CN112016962A - 推送方法、装置、电子设备和计算机可读存储介质 - Google Patents
推送方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112016962A CN112016962A CN202010870561.2A CN202010870561A CN112016962A CN 112016962 A CN112016962 A CN 112016962A CN 202010870561 A CN202010870561 A CN 202010870561A CN 112016962 A CN112016962 A CN 112016962A
- Authority
- CN
- China
- Prior art keywords
- pushed
- characteristic information
- information
- user
- creative
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000000463 material Substances 0.000 claims abstract description 342
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000012015 optical character recognition Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 41
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/0251—Targeted advertisements
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请提供了一种推送方法、装置、电子设备和计算机可读存储介质，该方法包括：获取待推送素材的素材数据和待推送用户的用户数据；根据所述待推送素材的素材数据，提取所述待推送素材的特征信息；根据所述待推送用户的用户数据，提取所述待推送用户的特征信息；将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；根据所述目标创意向所述待推送用户推送所述待推送素材。
Description
技术领域
本申请涉及广告技术领域，并且更具体地，涉及一种推送方法、装置、电子设备和计算机可读存储介质。
背景技术
随着应用程序种类的日益丰富，极大的丰富了人们的日常生活，人们打开应用程序后，可以浏览应用程序内的媒体素材，例如：小视频、文章、歌曲、图片等。在用户使用应用程序的过程中，通过该应用程序的平台向用户推送一些媒体素材，例如：可以推送一些广告类的媒体素材，或者推送一些平台内新增的媒体素材等。
创意是由素材和文案构成，目前在媒体创意推荐领域中，采取的主流结构是输入素材、文案内容以及创意效果数据，选用机器学习方式去构建点击通过率(Click-Through-Rate，CTR)预估模型，通过该CTR预估模型预估创意的CTR，在CTR大于一定阈值时，推送该创意。但是此类模型学习到的更多的是记忆特征，泛化能力较差，导致线上推荐的效果不尽如意。
发明内容
本申请提供了一种推送方法、装置、电子设备和计算机可读存储介质，基于素材的特征和用户的特征构建创意优选模型，能够实现对不同的用户基于不同的创意进行广告推送，有利于提升推送效果。
第一方面，本申请实施例提供了一种推送方法，包括：
获取待推送素材的素材数据和待推送用户的用户数据；
根据所述待推送素材的素材数据，提取所述待推送素材的特征信息；
根据所述待推送用户的用户数据，提取所述待推送用户的特征信息；
将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；
根据所述目标创意向所述待推送用户推送所述待推送素材。
在一些可选的实现方式中，所述根据所述待推送素材的素材数据，提取所述待推送素材的特征信息，包括：
根据所述待推送素材包括的素材数据的类型，提取每种类型的素材数据的特征信息；
将所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
在一些可选的实现方式中，所述将所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息，包括：
根据所述待推送素材的元数据的特征信息，对所述每种类型的素材数据的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
在一些可选的实现方式中，所述根据所述待推送素材包括的素材数据的类型，提取每种类型的素材数据的特征信息，包括以下中的至少一项：
利用卷积神经网络提取所述待推送素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述待推送素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述待推送素材中的文本的语义信息作为所述文本的特征信息；
对所述待推送素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；
对所述待推送素材的元数据信息进行独热编码得到所述元数据的特征信息。
例如，若所述待推送素材包括图片和文本，提取所述图片中的图像、所述文本、所述图片中的光学字符识别和所述待推送素材的元数据信息分别对应的特征信息。
又例如，若所述待推送素材包括视频和文本，通过神经网络提取所述视频中的图像、所述图像中的光学字符识别，所述视频中的音频，所述文本和所述待推送素材的元数据信息分别对应的特征信息。
具体提取每种素材数据的特征信息的方式可以参考上一实现方式。
在一些可能的实现方式中，所述元数据信息包括以下中的至少一项：
应用类型，图像模式，地理位置信息。
在一些可能的实现方式中，所述将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，包括：
将基于每个创意的所述待推送素材的特征信息分别和所述待推送用户的特征信息进行内积处理，得到所述待推送用户对所述每个创意的打分；
将打分最高的创意作为向所述待推送用户推送所述待推送素材的目标创意。
第二方面，本申请实施例还提供了一种推送方法，包括：
构建创意优选模型的训练样本，其中，所述训练样本包括素材和用户的正负样本；
提取所述素材的正负样本的特征信息；
提取所述用户的正负样本的特征信息；
将提取的所述素材的正负样本的特征信息和所述用户的正负样本的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型。
在一些可能的实现方式中，所述提取所述素材的正负样本的特征信息，包括：根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息；将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
在一些可能的实现方式中，所述将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息，包括：
根据所述素材的元数据的特征信息，对所述每种类型的素材元素的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
在一些可能的实现方式中，所述根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息，包括以下中的至少一项：
利用卷积神经网络提取所述素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述素材中的文本的语义信息作为所述文本的特征信息；
对所述素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；对所述素材的元数据信息进行独热编码得到所述元数据的特征信息。
例如，若所述素材包括图片元素和文本元素，提取所述图片元素中的图像、所述文本、所述图片元素中的光学字符识别和所述素材的元数据信息分别对应的特征信息；或者
又例如，若所述素材包括视频元素和文本元素，提取所述视频元素中的图像、所述图像中的光学字符识别，所述视频元素中的音频，所述文本和所述素材的元数据信息分别对应的特征信息。
在一些可能的实现方式中，所述素材和用户的正样本包括：发送量大于第一阈值的素材，对所述素材的点击量大于第二阈值的用户；
所述素材和用户的负样本包括其他素材和用户。
在一些可能的实现方式中，所述方法还包括：根据梯度下降算法对所述创意优选模型进行训练得到所述创意优选模型。
第三方面，本申请实施例提供了一种推送装置，用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的步骤。具体地，该推送装置包括用于执行上述第一方面或第一方面的任一可能的实现方式中的方法的单元。
第四方面，本申请实施例提供了另一种推送装置，用于执行上述第二方面或第二方面的任意可能的实现方式中的方法的步骤。具体地，该推送装置包括用于执行上述第二方面或第二方面的任一可能的实现方式中的方法的单元。
第五方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面中任一可选的推送方法的步骤。
第六方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第二方面中任一可选的推送方法的步骤。
第七方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面中任一可选的推送方法的步骤。
第八方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第二方面中任一可选的推送方法的步骤。
本申请实施例通过学习素材数据的内容，能够很好的兼顾素材的记忆特征和泛化能力，同时根据用户的个性化特征进行推荐，能够实现千人千面的创意展示，提升广告推送效果。
附图说明
图1为本申请一实施例提供的一种推送方法的示意性流程图；
图2是根据本申请实施例的素材元素的特征的提取方式示意图。
图3为本申请实施例提供的另一种推送方法的流程示意图；
图4为本申请实施例提供的一种推送装置的结构示意图；
图5为本申请实施例提供的一种推送装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。针对本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在媒体创意推荐领域中，采取的主流结构是输入素材、文案内容以及创意效果数据，通过机器学习方式去构建CTR预估模型，通过该CTR预估模型预估创意的CTR，在CTR大于一定阈值时，推送该创意。但是此类模型学习到的更多的是记忆特征，泛化能力较差，导致线上推荐的效果不尽如意。
有鉴于此，本申请实施例提供了一种推荐方案，能够通过复杂的神经网络学习素材数据的内容，同时融入用户个性化的特征，以实现千人千面的创意展示，提升广告推送效果。
图1是本申请实施例提供的一种推送方法100的流程示意图，如图1所示，该方法100包括以下至少部分内容：
S101，获取待推送素材的素材数据和待推送用户的用户数据；
S102，根据待推送素材的素材数据，提取所述待推送素材的特征信息；
S103，根据所述待推送用户的用户数据，提取所述待推送用户的特征信息；
S104，将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；
S105，根据所述目标创意向所述待推送用户推送所述待推送素材。
由于不同用户可能对不同创意感兴趣，在本申请实施例中，可以基于素材数据的特征和用户的特征构建创意优选模型，在创意预估时，输入待推送素材的特征和待推送用户的特征，即可得到待推送素材针对待推送用户的目标创意，进一步在进行推送时，基于该目标创意进行推送，有利于提升推送效果。
所述待推送素材可以是平台上的媒体素材，其中，所述平台为应用程序对应的平台，一个平台可以对应一个应用程序，或者一个平台可以对应多个应用程序，平台上的媒体素材可以是该平台对应的应用程序中包括的媒体素材。
所述平台上可以有多个媒体素材，所述待推送素材可以为其中的一个待推送素材，所述平台上可以有多个用户，所述待推送用户为其中的一个用户，本申请实施例以向其中的一个待推送用户推荐一个媒体素材为例进行说明，向其他用户推荐其他媒体素材的方式类似，本申请实施例并不限于此。
在本申请一些实施例中，所述待推送素材可以包括各种类型的媒体数据，例如视频、文章、歌曲、图片、文字等。
在本申请实施例中，待推送素材的创意可以为所述待推送素材中的各种类型的媒体数据的组合方式，例如以视频为主，文本为辅，或者以图片为主，文本为辅等。
在本申请一些实施例中，提取所述待推送素材的特征信息可以首先将待推送素材拆分为多个素材元素，基于不同素材元素的特征选择合适的神经网络提取每个素材元素的特征信息，进一步基于每个素材元素的特征信息，得到所述待推送素材的特征信息。通过神经网络对待推送素材的素材内容进行深度理解，有利于兼顾素材理解的记忆能力和泛化能力。
所述待推送素材包括的素材数据的类型例如可以包括但不限于以下中的至少一种：图片、文本、视频、音频，图像中的光学字符识别(Optical Character Recognition，OCR)、元数据(meta)信息。
结合图2，具体说明所述待推送素材中的不同类型的素材元素的特征的提取方式。
对于图像元素，可以利用神经网络提取所述图像中的低层(low level)信息(又称布局信息、全局信息)，作为所述图像的特征信息，进一步将所述图像的特征信息向量化，可以得到所述图像的特征向量。所述布局信息例如可以为所述图像的边缘信息，或颜色信息等。
作为一个具体示例，可以利用卷积神经网络(Convolutional Neural Networks,CNN)提取所述图像的布局信息，将所述图像的布局信息作为所述图像的特征信息。
对于文本元素，可以利用神经网络提取所述文本的语义信息作为文本的特征信息。作为一个示例，可以利用字符(char)CNN提取所述文本的语义信息作为所述文本的特征信息，进一步将所述文本的特征信息向量化，可以得到所述文本的特征向量。
对于光学字符识别(Optical Character Recognition，OCR)元素，可以利用神经网络提取所述OCR的语义信息作为所述OCR的特征信息。例如，可以利用char CNN提取所述OCR的语义信息作为所述OCR的特征信息，进一步将所述OCR的特征信息向量化，可以得到所述OCR的特征向量。
在本申请实施例中，所述待推送素材中的文本和OCR通过共享词表和嵌入信息的方式输入至所述char CNN以获取对应的语义信息。通过共享词表和嵌入(embedding)信息的方式进行特征提取，能够提高素材数据中的文本和图像中的OCR的匹配度，并且能够提升模型的泛化能力。
对于音频元素，可以首先将音频转换为文本信息。例如，可以通过自动语音识别(Automatic Speech Recognition，ASR)将音频转换为文本信息，进一步将转换后的文本信息输入char CNN获取音频的语义消息作为所述音频的特征信息，进一步将所述音频的特征信息向量化，可以得到所述音频的特征向量。
在本申请实施例中，所述meta信息例如可以包括但不限于应用类型、图像类型，地理位置信息等。所述应用类型例如包括视频类的应用，游戏类应用，资讯类应用等。所述图像类型例如包括大图、小图，动图等。所述地理位置信息例如城市、乡村，山区等。
对于待推送素材的meta信息的特征提取，作为一个示例，可以对所述meta信息进行独热(one-hot)编码，得到多个one-hot向量，进一步将该多个one-hot向量进行拼接，得到所述meta信息对应的特征向量。
其中，one-hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由其独立的寄存器位，并且在任意时候只有一位有效。one-hot编码是分类变量作为二进制向量的表示。首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。通过one-hot编码将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，会使特征之间的距离计算更加合理。
可以理解，不同的应用类型和图像类型对网络性能的要求和流量消耗不同。例如，视频类的应用和游戏类应用对网络性能的要求较高，并且流量消耗较大，而资讯类应用对网络性能的要求较低，并流量消耗较小。
不同的地理位置由于网络覆盖情况不同，其支持的应用类型和图像类型不同。比如，城市的网络覆盖通常较好，可以流畅的支持对网络性能较高的应用，山区的网络覆盖通常较差，不能流程的支持对网络性能较高的应用。
在本申请实施例中，得到每种素材元素的特征向量之后，可以根据关注度(attention)算法对不同类型的素材元素的特征向量进行处理。
换言之，通过对不同类型的素材元素的特征向量配置以不同的关注度可以得到所述待推送素材的不同创意。
在一些实施例中，由meta的特征向量决定其他类型的素材元素的特征向量的权重，也就是说，meta的特征向量可以决定其他类型的素材元素的特征向量的关注度。
作为一个示例，将其他类型的素材元素的特征向量和meta的特征向量相乘后，再进行向量拼接，得到所述待推送素材的特征向量。通过以meta的不同的特征向量与所述其他类型的素材元素的特征向量进行相乘，再进行向量拼接，可以得到不同创意的所述待推送素材的特征向量。例如，待推送素材的图像、音频，文本和OCR的特征向量分别为A，B，C，D，meta信息的特征向量为a，b，c，d，其中，a，b，c，d分别决定A，B，C和D的权重。将素材元素的特征向量和meta特征向量中的对应权重进行相乘，进一步将相乘后的特征向量进行拼接得到所述待推送素材的特征向量：aA，bB，cC，dD。
由于同一待推送素材的meta信息是相同的，直接将meta信息的特征向量和其他素材元素的特征向量进行拼接得到待推荐素材的特征向量，会使得拼接后的特征没有梯度。根据meta信息决定其他素材元素的特征信息的权重，然后基于加权处理的特征信息进行拼接，可以使得拼接后的待推送素材的梯度更明显，进一步在创意选择时，能够更好的区分不同的创意。
可选地，在一些实施例中，所述待推送素材包括图片和文本，此情况下，可以将所述待推送素材可以拆分为四部分：所述图片中的图像、所述标题、所述图片中的OCR和所述待推送素材的元数据(meta)信息。进一步地，所述通过神经网络提取所述图片中的图像、所述标题、所述OCR和所述meta信息分别对应的特征信息，每种素材元素的特征提取方式可以参考前述实施例的相关说明。
可选地，在另一些实施例中，所述待推送素材包括视频和文本，此情况下，所述待推送素材可以拆分为五部分：视频中的图像、所述图像中的OCR，所述视频中的音频，所述文本和所述待推送素材的meta信息。进一步地，所述通过神经网络提取所述视频中的图像、所述图像中的OCR，所述视频中的音频，所述文本和所述待推送素材的meta信息分别对应的特征信息，每种素材元素的特征提取方式可以参考前述实施例的相关说明。
在本申请一些实施例中，所述待推送用户的用户数据可以包括用户的基本属性，兴趣爱好等用户个性化数据。用户的基础属性例如可以包括但不限于性别，年龄，受教育程度，收入水平等。
在具体实现中，可以将待推送用户的用户数据进行one-hot编码得到多个one-hot向量，将该多个one-hot向量拼接后输入至所述创意优选模型，辅助进行创意选择。
不同的应用类型、图像类型，地理位置信息对网络性能的要求和流量消耗不同，这也就决定了用户的兴趣度的不同。
例如，对于视频类应用中的待推送素材，用户可能期望视频元素和图像元素的权重较大，文字元素的权重较小，对于资讯类应用中的待推送素材，用户可能期望视频和音频元素对应的权重较小，图像和文字元素对应的权重较大。
又例如，若用户的地理位置为城市，用户可能期望视频元素和图像元素的权重较大，文字元素的权重较小，若用户的地理位置为山区，用户可能期望视频和音频元素对应的权重较小，图像和文字元素对应的权重较大。
因此，在根据meta信息确定其他素材元素的特征向量的权重时，可以根据meta信息的内容生成多组不同的特征向量，用于产生不同的创意。
在本申请实施例中，所述创意优选模型是通过对素材和用户的特征信息进行训练得到的。具体地，可以首先构建用于模型训练的训练样本，包括素材和用户的正负样本。可选地，所述训练样本可以包括所述素材和用户的正样本包括发送量大于第一阈值的素材，对所述素材的点击量大于第二阈值的用户；所述素材和用户的负样本可以包括其他素材和用户。
可选地，在标记素材的正负样本时，可以标记单个用户对应的素材的正负样本，或者，也可以标记一类用户对应的素材的正负样本。例如，若一类用户对某一素材的平均点击量大于第二阈值，作为正样本，否则作为负样本。其中，用户的分类可以基于用户的特征划分，本申请对此不作限定。
因此，本申请实施例的训练样本不是单一的素材或单一的用户，而是结合二者的关联关系的训练样本，通过将素材和用户联合进行训练，有利于利用用户和素材之间的关联关系，向用户推荐有效创意的素材。
在构建所述素材和用户的正负样本之后，进一步可以提取训练样本中的素材和用户的特征信息，具体提取方式参考前文实施例的相关描述，然后可以将提取的素材的特征信息和所述用户的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型的模型参数。例如可以根据梯度下降算法对所述创意优选模型进行训练得到模型参数。
根据该创意优选模型进行创意预估时，可以将待推送素材的特征向量和所述待推送用户的特征向量输入至所述创意优选模型，所述创意优选模型可以将基于不同创意的所述待推送素材的特征向量分别和所述待推送用户的特征向量进行内积处理，得到所述待推送用户对所述每个创意的打分，进一步可以在其中选择满足预设条件的创意作为目标创意，例如将打分最高的创意作为目标创意。
因此，本申请实施例通过复杂的神经网络学习素材数据的内容，能够很好的兼顾素材的记忆特征和泛化能力，同时根据用户的个性化特征，进行推荐，能够实现千人千面的创意展示，提升广告推送效果。
图3是根据本申请另一实施例的推送方法的示意性流程图，如图3所示，该方法200包括以下至少部分内容：
S201，构建创意优选模型的训练样本，其中，所述训练样本包括素材和用户的正负样本；
S202，提取所述素材的正负样本的特征信息；
S203，提取所述用户的正负样本的特征信息；
S203，将提取的所述素材的正负样本的特征信息和所述用户的正负样本的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型。
应理解，该方法200中的具体实现可以参考方法100中相关实现，为了简洁，这里不再赘述。
可选地，在一些实施例中，所述提取所述素材的正负样本的特征信息，包括：根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息；将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
可选地，在一些实施例中，所述将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息，包括：
根据所述素材的元数据的特征信息，对所述每种类型的素材元素的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
可选地，在一些实施例中，所述根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息，包括以下中的至少一项：
利用卷积神经网络提取所述素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述素材中的文本的语义信息作为所述文本的特征信息；
对所述素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；对所述素材的元数据信息进行独热编码得到所述元数据的特征信息。
可选地，在一些实施例中，所述素材和用户的正样本包括：发送量大于第一阈值的素材，对所述素材的点击量大于第二阈值的用户；
所述素材和用户的负样本包括其他素材和用户。
可选地，在一些实施例之后，所述方法200还包括：
根据梯度下降算法对所述创意优选模型进行训练得到所述创意优选模型。
上文结合图1至图3，详细描述了本申请的方法实施例，下文结合图4至图6，详细描述本申请的装置实施例，应理解，装置实施例与方法实施例相互对应，类似的描述可以参照方法实施例。
图4示出了根据本申请实施例的推送装置300的示意性框图。如图4所示，该装置300包括：
获取单元310，用于获取待推送素材的素材数据和待推送用户的用户数据；
第一提取单元320，用于根据所述待推送素材的素材数据，提取所述待推送素材的特征信息；
第二提取单元330，用于根据所述待推送用户的用户数据，提取所述待推送用户的特征信息；
处理单元340，用于将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；
推送单元350，用于根据所述目标创意向所述待推送用户推送所述待推送素材。
可选地，在一些实施例中，所述第一提取单元320具体用于：
根据所述待推送素材包括的素材数据的类型，提取每种类型的素材数据的特征信息；
将所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
可选地，在一些实施例中，所述第一提取单元320还用于：
根据所述待推送素材的元数据的特征信息，对所述每种类型的素材数据的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
可选地，在一些实施例中，所述第一提取单元320具体用于执行以下中的至少一项：
利用卷积神经网络提取所述待推送素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述待推送素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述待推送素材中的文本的语义信息作为所述文本的特征信息；
对所述待推送素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；
对所述待推送素材的元数据信息进行独热编码得到所述元数据的特征信息。
可选地，在一些实施例中，所述元数据信息包括以下中的至少一项：
应用类型，图像模式，地理位置信息。
可选地，在一些实施例中，所述处理单元340具体用于：
将基于每个创意的所述待推送素材的特征信息分别和所述待推送用户的特征信息进行内积处理，得到所述待推送用户对所述每个创意的打分；
将打分最高的创意作为向所述待推送用户推送所述待推送素材的目标创意。
图5示出了根据本申请实施例的推送装置400的示意性框图。如图5所示，该装置400包括：
构建单元410，用于构建创意优选模型的训练样本，其中，所述训练样本包括素材和用户的正负样本；
第一提取单元420，用于提取所述素材的正负样本的特征信息；
第二提取单元430，用于提取所述用户的正负样本的特征信息；
训练单元440，用于将提取的所述素材的正负样本的特征信息和所述用户的正负样本的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型。
可选地，在一些实施例中，所述第一提取单元420具体用于：
根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息；
将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
可选地，在一些实施例中，所述第一提取单元420具体用于：
根据所述素材的元数据的特征信息，对所述每种类型的素材元素的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
可选地，在一些实施例中，所述第一提取单元420具体用于执行以下中的至少一项：
利用卷积神经网络提取所述素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述素材中的文本的语义信息作为所述文本的特征信息；
对所述素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；
对所述素材的元数据信息进行独热编码得到所述元数据的特征信息。
可选地，在一些实施例中，所述素材和用户的正样本包括：发送量大于第一阈值的素材，对所述素材的点击量大于第二阈值的用户；所述素材和用户的负样本包括其他素材和用户。
可选地，在一些实施例中，所述训练单元440具体用于：根据梯度下降算法对所述创意优选模型进行训练得到所述创意优选模型。
图6为本申请实施例提供的一种电子设备的结构示意图，包括：处理器501、存储器502和总线503，所述存储器502存储有所述处理器501可执行的机器可读指令，所述处理器501与所述存储器502之间通过总线1103通信，所述处理器501执行所述机器可读指令，以执行图1至图3所示方法实施例中的步骤。
本申请实施例还提供了一种芯片，该芯片包括输入输出接口、至少一个处理器、至少一个存储器和总线，该至少一个存储器用于存储指令，该至少一个处理器用于调用该至少一个存储器中的指令，以执行图1至图3所示方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行图1至图3所示方法实施例中的步骤。
应理解，本申请实施例中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请实施例的范围。
应理解，在本申请实施例和所附权利要求书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。例如，在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”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。
应理解，本申请实施例的处理器或处理单元可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本申请实施例的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请实施例还提出了一种计算机程序，该计算机程序包括指令，当该计算机程序被计算机执行时，使得计算机可以执行方法实施例的内容。
需要说明的是，在不冲突的前提下，本申请描述的各个实施例和/或各个实施例中的技术特征可以任意的相互组合，组合之后得到的技术方案也应落入本申请的保护范围。
应理解，本申请实施例中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请实施例的范围，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进或者变形均落在本申请的保护范围内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种推送方法，其特征在于，包括：
获取待推送素材的素材数据和待推送用户的用户数据；
根据所述待推送素材的素材数据，提取所述待推送素材的特征信息；
根据所述待推送用户的用户数据，提取所述待推送用户的特征信息；
将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；
根据所述目标创意向所述待推送用户推送所述待推送素材。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待推送素材的素材数据，提取所述待推送素材的特征信息，包括：
根据所述待推送素材包括的素材数据的类型，提取每种类型的素材数据的特征信息；
将所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息，包括：
根据所述待推送素材的元数据的特征信息，对所述每种类型的素材数据的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材数据的特征信息进行拼接，得到所述待推送素材的特征信息。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述待推送素材包括的素材数据的类型，提取每种类型的素材数据的特征信息，包括以下中的至少一项：
利用卷积神经网络提取所述待推送素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述待推送素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述待推送素材中的文本的语义信息作为所述文本的特征信息；
对所述待推送素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；
对所述待推送素材的元数据信息进行独热编码得到所述元数据的特征信息。
5.根据权利要求3所述的方法，其特征在于，所述元数据信息包括以下中的至少一项：
应用类型，图像模式，地理位置信息。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，包括：
将基于每个创意的所述待推送素材的特征信息分别和所述待推送用户的特征信息进行内积处理，得到所述待推送用户对所述每个创意的打分；
将打分最高的创意作为向所述待推送用户推送所述待推送素材的目标创意。
7.一种推送方法，其特征在于，包括：
构建创意优选模型的训练样本，其中，所述训练样本包括素材和用户的正负样本；
提取所述素材的正负样本的特征信息；
提取所述用户的正负样本的特征信息；
将提取的所述素材的正负样本的特征信息和所述用户的正负样本的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型。
8.根据权利要求7所述的方法，其特征在于，所述提取所述素材的正负样本的特征信息，包括：
根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息；
将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
9.根据权利要求8所述的方法，其特征在于，所述将所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息，包括：
根据所述素材的元数据的特征信息，对所述每种类型的素材元素的特征信息进行加权相乘处理；
将加权相乘后的所述每种类型的素材元素的特征信息进行拼接，得到所述素材的特征信息。
10.根据权利要求8或9所述的方法，其特征在于，所述根据所述素材包括的素材元素的类型，提取每种类型的素材元素的特征信息，包括以下中的至少一项：
利用卷积神经网络提取所述素材中的图像的布局信息作为所述图像的特征信息；
利用字符卷积神经网络获取所述素材中的图片的光学字符识别的语义信息作为所述光学字符识别的特征信息；
利用字符卷积神经网络获取所述素材中的文本的语义信息作为所述文本的特征信息；
对所述素材中的音频进行语音识别得到所述音频对应的文本，利用所述字符卷积神经网络获取所述文本的语义信息作为所述音频的特征信息；对所述素材的元数据信息进行独热编码得到所述元数据的特征信息。
11.根据权利要求7-9中任一项所述的方法，其特征在于，所述素材和用户的正样本包括：发送量大于第一阈值的素材，对所述素材的点击量大于第二阈值的用户；
所述素材和用户的负样本包括其他素材和用户。
12.一种推送装置，其特征在于，包括：
获取单元，用于获取待推送素材的素材数据和待推送用户的用户数据；
第一提取单元，用于根据所述待推送素材的素材数据，提取所述待推送素材的特征信息；
第二提取单元，用于根据所述待推送用户的用户数据，得到所述待推送用户的特征信息；
处理单元，用于将所述待推送素材的特征信息和所述待推送用户的特征信息输入至创意优选模型，输出所述待推送素材的目标创意，其中，所述目标创意为所述待推送素材的多种创意中的一种，所述待推送素材的不同创意为所述待推送素材的不同素材数据的组合；
推送单元，用于根据所述目标创意向所述待推送用户推送所述待推送素材。
13.一种推送装置，其特征在于，包括：
构建单元，用于构建创意优选模型的训练样本，其中，所述训练样本包括素材和用户的正负样本；
第一提取单元，用于提取所述素材的正负样本的特征信息；
第二提取单元，用于提取所述用户的正负样本的特征信息；
训练单元，用于将提取的所述素材的正负样本的特征信息和所述用户的正负样本的特征信息输入所述创意优选模型进行训练，得到所述创意优选模型。
14.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至6中任一所述的推送方法的步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6中任一项所述的推送方法。
16.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求7至11中任一所述的推送方法的步骤。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器运行时执行如权利要求7至11中任一项所述的推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870561.2A CN112016962A (zh) | 2020-08-26 | 2020-08-26 | 推送方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010870561.2A CN112016962A (zh) | 2020-08-26 | 2020-08-26 | 推送方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112016962A true CN112016962A (zh) | 2020-12-01 |
Family
ID=73503445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010870561.2A Pending CN112016962A (zh) | 2020-08-26 | 2020-08-26 | 推送方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016962A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667831A (zh) * | 2020-12-25 | 2021-04-16 | 上海硬通网络科技有限公司 | 素材存储方法、装置及电子设备 |
| CN112989187A (zh) * | 2021-02-25 | 2021-06-18 | 平安科技（深圳）有限公司 | 创作素材的推荐方法、装置、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256886A (zh) * | 2016-12-29 | 2018-07-06 | 北京奇虎科技有限公司 | 广告投放方法和装置 |
| CN109360020A (zh) * | 2018-09-29 | 2019-02-19 | 北京奇虎科技有限公司 | 一种广告的生成方法及装置 |
| CN109598544A (zh) * | 2018-11-21 | 2019-04-09 | 优估（上海）信息科技有限公司 | 一种媒体目标匹配方法及系统 |
| CN110060029A (zh) * | 2019-04-18 | 2019-07-26 | 浩鲸云计算科技股份有限公司 | 一种ai赋能创意设计方法 |
| CN110286924A (zh) * | 2019-06-04 | 2019-09-27 | 广州汇量信息科技有限公司 | 生成及更新移动程序化广告创意代码的方法及系统 |
| CN110728541A (zh) * | 2019-10-11 | 2020-01-24 | 广州市丰申网络科技有限公司 | 信息流媒体广告创意推荐方法及装置 |
-
2020
- 2020-08-26 CN CN202010870561.2A patent/CN112016962A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256886A (zh) * | 2016-12-29 | 2018-07-06 | 北京奇虎科技有限公司 | 广告投放方法和装置 |
| CN109360020A (zh) * | 2018-09-29 | 2019-02-19 | 北京奇虎科技有限公司 | 一种广告的生成方法及装置 |
| CN109598544A (zh) * | 2018-11-21 | 2019-04-09 | 优估（上海）信息科技有限公司 | 一种媒体目标匹配方法及系统 |
| CN110060029A (zh) * | 2019-04-18 | 2019-07-26 | 浩鲸云计算科技股份有限公司 | 一种ai赋能创意设计方法 |
| CN110286924A (zh) * | 2019-06-04 | 2019-09-27 | 广州汇量信息科技有限公司 | 生成及更新移动程序化广告创意代码的方法及系统 |
| CN110728541A (zh) * | 2019-10-11 | 2020-01-24 | 广州市丰申网络科技有限公司 | 信息流媒体广告创意推荐方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王喜宾 等: "《基于优化支持向量机的个性化推荐研究》", 30 April 2017, 重庆大学出版社, pages: 110 - 118 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112667831A (zh) * | 2020-12-25 | 2021-04-16 | 上海硬通网络科技有限公司 | 素材存储方法、装置及电子设备 |
| CN112667831B (zh) * | 2020-12-25 | 2022-08-05 | 上海硬通网络科技有限公司 | 素材存储方法、装置及电子设备 |
| CN112989187A (zh) * | 2021-02-25 | 2021-06-18 | 平安科技（深圳）有限公司 | 创作素材的推荐方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728541B (zh) | 信息流媒体广告创意推荐方法及装置 | |
| CN107563500B (zh) | 一种基于用户头像的视频推荐方法及系统 | |
| CN113377971B (zh) | 多媒体资源生成方法、装置、电子设备以及存储介质 | |
| CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
| US20160358025A1 (en) | Enriching online videos by content detection, searching, and information aggregation | |
| CN110321537B (zh) | 一种文案生成方法和装置 | |
| CN112749326B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
| CN112380435A (zh) | 基于异构图神经网络的文献推荐方法及推荐系统 | |
| US20170220867A1 (en) | Identifying presentation styles of educational videos | |
| CN114596566B (zh) | 文本识别方法及相关装置 | |
| CN112989169B (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
| CN105045859A (zh) | 一种智能设备的用户特征分析方法及装置 | |
| CN113010780B (zh) | 一种模型训练以及点击率预估方法及装置 | |
| CN112016962A (zh) | 推送方法、装置、电子设备和计算机可读存储介质 | |
| CN109635303B (zh) | 特定领域意义改变词的识别方法 | |
| KR20220011294A (ko) | 인공지능 기반의 카테고리 분류 장치 및 방법 | |
| CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
| CN112131345A (zh) | 文本质量的识别方法、装置、设备及存储介质 | |
| CN113656560B (zh) | 情感类别的预测方法和装置、存储介质及电子设备 | |
| CN115129902A (zh) | 媒体数据处理方法、装置、设备及存储介质 | |
| CN116628232A (zh) | 标签确定方法、装置、设备、存储介质及产品 | |
| CN111222011B (zh) | 一种视频向量确定方法和装置 | |
| CN114996435A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
| CN113076453A (zh) | 域名分类方法、设备及计算机可读存储介质 | |
| CN115700550A (zh) | 标签分类模型训练和对象筛选方法、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 |