CN112581195A - 一种广告推送方法、装置和电子设备 - Google Patents
一种广告推送方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112581195A CN112581195A CN202110210970.4A CN202110210970A CN112581195A CN 112581195 A CN112581195 A CN 112581195A CN 202110210970 A CN202110210970 A CN 202110210970A CN 112581195 A CN112581195 A CN 112581195A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- social media
- user
- model
- pushed
- 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 51
- 238000011156 evaluation Methods 0.000 claims abstract description 142
- 238000012549 training Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006403 short-term memory 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供了一种广告推送方法、装置和电子设备，通过将第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码‑解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder‑decoder模型进行训练，得到第一广告推送模型；该第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送第二广告，期望提高推送广告的准确率。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种广告推送方法、装置和电子设备。
背景技术
目前，在社交媒体平台上进行信息的浏览，与社交媒体平台好友互动已经成为人们每天的习惯。社交媒体平台可以在人们使用社交媒体平台时向人们推荐广告。
社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户，使得社交媒体用户上线后的就会看到社交媒体平台推送的社交媒体用户感兴趣的广告。
社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的操作有时并不准确，导致社交媒体平台将广告推送给对该广告不感兴趣的社交媒体用户，降低了社交媒体用户的体验。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种广告推送方法、装置和电子设备。
第一方面，本发明实施例提供了一种广告推送方法，包括：
向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码（encoder-decoder）模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
第二方面，本发明实施例还提供了一种广告推送装置，包括：
第一推送模块，用于向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
第一获取模块，用于获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
第一训练模块，用于将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
第一处理模块，用于当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
第二推送模块，用于从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
第三方面，本发明实施例还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上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种电子设备，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本发明实施例上述第一方面至第四方面提供的方案中，通过向社交媒体用户推送第一广告，获取社交媒体用户对推送的第一广告进行操作时使用的操作类型，确定出与操作类型相匹配的操作评价值，提取第一广告的文本特征、图像特征以及视频特征，并查询出用户标识对应的社交媒体用户的用户信息，将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型，与相关技术中社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的方式相比，利用已推送的第一广告的文本特征、图像特征和视频特征训练第一广告推送模型，第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送广告，期望提高推送广告的准确率；而且，当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的第二广告的文本特征、图像特征和视频特征，并将提取出的第二广告的文本特征、图像特征和视频特征输入到第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告，从而可以根据社交媒体用户对已推送广告的感兴趣的广告内容的指示下得到的待推送的第二广告的预测评价值，将待推送的第二广告推送到应该对该第二广告感兴趣的社交媒体用户，从而提高广告推送的针对性和效率；再者，利用第一广告的文本特征、图像特征以及视频特征等多种媒体类型信息训练第一广告推送模型，可以提高第一广告推送模型推送广告时的准确率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例1所提供的一种广告推送方法的流程图；
图2示出了本发明实施例2所提供的一种广告推送装置的结构示意图；
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
目前，在社交媒体平台上进行信息的浏览，与社交媒体平台好友互动已经成为人们每天的习惯。社交媒体平台可以在人们使用社交媒体平台时向人们推荐广告。社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户，使得社交媒体用户上线后的就会看到社交媒体平台推送的社交媒体用户感兴趣的广告。社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的操作有时并不准确，导致社交媒体平台将广告推送给对该广告不感兴趣的社交媒体用户，降低了社交媒体用户的体验。
相关技术中，向社交媒体用户推荐广告的算法存在两个缺陷：首先是无法利用多种媒体类型信息进行广告推送。第二是随着推送的广告数据的增加，在后推送的广告与在先推送的广告存在的差异越来越大，导致原有的广告推荐模型会逐渐失效。
基于此，本实施例提出的广告推送方法、装置和电子设备，通过向社交媒体用户推送第一广告，获取社交媒体用户对推送的第一广告进行操作时使用的操作类型，确定出与操作类型相匹配的操作评价值，提取第一广告的文本特征、图像特征以及视频特征，并查询出用户标识对应的社交媒体用户的用户信息，将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；该第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送第二广告，期望提高推送广告的准确率；而且，当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的第二广告的文本特征、图像特征和视频特征，并将提取出的第二广告的文本特征、图像特征和视频特征输入到第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告，从而可以根据社交媒体用户对已推送广告的感兴趣的广告内容的指示下得到的待推送的第二广告的预测评价值，将待推送的第二广告推送到应该对该第二广告感兴趣的社交媒体用户，从而提高广告推送的针对性和效率；再者，利用第一广告的文本特征、图像特征以及视频特征等多种媒体类型信息训练第一广告推送模型，可以提高第一广告推送模型推送广告时的准确率。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出的一种广告推送方法，执行主体是服务器。
所述服务器，可以采用现有技术中任何的可以向社交媒体用户推荐广告的计算设备，这里不再一一赘述。
参见图1所示的一种广告推送方法的流程图，本实施例提出一种广告推送方法，包括以下具体步骤：
步骤100、向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识。
在上述步骤100中，所述操作类型，包括但不限于：社交媒体用户对广告进行的转发、评论、点赞、加关注、收藏、广告浏览、电话咨询、以及对推送广告的商品购买。
除了用户标识外，所述操作类型还携带有对被推送的所述第一广告进行操作的社交媒体用户的其他用户信息。
所述用户信息，包括：用户标识、用户的性别、爱好等信息和最近一段时间用户在社交媒体上的浏览记录。
步骤102、获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系。
在上述步骤102中，服务器中记载有操作类型与操作评价值的对应关系。
所述操作评价值。包括：第一操作评价值、第二操作评价值、以及第三操作评价值。
这里，与转发、评论、点赞、加关注、收藏、广告浏览这些操作类型匹配的是相同的第一操作评价值。
与电话咨询的操作类型匹配的是第二操作评价值。
与对推送广告的商品购买匹配的是第三操作评价值。
在一个实施方式中，第一操作评价值小于第二操作评价值；第二操作评价值小于第三操作评价值。
在一个实施方式中，第一操作评价值可以设置为0.3、第二操作评价值可以设置为0.6、第三操作评价值可以设置为1。
当用户执行了评论并电话咨询了商品情况时，使用与电话咨询的操作类型匹配的第二操作评价值作为与所述操作类型相匹配的操作评价值。
即当社交媒体用户对被推送的广告执行有与第二操作评价值匹配的操作类型，又执行有与第一操作评价值匹配的操作类型时，用第二操作评价值作为与所述操作类型相匹配的操作评价值。
当社交媒体用户对被推送的广告执行有与第三操作评价值匹配的操作类型，又执行有与第一操作评价值或者第二操作评价值匹配的操作类型时，用第三操作评价值作为与所述操作类型相匹配的操作评价值。
在一个实施方式中，当用户标识是AAA且操作评价值是0.6时，对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系可以如下表示：
AAA-0.6
该对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系以文本的形式存储在服务器中。
步骤104、提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息。
在上述的步骤104中，可以执行以下步骤（1）至步骤（3）提取所述第一广告的文本特征、图像特征以及视频特征，包括：
（1）利用词袋模型或者长短时记忆网络（Long Short Term Memory Network，LSTM）对所述第一广告进行处理，提取所述第一广告的文本特征；
（2）利用卷积神经网络（Convolutional Neural Network，CNN）或者LSTM对所述第一广告进行处理，提取所述第一广告的图像特征；
（3）利用三维CNN或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
上述步骤（1）至步骤（3）描述的具体的提取所述第一广告的文本特征、图像特征以及视频特征的过程是现有技术，这里不再具体赘述。
服务器利用用户标识，就可以从所述操作类型中查询出用户标识对应的社交媒体用户的用户信息。
步骤106、将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型。
在上述步骤106中，所述待训练的第一encoder-decoder模型，是服务器使用运行在上述服务器自身的encoder-decoder模型生成器得到的。
利用所述对应关系中记录的操作评价值作为监督信息，也需要将所述对应关系也输入到第一encoder-decoder模型中。
将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练的具体过程是现有技术，这里不再赘述。
所述第一广告推送模型，用于确定被推送过广告的社交媒体用户感兴趣的广告。
所述第一广告推送模型携带有训练好的第一模型参数。
例如利用卷积神经网络进行图像特征提取时，所述第一模型参数就是卷积神经网络中每个卷积核的值；用长短时记忆网络（LSTM）进行解码时，所述第一模型参数就是每个LSTM单元的值。
步骤108、当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值。
在上述步骤108中，提取待推送的所述第二广告的文本特征、图像特征和视频特征的具体过程，与上述步骤104中提取所述第一广告的文本特征、图像特征以及视频特征的过程类似，这里不再赘述。
将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值的具体过程是现有技术，这里不再赘述。
所述社交媒体用户对待推送的第二广告的预测评价值，由用户标识和预测评价值的对应关系表示。
步骤110、从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
在上述步骤110中，所述评价阈值，可以预先设置在服务器中。
在一个实施方式中，所述评价阈值可以为0.4。
在向社交媒体用户推送所述第二广告后，对缓存的已经推送过的第二广告的广告数量进行增量操作，得到更新后的第二广告的广告数量。
增量操作，就是对已经推送过的第二广告的广告数量进行加一操作。
进一步地，本实施例提出的广告推送方法，还可以执行以下具体步骤（1）至步骤（9）：
（1）获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
（2）当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
（3）从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
（4）计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
（5）计算所述第一广告推送模型携带的第一模型参数与待训练的encoder-decoder模型携带的第二模型参数的第二差值；
（6）获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
（7）将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
（8）当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
（9）当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
在上述步骤（1）中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系的具体实现过程与上述步骤100至步骤102描述的过程类似，这里不在赘述。
在上述步骤（2）中，所述广告数量阈值，缓存在所述服务器中，可以设置为500000或者1000000。
所述待训练的第二encoder-decoder模型，是服务器使用运行在上述服务器自身的encoder-decoder模型生成器得到的。
在上述步骤（4）中，就是将同一社交媒体用户对第二广告的预测评价值与操作该第二广告时的操作类型匹配的操作评价值作差，得到第一差值。
在上述步骤（5）中，计算所述第一广告推送模型携带的第一模型参数中与待训练的encoder-decoder模型携带的第二模型参数中相同类型的参数的差值，得到第二差值。
在上述步骤（6）中，获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征的具体过程与上述步骤104描述的过程类似，这里不再赘述。
上述步骤（7）至步骤（8）描述的训练得到第二广告推送模型的过程，就是现有技术中对encoder-decoder模型做迁移学习的过程，这里不再赘述。
在上述步骤（8）中，当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值大于等于操作差值阈值时，继续进行下一轮的网络训练。
通过以上的步骤（1）至步骤（9）描述的内容可以看出，第二广告推送模型借鉴了第一广告推送模型的参数，因此训练速度快，同时利用了最新的广告数据，比第一模型更具有实时性。
综上所述，本实施例提出的一种广告推送方法，通过向社交媒体用户推送第一广告，获取社交媒体用户对推送的第一广告进行操作时使用的操作类型，确定出与操作类型相匹配的操作评价值，提取第一广告的文本特征、图像特征以及视频特征，并查询出用户标识对应的社交媒体用户的用户信息，将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型，与相关技术中社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的方式相比，利用已推送的第一广告的文本特征、图像特征和视频特征训练第一广告推送模型，第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送广告，期望提高推送广告的准确率；而且，当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的第二广告的文本特征、图像特征和视频特征，并将提取出的第二广告的文本特征、图像特征和视频特征输入到第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告，从而可以根据社交媒体用户对已推送广告的感兴趣的广告内容的指示下得到的待推送的第二广告的预测评价值，将待推送的第二广告推送到应该对该第二广告感兴趣的社交媒体用户，从而提高广告推送的针对性和效率；再者，利用第一广告的文本特征、图像特征以及视频特征等多种媒体类型信息训练第一广告推送模型，可以提高第一广告推送模型推送广告时的准确率。
实施例2
本实施例提出的广告推送装置，用于执行上述实施例1描述的广告推送方法。
参见图2所示的一种广告推送装置的结构示意图，本实施例提出一种广告推送装置，包括：
第一推送模块200，用于向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
第一获取模块202，用于获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取模块204，用于提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
第一训练模块206，用于将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
第一处理模块208，用于当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
第二推送模块210，用于从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
进一步地，所述第一广告推送模型携带有训练好的第一模型参数；所述装置，还包括：
第二获取模块，用于获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
第三获取模块，用于当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
第四获取模块，用于从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
第一计算模块，用于计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
第二计算模块，用于encoder-decoder模型携带的第二模型参数的第二差值；
第五获取模块，用于获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
第二训练模块，用于将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
第二处理模块，用于当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
第三处理模块，用于当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
具体地，所述提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，包括：
利用词袋模型或者长短时记忆网络LSTM对所述第一广告进行处理，提取所述第一广告的文本特征；
利用卷积神经网络CNN或者LSTM对所述第一广告进行处理，提取所述第一广告的图像特征；
利用三维CNN或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
综上所述，本实施例提出的一种广告推送装置，通过向社交媒体用户推送第一广告，获取社交媒体用户对推送的第一广告进行操作时使用的操作类型，确定出与操作类型相匹配的操作评价值，提取第一广告的文本特征、图像特征以及视频特征，并查询出用户标识对应的社交媒体用户的用户信息，将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型，与相关技术中社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的方式相比，利用已推送的第一广告的文本特征、图像特征和视频特征训练第一广告推送模型，第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送广告，期望提高推送广告的准确率；而且，当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的第二广告的文本特征、图像特征和视频特征，并将提取出的第二广告的文本特征、图像特征和视频特征输入到第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告，从而可以根据社交媒体用户对已推送广告的感兴趣的广告内容的指示下得到的待推送的第二广告的预测评价值，将待推送的第二广告推送到应该对该第二广告感兴趣的社交媒体用户，从而提高广告推送的针对性和效率；再者，利用第一广告的文本特征、图像特征以及视频特征等多种媒体类型信息训练第一广告推送模型，可以提高第一广告推送模型推送广告时的准确率。
实施例3
本实施例提出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上述实施例1描述的广告推送方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤（1）至步骤（6）：
（1）向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
（2）获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
（3）提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
（4）将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
（5）当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
（6）从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构（用总线51来代表），总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本发明实施例中的存储器55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-Only Memory，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 DataRate SDRAM，DDRSDRAM)、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(Direct Rambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出一种电子设备和计算机可读存储介质，通过向社交媒体用户推送第一广告，获取社交媒体用户对推送的第一广告进行操作时使用的操作类型，确定出与操作类型相匹配的操作评价值，提取第一广告的文本特征、图像特征以及视频特征，并查询出用户标识对应的社交媒体用户的用户信息，将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型，与相关技术中社交媒体平台将广告推送给对该广告感兴趣的社交媒体用户的方式相比，利用已推送的第一广告的文本特征、图像特征和视频特征训练第一广告推送模型，第一广告推送模型，可以确定被推送过广告中的社交媒体用户感兴趣的广告内容，从而利用被推送过广告中的社交媒体用户感兴趣的广告内容，向社交媒体用户推送广告，期望提高推送广告的准确率；而且，当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的第二广告的文本特征、图像特征和视频特征，并将提取出的第二广告的文本特征、图像特征和视频特征输入到第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告，从而可以根据社交媒体用户对已推送广告的感兴趣的广告内容的指示下得到的待推送的第二广告的预测评价值，将待推送的第二广告推送到应该对该第二广告感兴趣的社交媒体用户，从而提高广告推送的针对性和效率；再者，利用第一广告的文本特征、图像特征以及视频特征等多种媒体类型信息训练第一广告推送模型，可以提高第一广告推送模型推送广告时的准确率。
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所述权利要求的保护范围为准。
Claims (8)
1.一种广告推送方法，其特征在于，包括：
向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
2.根据权利要求1所述的方法，其特征在于，所述第一广告推送模型携带有训练好的第一模型参数；
所述方法，还包括：
获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
计算所述第一广告推送模型携带的第一模型参数与待训练的encoder-decoder模型携带的第二模型参数的第二差值；
获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
3.根据权利要求1所述的方法，其特征在于，提取所述第一广告的文本特征、图像特征以及视频特征，包括：
利用词袋模型或者长短时记忆网络LSTM对所述第一广告进行处理，提取所述第一广告的文本特征；
利用卷积神经网络CNN或者LSTM对所述第一广告进行处理，提取所述第一广告的图像特征；
利用三维CNN或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
4.一种广告推送装置，其特征在于，包括：
第一推送模块，用于向社交媒体用户推送第一广告，并获取社交媒体用户对推送的所述第一广告进行操作时使用的操作类型；其中，所述操作类型携带有对被推送的所述第一广告进行操作的社交媒体用户的用户标识；
第一获取模块，用于获取与所述操作类型相匹配的操作评价值，并生成对被推送的所述第一广告进行操作的社交媒体用户的用户标识与操作评价值的对应关系；
提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，并查询出所述用户标识对应的社交媒体用户的用户信息；
第一训练模块，用于将所述第一广告的文本特征、图像特征和视频特征、以及查询出的所述用户标识对应的社交媒体用户的用户信息输入到待训练的第一编码-解码encoder-decoder模型中，并利用所述对应关系中记录的操作评价值作为监督信息，对所述第一encoder-decoder模型进行训练，得到第一广告推送模型；
第一处理模块，用于当需要向社交媒体用户推送第二广告时，获取待推送的第二广告，提取待推送的所述第二广告的文本特征、图像特征和视频特征，并将提取出的所述第二广告的文本特征、图像特征和视频特征输入到所述第一广告推送模型中，得到社交媒体用户对待推送的第二广告的预测评价值；
第二推送模块，用于从第一广告推送模型中获取所述预测评价值大于等于评价阈值的社交媒体用户的用户标识，向获取到的用户标识对应的社交媒体用户推送所述第二广告。
5.根据权利要求4所述的装置，其特征在于，所述第一广告推送模型携带有训练好的第一模型参数；
所述装置，还包括：
第二获取模块，用于获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型，获取与所述操作类型相匹配的操作评价值，并生成对被推送所述第二广告进行操作的社交媒体用户的用户标识与操作评价值的第二对应关系；
第三获取模块，用于当利用所述第一广告推送模型向社交媒体用户推送第二广告的广告数量达到广告数量阈值时，获取待训练的第二encoder-decoder模型，其中，待训练的第二encoder-decoder模型携带有随机生成的第二模型参数；
第四获取模块，用于从所述第二对应关系中，获取用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值；
第一计算模块，用于计算用户标识对应的社交媒体用户对第二广告的预测评价值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的第一差值；
第二计算模块，用于encoder-decoder模型携带的第二模型参数的第二差值；
第五获取模块，用于获取对所述第二广告进行过操作的社交媒体用户的用户信息，并提取所述第二广告的文本特征、图像特征和视频特征；
第二训练模块，用于将对所述第二广告进行过操作的社交媒体用户的用户信息、提取出的所述第二广告的文本特征、图像特征和视频特征、以及计算得到的第一差值和第二差值，输入到待训练的第二encoder-decoder模型中，并利用所述第二对应关系中记录的操作评价值作为监督信息，对所述第二encoder-decoder模型进行训练，得到用户标识对应社交媒体用户对已推送的第二广告的模型训练值；
第二处理模块，用于当用户标识对应社交媒体用户对已推送的第二广告的模型训练值与用户标识对应的社交媒体用户对推送的所述第二广告进行操作时使用的操作类型匹配的操作评价值的差值小于操作差值阈值时，确定对所述第二encoder-decoder模型的训练完成，得到第二广告推送模型；
第三处理模块，用于当需要向社交媒体用户推送第三广告时，使用所述第二广告推送模型向社交媒体用户推送第三广告，并对所述第一广告推送模型使用的第一模型参数初始化，以在第二广告推送模型向社交媒体用户推送第三广告的广告数量达到广告数量阈值时，对第一模型参数初始化后的第一广告推送模型进行训练。
6.根据权利要求4所述的装置，其特征在于，所述提取模块，用于提取所述第一广告的文本特征、图像特征以及视频特征，包括：
利用词袋模型或者长短时记忆网络LSTM对所述第一广告进行处理，提取所述第一广告的文本特征；
利用卷积神经网络CNN或者LSTM对所述第一广告进行处理，提取所述第一广告的图像特征；
利用三维CNN或者基于光流法对所述第一广告进行处理，提取所述第一广告的视频特征。
7.一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，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-3任一项所述的方法的步骤。
8.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-3任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110210970.4A CN112581195B (zh) | 2021-02-25 | 2021-02-25 | 一种广告推送方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110210970.4A CN112581195B (zh) | 2021-02-25 | 2021-02-25 | 一种广告推送方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581195A true CN112581195A (zh) | 2021-03-30 |
| CN112581195B CN112581195B (zh) | 2021-05-28 |
Family
ID=75114013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110210970.4A Active CN112581195B (zh) | 2021-02-25 | 2021-02-25 | 一种广告推送方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581195B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101512581A (zh) * | 2006-02-15 | 2009-08-19 | 微软公司 | 生成包含上下文图像的广告 |
| CN102334118A (zh) * | 2010-11-29 | 2012-01-25 | 华为技术有限公司 | 基于用户兴趣学习的个性化广告推送方法与系统 |
| US20140156394A1 (en) * | 2012-11-30 | 2014-06-05 | Wal-Mart Stores, Inc. | Targeted Advertisement Generation For Travelers |
| CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
| CN107590689A (zh) * | 2017-08-25 | 2018-01-16 | 北京奇艺世纪科技有限公司 | 一种广告数据推荐方法和系统 |
| CN109831684A (zh) * | 2019-03-11 | 2019-05-31 | 深圳前海微众银行股份有限公司 | 视频优化推荐方法、装置及可读存储介质 |
| CN110059237A (zh) * | 2019-04-18 | 2019-07-26 | 合肥天毅网络传媒有限公司 | 一种基于搜索引擎的爱好信息采集系统及其推荐方法 |
| CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
| US10922716B2 (en) * | 2017-03-09 | 2021-02-16 | Adobe Inc. | Creating targeted content based on detected characteristics of an augmented reality scene |
| US10929879B2 (en) * | 2016-05-24 | 2021-02-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for identification of fraudulent click activity |
-
2021
- 2021-02-25 CN CN202110210970.4A patent/CN112581195B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101512581A (zh) * | 2006-02-15 | 2009-08-19 | 微软公司 | 生成包含上下文图像的广告 |
| CN102334118A (zh) * | 2010-11-29 | 2012-01-25 | 华为技术有限公司 | 基于用户兴趣学习的个性化广告推送方法与系统 |
| US20140156394A1 (en) * | 2012-11-30 | 2014-06-05 | Wal-Mart Stores, Inc. | Targeted Advertisement Generation For Travelers |
| CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
| US10929879B2 (en) * | 2016-05-24 | 2021-02-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for identification of fraudulent click activity |
| US10922716B2 (en) * | 2017-03-09 | 2021-02-16 | Adobe Inc. | Creating targeted content based on detected characteristics of an augmented reality scene |
| CN107590689A (zh) * | 2017-08-25 | 2018-01-16 | 北京奇艺世纪科技有限公司 | 一种广告数据推荐方法和系统 |
| CN109831684A (zh) * | 2019-03-11 | 2019-05-31 | 深圳前海微众银行股份有限公司 | 视频优化推荐方法、装置及可读存储介质 |
| CN110059237A (zh) * | 2019-04-18 | 2019-07-26 | 合肥天毅网络传媒有限公司 | 一种基于搜索引擎的爱好信息采集系统及其推荐方法 |
| CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 刘华玲: "网络广告点击率预估的特征学习及技术研究进展", 《浙江大学学报(理学版)》 * |
| 张玉洁: "个性化广告推荐系统及其应用研究", 《计算机学报》 * |
| 郭心语: "网络广告定向技术综述", 《华东师范大学学报(自然科学版)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581195B (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| US20210027160A1 (en) | End-to-end deep collaborative filtering | |
| CN107908740B (zh) | 信息输出方法和装置 | |
| CN111882370B (zh) | 一种广告推荐方法、装置和电子设备 | |
| JP6854748B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
| US20120016642A1 (en) | Contextual-bandit approach to personalized news article recommendation | |
| US20110264598A1 (en) | Product synthesis from multiple sources | |
| CN109543840B (zh) | 一种基于多维分类强化学习的动态推荐系统设计方法 | |
| CN110413888B (zh) | 一种书籍推荐方法及装置 | |
| CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| US20180336490A1 (en) | Deep semantic content selection | |
| CN109117442B (zh) | 一种应用推荐方法及装置 | |
| CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
| CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| CN107506479B (zh) | 一种对象推荐方法和装置 | |
| CN111340522B (zh) | 资源推荐方法、装置、服务器及存储介质 | |
| CN115631014A (zh) | 一种商品智能推荐方法及系统 | |
| CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
| JP2010170506A (ja) | ユーザ属性推定装置及びユーザ属性推定方法，プログラム | |
| CN103198120B (zh) | 网页呈现方法和装置以及网页内容提供方法和系统 | |
| CN115129829A (zh) | 问答计算方法、服务器及存储介质 | |
| CN112581195B (zh) | 一种广告推送方法、装置和电子设备 | |
| JP6960838B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
| CN113742561B (zh) | 视频推荐方法、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 |