CN112150174A - 一种广告配图方法、装置及电子设备 - Google Patents
一种广告配图方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112150174A CN112150174A CN201910569999.4A CN201910569999A CN112150174A CN 112150174 A CN112150174 A CN 112150174A CN 201910569999 A CN201910569999 A CN 201910569999A CN 112150174 A CN112150174 A CN 112150174A
- Authority
- CN
- China
- Prior art keywords
- picture
- target
- advertisement
- sample
- dnn model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 64
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q30/0276—Advertisement creation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种广告配图方法、装置及电子设备，该方法包括：通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；将目标图片设置为目标广告的配图。本发明提供的广告配图方法，可以实现在线实时为广告配图，而无需人工标注，操作便捷且省时，从而可以提升广告配图的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种广告配图方法、装置及电子设备。
背景技术
随着互联网技术、多媒体技术以及社会经济的高速发展，广告已经成为重要的商业宣传和营销手段，企业投放大量广告在互联网等多媒体平台，以获得巨大的经济收益。而在广告投放过程中，配置有图片的广告相比无图广告能够直观呈现更加丰富的信息，因而通过为广告配置图片可以有效提升广告的点击率。但是，目前在为广告配置图片的过程中，通常是通过人工为每一广告标注对应的一张或者多张图片，工作量大且操作繁琐，尤其是广告数量多且每一广告配置的图片数量较多时，从而导致广告配图的效率较低。
可见，目前在为广告配置图片的过程中，存在广告配图的效率低的问题。
发明内容
本发明实施例提供一种广告配图方法、装置及电子设备，以解决目前在为广告配置图片的过程中，存在广告配图的效率低的问题。
为解决上述问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供了一种广告配图方法，包括：
通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
将所述目标图片设置为所述目标广告的配图。
第二方面，本发明实施例还提供了一种广告配图装置，包括：
模型训练模块，用于通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
图片确定模块，用于基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
配图模块，用于将所述目标图片设置为所述目标广告的配图。
第三方面，本发明实施例还提供了一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述广告配图方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述广告配图方法的步骤。
本发明实施例，通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；将目标图片设置为目标广告的配图。这样，电子设备可以实现在线实时为广告配图，而无需人工标注，操作便捷且省时，从而可以提升广告配图的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的广告配图方法的流程示意图之一；
图2是本发明实施例提供的广告配图方法的流程示意图之二；
图3是本发明实施例提供的训练对抗DNN模型的示意图；
图4是本发明实施例提供的广告配图的示意图；
图5是本发明实施例提供的广告配图装置的结构示意图；
图6是本发明实施例提供的模型训练模块的结构示意图；
图7是本发明实施例提供的图片确定模块的结构示意图之一；
图8是本发明实施例提供的图片确定模块的结构示意图之二；
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本发明一实施例提供的广告配图方法的流程图，如图1所示，方法包括以下步骤：
步骤101、通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络(Deep Neural Networks，DNN)模型；
步骤1012、基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
步骤103、将目标图片设置为目标广告的配图。
本实施例中，电子设备可以通过历史数据训练得到对抗DNN模型，再通过训练得到的对抗DNN模型在图片数据库中确定目标广告的配图，实现在线实时为广告配图，而无需人工标注，操作便捷且省时，从而可以提升广告配图的效率。
需要说明的是，上述电子设备可以是任何能够实现上述广告配图方法的设备或者系统，例如：上述电子设备可以是一台或者多台服务器，或者智能终端，等等，在此并不进行限定。
在上述步骤101中，电子设备可以获取其历史广告配图过程中的历史数据，并通过历史数据训练得到上述对抗DNN模型。
其中，上述历史数据可以包括当前时刻之前进行配图的至少一条广告以及历史图片库，且该历史图片库中可以包括至少一张图片，且至少一张图片中部分或者全部图片为上述至少一条广告的配图。
需要说明的是，上述通过历史数据训练得到对抗DNN模型，可以是通过任何训练对抗DNN模型的方式实现，在此并不进行限定。
在上述步骤102中，在基于历史数据训练得到上述目标对抗DNN模型之后，电子设备可以基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片。
其中，上述基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片，可以是将目标广告作为DNN模型的输入，DNN模型的网络层根据输入的目标广告在图库中匹配到目标图片并进行输出。
在上述步骤103中，在电子设备确定上述目标图片之后，其可以将目标图片作为目标广告的配图，并将目标广告与目标图片一并输出。
需要说明的是，本发明实施例中的广告均为文字信息形式表示的广告，因此也可以将上述广告描述为广告信息等，在此并不限定。
本发明实施例中，通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；将目标图片设置为目标广告的配图。这样，电子设备可以实现在线实时为广告配图，而无需人工标注，操作便捷且省时，从而可以提升广告配图的效率。
请参见图2，为本发明另一实施例提供的广告配图方法的流程图，如图2所示，所述方法包括如下步骤：
步骤201、在历史数据中获取负样本，其中，负样本为：与历史数据中标注的正样本关联的样本；
步骤202、基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
步骤203、将最后迭代得到的对抗DNN模型确定为目标对抗DNN模型；
步骤204、基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
步骤205、将目标图片设置为目标广告的配图。
本实施例中，电子设备可以基于历史数据中的正样本和负样本对当前的对抗DNN模型进行迭代，得到满足迭代条件的目标对抗DNN模型，从而使最终迭代生成的目标对抗DNN模型的精度高，可以为广告配置更为合适的图片。
在上述步骤201中，电子设备可以在历史数据中获取与标注的正样本关联的样本作为负样本。
其中，上述正样本是在历史数据中标注出的样本，且每一正样本包括第一广告以及第一图片，该第一图片可以是该第一广告在历史配图过程中的配图。
在一些实施方式中，上述正样本为图片被浏览过的样本，例如：在历史图片库中广告1的多张配图的情况下，可以选择多张图片中被用户点击浏览过的某一张图片与广告1组成正样本。由于被用户浏览过的配图通常对于用户更具有吸引力，可以认为是适合广告的配图，通过将被浏览过配图的样本作为正样本，从而可以训练得到精度更高的对抗DNN模型。
另外，上述负样本是与上述正样本存在关联的样本，且负样本可以包括上述第一广告以及第二图片，该第二图片可以是历史图片库中除上述第一图片之外的图片，具体地，在上述正样本为图片被浏览过的样本的情况下，上述负样本可以是第一广告配置且未被浏览的图片，或者，也可以是第一广告未配置的图片。
在一些实施方式中，上述步骤201，可以包括：在历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与正样本关联的负样本，其中，负样本的相关性与正样本的相关性之间满足第一预设条件，相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到，从而可以快速获取合适的负样本。
本实施方式中，上述在历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与正样本关联的负样本，可以是：
在对抗DNN模型的迭代过程中，电子设备将迭代更新的对抗DNN模型作为当前的对抗DNN模型，并通过当前的对抗DNN模型生成正样本中第一图片的第一隐层向量以及第一广告的第二隐层向量，并计算第一隐层向量和第二隐层向量的第一相关性(即两个向量之间的距离，如欧氏距离等)，以及通过当前的对抗DNN模型生成历史图片库中除第一图片之外的每一图片的第三隐层向量，并计算每一第三隐层向量与第二隐层向量的第二相关性，电子设备将第二相关性与第一相关性之间满足第一预设条件的图片确定为上述第一图片，从而得到由上述第一广告和上述第一图片的负样本，即负样本的相关性(即第二相关性)与正样本的相关性(即第一相关性)之间满足第一预设条件。
另外，电子设备将第二相关性与第一相关性之间满足第一预设条件的图片确定为上述第一图片，可以是电子设备确定历史图片库中第二相关性与第一相关性的比值大于或者等于预设比值的图片，并在确定的图片中随机选择一张图片作为上述第一图片。
或者，在一些实施方式中，负样本可以为相关性与正样本的相关性最接近的样本，即电子设备将历史图片库中第二相关性最接近第一相关性(即第二相关性与第一相关性之间的差值的绝对值最小)的图片作为上述第一图片，从而降低对抗DNN模型的迭代次数，更为快速地训练得到目标对抗DNN模型。
示例性地，如图3中所示，为训练对抗DNN模型的示意图，电子设备采用被点击过的图片广告创意数据作为正样本，基于对抗思想生成负样本，具体策略如下：
对正样本广告模拟召回过程，与图片库组装生成候选样本，每个正样本(包括图片1与广告)采样一个负样本(包括图片对抗后确定的图片2与广告)，其中，采样策略为：按相关性打分进行采样，从候选样本中选择最接近正样本的样本作为负样本；度量为：使用上一轮迭代的模型(即当前的对抗DNN模型)计算广告和图片的隐层向量的相关性。
上述步骤202中，上述基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代，可以是：
电子设备通过对抗网络对正样本和负样本进行对抗，以判别是否能否区分正样本和负样本，如可以是若正样本的相关性和负样本的相关性之间的差值的绝对值小于或者等于预设差值，则无法区分正样本和负样本，反之则可以区分；在无法区分正样本和负样本的情况下，对抗DNN模型满足迭代条件，则停止迭代；而在可以区分正样本和负样本的情况下，对抗DNN模型不满足迭代条件，则迭代当前的对抗DNN模型，例如：可以是采用对抗网络的损失函数(如成对的损失函数，即Pairwise Loss函数)，并根据正样本的相关性和负样本的相关性对对抗DNN模型的网络参数进行动态调整，以获取迭代后的对抗DNN模型，并将当前的对抗DNN模型更新为迭代后的对抗DNN模型，并继续进行下一轮迭代，即重新通过更新后的对抗DNN模型获取负样本，并通过更新后的对抗DNN模型，以及基于正样本和新的负样本对当前的DNN模型进行迭代，直至迭代结束。
示例性地，如图3所示，在基于当前的对抗DNN模型获取到当前轮的负样本之后，电子设备可以将正样本的隐层向量和负样本的隐层向量输入至Pairwise Loss函数中进行对抗博弈，若当前的对抗DNN模型的对抗网络可以区分正样本和负样本，则通过迭代算法(如梯度下降法等)更新对抗DNN模型的网络参数，实现对抗DNN模型的迭代更新，并重新进行下一轮迭代过程，即通过更新的对抗DNN模型获取图库中每一图片的隐层向量、正样本中广告的隐层向量以及正样本中图片的隐层向量，通过隐层向量计算每一图片与广告的相关性以及正样本中图片与广告的隐层向量，将相关性与正样本的相关性最接近的图片与广告组成新的负样本，并基于新的负样本和正样本进行下一轮迭代，直至对抗网络无法区分正样本和负样本。
其中，对抗DNN模型迭代过程中，正样本与负样本的对抗强度逐步加强，这样可以有效提升目标对抗DNN模型的健壮性，使目标对抗DNN模型可以更为准确地对广告和图片进行向量表示，即使广告配图结果更准确。
需要说明的是，在实际的模型对抗DNN模型迭代过程中，通常是使用包括一个或者多个正样本的样本集进行模型迭代，且电子设备在每一轮迭代过程中可以获取与多个正样本一一对应的负样本，本发明实施例中仅以一个正样本和一个负样本进行举例说明，而基于多个正样本与多个负样本进行迭代的过程与上述原理类似，在此并不进行赘述。
在上述步骤203中，在上述步骤202中满足迭代条件停止迭代时，电子设备可以将最后迭代得到的对抗DNN模型确定为上述目标对抗DNN模型，以通过目标对抗DNN模型实时为输入的广告进行配图。
在一些实施方式中，上述步骤204，可以包括：基于目标对抗DNN模型，将目标广告表示为第一隐层向量，以及将图片数据库中的图片表示为第二隐层向量；将第二隐层向量与第一隐层向量的相关性满足第二预设条件的图片确定为目标图片，从而可以在图片数据库中准确确定目标广告的配图。
其中，上述将第二隐层向量与第一隐层向量的相关性满足第二预设条件的图片确定为目标图片，可以是将相关性大于或者等于预设阈值的一张或者多张图片，确定为上述目标图片；或者，也可以是将相关性最高的预设数量的图片确定为上述目标图片，在此并不进行限定。
另外，上述电子设备在图片数据库中查找目标图片的过程中，可以是电子设备遍历图片数据库中所有图片，以获取各图片与目标广告的相关性。
或者，在一些实施方式中，上述将第二隐层向量与第一隐层向量的相关性满足第二预设条件的图片确定为目标图片之前，还可以包括：生成图片数据库中每一图片的图片索引；其中，目标图片为：图片索引与第一隐层向量匹配的图片。
这里，电子设备可以生成每一图片的图片索引，从而在查找图片的过程中，可以通过图片索引快速查找到目标图片，提升电子设备在广告配图过程中的响应速度，进一步提高广告配图的效率。
示例性地，如图4所示，电子设备可以通过目标对抗DNN模型将广告和图库中的每一图片表示为隐层向量，并根据每一图片的隐层向量通过局部最优积量化(LocallyOptimized Product Quantization，LOPQ)索引算法为每一图片构建索引，使隐层向量的相关性高的图片划分到同一索引对应的簇，电子设备可以根据其隐层向量与各索引之间的相关性，在相关性最高的索引对应的簇中查询目标图片，从而降低查询过程中的复杂度。
参见图5，图5是本发明实施例提供的广告配图装置的结构图，如图4所示，广告配图装置500包括：
模型训练模块501，用于通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
图片确定模块502，用于基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
配图模块503，用于将所述目标图片设置为所述目标广告的配图。
可选的，如图6所示，所述模型训练模块401，包括：
负样本获取单元5011，用于在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；
迭代单元5012，用于基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
模型确定单元5013，用于将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。
可选的，所述负样本获取单元5011，具体用于：
在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。
可选的，所述负样本为相关性与所述正样本的相关性最接近的样本。
可选的，所述正样本为图片被浏览过的样本。
可选的，如图7所示，所述图片确定模块502，包括：
向量表示单元5021，用于基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；
图片确定单元5022，用于将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。
可选的，如图8所示，所述图片确定模块502，还包括：
索引生成单元5023，用于生成所述图片数据库中每一图片的图片索引；
其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。
本发明实施例提供的广告配图装置500能够实现图1和图2中方法实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。
图9为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909、处理器910、以及电源911等部件。本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，处理器910，用于：
通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
将所述目标图片设置为所述目标广告的配图。
可选的，处理器910，具体用于：
在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；
基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。
可选的，处理器910，具体用于：
在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。
可选的，所述负样本为相关性与所述正样本的相关性最接近的样本。
可选的，所述正样本为图片被浏览过的样本。
可选的，处理器910，具体用于：
基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；
将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。
可选的，处理器910，具体用于：
生成所述图片数据库中每一图片的图片索引；
其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。
应理解的是，本发明实施例中，射频单元901可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器910处理；另外，将上行的数据发送给基站。通常，射频单元901包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元901还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块902为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元903可以将射频单元901或网络模块902接收的或者在存储器909中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元903还可以提供与电子设备900执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元903包括扬声器、蜂鸣器以及受话器等。
输入单元904用于接收音频或视频信号。输入单元904可以包括图形处理器(Graphics Processing Unit，GPU)9041和麦克风9042，图形处理器9041对在视频捕获模式或图片捕获模式中由图片捕获装置(如摄像头)获得的静态图片或视频的图片数据进行处理。处理后的图片帧可以显示在显示单元906上。经图形处理器9041处理后的图片帧可以存储在存储器909(或其它存储介质)中或者经由射频单元901或网络模块902进行发送。麦克风9042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元901发送到移动通信基站的格式输出。
电子设备900还包括至少一种传感器905，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板9061的亮度，接近传感器可在电子设备900移动到耳边时，关闭显示面板9061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器905还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元906用于显示由用户输入的信息或提供给用户的信息。显示单元906可包括显示面板9061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板9061。
用户输入单元907可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元907包括触控面板9071以及其他输入设备9072。触控面板9071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板9071上或在触控面板9071附近的操作)。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器910，接收处理器910发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板9071。除了触控面板9071，用户输入单元907还可以包括其他输入设备9072。具体地，其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板9071可覆盖在显示面板9061上，当触控面板9071检测到在其上或附近的触摸操作后，传送给处理器910以确定触摸事件的类型，随后处理器910根据触摸事件的类型在显示面板9061上提供相应的视觉输出。虽然在图9中，触控面板9071与显示面板9061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板9071与显示面板9061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元908为外部装置与电子设备900连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元908可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备900内的一个或多个元件或者可以用于在电子设备900和外部装置之间传输数据。
存储器909可用于存储软件程序以及各种数据。存储器909可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图片播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器909可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器910是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器909内的软件程序和/或模块，以及调用存储在存储器909内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器910可包括一个或多个处理单元；优选的，处理器910可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。
电子设备900还可以包括给各个部件供电的电源911(比如电池)，优选的，电源911可以通过电源管理系统与处理器910逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备900包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种电子设备，包括处理器910，存储器909，存储在存储器909上并可在所述处理器910上运行的计算机程序，该计算机程序被处理器910执行时实现上述广告配图方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，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执行时实现上述广告配图方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种广告配图方法，其特征在于，包括：
通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
将所述目标图片设置为所述目标广告的配图。
2.根据权利要求1所述的方法，其特征在于，所述通过广告配图过程中的历史数据训练得到目标对抗DNN模型，包括：
在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；
基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。
3.根据权利要求2所述的方法，其特征在于，所述在所述历史数据中获取负样本，包括：
在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。
4.根据权利要求3所述的方法，其特征在于，所述负样本为相关性与所述正样本的相关性最接近的样本。
5.根据权利要求2所述的方法，其特征在于，所述正样本为图片被浏览过的样本。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片，包括：
基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；
将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。
7.根据权利要求6所述的方法，其特征在于，所述将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片之前，还包括：
生成所述图片数据库中每一图片的图片索引；
其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。
8.一种广告配图装置，其特征在于，包括：
模型训练模块，用于通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
图片确定模块，用于基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
配图模块，用于将所述目标图片设置为所述目标广告的配图。
9.根据权利要求8所述的装置，其特征在于，所述模型训练模块，包括：
负样本获取单元，用于在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；
迭代单元，用于基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
模型确定单元，用于将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。
10.根据权利要求9所述的装置，其特征在于，所述负样本获取单元，具体用于：
在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。
11.根据权利要求10所述的装置，其特征在于，所述负样本为相关性与所述正样本的相关性最接近的样本。
12.根据权利要求9所述的装置，其特征在于，所述正样本为图片被浏览过的样本。
13.根据权利要求8至12中任一项所述的装置，其特征在于，所述图片确定模块，包括：
向量表示单元，用于基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；
图片确定单元，用于将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。
14.根据权利要求13所述的装置，其特征在于，所述图片确定模块，还包括：
索引生成单元，用于生成所述图片数据库中每一图片的图片索引；
其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。
15.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的广告配图方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的广告配图方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910569999.4A CN112150174B (zh) | 2019-06-27 | 2019-06-27 | 一种广告配图方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910569999.4A CN112150174B (zh) | 2019-06-27 | 2019-06-27 | 一种广告配图方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112150174A true CN112150174A (zh) | 2020-12-29 |
| CN112150174B CN112150174B (zh) | 2024-04-02 |
Family
ID=73868894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910569999.4A Active CN112150174B (zh) | 2019-06-27 | 2019-06-27 | 一种广告配图方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150174B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150161170A1 (en) * | 2009-07-17 | 2015-06-11 | Google Inc. | Image classification |
| CN105956878A (zh) * | 2016-04-25 | 2016-09-21 | 广州出益信息科技有限公司 | 一种网络广告推送的方法及装置 |
| CN106204165A (zh) * | 2016-08-11 | 2016-12-07 | 广州出益信息科技有限公司 | 一种广告投放方法及装置 |
| CN106951493A (zh) * | 2017-03-14 | 2017-07-14 | 北京搜狐新媒体信息技术有限公司 | 无图新闻的自动配图展示方法及装置 |
| CN107193962A (zh) * | 2017-05-24 | 2017-09-22 | 百度在线网络技术（北京）有限公司 | 一种互联网推广信息的智能配图方法及装置 |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN109636490A (zh) * | 2019-01-25 | 2019-04-16 | 上海基分文化传播有限公司 | 广告转化率的实时预测方法、广告评价方法与系统 |
| CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 图像描述信息生成方法和装置及电子装置 |
| US20190138896A1 (en) * | 2017-11-03 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method for Optimizing Neural Networks |
| CN109816509A (zh) * | 2018-12-14 | 2019-05-28 | 平安科技（深圳）有限公司 | 评分卡模型的生成方法、终端设备及介质 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| US20190188295A1 (en) * | 2017-12-15 | 2019-06-20 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
| CN109933802A (zh) * | 2019-03-25 | 2019-06-25 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置及存储介质 |
-
2019
- 2019-06-27 CN CN201910569999.4A patent/CN112150174B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150161170A1 (en) * | 2009-07-17 | 2015-06-11 | Google Inc. | Image classification |
| CN105956878A (zh) * | 2016-04-25 | 2016-09-21 | 广州出益信息科技有限公司 | 一种网络广告推送的方法及装置 |
| CN106204165A (zh) * | 2016-08-11 | 2016-12-07 | 广州出益信息科技有限公司 | 一种广告投放方法及装置 |
| CN106951493A (zh) * | 2017-03-14 | 2017-07-14 | 北京搜狐新媒体信息技术有限公司 | 无图新闻的自动配图展示方法及装置 |
| CN107193962A (zh) * | 2017-05-24 | 2017-09-22 | 百度在线网络技术（北京）有限公司 | 一种互联网推广信息的智能配图方法及装置 |
| US20190138896A1 (en) * | 2017-11-03 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method for Optimizing Neural Networks |
| US20190188295A1 (en) * | 2017-12-15 | 2019-06-20 | Accenture Global Solutions Limited | Cognitive searches based on deep-learning neural networks |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 图像描述信息生成方法和装置及电子装置 |
| CN109816509A (zh) * | 2018-12-14 | 2019-05-28 | 平安科技（深圳）有限公司 | 评分卡模型的生成方法、终端设备及介质 |
| CN109829895A (zh) * | 2019-01-09 | 2019-05-31 | 武汉精立电子技术有限公司 | 一种基于gan的aoi缺陷检测方法 |
| CN109636490A (zh) * | 2019-01-25 | 2019-04-16 | 上海基分文化传播有限公司 | 广告转化率的实时预测方法、广告评价方法与系统 |
| CN109933802A (zh) * | 2019-03-25 | 2019-06-25 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112150174B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096580B (zh) | 一种faq对话方法、装置及电子设备 | |
| CN108632658B (zh) | 一种弹幕显示方法、终端 | |
| CN110163045B (zh) | 一种手势动作的识别方法、装置以及设备 | |
| CN108668024B (zh) | 一种语音处理方法及终端 | |
| CN110162653B (zh) | 一种图文排序推荐方法及终端设备 | |
| CN107908765B (zh) | 一种游戏资源处理方法、移动终端及服务器 | |
| CN109993234B (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
| CN110673770B (zh) | 消息展示方法及终端设备 | |
| CN109495616B (zh) | 一种拍照方法及终端设备 | |
| CN109951889B (zh) | 一种物联网配网方法及移动终端 | |
| CN109886408A (zh) | 一种深度学习方法及装置 | |
| CN111738100B (zh) | 一种基于口型的语音识别方法及终端设备 | |
| CN110808019A (zh) | 一种歌曲生成方法及电子设备 | |
| CN109472825B (zh) | 一种对象搜索方法及终端设备 | |
| CN111158624A (zh) | 一种应用分享方法、电子设备及计算机可读存储介质 | |
| CN112464831B (zh) | 视频分类方法、视频分类模型的训练方法及相关设备 | |
| CN108108338B (zh) | 一种歌词处理方法、歌词显示方法、服务器及移动终端 | |
| CN111405361B (zh) | 一种视频获取方法、电子设备及计算机可读存储介质 | |
| CN111753047A (zh) | 一种文本处理方法及装置 | |
| CN110674294A (zh) | 一种相似度确定方法及电子设备 | |
| CN113112011A (zh) | 一种数据预测方法及装置 | |
| CN115240250A (zh) | 模型训练方法、装置、计算机设备及可读存储介质 | |
| CN112150174B (zh) | 一种广告配图方法、装置及电子设备 | |
| CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 | |
| CN113626683B (zh) | 一种ctr预估处理方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |