CN111309951A - 广告语获取方法及其装置、存储介质 - Google Patents

Abstract

本公开关于一种广告语获取方法及其装置、存储介质，涉及人工智能领域。本公开以至少解决相关技术中，无法快速、高效的生成与广告图像内容相呼应的广告语的问题。该方法包括：获取目标广告图像；响应于获取到目标广告图像，获取目标广告图像的特征数据；目标广告图像的特征数据用于表征目标广告图像所呈现内容的性质；基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。本公开应用于广告语获取。

Description

广告语获取方法及其装置、存储介质

技术领域

本公开涉及人工智能领域，尤其涉及一种广告语获取方法及其装置、存储介质。

背景技术

目前，投放广告作为一种企业宣传、产品推广的重要手段，已经广泛应用于各行各业中。

现有的广告通常由广告图像以及一些吸引用户注意的广告语构成。而为了使广告更具有吸引力，通常需要为广告添加一些符合观众兴趣点的广告语以吸引观众注意。

因此，如何能够快速、高效的获取到与广告图像内容相呼应的广告语，这是目前需要解决的一个技术问题。

发明内容

本公开提供一种广告语获取方法及其装置、存储介质，以至少解决相关技术中，无法快速、高效的获取到既与广告图像内容相呼应的广告语的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种广告语获取方法，包括：获取目标广告图像；响应于获取到目标广告图像，获取目标广告图像的特征数据；目标广告图像的特征数据用于表征目标广告图像所呈现内容的性质；基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

可选的，基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语，包括：根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度；从预设广告语中，获取目标广告语；其中，目标广告语包括与目标广告图像的特征相似度最高的N条预设广告语。

可选的，预设广告语中各广告语的语义的特征数据包括：预设广告语中各广告语包含的多个词中各个词的词向量；目标广告图像的特征数据包括：目标广告图像的多个目标特征图；根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度，包括：根据备选广告语中包含的多个词中各个词的词向量与多个目标特征图两两之间的相似度，计算备选广告语与目标广告图像的特征相似度；备选广告语为预设广告语中任一条广告语。

可选的，获取目标广告图像的特征数据，包括：将目标广告图像输入预设神经网络模型，得到目标广告图像的特征数据；其中，预设神经网络模型，包括以样本广告图像作为训练数据，并以样本广告图像对应的内容标签和点击率作为监督信息，所得到的用于提取广告图像的特征数据的卷积神经网络模型。

可选的，样本广告图像，包括目标广告投放平台中使用的广告封面图；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，在从预设广告语中，选择语义特征与目标广告图像的特征数据之间的特征相似度最高的N条预设广告语之前，方法还包括：将预设广告语中各广告语分别输入预设变换的双向编码表示BERT模型，得到预设广告语中各广告语的语义的特征数据；其中，预设BERT模型，包括以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调，所得到的BERT模型。

可选的，样本广告语，包括目标广告投放平台中使用的广告语；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，初始BERT模型包括利用目标广告投放平台中的语料数据进行预训练，所得到的BERT模型；目标广告投放平台为目标广告图像对应的广告投放平台。

第二方面，本公开提供一种广告语获取装置，包括：图像获取单元，用于获取目标广告图像；特征获取单元，用于响应于获取到目标广告图像，获取目标广告图像的特征数据；目标广告图像的特征数据用于表征目标广告图像所呈现内容的性质；广告语获取单元，用于基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

可选的，广告语获取单元，具体用于根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度；广告语获取单元，还具体用于从预设广告语中，获取目标广告语；其中，目标广告语包括与目标广告图像的特征相似度最高的N条预设广告语。

可选的，预设广告语中各广告语的语义的特征数据包括：预设广告语中各广告语包含的多个词中各个词的词向量；目标广告图像的特征数据包括：目标广告图像的多个目标特征图；广告语获取单元，具体用于根据备选广告语中包含的多个词中各个词的词向量与多个目标特征图两两之间的相似度，计算备选广告语与目标广告图像的特征相似度；备选广告语为预设广告语中任一条广告语。

可选的，特征获取单元，具体用于将目标广告图像输入预设神经网络模型，得到目标广告图像的特征数据；其中，预设神经网络模型，包括以样本广告图像作为训练数据，并以样本广告图像对应的内容标签和点击率作为监督信息，所得到的用于提取广告图像的特征数据的卷积神经网络模型。

可选的，样本广告图像，包括目标广告投放平台中使用的广告封面图；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，广告语获取单元，还用于在从预设广告语中，选择语义特征与目标广告图像的图像特征之间的特征相似度最高的N条预设广告语之前，将预设广告语中各广告语分别输入预设变换的双向编码表示BERT模型，得到预设广告语中各广告语的语义的特征数据；其中，预设BERT模型，包括以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调，所得到的BERT模型。

可选的，样本广告语，包括目标广告投放平台中使用的广告语；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，初始BERT模型包括利用目标广告投放平台中的语料数据进行预训练，所得到的BERT模型；目标广告投放平台为目标广告图像对应的广告投放平台。

第三方面，本公开提供一种广告语获取装置，包括：处理器、用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现如上述第一方面所提供的广告语获取方法。

第四方面，本公开提供一种计算机可读存储介质，包括指令，当指令由处理器执行时，使得处理器执行如上述第一方面提供的广告语获取方法。

第五方面，本公开提供一种计算机程序产品，包括指令，当指令由处理器执行时，使得处理器执行如上述第一方面提供的广告语获取方法。

本公开所提供的方案中，能够在获取到目标广告图像后，获取目标广告图像的特征数据，然后再基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。从而，实现在获取目标广告图像后，能够根据目标广告图像中所呈现的内容，从预设广告语中获取到与目标广告图像相关联的目标广告语。从而实现快速、高效的获取到与广告图像内容相呼应的广告语的效果。然后，广告发布者还可以参考目标广告语创作广告语，或者也可以将目标广告语(或者从多个目标广告语中选择一个)作为目标广告图像的广告语。

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说明书的一部分，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，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种网络结构示意图。

图2是根据一示例性实施例示出的一种广告图像的示意图。

图3是根据一示例性实施例示出的一种广告语获取方法的流程示意图之一。

图4是根据一示例性实施例示出的一种广告语获取方法的流程示意图之二。

图5是根据一示例性实施例示出的一种广告语获取方法的流程示意图之三。

图6是根据一示例性实施例示出的一种模型的结构示意图。

图7是根据一示例性实施例示出的一种广告语获取方法的流程示意图之四。

图8是根据一示例性实施例示出的一种广告语获取方法的流程示意图之五。

图9是根据一示例性实施例示出的一种广告语获取方法的流程示意图之六。

图10是根据一示例性实施例示出的一种终端设备与服务器之间的交互流程图。

图11是根据一示例性实施例示出的一种模型训练方法的流程示意图之一。

图12是根据一示例性实施例示出的一种模型训练方法的流程示意图之二。

图13是根据一示例性实施例示出的一种广告语获取装置的结构示意图之一。

图14是根据一示例性实施例示出的一种广告语获取装置的结构示意图之二。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

另外，在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本公开实施例的描述中，“多个”是指两个或多于两个。

首先，对本公开所涉及的技术术语进行介绍：

特征图，英文featuremap，指能够描述一幅图片中的全部区域或局部区域的性质(例如，颜色、轮廓、纹理等)的二维图片。例如，在卷积神经网络(convolutionalneuralnetwork,CNN)中，在每个卷积层中数据都是以三维形式存在的。其中，每个卷积层的数据可以看成是许多个二维图片叠在一起，其中每一个二维图片称为一个特征图。

词向量，指在自然语言处理(naturallanguageprocessing，NLP)技术中，将自然语言中的单词映射到语意的隐空间后的向量。目前，可以利用wordembedding模型，将自然语言中的单词向量化得到词向量。其中，BERT(bidirectionalencoderrepresentationsfromtransformers，变换的双向编码表示)是目前的一种wordembedding模型。BERT采用了Transformer作为特征提取器，同时它所建立的语言模型是根据单词的上下文预测单词，引入了maskedlanguagemodel对上下文信息进行了更加充分的应用。

跨媒体检索，表示在不同种类的多媒体数据中检索内容相关联的数据。例如，目前比较常见的多媒体数据包括文本数据、图像数据等数据内容，通过跨媒体检索技术可以分析文本数据与图像数据中所包含信息的相关性，实现从多个文本数据中检索到与目标图像数据内容相关联的文本数据，或者从多个图像数据中检索到与目标文本数据内容相关联的图像数据。

以下，对本公开所提供的技术方案的应用场景进行介绍：

参考图1，其示出本公开实施例所可能涉及的一种实施环境示意图。如图1所示，该实施环境可以包括服务器101和多个终端设备(如终端设备102a、终端设备102b、终端设备102c和终端设备102d)，多个终端设备具体可以通过有线网络或者无线网络与服务器101连接。

示例性的，本公开实施例中的终端设备可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，UMPC)、上网本，以及蜂窝电话、个人数字助理(personaldigitalassistant，PDA)、增强现实(augmentedreality，AR)\虚拟现实(virtualreality，VR)设备等可以安装即时通讯应用，并使用即时通讯应用通信的设备，本公开实施例对该电子设备的具体形态不作特殊限制。

其中，服务器101可以是广告投放平台用于发布广告的服务器。服务器101将广告数据(具体包括广告语和广告图像)通过有线或者无线的方式发送至多个终端设备，以及多个终端设备播放该广告数据。

另外，在一种可能的设计中，服务器101可以用于执行本公开所提供的广告语获取方法，在获取到目标广告图像后获取与目标广告图像内容相呼应的目标广告语。在获取到目标广告语后，服务器101可以直接将目标广告语作为目标广告图像对应的广告语，将目标广告语与目标广告图像一并发送至多个终端设备进行播放。另外，在获取到目标广告语后，服务器101还可以将目标广告语发送至广告发布者的终端设备上，以便广告发布者从目标广告语中选择合适的广告语来作为目标广告图像的广告语。

在另一种可能的设计中，也可由图1中的终端设备来执行本公开所提供的广告语获取方法。例如，终端设备102a可以为广告发布者使用的终端设备，然后终端设备102a可以通过执行本公开所提供的广告语获取方法，获取与目标广告图像内容相呼应的目标广告语。然后，终端设备102a可以将获取到的目标广告语显示在界面上，以供广告发布者参考。然后，终端设备102a在接收广告发布者的确认操作后，将目标广告语(或者目标广告语中的一个)作为目标广告图像对应的广告语发布出去。

在又一种可能的设计中，本公开所提供的广告语获取方法，也可由除服务器101、终端设备102a之外的其他设备来执行。例如，可以由独立于服务器101和多个终端设备之外的广告语获取装置来执行本公开所提供的广告语获取方法。从而实现本公开技术方案所要实现的技术效果。

下面，对本公开的技术原理进行介绍：

在商业广告投放领域中，广告素材是影响广告投放质量的关键因素。现有的广告，通常由广告图像以及一些吸引用户注意的广告语等广告素材构成。其中广告图像可以包括广告封面以及广告的视频内容等内容，广告语具体可以是广告的标题等内容。因此，如何选择与广告图像内容相呼应的广告语，这是目前需要解决的一个技术问题。

针对上述问题，首先，本公开中考虑到可以提供一种广告语获取方法，当该方法应用在广告语获取装置上时，可以使广告语获取装置在获取到目标广告图像后，根据目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设的多条广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。供用户参考。然后，利用这些与目标广告图像语意接近或相关的目标广告语，广告创作者们可以通过借鉴这些广告语的内容创造出更加具有吸引力的广告文案，或者也可以直接将这些广告语中的广告语作为目标广告图像的广告语。另外，也可以直接将目标广告语作为目标广告图像的广告语进行发布。

进一步的，本公开所提供技术方案中，还提出可以利用跨媒体检索技术，根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度。然后从预设广告语中获取与目标广告图像的特征相似度最高的N条预设广告语，作为目标广告语。这样一来，便可以利用跨媒体检索技术获取到目标广告语。

另外，目前常用的跨媒体检索技术都是基于浅层语意，因此从多条预设广告语中选择出与目标广告图像语意接近或相关的广告语时，通常只能检索到对应于图像中的视觉信息的文本。例如，在利用图2中(a)所示图片进行跨媒体检索时，可以看出图2所示图片上呈现了一只狗以及一片草坪。那么利用常规的跨媒体检索技术，所检索到的文本通常也只能反映出这些表面视觉信息。例如，通常会检索到类似于“一只坐在草丛上的狗”这样的文本。而对于广告素材来说，作为广告语的文案通常需要有吸引性和营销性。因此，上述只反映图像表面视觉信息的文本通常无法作为合格的广告语来使用。

针对这一问题，本公开所提供的技术方案中，通过计算备选广告语中包含的多个词中各个词的词向量与目标广告图像的多个特征图两两之间的相似度，然后再根据这些词向量与特征图之间的相似度，得到广告语与目标广告图像之间的特征相似度。这样一来，便可以挖掘广告语、广告图像中的深层语意，并根据广告语、广告图像中的深层语意判断广告语、广告图像的关联性。从而可以检索到即与广告图像的内容相关联并且更加吸引用户注意的广告语。

其中，本公开中所称词向量和特征图之间的相似度，表示根据词的词向量和图像的特征图，所计算出的词所表达的含义与图像所表达的含义的相关程度。

例如，在利用图2中(b)所示图片进行跨媒体检索时，可以看出该图片中呈现的是一名穿着时尚的女性。此时利用常规的跨媒体检索技术，所检索到的文本通常只能反映出这些表面视觉信息，例如“一个穿白衣服的女孩”。而本公开所提供的技术方案中，由于能够挖掘广告语和广告图像的深层语意。因此，可以检索到具有隐喻的更为高级的广告语，例如“前男友看见后悔系列穿搭”这类广告语。

另外，现有技术中，在提取图像的特征数据时，常用的方式是用卷积神经网络来提取特征数据。但目前在利用卷积神经网络提取特征数据时，所提取的特征数据的表达意义往往仅具有视觉本身的性质。例如，所提取的特征数据能够表达图片中是否有动物以及是什么动物，例如一只漂亮的狗的图片和一只邋遢的狗的图片对于卷积神经网络训练来说，两者的特征可能是高度重合的。但在商业行为中这两张图片则可能表现完全不同的意义。因此，为了在利用卷积神经网络提取特征数据时，本公开考虑到将图片的商业性质作为监督信息，即本公开中在训练用于提取广告图像的特征数据的卷积神经网络模型时，在将广告图像对应的内容标签作为监督信息的同时，还将广告图像的点击率作为监督信息，从而使所提取的特征数据在描述封面视觉信息的同时，可以描述图片的商业性质。进而，当将该卷积神经网络模型应用到本公开所提供的广告语获取方法中来提取目标广告图像的特征数据时，能够提取出更加符合本公开需要的特征数据。

基于同一发明构思，本公开中在提取广告语中包含的多个词中各个词的词向量时，考虑到可以利用广告语的点击率作为监督信息，用于对初始BERT模型进行微调，以得到预设BERT模型。在利用预设BERT模型来提取预设广告语中包含的多个词中各个词的词向量时，能够使提取的词特征同时体现该词的语义信息和商业性质。

以下结合实例，对本公开的技术方案进行介绍：

实施例一：

本公开提供一种广告语获取方法，该方法可以应用于广告语获取装置。其中，广告语获取装置具体可以为各类电子设备，示例性的，广告语获取装置可以为图1中的服务器101或多个终端设备中的一个。

当将该方法应用于广告语获取装置的情况下，如图3所示，该方法包括以下步骤S201-S203：

S201、获取目标广告图像。

其中，目标广告图像可以为需要推荐广告语的广告中所包含的图像。

可选的，考虑到广告的封面图通常最能代表一个广告的主旨。因此，目标广告图像具体可以是需要推荐广告语的广告的封面图。

S202、响应于获取到目标广告图像，获取目标广告图像的特征数据。

目标广告图像的特征数据用于表征目标广告图像所呈现内容的性质。

示例性的，目前通常利用卷积神经网络模型来提取图像特征。在卷积神经网络中，通常具有多个卷积层，其中每个卷积层分别能够生成一个或多个图像的特征图。本公开中所称目标广告图像的特征数据，具体可以包括卷积神经网络模型中各个卷积层所生成的特征图中的部分或全部特征图。

S203、基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

其中，本公开中所称广告语的语义，指广告语中所蕴含的意义。换句话讲，本公开中所称广告语的语义，具体可以指广告语中所包含的信息。

具体的，广告语中所蕴含的意义可以包括广告语中所包括的多个词组的字面含义，也可以包括广告语所隐含的潜在含义。例如，假设广告语A的内容为“乡书何处达，归雁洛阳边”，则广告语A可以包括“家乡”“书”“雁”“洛阳”等名词对应的实际意义，也可以包括“思乡”等潜在含义。

在具体实现过程中，广告语的语义，可以用表征广告语中所包含的信息的各种参数、数据来表示。

例如，若根据目标广告图像的特征数据，确定目标广告图像中包括一只狗，则可以从预设广告语中，获取语义中包含“狗”的相关信息的一条或多条广告语。这一条或多条广告语即可以作为目标广告语。

本公开所提供的方案中，能够在获取到目标广告图像后，获取目标广告图像的特征数据，然后再基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。从而，实现在获取目标广告图像后，能够根据目标广告图像中所呈现的内容，从预设广告语中获取到与目标广告图像相关联的广告语，以供广告发布者使用。

本公开所提供的方案中，能够在获取到目标广告图像后，获取目标广告图像的特征数据，然后再基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。从而，实现在获取目标广告图像后，能够根据目标广告图像中所呈现的内容，从预设广告语中获取到与目标广告图像相关联的目标广告语。从而实现快速、高效的获取到与广告图像内容相呼应的广告语的效果。然后，广告发布者还可以参考目标广告语创作广告语，或者也可以将目标广告语(或者从多个目标广告语中选择一个)作为目标广告图像的广告语。

在一种实现方式中，如图4所示，上述步骤S203基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语，具体包括以下步骤S2031-S2032：

S2031、根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度。

其中，本公开中所称特征相似度，用于表示广告语中包含的语义与广告图像中包含的元素的关联程度。

S2032、根据预设广告语中各广告语与目标广告图像的特征相似度，从预设广告语中获取目标广告语。

其中，目标广告语可以包括与目标广告图像的特征相似度最高的N条预设广告语。

本公开上述实现方式中，根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度。然后从预设广告语中获取与目标广告图像的特征相似度最高的N条预设广告语，作为目标广告语。这样一来，便可以利用跨媒体检索技术获取到目标广告语。

进一步，在一种实现方式中，为了能够挖掘广告语、广告图像中的深层语意，并根据广告语、广告图像中的深层语意判断广告语、广告图像的关联性。本公开上述方案中，预设广告语中各广告语的语义的特征数据包括：预设广告语中各广告语包含的多个词中各个词的词向量；目标广告图像的特征数据包括：目标广告图像的多个目标特征图。

另外，如图5所示，上述步骤S2031根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度，具体包括：

S2031a、根据备选广告语中包含的多个词中各个词的词向量与多个目标特征图两两之间的相似度，计算备选广告语与目标广告图像的特征相似度。

其中，备选广告语为预设广告语中任一条广告语。

示例性的，假设通过提取目标广告图像的特征数据，得到K个目标特征图。另外，假设备选广告语中包括P个词的词向量。以上述示例中的广告语“前男友看见后悔系列穿搭”为例，该广告语可以拆成“前男友”“看见”“后悔”“系列”“穿搭”五个词，其中每个词均对应生成一个词向量。

那么则分别计算P个词向量和K个目标特征图之间的相似度，得到K×P个相似度。进而，再对K×P个相似度进行attention操作，即根据K×P个相似度中各相似度分别对备选广告语与目标广告图像的特征相似度的影响大小，计算备选广告语与目标广告图像的特征相似度，进而得到备选广告语与目标广告图像的特征相似度。

具体的，在根据备选广告语中包含的多个词中各个词的词向量与上述多个目标特征图两两之间的相似度，计算备选广告语与目标广告图像的特征相似度的过程中，可以利用Pairwise算法来实现。Pairwise算法能够提高计算效率，进而有利于降低系统资源开销、节省计算所需时间。

其中，本公开中所涉及词向量与特征图之间的相似度，用于表示不同特征信息(例如，特征图、词向量)所表示的内容信息的关联程度。例如，用于体现图像轮廓的特征图A中，描述了图中有一个女性人物的信息，那么特征图A与单词“穿搭”的词向量之间的相似度就可能比较高。

另外，在一种可能的设计中，可以利用构建预设数学模型的方式，来计算预设广告语中各预设广告语与目标广告图像的特征相似度。示例性的，如图6所示，为本公开提供的一种预设数据模型的结构示意图。其中包括多个相似度计算单元(例如图中包括相似度计算单元301a、相似度计算单元301b、相似度计算单元301c、相似度计算单元301d、相似度计算单元301e、相似度计算单元301f，共六个相似度计算单元)以及总相似度计算单元302。其中，多个相似度计算单元中各相似度计算单元分别用于计算不同特征图与词向量之间的相似度，以及不同特征图与词向量之间的相似度对备选广告语与目标广告图像的总的相似度的影响大小即权重。总相似度计算单元302用于根据多个相似度计算单元的计算结果，得到备选广告语与目标广告图像的总的相似度，即特征相似度。

本公开上述实现方式所提供方案中，通过用广告语中包含的多个词中各个词的词向量与多个目标特征图两两之间的相似度，来计算广告语与目标广告图像的特征相似度。这样一来，可以挖掘出广告图像与广告语的深层语意，并根据广告图像与广告语的深层语意来确定广告语与广告图像的特征相似度。从而实现选出与广告图像的深度语意相关的广告语，使得选出的广告语更吸引用户注意、增加广告语的营销属性。

另外，在一种实现方式中，如图7所示，上述步骤S202中获取目标广告图像的特征数据，具体可以包括：

S202a、将目标广告图像输入预设神经网络模型，得到目标广告图像的特征数据。

其中，预设神经网络模型，包括以样本广告图像作为训练数据，并以样本广告图像对应的内容标签和点击率作为监督信息，所得到的用于提取广告图像的特征数据的卷积神经网络模型。

其中样本广告图像的内容标签，具体可以包括用于表示该样本广告图像所显示内容的类型的标签，例如内容标签可以为“玩具”“智能产品”等。点击率，具体包括用于反映该广告图像在特定的一个或多个网页上展示时，被点击的次数与被显示次数的比。

由于广告图像的点击率能够反映该广告图像在用户群体中的受欢迎程度。因此，将点击率作为监督信息来训练预设神经网络模型，能够使通过该预设神经网络模型得到的特征图具有描述图像在用户中的受欢迎程度的性质。进而能够更好的体现图像的商业性质。进而，当将该预设神经网络模型应用到本公开所提供的广告语获取方法中来提取目标广告图像的特征数据时，能够提取出更加符合本公开需要的特征数据。

在一种可行的设计中，为了提高预设神经网络模型的训练效率，本公开中，上述用于训练预设神经网络模型的样本广告图像，可以包括：目标广告投放平台中使用的广告封面图。

其中，目标广告投放平台，具体包括目标广告图像对应的广告投放平台。目标广告图像对应广告投放平台，具体可以是目标广告图像即将要投放的广告投放平台。

本公开中所称广告投放平台，也可以称之为投放广告的系统。例如，假设需要将目标广告图像投放至“快手”短视频应用中时，“快手”短视频应用即为一个广告投放平台。此时，样本广告图像，可以包括已经投放至“快手”短视频应用中进行使用的多个广告的广告封面图。

本公开中，通过利用目标广告图像对应的广告投放平台中使用的广告封面图来对预设神经网络模型进行训练，从而使得利用该模型提取到的图像的特征图与广告投放平台的使用环境、图像风格更加匹配，进而能够进一步优化本方案的效果。

另外，在一种实现方式中，如图8所示，在上述步骤S2031根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度之前，本公开上述方法还包括：

S204、将预设广告语中各广告语分别输入预设变换的双向编码表示BERT模型，得到预设广告语中各广告语的语义的特征数据。

其中，预设BERT模型，包括以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调，所得到的BERT模型。

本公开中在提取广告语中包含的多个词中各个词的词向量时，考虑到可以利用广告语的点击率作为监督信息，用于对初始BERT模型进行微调，以得到预设BERT模型。从而在利用预设BERT模型来提取预设广告语中包含的多个词中各个词的词向量时，能够使提取的词特征同时体现该词的语义信息和商业性质。

其中，在一种可能的设计中，上述用于微调初始BERT模型的样本广告语，可以包括目标投放平台中使用的广告语。其中，目标广告投放平台，具体包括目标广告图像对应的广告投放平台。对于目标广告投放平台的描述，可以参照上文中的相应内容，重复之处不再赘述。

具体的，在对BERT模型进行训练时，为了提高BERT模型的性能。通常可以先对BERT模型进行预训练即“Frozen”，然后再进行微调即“Fine-Tuning”。其中，预训练是把大量甚至是无穷尽的无标注的自然语言文本利用起来，预训练任务把大量语言学知识抽取出来编码到BERT模型的网络结构中，当某一具体任务带有标注信息的数据有限时，这些先验的语言学特征当然会对当前任务有极大的特征补充作用。因为当带有标注信息的数据有限的时候，很多语言学现象是覆盖不到的，泛化能力就弱。通过预训练则可以利用通用的语言学知识加强模型的泛化能力。在预训练后，再利用具体任务中带有标注信息的数据对BERT模型进行微调，从而达到更好的效果。

本公开中，通过利用目标广告图像对应的广告投放平台中使用的广告语来对预设BERT模型进行微调，从而使得利用该模型提取到的词向量与广告投放平台的使用环境、图像风格更加匹配，进而能够进一步优化本方案的效果。

在一种实现方式中，本公开中，为了使提取出的表征单词语义的词向量能够反映单词的深层语义，在以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调时，该方法具体包括：

以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，并且根据样本广告语中的词的词向量在特征相似度计算时的计算结果，对初始BERT模型进行微调。

例如，在利用样本广告语A对初始BERT模型进行微调时，会先将样本广告语A输入当前状态的初始BERT模型中，此时初始BERT模型会根据样本广告语A的语义进行微调，并输出样本广告语A中包括的词的词向量，此时称为词向量集合B。然后用词向量集合B中的词向量去计算样本广告语A与样本广告图像之间的特征相似度。然后，根据计算结果，对初始BERT模型再次进行微调。经过多次重复上述过程，便可以得到更符合需要的BERT模型。

在一种可能的设计中，初始BERT模型包括：利用目标广告投放平台中的语料数据进行预训练，所得到的BERT模型。

目标广告投放平台为目标广告图像对应的广告投放平台。

本公开中利用目标广告投放平台中的语料数据来对BERT模型进行预训练，从而可以得到更加适用于目标广告投放平台的BERT模型。

在一种实现方式中，考虑到当本公开所提供的广告语获取方法应用于终端设备时，为了降低终端设备的运算量，如图9所示，本公开上述步骤S202具体包括：

S202b、响应于获取到目标广告图像，触发服务器获取目标广告图像的特征数据。

上述步骤S203，具体包括：

S203b、触发服务器基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

例如，终端设备在获取到目标广告图像后，向服务器发送预设请求。服务器在接收到预设请求后，执行：获取目标广告图像的特征数据，以及基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。具体的，上述服务器的执行内容的具体实现过程可参照上述实施例中的相关描述。

进一步的，服务器在获取到目标广告语后，可以将目标广告语反馈至终端设备。因此，该广告语获取方法，还可以包括：终端设备接收服务器发送的目标广告语。

示例性的，当将本公开所提供方法应用于终端设备中时，如图10所示，终端设备与服务器的工作流程，具体可以包括：

S401、终端设备获取目标广告图像。

S402、终端设备向服务器发送预设请求。

该预设请求中可以包含目标广告图像的标识，或者目标广告图像的图像数据。

S403、服务器在接收到预设请求后，获取目标广告图像的特征数据。

其中，服务器获取目标广告图像的特征数据的过程，可以参照上述实施例的相应描述。

S404、服务器基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

具体的，服务器中可以预先存储有广告语库，该广告语库中存储有多个预设广告语，以便服务器从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

S405、服务器在获取到目标广告语后，将目标广告语发送至终端设备。

S406、终端设备在接收到目标广告语后，可以将目标广告语显示在界面上，以便用户查看。

S407、终端设备在接收到用户确认目标广告语的操作后，发布目标广告语与目标广告图像。

另外，本公开还提供一种模型训练方法。示例性的，该方法用于生成上述实施例中用于提取广告图像的特征数据的预设神经网络模型。如图11，该方法包括以下步骤S501-S502：

S501、获取样本广告图像。

S502、以样本广告图像作为训练数据，并以样本广告图像对应的内容标签和点击率作为监督信息，训练卷积神经网络模型，得到预设神经网络模型。

其中，样本广告图像，可以包括同一个广告投放平台中使用的广告封面图。

具体的，对于上述S501和S502所解决的技术问题、具体实现方式以及所实现的技术效果，可参照上文中步骤S202a的内容，在此便不再赘述。

另外，本公开还提供另一种模型训练方法。示例性的，该方法用于生成上述实施例中用于提取预设广告语中各广告语的语义的特征数据的BERT模型。如图12所示，该模型训练方法，包括以下步骤S601-S602：

S601、获取样本广告语；

S602、以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调，得到的预设BERT模型。

其中，样本广告语，可以包括同一个广告投放平台中使用的广告语。

在一种实现方式中，在步骤S602之前，该方法还包括：

S603、获取目标广告投放平台中的语料数据。

S604、利用语料数据，对原始BERT模型进行预训练，得到初始BERT模型。

具体的，对于上述S601-S604所解决的技术问题、具体实现方式以及所实现的技术效果，可参照上文中步骤S204的内容，在此便不再赘述。

实施例二：

本公开还提供一种广告语获取装置。参照图13，该广告语获取装置70包括：图像获取单元701、特征获取单元702、广告语获取单元703。其中：

图像获取单元701，用于获取目标广告图像；

特征获取单元702，用于响应于获取到目标广告图像，获取目标广告图像的特征数据；目标广告图像的特征数据用于表征目标广告图像所呈现内容的性质；

广告语获取单元703，用于基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

可选的，广告语获取单元703，具体用于根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度；

广告语获取单元703，还具体用于根据预设广告语中各广告语与目标广告图像的特征相似度，从预设广告语中获取目标广告语；其中，目标广告语包括与目标广告图像的特征相似度最高的N条预设广告语。

可选的，预设广告语中各广告语的语义的特征数据包括：预设广告语中各广告语包含的多个词中各个词的词向量；目标广告图像的特征数据包括：目标广告图像的多个目标特征图；

广告语获取单元703，具体用于根据备选广告语中包含的多个词中各个词的词向量与多个目标特征图两两之间的相似度，计算备选广告语与目标广告图像的特征相似度；备选广告语为预设广告语中任一条广告语。

可选的，特征获取单元702，具体用于将目标广告图像输入预设神经网络模型，得到目标广告图像的特征数据；

其中，预设神经网络模型，包括以样本广告图像作为训练数据，并以样本广告图像对应的内容标签和点击率作为监督信息，所得到的用于提取广告图像的特征数据的卷积神经网络模型。

可选的，样本广告图像，包括目标广告投放平台中使用的广告封面图；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，广告语获取单元703，还用于在根据预设广告语中各广告语的语义的特征数据与目标广告图像的特征数据，分别计算预设广告语中各广告语与目标广告图像的特征相似度之前，将预设广告语中各广告语分别输入预设变换的双向编码表示BERT模型，得到预设广告语中各广告语的语义的特征数据；

其中，预设BERT模型，包括以样本广告语作为训练数据，并以样本广告语的点击率作为监督信息，对初始BERT模型进行微调，所得到的BERT模型。

可选的，样本广告语，包括目标广告投放平台中使用的广告语；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，初始BERT模型包括利用目标广告投放平台中的语料数据进行预训练，所得到的BERT模型；目标广告投放平台为目标广告图像对应的广告投放平台。

可选的，广告语获取装置为终端设备；

特征获取单元702，具体用于响应于获取到目标广告图像，触发服务器获取目标广告图像的特征数据；

广告语获取单元703，具体用于触发服务器基于目标广告图像的特征数据以及预设广告语中各广告语的语义，从预设广告语中获取语义与目标广告图像所呈现内容相关联的目标广告语。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图14是本公开提供的另一种广告语获取装置的结构示意图。如图14，该广告语获取装置80可以包括至少一个处理器801以及用于存储处理器可执行指令的存储器803。其中，处理器801被配置为执行存储器803中的指令，以实现上述实施例中的广告语获取方法。

示例性的，在图1所示的实施环境中，广告语获取装置80可以图1所示的服务器101或者多个终端设备中的一个。

另外，广告语获取装置80还可以包括通信总线802以及至少一个通信接口804。

处理器801可以是一个处理器(centralprocessingunits，CPU)，微处理单元，ASIC，或一个或多个用于控制本公开方案程序执行的集成电路。

通信总线802可包括一通路，在上述组件之间传送信息。

通信接口804，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radioaccessnetwork，RAN)，无线局域网(wirelesslocalareanetworks，WLAN)等。

存储器803可以是只读存储器(read-onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccessmemory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，EEPROM)、只读光盘(compactdiscread-onlymemory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。

其中，存储器803用于存储执行本公开方案的指令，并由处理器801来控制执行。处理器801用于执行存储器803中存储的指令，从而实现本公开方法中的功能。

在具体实现中，作为一种实施例，处理器801可以包括一个或多个CPU，例如图14中的CPU0和CPU1。

在具体实现中，作为一种实施例，广告语获取装置80可以包括多个处理器，例如图14中的处理器801和处理器807。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，广告语获取装置80还可以包括输出设备805和输入设备806。输出设备805和处理器801通信，可以以多种方式来显示信息。例如，输出设备805可以是液晶显示器(liquidcrystaldisplay，LCD),发光二级管(lightemittingdiode，LED)显示设备，阴极射线管(cathoderaytube，CRT)显示设备，或投影仪(projector)等。输入设备806和处理器801通信，可以以多种方式接受用户的输入。例如，输入设备806可以是鼠标、键盘、触摸屏设备或传感设备等。

本领域技术人员可以理解，图14中示出的结构并不构成对广告语获取装置80的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

另外，本公开还提供一种计算机可读存储介质，包括指令，当指令由处理器执行时，使得处理器执行如上述实施例所提供的广告语获取方法。

另外，本公开还提供一种计算机程序产品，包括指令，当指令由处理器执行时，使得处理器执行如上述实施例所提供的广告语获取方法。

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。

Claims (10)

1.一种广告语获取方法，其特征在于，包括：

获取目标广告图像；

响应于获取到所述目标广告图像，获取所述目标广告图像的特征数据；所述目标广告图像的特征数据用于表征所述目标广告图像所呈现内容的性质；

基于所述目标广告图像的特征数据以及预设广告语中各广告语的语义，从所述预设广告语中获取语义与所述目标广告图像所呈现内容相关联的目标广告语。

2.根据权利要求1所述广告语获取方法，其特征在于，所述基于所述目标广告图像的特征数据以及预设广告语中各广告语的语义，从所述预设广告语中获取语义与所述目标广告图像所呈现内容相关联的目标广告语，包括：

根据所述预设广告语中各广告语的语义的特征数据与所述目标广告图像的特征数据，分别计算所述预设广告语中各广告语与所述目标广告图像的特征相似度；

根据所述预设广告语中各广告语与所述目标广告图像的特征相似度，从所述预设广告语中获取所述目标广告语；其中，所述目标广告语包括与所述目标广告图像的特征相似度最高的N条预设广告语。

3.根据权利要求2所述广告语获取方法，其特征在于，所述预设广告语中各广告语的语义的特征数据包括：所述预设广告语中各广告语包含的多个词中各个词的词向量；所述目标广告图像的特征数据包括：所述目标广告图像的多个目标特征图；

所述根据所述预设广告语中各广告语的语义的特征数据与所述目标广告图像的特征数据，分别计算所述预设广告语中各广告语与所述目标广告图像的特征相似度，包括：

根据备选广告语中包含的多个词中各个词的词向量与所述多个目标特征图两两之间的相似度，计算所述备选广告语与所述目标广告图像的特征相似度；所述备选广告语为所述预设广告语中任一条广告语。

4.根据权利要求1-3任一项所述广告语获取方法，其特征在于，所述获取所述目标广告图像的特征数据，包括：

将所述目标广告图像输入预设神经网络模型，得到所述目标广告图像的特征数据；

其中，所述预设神经网络模型，包括以样本广告图像作为训练数据，并以所述样本广告图像对应的内容标签和点击率作为监督信息，所得到的用于提取广告图像的特征数据的卷积神经网络模型。

5.根据权利要求4所述广告语获取方法，其特征在于，所述样本广告图像，包括目标广告投放平台中使用的广告封面图；所述目标广告投放平台为所述目标广告图像对应的广告投放平台。

6.根据权利要求2或3所述广告语获取方法，其特征在于，在根据所述预设广告语中各广告语的语义的特征数据与所述目标广告图像的特征数据，分别计算所述预设广告语中各广告语与所述目标广告图像的特征相似度之前，所述方法还包括：

将所述预设广告语中各广告语分别输入预设变换的双向编码表示BERT模型，得到所述预设广告语中各广告语的语义的特征数据；

其中，所述预设BERT模型，包括以样本广告语作为训练数据，并以所述样本广告语的点击率作为监督信息，对初始BERT模型进行微调，所得到的BERT模型。

7.根据权利要求6所述广告语获取方法，其特征在于，所述样本广告语，包括目标广告投放平台中使用的广告语；所述目标广告投放平台为所述目标广告图像对应的广告投放平台。

8.根据权利要求6所述广告语获取方法，其特征在于，所述初始BERT模型包括利用目标广告投放平台中的语料数据进行预训练，所得到的BERT模型；所述目标广告投放平台为所述目标广告图像对应的广告投放平台。

9.一种广告语获取装置，其特征在于，包括：

图像获取单元，用于获取目标广告图像；

特征获取单元，用于响应于获取到所述目标广告图像，获取所述目标广告图像的特征数据；所述目标广告图像的特征数据用于表征所述目标广告图像所呈现内容的性质；

广告语获取单元，用于基于所述目标广告图像的特征数据以及预设广告语中各广告语的语义，从所述预设广告语中获取语义与所述目标广告图像所呈现内容相关联的目标广告语。

10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令由处理器执行时，使得所述处理器执行如权利要求1-8中任一项所述广告语获取方法。

Images