作为素材提取模型的输入获得的，由于本公开实施例无需在表示形式上对所述素材特征嵌入向量进行额外的转换处理，所述素材特征始终以向量的形式表示，避免所述素材特征嵌入向量在转换的过程中丢失了细节信息，使得所述素材特征嵌入向量保留了所述广告元素更多细节信息，在将能够保留更多细节信息的所述素材特征直接作为所述广告指标预估模型的输入之后，使得所述广告指标预估模型能够准确捕捉到对所述指标预测结果产生影响的信息，从而得出准确的指标预测结果。

对于步骤S104，所述电子设备在获取指标预测结果之后，可以对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素，实现对所述广告素材的优化，从而提升所述广告素材的投放效果。

在一实施例中，所述指标预测结果以数值方式表示，若所述指标预测结果不小于预设阈值，表明该广告元素可能是用户喜爱的，所述电子设备响应于所述指标预测结果不小于预设阈值，保留所述素材特征指向的所述广告元素，若所述指标预测结果小于预设阈值，表明用户可能对该广告元素不感兴趣，则所述电子设备响应于所述指标预测结果小于所述预设阈值，对所述素材特征指向的所述广告元素执行目标操作，所述目标操作包括替换操作、修改操作以及删除操作，即所述电子设备可以用同类型且不同内容的广告元素替换掉所述指标预测结果指向的广告元素，或者对所述指标预测结果指向的广告元素中的内容进行修改(比如如果该广告元素是文本元素，可以修改其中的文字内容或者排版方式等；或者如果该广告元素是视频元素，可以修改其中的视频帧内容或者渲染方式等)，又或者删除所述指标预测结果指向的广告元素；本实施例通过对所述广告素材所包括的广告元素进行确定，从而实现对所述广告素材的优化，进一步能够提高用户对所述广告素材的点击率和转化率。

可以理解的是，本公开实施例对于所述预设阈值的具体取值不做任何限制，可依据实际进行具体设置，例如当所述指标预测结果为0～1的取值范围时，所述预设阈值可以为0.6、0.7等等。

在一种实现方式中，若所述指标预测结果小于预设阈值，所述电子设备可以根据所述指标预测结果分析所述广告素材中的哪些广告元素是影响因素之一，通过对所述广告元素进行替换、修改或者删除等操作，实现对所述待投放广告的优化；其中，当所述待投放广告包括多个广告素材时，所述电子设备可以基于多种组合的广告素材(比如选择其中一种广告素材，或者是两种或两种以上的任意组合)进行不同的广告指标评估过程，从而所述电子设备可以基于一个指标预测结果对所述广告元素进行操作，也可以基于与所述广告素材相关的多个指标预测结果对所述广告素材所包括的广告元素进行操作，从而实现对所述广告素材的优化。

作为例子，以所述广告指标预测模型可以用于预测所述投放目标用户对所述待投放广告素材的点击率，所述指标预测结果为点击率预测结果进行举例说明：比如待投放广告素材中包括广告元素A、广告元素B和广告元素C，在一次评估过程中，基于广告元素A和投放目标用户的用户特征获得的点击率预测结果是小于预设阈值，即“没有点击”，则所述点击设备可以基于所述点击率预测结果，替换或者修改所述广告元素A；在另一次评估过程中，基于广告元素A、广告元素B和投放目标用户的用户特征获得的点击率预测结果是不小于预设阈值，即“点击”，基于广告元素A、广告元素B、广告元素C和投放目标用户的用户特征获得的点击率预测结果是小于预设阈值，即“没有点击”，则所述电子设备可以根据获取的两次点击率预测结果，替换或者修改所述广告元素C，从而实现对所述广告素材的优化。

在一个例子中，以所述广告指标预测模型可以用于预测所述投放目标用户对所述待投放广告素材的点击率，所述指标预测结果为点击率预测结果进行举例说明：所述电子设备获取待投放广告素材以及投放目标用户的用户特征，所述广告素材包括视频元素和音频元素，其中，所述电子设备还对所述投放目标用户的用户特征进行处理，获取用户特征嵌入向量。

在第一种实现方式中，所述电子设备可以将所述视频元素输入所述素材提取模型中，通过所述素材提取模型进行特征提取，获取视频特征嵌入向量，然后将所述用户特征嵌入向量以及所述视频特征嵌入向量输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取点击预测率结果，最后响应于所述点击率预测结果不小于预设阈值，保留所述视频元素，或者响应于所述点击率预测结果小于所述预设阈值，替换、修改或者删除所述视频元素；本实施例中在提取视频特征嵌入向量之后，在表示形式上并没有对视频特征嵌入向量进行另外的转换处理，而是直接作为所述广告指标预估模型的输入，使得所述视频特征嵌入向量保留了所述视频元素更多细节信息，从而所述广告指标预估模型能够基于保留了更多细节信息的视频特征嵌入向量准确捕捉到对所述点击率预测结果产生影响的信息，得出准确的点击率预测结果，最终能够根据所述点击率预测结果准确确定所述视频元素，实现对广告素材的精准优化。

在第二种实现方式中，所述电子设备可以将所述音频元素输入所述素材提取模型中，通过所述素材提取模型进行特征提取，获取音频特征嵌入向量，然后将所述用户特征嵌入向量以及所述音频特征嵌入向量输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取点击率预测结果，最后响应于所述点击率预测结果不小于预设阈值，保留所述音频元素，或者响应于所述点击率预测结果小于所述预设阈值，替换、修改或者删除所述音频元素；本实施例中在提取音频特征嵌入向量之后，在表示形式上并没有对音频特征嵌入向量进行另外的转换处理，而是直接作为所述广告指标预估模型的输入，使得所述音频特征嵌入向量保留了所述音频元素更多细节信息，从而所述广告指标预估模型能够基于保留了更多细节信息的音频特征嵌入向量准确捕捉到对所述点击率预测结果产生影响的信息，得出准确的点击率预测结果，最终能够根据所述点击率预测结果准确确定所述音频元素，实现对广告素材的精准优化。

在第三种实现方式中，所述电子设备可以将所述音频元素以及所述视频元素输入所述素材提取模型中，通过所述素材提取模型进行特征提取，获取素材特征嵌入向量，然后将所述用户特征嵌入向量以及所述素材特征嵌入向量输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取点击率预测结果，最后响应于所述点击率预测结果不小于预设阈值，保留所述视频元素和音频元素，或者响应于所述点击率预测结果小于所述预设阈值，替换、修改或者删除所述视频元素或音频元素；本实施例中在提取素材特征嵌入向量之后，在表示形式上并没有对素材特征嵌入向量进行另外的转换处理，而是直接作为所述广告指标预估模型的输入，使得所述素材特征嵌入向量保留了所述素材元素更多细节信息，从而所述广告指标预估模型能够基于保留了更多细节信息的素材特征嵌入向量准确捕捉到对所述点击率预测结果产生影响的信息，得出准确的点击率预测结果，最终能够根据所述点击率预测结果准确确定所述广告元素，实现对广告素材的精准优化。

在第四种实现方式中，所述电子设备还可以获取所述视频特征嵌入向量指向的点击率预测结果、所述音频特征嵌入向量指向的点击率预测结果以及所述素材特征嵌入向量指向的点击率预测结果(即上述三种实现方式获得的点击率预测结果)，然后根据这3个点击率预测结果来确定所述音频元素和视频元素；在一个例子中，比如所述视频特征嵌入向量指向的点击率预测结果不小于预设阈值，所述音频特征嵌入向量指向的点击率预测结果也不小于预设阈值，而所述素材特征嵌入向量指向的点击率预测结果小于预设阈值，则可以得出所述视频元素和音频元素的结合具有不协调性，需要调整，因此所述电子设备可以基于这3个点击率预测结果修改或者替换所述视频元素或者所述音频元素；本实施例中通过对多个预测结果的综合分析，实现对所述音频元素和视频元素准确确定，实现对广告素材的精准优化，也有利于提高目标用户对优化后的广告素材的点击率。

与前述方法的实施例相对应，本公开还提供了广告素材确定装置及其所应用的设备的实施例。

本公开中广告素材确定装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本公开实施例广告素材确定装置所在电子设备的一种硬件结构图，除了图8所示的处理器810、内存830、网络接口820、以及非易失性存储器840之外，实施例中装置831所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。

相应地，本公开实施例还提供一种计算机存储介质，所述存储介质中存储有程序，所述程序被处理器执行时实现上述任一实施例中的方法。

本公开可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

请参阅图9，为本公开根据一示例性实施例提供的一种广告素材确定装置的结构框图，所述装置包括：

素材及用户特征获取模块201，用于获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素。

素材特征获取模块202，用于通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征。

预测结果获取模块203，用于将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果。

广告元素确定模块204，用于根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

可选地，所述广告元素包括以下至少一种类型：视频、图像、音频以及文本。

可选地，所述素材提取模型以及所述广告指标预估模型的训练过程包括：

训练样本获取模块，用于获取若干训练样本，所述训练样本包括历史广告素材、与所述历史广告素材对应的用户特征以及指标标签。

特征提取模块，用于将所述历史广告素材输入预设的素材提取模型中进行特征提取，获得历史素材特征。

指标预估模块，用于将所述历史广告素材以及所述用户特征输入预设的广告指标预估模型中，获得指标预测结果。

参数调整模块，用于根据所述指标预测结果与所述指标标签之间的差异，调整所述素材提取模型以及所述广告指标预估模型的参数，获得训练完成后的模型。

可选地，所述指标标签包括点击标签以及转化标签。

所述预测结果获取模块203包括：

将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获得点击率预测结果或者转化率预测结果。

可选地，所述素材提取模型包括不同类型的特征提取组件。

所述素材特征获取模块202包括：

将至少一种所述广告元素输入所述素材提取模型中，通过对应的特征提取组件对至少一种所述广告元素进行特征提取，获取素材特征。

可选地，所述素材提取模型还包括嵌入层。

则所述素材特征获取模块202包括：

将至少一种所述广告元素输入所述素材提取模型中，通过对应的特征提取组件对至少一种所述广告元素进行特征提取。

通过所述嵌入层对所述素材特征进行处理，获取素材特征嵌入向量。

所述装置还包括：

用户特征嵌入向量获取模块，用于对所述投放目标用户的用户特征进行处理，获取用户特征嵌入向量。

所述预测结果获取模块203包括：

将所述用户特征嵌入向量以及所述素材特征嵌入向量输入所述广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果。

可选地，所述指标预测结果以数值方式表示；

所述确定模块204包括：

保留单元，用于响应于所述指标预测结果不小于预设阈值，保留所述素材特征指向的所述广告元素，确定所述广告素材中的广告元素。

目标操作执行单元，用于响应于所述指标预测结果小于所述预设阈值，对所述素材特征指向的所述广告元素执行目标操作，确定所述广告素材中的广告元素；所述目标操作包括替换操作、修改操作以及删除操作。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本公开还提供一种电子设备，所述电子设备包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行所述指令时完成本公开实施例中任一项的方法实施例所述的方法。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可以包括至少一种类型的存储介质，存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。而且，设备可以与通过网络连接执行存储器的存储功能的网络存储装置协作。存储器可以是设备的内部存储单元，例如设备的硬盘或内存。存储器也可以是设备的外部存储设备，例如设备上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

这里描述的各种实施方式可以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器中并且由控制器执行。

电子设备包括但不限于以下存在形式：(1)移动终端：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等；(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad；(3)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于只要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高；(4)其他具有计算功能的电子设备。设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如设备还可以包括输入输出设备、网络接入设备、总线、摄像设备等。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，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。

一种非临时性计算机可读存储介质，当存储介质中的指令由终端的处理器执行时，使得终端能够执行上述方法。

在示例性实施例中，还提供了一种计算机程序产品，包括可执行程序代码，其中，所述程序代码在通过上述装置执行时实施上述任意一项的方法实施例。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种广告素材确定方法，其特征在于，包括：

获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素；

通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征；

将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果；

根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

2.根据权利要求1所述的方法，其特征在于，所述广告元素包括以下至少一种类型：视频、图像、音频以及文本。

3.根据权利要求1所述的方法，其特征在于，所述素材提取模型以及所述广告指标预估模型通过以下方式训练获得：

获取若干训练样本，所述训练样本包括历史广告素材、与所述历史广告素材对应的用户特征以及指标标签；

将所述历史广告素材输入预设的素材提取模型中进行特征提取，获得历史素材特征；

将所述历史广告素材以及所述用户特征输入预设的广告指标预估模型中，获得指标预测结果；

根据所述指标预测结果与所述指标标签之间的差异，调整所述素材提取模型以及所述广告指标预估模型的参数，获得训练完成后的模型。

4.根据权利要求3所述的方法，其特征在于，所述指标标签包括点击标签以及转化标签；

所述通过所述广告指标预估模型获得指标预测结果，包括：

通过所述广告指标预估模型获得点击率预测结果或者转化率预测结果。

5.根据权利要求2所述的方法，其特征在于，所述素材提取模型包括不同类型的特征提取组件；

所述通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征，包括：

将至少一种所述广告元素输入所述素材提取模型中，通过对应的特征提取组件对所述广告元素进行特征提取，获取素材特征。

6.根据权利要求5所述的方法，其特征在于，所述素材提取模型还包括嵌入层；

则在获取所述素材特征之后，还包括：

通过所述嵌入层对所述素材特征进行处理，获取素材特征嵌入向量；

所述方法还包括：

对所述投放目标用户的用户特征进行处理，获取用户特征嵌入向量；

所述将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，包括：

将所述用户特征嵌入向量以及所述素材特征嵌入向量输入所述广告指标预估模型中。

7.根据权利要求1所述的方法，其特征在于，所述指标预测结果以数值方式表示；

所述根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，包括：

响应于所述指标预测结果不小于预设阈值，保留所述素材特征指向的所述广告元素；或者，

响应于所述指标预测结果小于所述预设阈值，对所述素材特征指向的所述广告元素执行目标操作；所述目标操作包括替换操作、修改操作以及删除操作。

8.一种广告素材确定装置，其特征在于，包括：

素材及用户特征获取模块，用于获取待投放广告素材以及投放目标用户的用户特征；所述广告素材包括一种或多种广告元素；

素材特征获取模块，用于通过预先建立的素材提取模型对至少一种所述广告元素进行特征提取，获取素材特征；

预测结果获取模块，用于将所述用户特征以及所述素材特征输入预先建立的广告指标预估模型中，通过所述广告指标预估模型获取指标预测结果；所述广告指标预估模型用于预估所述投放目标用户对所述待投放广告素材的反馈结果；

确定模块，用于根据所述指标预测结果，对所述素材特征指向的所述广告元素进行操作，确定所述广告素材中的广告元素。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的方法。

10.一种存储介质，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，使得所述电子设备能够执行如权利要求1至7中任一项所述的方法。

Images