CN112184318A - 一种广告发布方法及装置 - Google Patents
一种广告发布方法及装置 Download PDFInfo
- Publication number
- CN112184318A CN112184318A CN202011066016.4A CN202011066016A CN112184318A CN 112184318 A CN112184318 A CN 112184318A CN 202011066016 A CN202011066016 A CN 202011066016A CN 112184318 A CN112184318 A CN 112184318A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- advertisement text
- text
- machine learning
- learning 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 47
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 235000010724 Wisteria floribunda Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 241000220225 Malus Species 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011664 signaling 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
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种广告发布方法及装置，涉及数据处理技术领域。该方法包括：获取用户输入的至少一个关键词，并将其输入至预先建立好的机器学习模型中，以生成至少一个广告文本；获取每个广告文本对应的标签；并将广告文本以及其标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。该预先建立好的机器学习模型是通过海量的相关语料进行训练得到的，因此该模型可以完成围绕该关键词的文本生成和海量复述，高效的生成广告文本，且根据该模型生成的广告文本具有较高的原创性。然后再根据每个广告文本对应的标签通过分发服务器将广告文本分发至对应的前端，能够进一步提高广告文本发布的效率。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种广告发布方法及装置。
背景技术
企业发布介绍公司品牌或产品的文章，通过搜索引擎或其他算法平台吸引流量，传统的方式是人工编辑改写文章后，再人工操作官方网站后台CMS系统或委托新闻网站广告编辑，完成发布。这种方式面临人工编辑改写工作量大的问题，无法满足每天在不同新闻网站发布大量文章的需求。此外，通过人工编辑的文章原创度不够，无论是搜索引擎还是其他算法平台，对于重复度较高的文章展现的位置和流量都较差。同时，人工编辑的方式难以实现一个后台操作，多个前端页面展示，即用户一次生产不能同时发布在不同网站。
发明内容
本发明的目的在于提供一种广告发布方法及装置，用以改善现有技术中广告发布效率低的问题。
第一方面，本申请实施例提供一种广告发布方法，方法包括：获取用户输入的至少一个关键词；将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本；获取每个广告文本对应的标签；将每个广告文本以及与其对应的标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。
上述实现过程中，获取用户输入的关键词，并将该关键词输入至预先建立好的机器学习模型中。该预先建立好的机器学习模型是通过海量的相关语料进行训练得到的，因此该模型可以完成围绕该关键词的文本生成和海量复述，高效的生成广告文本，且根据该模型生成的广告文本具有较高的原创性。然后再根据每个广告文本对应的标签通过分发服务器将广告文本分发至对应的前端，能够进一步提高广告文本发布的效率。
在本发明的一些实施例中，将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本的步骤之后，获取每个广告文本对应的标签的步骤之前，方法还包括：获取与每个广告文本对应的比对广告文本；判断每个广告文本与比对广告文本之间的重复度；若重复度大于预设值，则重新执行将至少一个关键词输入至预先建立好的机器学习模型中的步骤。
上述实现过程中，获取比对广告文本后可以计算每个广告文本与比对广告文本之间的重复度，当判断每个广告文本与比对广告文本之间的重复度大于预设值，则说明该广告文本的原创度不高，存在与其他广告相似的问题，因此将该广告文本舍弃，并重新将关键词输入至机器学习模型中以生成新的广告文本。
在本发明的一些实施例中，将至少一个关键词输入至预先建立好的机器学习模型中的步骤之前，方法还包括：获取文本训练集，并计算文本训练集对应的词向量；将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果；根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；根据预测输出结果以及推断输出结果计算损失值；根据损失值采用反向传播算法计算模型梯度值；根据模型梯度值对预先建立好的机器学习模型的参数进行更新。
在本发明的一些实施例中，将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本的步骤，包括：计算至少一个关键词对应的词向量；将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果；根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；根据预测输出结果以及推断输出结果确定至少一个广告文本。
上述实现过程中，根据关键词计算出词向量能够便于后续机器学习模型进行准确的学习处理。根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果能够较为准确的对词向量进行分类，便于得到准确的推断输出结果。从而保证能够根据预测输出结果以及推断输出结果准确的确定出至少一个广告文本。
第二方面，本申请实施例提供一种广告发布装置，装置包括：关键词获取模块，用于获取用户输入的至少一个关键词；广告文本生成模块，用于将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本；标签获取模块，用于获取每个广告文本对应的标签；广告分发模块，用于将每个广告文本以及与其对应的标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。
在本发明的一些实施例中，装置还包括：比对广告文本获取模块，用于获取与每个广告文本对应的比对广告文本；重复度判断模块，用于判断每个广告文本与比对广告文本之间的重复度；广告文本生成模块，用于若重复度大于预设值，则重新执行将至少一个关键词输入至预先建立好的机器学习模型中的步骤。
在本发明的一些实施例中，装置还包括：词向量计算模块，用于获取文本训练集，并计算文本训练集对应的词向量；模型预测模块，用于将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果；推断模块，用于根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；损失值计算模块，用于根据预测输出结果以及推断输出结果计算损失值；模型梯度值计算模块，用于根据损失值采用反向传播算法计算模型梯度值；参数更新模块，用于根据模型梯度值对预先建立好的机器学习模型的参数进行更新。
在本发明的一些实施例中，广告文本生成模块包括：词向量计算单元，用于计算至少一个关键词对应的词向量；模型预测单元，用于将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果；推断单元，用于根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；广告文本确定单元，用于根据预测输出结果以及推断输出结果确定至少一个广告文本。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种广告发布方法的流程图；
图2为本发明实施例提供的一种广告发布装置的结构框图；
图3为本发明实施例提供的一种电子设备的结构框图。
图标：100-广告发布装置；110-关键词获取模块；120-广告文本生成模块；130-标签获取模块；140-广告分发模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1，图1为本发明实施例提供的一种广告发布方法的流程图。该广告发布方法包括以下步骤：
步骤S110：获取用户输入的至少一个关键词。
其中，关键词可以为用户根据需要推广的产品而给定的。如，用户是销售烟台红富士苹果的销售商，则其给出的关键词可以为“烟台特色农产品”。此外，关键词还可以是根据用户所给的产品确定的。例如，若用户需要推广的是产品是烟台红富士苹果。则根据该产品可确定出的关键词为“脆甜多汁”、“现摘水果”等。
步骤S120：将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本。
其中，将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本的步骤，包括以下过程。首先，计算至少一个关键词对应的词向量。然后，将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果。接着，再根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果。最后，根据预测输出结果以及推断输出结果确定至少一个广告文本。
其中，在计算至少一个关键词对应的词向量之前，还可以对关键词进行预处理。例如，由于文本一般是不定长的，因此在进行处理之前，要先进行长度的统一，具体可Mask掉该关键词右边的一部分。然后再采用Embedding算法计算至少一个关键词对应的词向量。其中，Embedding就是从原始数据提取出来的Feature，也就是通过神经网络映射之后的低维的词向量。将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果。再根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果。softmax算法常用于多分类过程中，它将多个神经元的输出映射到(0,1)的区间内，可以看成概率来理解，从而进行多分类。最后，根据预测输出结果以及推断输出结果确定至少一个广告文本。由于机器学习模型输入和输出之间的关系是不确定的，因此，采用这样的方法可以保证得到的广告文本的原创度。
步骤S130：获取每个广告文本对应的标签。
在上述步骤当中得到的广告文本可能有多个，每个广告文本都对应的有又一个标签，标签可以用于表示该广告文本的类型等信息。例如，得到两个广告文本，其中第一广告文本为简介型的，另一个第二广告文本为详细介绍型的。则可以根据广告文本的类型获取其对应的标签，第一广告文本对应的标签为简介类，第二广告文本为详情类。此外，还可以根据广告内容的风格来确定和获取标签。例如，若广告文本阅读起来较为诙谐，则其对应的标签为幽默类，若广告文本的内容较有艺术气息，则其对应的标签为文艺类。
步骤S140：将每个广告文本以及与其对应的标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。
将每个广告文本以及与其对应的标签发送至分发服务器后，分发服务器可以根据标签的类型，将对应的广告文本发送至匹配的前端。前端可以为网页、APP以及第三方平台等。不同的前端需要发布不同类型的广告，以使广告与前端页面看起来比较协调。例如，若某前端为一个网站的首页，则分发服务器可以将标签为简介类的广告文本发送至该前端，以保证该网站首页的简洁。若某前端为某个APP启动时的广告展示页，APP启动时长一般较短，则可以发送标签为简洁且郎朗上口的广告文本至该APP的广告展示页。
上述实现过程中，获取用户输入的关键词，并将该关键词输入至预先建立好的机器学习模型中。该预先建立好的机器学习模型是通过海量的相关语料进行训练得到的，因此该模型可以完成围绕该关键词的文本生成和海量复述，高效的生成广告文本，且根据该模型生成的广告文本具有较高的原创性。然后再根据每个广告文本对应的标签通过分发服务器将广告文本分发至对应的前端，能够进一步提高广告文本发布的效率。
作为一种实施方式，在将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本之后，可以先对广告文本进行审核，以保证生成的广告文本的原创度较高。具体地，可以先获取与每个广告文本对应的比对广告文本，然后判断每个广告文本与比对广告文本之间的重复度。若重复度大于预设值，则说明该广告文本的原创度较低，则重新执行将至少一个关键词输入至预先建立好的机器学习模型中的步骤，以获取新的广告文本，保证广告文本的有较高的原创度。
其中，获取与每个广告文本对应的比对广告文本可以采用以下几种方式。第一种方式，可以根据广告文本在广告文本库中查找内容相似的广告文本作为比对广告文本。第二种方式，还可以将获取到的多个广告文本中除该广告文本之外的其他广告文本作为比对广告文本。第三种方式，还可以基于搜索引擎对该广告文本进行搜索，并将搜索得到的相关度最高的广告文本作为比对广告文本。
此外，在判断每个广告文本与比对广告文本之间的重复度时，可以计算每个广告文本与比对广告文本之间的相似度作为重复度。例如，可以基于字符串计算相似度。该方法从字符串匹配度出发，以字符串共现和重复程序为相似度的衡量标准，如编辑距离。还可以基于语料库计算相似度，该方法利用从语料库中获取的信息计算文本相似度，如Word2Vec。还可以基于搜索引擎计算相似度。主要是基于归一化谷歌距离、基于世界知识、基于去重算法等方式计算相似度。
在本发明的一些实施例中，将至少一个关键词输入至预先建立好的机器学习模型中的步骤之前，可以通过以下方式对机器学习模型进行修正。先获取文本训练集，并计算文本训练集对应的词向量，然后将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果。同时，根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果。根据预测输出结果以及推断输出结果计算损失值loss。根据损失值loss采用反向传播算法计算模型梯度值，根据模型梯度值对预先建立好的机器学习模型的参数进行更新，从而保证机器学习模型的准确性。
作为一种实施方式，当分发服务器将广告文本发送至对应的前端后，可以对该前端的访问信息进行记录，并对记录的访问信息进行分析并提供给用户，使用户可以直观的看到广告的效果，便于营销管理。具体地，可以获取该前端的访问量、下单转化量等信息。
基于同样的发明构思，本发明还提出一种广告发布装置100，请参看图2，图2为本发明实施例提供的一种广告发布装置100的结构框图。
该广告发布装置100包括：
关键词获取模块110，用于获取用户输入的至少一个关键词。
广告文本生成模块120，用于将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本。
标签获取模块130，用于获取每个广告文本对应的标签。
广告分发模块140，用于将每个广告文本以及与其对应的标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。
在本发明的一些实施例中，装置还包括：
比对广告文本获取模块，用于获取与每个广告文本对应的比对广告文本。
重复度判断模块，用于判断每个广告文本与比对广告文本之间的重复度。
广告文本生成模块，用于若重复度大于预设值，则重新执行将至少一个关键词输入至预先建立好的机器学习模型中的步骤。
在本发明的一些实施例中，装置还包括：
词向量计算模块，用于获取文本训练集，并计算文本训练集对应的词向量。
模型预测模块，用于将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果。
推断模块，用于根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果。
损失值计算模块，用于根据预测输出结果以及推断输出结果计算损失值。
模型梯度值计算模块，用于根据损失值采用反向传播算法计算模型梯度值。
参数更新模块，用于根据模型梯度值对预先建立好的机器学习模型的参数进行更新。
在本发明的一些实施例中，广告文本生成模块120包括：
词向量计算单元，用于计算至少一个关键词对应的词向量。
模型预测单元，用于将词向量输入至预先建立好的机器学习模型中，并得到预测输出结果。
推断单元，用于根据词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果。
广告文本确定单元，用于根据预测输出结果以及推断输出结果确定至少一个广告文本。
请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的广告发布装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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，本申请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)执行本申请各个实施例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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上，本申请实施例提供的一种广告发布方法及装置，该方法包括：获取用户输入的至少一个关键词；将至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本；获取每个广告文本对应的标签；将每个广告文本以及与其对应的标签发送至分发服务器，以使分发服务器将每个广告文本发送至与其对应标签匹配的前端。上述实现过程中，获取用户输入的关键词，并将该关键词输入至预先建立好的机器学习模型中。该预先建立好的机器学习模型是通过海量的相关语料进行训练得到的，因此该模型可以完成围绕该关键词的文本生成和海量复述，高效的生成广告文本，且根据该模型生成的广告文本具有较高的原创性。然后再根据每个广告文本对应的标签通过分发服务器将广告文本分发至对应的前端，能够进一步提高广告文本发布的效率。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种广告发布方法，其特征在于，所述方法包括：
获取用户输入的至少一个关键词；
将所述至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本；
获取每个广告文本对应的标签；
将每个所述广告文本以及与其对应的标签发送至分发服务器，以使所述分发服务器将每个所述广告文本发送至与其对应标签匹配的前端。
2.如权利要求1所述的方法，其特征在于，将所述至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本的步骤之后，获取每个广告文本对应的标签的步骤之前，所述方法还包括：
获取与每个所述广告文本对应的比对广告文本；
判断每个所述广告文本与所述比对广告文本之间的重复度；
若所述重复度大于预设值，则重新执行将所述至少一个关键词输入至预先建立好的机器学习模型中的步骤。
3.如权利要求1所述的方法，其特征在于，将所述至少一个关键词输入至预先建立好的机器学习模型中的步骤之前，所述方法还包括：
获取文本训练集，并计算所述文本训练集对应的词向量；
将所述词向量输入至所述预先建立好的机器学习模型中，并得到预测输出结果；
根据所述词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；
根据所述预测输出结果以及所述推断输出结果计算损失值；
根据所述损失值采用反向传播算法计算模型梯度值；
根据所述模型梯度值对所述预先建立好的机器学习模型的参数进行更新。
4.如权利要求1所述的方法，其特征在于，将所述至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本的步骤，包括：
计算所述至少一个关键词对应的词向量；
将所述词向量输入至所述预先建立好的机器学习模型中，并得到预测输出结果；
根据所述词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；
根据所述预测输出结果以及所述推断输出结果确定所述至少一个广告文本。
5.一种广告发布装置，其特征在于，所述装置包括：
关键词获取模块，用于获取用户输入的至少一个关键词；
广告文本生成模块，用于将所述至少一个关键词输入至预先建立好的机器学习模型中，以生成至少一个广告文本；
标签获取模块，用于获取每个广告文本对应的标签；
广告分发模块，用于将每个所述广告文本以及与其对应的标签发送至分发服务器，以使所述分发服务器将每个所述广告文本发送至与其对应标签匹配的前端。
6.如权利要求5所述的装置，其特征在于，所述装置还包括：
比对广告文本获取模块，用于获取与每个所述广告文本对应的比对广告文本；
重复度判断模块，用于判断每个所述广告文本与所述比对广告文本之间的重复度；
广告文本生成模块，用于若所述重复度大于预设值，则重新执行将所述至少一个关键词输入至预先建立好的机器学习模型中的步骤。
7.如权利要求5所述的装置，其特征在于，所述装置还包括：
词向量计算模块，用于获取文本训练集，并计算所述文本训练集对应的词向量；
模型预测模块，用于将所述词向量输入至所述预先建立好的机器学习模型中，并得到预测输出结果；
推断模块，用于根据所述词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；
损失值计算模块，用于根据所述预测输出结果以及所述推断输出结果计算损失值；
模型梯度值计算模块，用于根据所述损失值采用反向传播算法计算模型梯度值；
参数更新模块，用于根据所述模型梯度值对所述预先建立好的机器学习模型的参数进行更新。
8.如权利要求5所述的装置，其特征在于，所述广告文本生成模块包括：
词向量计算单元，用于计算所述至少一个关键词对应的词向量；
模型预测单元，用于将所述词向量输入至所述预先建立好的机器学习模型中，并得到预测输出结果；
推断单元，用于根据所述词向量以及预先设置到的词表采用softmax算法计算得到推断输出结果；
广告文本确定单元，用于根据所述预测输出结果以及所述推断输出结果确定所述至少一个广告文本。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-4中任一项所述的方法。
10.一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，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066016.4A CN112184318B (zh) | 2020-09-30 | 2020-09-30 | 一种广告发布方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066016.4A CN112184318B (zh) | 2020-09-30 | 2020-09-30 | 一种广告发布方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112184318A true CN112184318A (zh) | 2021-01-05 |
| CN112184318B CN112184318B (zh) | 2024-08-20 |
Family
ID=73947555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011066016.4A Active CN112184318B (zh) | 2020-09-30 | 2020-09-30 | 一种广告发布方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184318B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118278999A (zh) * | 2024-06-04 | 2024-07-02 | 浦江三思光电技术有限公司 | 智慧广告发布系统及方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006099105A2 (en) * | 2005-03-10 | 2006-09-21 | Efficient Frontier | Keyword effectiveness prediction and/or keyword generation method and apparatus |
| JP2008241943A (ja) * | 2007-03-26 | 2008-10-09 | Cross Feed Co Ltd | 広告配信装置およびその方法 |
| KR20100126147A (ko) * | 2009-05-22 | 2010-12-01 | 이하진 | 키워드를 이용한 광고 방법 |
| CN106529996A (zh) * | 2016-10-24 | 2017-03-22 | 北京百度网讯科技有限公司 | 基于深度学习的广告展示方法和装置 |
| CN108288172A (zh) * | 2017-12-21 | 2018-07-17 | 深圳市金立通信设备有限公司 | 广告dsp定向投放广告的方法及终端 |
| CN108536678A (zh) * | 2018-04-12 | 2018-09-14 | 腾讯科技（深圳）有限公司 | 文本关键信息提取方法、装置、计算机设备和存储介质 |
| CN110162620A (zh) * | 2019-01-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 黑产广告的检测方法、装置、服务器及存储介质 |
| CN110517082A (zh) * | 2019-08-29 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 广告推送方法、装置、设备及计算机可读存储介质 |
| KR20200017318A (ko) * | 2018-08-08 | 2020-02-18 | 주식회사 콤피아 | 인공지능 기반의 광고 키워드 관리 서버 |
| CN110910178A (zh) * | 2019-11-28 | 2020-03-24 | 中国建设银行股份有限公司 | 一种生成广告的方法和装置 |
| CN111191445A (zh) * | 2018-11-15 | 2020-05-22 | 北京京东金融科技控股有限公司 | 广告文本分类方法及装置 |
| CN111291563A (zh) * | 2020-01-20 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 词向量对齐方法和词向量对齐模型训练方法 |
| CN111340551A (zh) * | 2020-02-27 | 2020-06-26 | 广东博智林机器人有限公司 | 广告内容的生成方法、装置、终端及存储介质 |
| CN111582910A (zh) * | 2020-04-14 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成广告文案的方法、系统和设备 |
-
2020
- 2020-09-30 CN CN202011066016.4A patent/CN112184318B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006099105A2 (en) * | 2005-03-10 | 2006-09-21 | Efficient Frontier | Keyword effectiveness prediction and/or keyword generation method and apparatus |
| JP2008241943A (ja) * | 2007-03-26 | 2008-10-09 | Cross Feed Co Ltd | 広告配信装置およびその方法 |
| KR20100126147A (ko) * | 2009-05-22 | 2010-12-01 | 이하진 | 키워드를 이용한 광고 방법 |
| CN106529996A (zh) * | 2016-10-24 | 2017-03-22 | 北京百度网讯科技有限公司 | 基于深度学习的广告展示方法和装置 |
| CN108288172A (zh) * | 2017-12-21 | 2018-07-17 | 深圳市金立通信设备有限公司 | 广告dsp定向投放广告的方法及终端 |
| CN108536678A (zh) * | 2018-04-12 | 2018-09-14 | 腾讯科技（深圳）有限公司 | 文本关键信息提取方法、装置、计算机设备和存储介质 |
| KR20200017318A (ko) * | 2018-08-08 | 2020-02-18 | 주식회사 콤피아 | 인공지능 기반의 광고 키워드 관리 서버 |
| CN111191445A (zh) * | 2018-11-15 | 2020-05-22 | 北京京东金融科技控股有限公司 | 广告文本分类方法及装置 |
| CN110162620A (zh) * | 2019-01-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 黑产广告的检测方法、装置、服务器及存储介质 |
| CN110517082A (zh) * | 2019-08-29 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 广告推送方法、装置、设备及计算机可读存储介质 |
| CN110910178A (zh) * | 2019-11-28 | 2020-03-24 | 中国建设银行股份有限公司 | 一种生成广告的方法和装置 |
| CN111291563A (zh) * | 2020-01-20 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 词向量对齐方法和词向量对齐模型训练方法 |
| CN111340551A (zh) * | 2020-02-27 | 2020-06-26 | 广东博智林机器人有限公司 | 广告内容的生成方法、装置、终端及存储介质 |
| CN111582910A (zh) * | 2020-04-14 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成广告文案的方法、系统和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨丹浩 等: "一种基于注意力机制的中文短文本关键词提取模型", 计算机科学, no. 1, pages 199 - 204 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118278999A (zh) * | 2024-06-04 | 2024-07-02 | 浦江三思光电技术有限公司 | 智慧广告发布系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112184318B (zh) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145153B (zh) | 意图类别的识别方法和装置 | |
| US10430806B2 (en) | Input/output interface for contextual analysis engine | |
| US10235681B2 (en) | Text extraction module for contextual analysis engine | |
| CN110263248B (zh) | 一种信息推送方法、装置、存储介质和服务器 | |
| JP6177871B2 (ja) | 製品情報の公開 | |
| US8589429B1 (en) | System and method for providing query recommendations based on search activity of a user base | |
| CN107833082B (zh) | 一种商品图片的推荐方法和装置 | |
| US20110282877A1 (en) | Method and system for automatically extracting data from web sites | |
| CN112434151A (zh) | 一种专利推荐方法、装置、计算机设备及存储介质 | |
| WO2014161452A1 (en) | System and method for pushing and distributing promotion content | |
| JP2011154668A (ja) | ウェブページの主意，およびユーザの嗜好を適切に把握して，最善の情報をリアルタイムに推奨する方法 | |
| CN105468649B (zh) | 一种待展示对象匹配的判断方法及其装置 | |
| CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
| US11763376B2 (en) | System, manufacture, and method for efficiently identifying and segmenting product webpages on an eCommerce website | |
| JP5442401B2 (ja) | 行動情報抽出システム及び抽出方法 | |
| CN115659008B (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
| CN108446333B (zh) | 一种大数据文本挖掘处理系统及其方法 | |
| CN112989118B (zh) | 视频召回方法及装置 | |
| CN112184318B (zh) | 一种广告发布方法及装置 | |
| CN118193806A (zh) | 一种目标检索方法、装置、电子设备及存储介质 | |
| TW202418191A (zh) | 資訊處理裝置、資訊處理方法、及電腦程式產品 | |
| WO2007011714A9 (en) | Method and system for automatically extracting data from web sites | |
| CN112256970B (zh) | 一种新闻文本推送方法、装置、设备及存储介质 | |
| CN115098619A (zh) | 资讯去重方法、装置、电子设备及计算机可读取存储介质 | |
| CN113901317A (zh) | 基于大数据和网络社区的产品推荐方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240725 Address after: Room 308, 3rd Floor, Building 2, No. 60 Xinhua West Street, Tongzhou District, Beijing 101199 Applicant after: Beijing Jiaqiao Network Technology Co.,Ltd. Country or region after: China Address before: 610041 unit 06A, 6 / F, unit 2, building 1, No.88 Shujin Road, high tech Zone, Chengdu, Sichuan Applicant before: Chengdu Leo Interactive Network Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |