CN113011911A - 基于人工智能的数据预测方法、装置、介质及电子设备 - Google Patents

Abstract

本公开提供一种基于人工智能的数据预测方法、基于人工智能的数据预测装置、计算机可读存储介质及电子设备，涉及人工智能技术领域，包括：将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。可见，实施上述方法能够提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。

Description

基于人工智能的数据预测方法、装置、介质及电子设备

技术领域

本公开涉及人工智能技术领域，具体而言，涉及一种基于人工智能的数据预测方法、基于人工智能的数据预测装置、计算机可读存储介质及电子设备。

背景技术

广告主存在投放需求时，一般伴随着需要对投放的广告进行定价。如何确定合适的定价以避免广告投放亏损，对广告主来说是比较重要的问题，而广告主通常不知道自己确定的定价是否准确。

针对上述问题，现有技术中提出，可以在历史投放过的广告中找到与当前需要投放的广告相似的历史广告，并将该历史广告的定价展示给广告主，广告主可以参考该历史广告的定价，以确定当前需要投放的广告的定价。

由于现有技术中是以少量样本(即，与当前需要投放的广告较为相似的历史广告)的定价作为提供给用户的参考数据，而样本越少其参考价值一般越低。因此，与当前需要投放的广告较为相似的历史广告的定价存在参考价值不高的问题，若参考上述方式提供的历史广告的定价对当前需要投放的广告进行定价，容易造成广告负收益等定价失败问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于人工智能的数据预测方法、基于人工智能的数据预测装置、计算机可读存储介质及电子设备，实施本公开实施例能够将多个历史广告分别与当前广告构造为多个样本，从而提升样本量以及样本特征量，以提升所预测的参考数据的精度，进而提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提供一种基于人工智能的数据预测方法，包括：

将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；

通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；其中，孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取；

结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；

根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

根据本公开的一方面，提供一种基于人工智能的数据预测装置，包括：

样本构造单元，用于将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；

特征提取单元，用于通过孪生特征提取网络对样本对集合中各样本对进行特征提取；

相似度计算单元，用于根据特征提取结果计算各样本对分别对应的样本相似度；

数据确定单元，用于结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；

数据预测单元，用于根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

在本公开的一种示例性实施例中，上述装置还包括：

广告获取单元，用于在特征提取单元通过孪生特征提取网络对样本对集合中各样本对进行特征提取之前，获取满足于预设转化成本的历史广告集；

网络训练单元，用于根据历史广告集训练孪生特征提取网络。

在本公开的一种示例性实施例中，网络训练单元根据历史广告集训练孪生特征提取网络，包括：

将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合；

根据训练样本对集合和训练样本对集合中各训练样本对的转化成本相似度训练孪生特征提取网络，直到孪生特征提取网络对应的损失函数处于阈值范围内。

在本公开的一种示例性实施例中，孪生特征提取网络中包括第一特征提取网络和第二特征提取网络，第一特征提取网络和第二特征提取网络之间存在相同网络参数。

在本公开的一种示例性实施例中，特征提取单元通过孪生特征提取网络对样本对集合中各样本对进行特征提取，包括：

根据第一特征提取网络对样本对中的历史广告进行特征提取，得到第一特征向量；

根据第二特征提取网络对当前广告进行特征提取，得到第二特征向量。

在本公开的一种示例性实施例中，相似度计算单元根据特征提取结果计算各样本对分别对应的样本相似度，包括：

计算第一特征向量和第二特征向量之间的向量距离，得到各样本对分别对应的向量距离；

将各样本对分别对应的向量距离确定为各样本对分别对应的样本相似度。

在本公开的一种示例性实施例中，数据确定单元结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据，包括：

计算各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到各样本对分别对应的乘积结果；

计算各样本对分别对应的乘积结果的平均值；

将平均值确定为当前广告对应的转化数据。

在本公开的一种示例性实施例中，数据确定单元计算各样本对分别对应的乘积结果的平均值，包括：

计算各样本对分别对应的乘积结果的加和结果；

将加和结果与样本对总数量的比值确定为平均值。

在本公开的一种示例性实施例中，当前广告对应的转化数据为转化成本。

在本公开的一种示例性实施例中，数据预测单元根据当前广告对应的转化数据预测当前广告匹配的参考数据，包括：

根据转化成本和预设收益率计算当前广告匹配的参考数据；其中，参考数据包括竞价数据/出价数据。

在本公开的一种示例性实施例中，上述装置还包括：

数据展示单元，用于在数据预测单元根据当前广告对应的转化数据预测当前广告匹配的参考数据之后，当检测到预设用户操作时，展示参考数据；

数据确定单元，还用于在检测到用户输入操作时，确定用户输入操作对应的实际数据；

数据展示单元，还用于根据实际数据竞争用于展示当前广告的展示位。

在本公开的一种示例性实施例中，数据展示单元根据实际数据竞争用于展示当前广告的展示位，包括：

根据参考数据和实际数据计算竞争成功概率；

输出竞争成功概率并在检测到确认操作时，根据实际数据竞争用于展示当前广告的展示位。

根据本申请的一方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的方法。

根据本申请的一方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的方法。

根据本申请的一方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的各种可选实现方式中提供的方法。

本申请示例性实施例可以具有以下部分或全部有益效果：

在本申请的一示例实施方式所提供的基于人工智能的数据预测方法中，可以将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；其中，孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取；结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。依据上述方案描述，本申请一方面，能够将多个历史广告分别与当前广告构造为多个样本，从而提升样本量以及样本特征量，以提升所预测的参考数据的精度，进而提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。本申请又一方面，能够通过孪生特征提取网络对各个样本对进行相似度计算，并根据相似度和各个历史数据的转化数据计算当前广告的转化数据，可以提升当前广告对应的转化数据的计算精度，从而提升参考数据的预测精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示出了可以应用本申请实施例的一种基于人工智能的数据预测方法及基于人工智能的数据预测装置的示例性系统架构的示意图；

图2示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图；

图3示意性示出了根据本申请的一个实施例的分布式系统应用于区块链系统的一个可选的结构示意图；

图4示意性示出了根据本申请的一个实施例的区块结构(Block Structure)的示意图；

图5示意性示出了根据本申请的一个实施例的基于人工智能的数据预测方法的流程图；

图6示意性示出了根据本申请的一个实施例的孪生特征提取网络的网络架构图；

图7示意性示出了根据本申请的一个实施例的基于人工智能的数据预测方法的流程图；

图8示意性示出了根据本申请的一个实施例中的基于人工智能的数据预测装置的结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本申请的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本申请的各方面变得模糊。

此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本申请实施例的一种基于人工智能的数据预测方法及基于人工智能的数据预测装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本申请实施例所提供的基于人工智能的数据预测方法一般由服务器105执行，相应地，基于人工智能的数据预测装置一般设置于服务器105中。但本领域技术人员容易理解的是，本申请实施例所提供的基于人工智能的数据预测方法也可以由终端设备101、102或103执行，相应的，基于人工智能的数据预测装置也可以设置于终端设备101、102或103中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，服务器105可以将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

图2示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。

以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。

特别地，根据本申请的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的方法和装置中限定的各种功能。

本发明实施例涉及的系统可以是由客户端、多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。

以分布式系统为区块链系统为例，参见图3，图3是本发明实施例提供的基于人工智能的数据预测装置300应用于区块链系统的一个可选的结构示意图，由多个节点301(接入网络中的任意形式的计算设备，如服务器、用户终端)和客户端302形成，基于人工智能的数据预测装置300可以为多个节点中任一节点，节点之间形成组成的点对点(P2P，Peer ToPeer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。

参见图3示出的区块链系统中各节点的功能，涉及的功能包括：

1)路由，节点具有的基本功能，用于支持节点之间的通信。

节点除具有路由功能外，还可以具有以下功能：

2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。

例如，应用实现的业务包括：

2.1)钱包，用于提供进行电子货币的交易的功能，包括发起交易(即，将当前交易的交易记录发送给区块链系统中的其他节点，其他节点验证成功后，作为承认交易有效的响应，将交易的记录数据存入区块链的临时区块中；当然，钱包还支持查询电子货币地址中剩余的电子货币；

2.2)共享账本，用于提供账目数据的存储、查询和修改等操作的功能，将对账目数据的操作的记录数据发送到区块链系统中的其他节点，其他节点验证有效后，作为承认账目数据有效的响应，将记录数据存入临时区块中，还可以向发起操作的节点发送确认。

2.3)智能合约，计算机化的协议，可以执行某个合约的条款，通过部署在共享账本上的用于在满足一定条件时而执行的代码实现，根据实际的业务需求代码用于完成自动化的交易，例如查询买家所购买商品的物流状态，在买家签收货物后将买家的电子货币转移到商户的地址；当然，智能合约不仅限于执行用于交易的合约，还可以执行对接收的信息进行处理的合约。

3)区块链，包括一系列按照产生的先后时间顺序相互接续的区块(Block)，新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点提交的记录数据。

参见图4，图4是本发明实施例提供的区块结构(Block Structure)一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性(防伪)和生成下一个区块。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本申请实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明：

现有技术一般为简单的逐级查表方法，特征利用率和准确率比较低准确率，未能考虑到特征和特征之间的关系。举例来说，当前广告的特征为：[前贴，表单预约，创意A，上海，电商，12345678]。历史广告包括：[qq闪屏，下载，创意C，北京，电商，87654321]，转化成本50；[视频闪屏，表单预约，创意C，北京，电商，87654322]，转化成本60；[qq闪屏，下载，创意D，深圳，游戏，87654323]，转化成本30；[视频闪屏，下载，创意F，云南，电商，87654324]，转化成本70；[qq信息流，下载，创意D，西藏，游戏，87654325]，转化成本56；[qq闪屏，下载，创意C，北京，电商，87654326]，转化成本43。

现有技术的方法逐级匹配下来一般只能匹配到历史广告：[视频闪屏，表单预约，创意C，北京，电商，87654322]转化成本60，进而将转化成本60输出给用户以供用户参考。但是，实际上转化成本60对于当前广告而言是不合理的，这样容易误导用户认为当前广告转化成本60是合理的，从而容易确定出高于60的定价。基于转化成本60不合理的情况下，高于60的定价显然也是不合理的，如果用户通过高于60的定价进行广告竞价容易失败。可见，通过现有技术的方案，容易造成定价失败的问题。

本示例实施方式提供了一种基于人工智能的数据预测方法。该基于人工智能的数据预测方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图5所示，该基于人工智能的数据预测方法可以包括以下步骤S510至步骤S540。

步骤S510：将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合。

步骤S520：通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；其中，孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取。

步骤S530：结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据。

步骤S540：根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

实施图5所示的方法，能够将多个历史广告分别与当前广告构造为多个样本，从而提升样本量以及样本特征量，以提升所预测的参考数据的精度，进而提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。此外，还能够通过孪生特征提取网络对各个样本对进行相似度计算，并根据相似度和各个历史数据的转化数据计算当前广告的转化数据，可以提升当前广告对应的转化数据的计算精度，从而提升参考数据的预测精度。

下面，对于本示例实施方式的上述步骤进行更加详细的说明。

在步骤S510中，将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合。

具体地，历史广告集中可以包括一个或多个历史广告。举例来说，历史广告集中包括广告A、广告B和广告C，将历史广告集中各历史广告分别与当前广告D构成样本对，可以得到包括样本对(广告A，广告D)、样本对(广告B，广告D)和样本对(广告C，广告D)的样本对集合，样本对集合中的样本对数量也可以为一个或多个，本申请实施例不作限定。另外，历史广告的输出形式可以为动态图像、静态图像、文本等，本申请实施例不作限定，当前广告同理。

此外，在步骤S510之前，上述方法还可以包括以下步骤：读取距离当前时刻不超过预设时长(如，一周)内的所有历史广告，根据所有历史广告构成上述的历史广告集，这样可以避免因历史广告集中历史广告数量太多而对计算效率产生不利影响，即，可以提升计算效率，降低对于存储资源的占用率。

在此基础上，根据所有历史广告构成上述的历史广告集，包括：确定当前广告所属的类型(如，母婴类)；从所有历史广告中选取与该类型相匹配的历史广告以构成历史广告集；其中，当前广告所述的类型可以通过一维标签进行也可以通过多维标签进行表示，多维标签中可以包括多级标签。举例来说，若多维标签为(多媒体、社交平台、短消息发布模块)；其中，多媒体可以属于一级标签，社交平台可以属于低于一级标签的二级标签，短消息发布模块可以属于低于二级标签的三级标签。

基于此，确定当前广告所属的类型之前，上述方法还可以包括：展示用于表示预测精度选择的用户界面，并在该用户界面中检测用户选择操作，若用户选择操作对应的预测精度为高精度，则执行上述的确定当前广告所属的类型。另外，若用户选择操作对应的预测精度为低精度，则执行步骤S510～步骤S540。其中，确定当前广告所属的类型的方式可以为：当接收到广告发布消息，读取广告发布消息中的类型信息。

在步骤S520中，通过孪生特征提取网络对样本对集合中各样本对进行特征提取，并根据特征提取结果计算各样本对分别对应的样本相似度；其中，孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取。

具体地，孪生特征提取网络中包括第一特征提取网络和第二特征提取网络，第一特征提取网络和第二特征提取网络之间存在相同网络参数，第一特征提取网络和第二特征提取网络是架构相同的相似网络，均用于提取广告的特征向量，这样可以避免针对同一特征计算出不同结果。此外，孪生特征提取网络中还包括用于计算样本相似度的决策网络。

作为一种可选的实施例，通过孪生特征提取网络对样本对集合中各样本对进行特征提取之前，上述方法还包括：获取满足于预设转化成本的历史广告集；根据历史广告集训练孪生特征提取网络。

其中，获取满足于预设转化成本的历史广告集的方式可以为：获取满足于预设数量(如，3)以及预设时段(如，2020年1月1日～2020年1月2日)中至少一个的广告集；筛选广告集中转化成本大于预设转化成本(如，30元)的广告，以构成历史广告集。

可见，实施该可选的实施例，能够对孪生特征提取网络进行训练，以使得孪生特征提取网络能够应用于对于当前广告和历史广告的相似度计算。

作为一种可选的实施例，根据历史广告集训练孪生特征提取网络，包括：将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合；根据训练样本对集合和训练样本对集合中各训练样本对的转化成本相似度训练孪生特征提取网络，直到孪生特征提取网络对应的损失函数处于阈值范围内。

具体地，转化成本相似度用于表示训练样本对中一个广告与另一广告的转化成本的相似度，该相似度＝一个广告的转化成本/另一个广告的转化成本。

其中，将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合的方式具体为：将包括n个历史广告的历史广告集中每两个历史广告确定为训练样本对，得到包含n*(n-1)/2个训练样本对的训练样本对集合。

其中，将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合的方式可以为：将历史广告集中每两个历史广告确定为训练样本对，计算训练样本对中的两个历史广告的转化成本相似度，得到各个训练样本对分别对应的转化成本相似度；进而，可以根据转化成本相似度更新各个训练样本，更新后的各个训练样本中均包括各自对应的转化成本相似度。

另外，根据训练样本对集合和训练样本对集合中各训练样本对的转化成本相似度训练孪生特征提取网络，直到孪生特征提取网络对应的损失函数处于阈值范围内的方式可以为：将训练样本对集合中的训练样本对依次输入孪生特征提取网络，以使得孪生特征提取网络依次计算训练样本对集合中各训练样本对的预测相似度；根据各训练样本对的预测相似度以及各训练样本对的转化成本相似度计算各训练样本对的损失函数；根据各训练样本对的损失函数对孪生特征提取网络进行多次参数调整，直到孪生特征提取网络对应的损失函数处于阈值范围内，即，直到损失函数收敛。其中，孪生特征提取网络对应的损失函数可以为绝对值损失函数、对数损失函数、平方损失函数、指数损失函数、感知损失函数、交叉熵损失函数或均方误差损失函数等，本申请实施例不作限定。

举例来说，若历史广告集包括广告A、广告B、广告C，并且广告A、广告B、广告C分别对应的实际转化成本为45元、55元、50元，可以将广告A、广告B、广告C中每两个历史广告确定为训练样本对，即，(广告A，广告B)、(广告C，广告B)、(广告A，广告C)，进而，基于训练样本(广告A，广告B)、(广告C，广告B)、(广告A，广告C)分别对应的转化成本相似度0.82、0.9、1.1更新训练样本对(广告A，广告B)、(广告C，广告B)、(广告A，广告C)，更新后的(广告A，广告B)、(广告C，广告B)、(广告A，广告C)为(广告A，广告B，0.82)、(广告C，广告B，0.9)、(广告A，广告C，1.1)。

可见，实施该可选的实施例，能够基于上述方式得到数量更多的训练样本，通过数量更多的训练样本训练孪生特征提取网络，可以提升对于相似度的计算精度，也可以改善现有技术的小样本训练存在的转化成本预估精较低的问题。

作为一种可选的实施例，通过孪生特征提取网络对样本对集合中各样本对进行特征提取，包括：根据第一特征提取网络对样本对中的历史广告进行特征提取，得到第一特征向量；根据第二特征提取网络对当前广告进行特征提取，得到第二特征向量。

并列可选的，通过孪生特征提取网络对样本对集合中各样本对进行特征提取，包括：根据第二特征提取网络对样本对中的历史广告进行特征提取，得到第二特征向量；根据第一特征提取网络对当前广告进行特征提取，得到第一特征向量。

可见，实施该可选的实施例，能够通过相似的第一特征提取网络和第二特征提取网络分别对样本对中的广告进行特征提取，进而有利于计算各自对应的特征提取结果的相似度，从而可以根据该相似度判定样本对中的广告的相似程度，根据各个样本对的相似程度计算当前广告对应的转化数据，可以提升数据计算精度，进而，基于对转化数据计算精度的提升，也可以提升对于参考数据的预测精度。

作为一种可选的实施例，根据特征提取结果计算各样本对分别对应的样本相似度，包括：计算第一特征向量和第二特征向量之间的向量距离，得到各样本对分别对应的向量距离；将各样本对分别对应的向量距离确定为各样本对分别对应的样本相似度。

具体地，样本相似度用于表示该样本对中的历史样本与当前样本之间的相似度，不同的样本对中包括的历史样本不同当前样本相同。此外，上述的向量距离可以为余弦距离也可以为欧式距离，本申请实施例不作限定。

其中，若向量距离为余弦距离，计算第一特征向量和第二特征向量之间的向量距离的方式可以为：根据表达式dist(A,B)＝1-A·B计算第一特征向量A和第二特征向量B之间的向量距离dist(A,B)。若向量距离为欧式距离，计算第一特征向量和第二特征向量之间的向量距离的方式可以为：根据表达式d(计算第一特征向量A和第二特征向量B之间的向量距离

计算第一特征向量X和第二特征向量Y之间的向量距离d(X，Y)；其中，n为正整数，x_i用于表示X中第i个分量，y_i用于表示Y中第i个分量。

举例来说，若样本对集合中包括样本对(广告A，广告D)、样本对(广告B，广告D)和样本对(广告C，广告D)，则可以根据第一特征提取网络对样本对(广告A，广告D)中的广告A进行特征提取，得到特征向量A，根据第二特征提取网络对广告D进行特征提取，得到特征向量D，进而计算特征向量A和特征向量D之间的向量距离1，作为样本对(广告A，广告D)对应的向量距离。

另外，还可以根据第一特征提取网络对样本对(广告B，广告D)中的广告B进行特征提取，得到特征向量B，根据第二特征提取网络对广告D进行特征提取，得到特征向量D，进而计算特征向量B和特征向量D之间的向量距离2，作为样本对(广告B，广告D)对应的向量距离。

另外，还可以根据第一特征提取网络对样本对(广告C，广告D)中的广告C进行特征提取，得到特征向量C，根据第二特征提取网络对广告D进行特征提取，得到特征向量D，进而计算特征向量C和特征向量D之间的向量距离3，作为样本对(广告C，广告D)对应的向量距离。

可见，通过上述计算，可以获取样本对(广告A，广告D)、样本对(广告B，广告D)和样本对(广告C，广告D)分别对应的向量距离(即，向量距离1、向量距离2以及向量距离3)。

进而，可以将向量距离1确定为样本对(广告A，广告D)对应的样本相似度，将向量距离2确定为样本对(广告B，广告D)对应的样本相似度，以及将向量距离3确定为样本对(广告C，广告D)对应的样本相似度。

可见，实施该可选的实施例，能够通过对于相似度的计算，提升转化数据的计算精度，进而有利于提升数据预测准确率。

请参阅图6，图6示意性示出了根据本申请的一个实施例的孪生特征提取网络的网络架构图。如图6所示，网络架构包括第一特征提取网络611、第二特征提取网络612和决策网络620；其中，第一特征提取网络611中可以包括N(N为正整数)个特征提取层，N个特征提取层可以包括卷积层、池化层以及全连接层等，本申请实施例不作限定。此外，第一特征提取网络611与第二特征提取网络612可以共享网络参数，网络参数可以包括上述N个特征提取层的权重值的偏置项。

具体地，可以将广告1和广告2分别输入第一特征提取网络611和第二特征提取网络612；其中，广告1可以为当前广告也可以为样本对中的历史广告，若广告1为当前广告，广告2则为历史广告，若广告1为历史广告，广告2则为当前广告。进而，第一特征提取网络611可以对广告1进行特征提取，从而得到与广告1对应的特征提取结果1，第二特征提取网络612可以对广告2进行特征提取，从而得到与广告1对应的特征提取结果2；其中，特征提取结果1可以通过上述的第一特征向量进行表示，特征提取结果2可以通过上述的第二特征向量进行表示。进而，可以将特征提取结果1和特征提取结果2输入决策网络620，以使得决策网络620计算特征提取结果1和特征提取结果2之间的向量距离，得到由广告1和广告2构成的样本对所对应的向量距离，进而，还可以将向量距离确定为该样本对的相似度，该相似度用于表征广告1和广告2之间的相似程度。

在步骤S530中，结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据。

具体地，各历史广告分别对应的转化数据用于表示各历史广告从投放至得到此次投放的收益所需要付出的成本，即，转化成本。举例来说，历史广告A、历史广告B、历史广告C分别对应的实际转化成本可以为45元、55元、50元，历史广告A、历史广告B、历史广告C。其中，当前广告对应的转化数据为转化成本(如，50.8元)。

作为一种可选的实施例，结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据，包括：计算各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到各样本对分别对应的乘积结果；计算各样本对分别对应的乘积结果的平均值；将平均值确定为当前广告对应的转化数据。

举例来说，计算各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到各样本对分别对应的乘积结果的方式可以为：计算各样本对(广告A，广告D)、(广告B，广告D)和(广告C，广告D)分别对应的样本相似度与依次相对应的广告A、广告B以及广告C的转化数据之间的乘积结果，得到(广告A，广告D)、(广告B，广告D)和(广告C，广告D)分别对应的乘积结果0.7*45、1.2*55、1.1*50。基于此，计算各样本对分别对应的乘积结果的平均值的方式可以为：计算0.7*45、1.2*55、1.1*50的平均值(0.7*45+1.2*55+1.1*50)/3＝50.8。基于此，将平均值确定为当前广告对应的转化数据的方式为：将50.8确定为当前广告对应的转化数据(如，转化成本)。

可见，实施该可选的实施例，能够结合历史广告的转化成本以及各个历史广告与当前广告的相似度计算当前广告的转化数据，可以提升转化数据的计算精度，从而有利于提升对于广告的参考数据的预测精度。

作为一种可选的实施例，计算各样本对分别对应的乘积结果的平均值，包括：计算各样本对分别对应的乘积结果的加和结果；将加和结果与样本对总数量的比值确定为平均值。

具体地，计算各样本对分别对应的乘积结果的加和结果的方式为：结合预设权重a、b、……、n计算各样本对分别对应的乘积结果1、乘积结果2、……、乘积结果n的加和结果，加和结果＝a*乘积结果1+b*乘积结果2+……+n*乘积结果N；其中，N为大于等3的正整数，n为自然数。基于此，将加和结果与样本对总数量的比值确定为平均值的方式为：将加和结果/N确定为上述的平均值。

可见，实施该可选的实施例，相较于现有技术的小样本，能够提升样本量，以改善对于参考数据的预测精度。

在步骤S540中，根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

其中，当前广告匹配的参考数据可以包括当前广告的参与竞价的竞价数据，参考数据的表示方式可以为数值也可以为区间，本申请实施例不作限定。可选的，参考数据中还可以包括竞价对手的数量、竞价对手的竞价数据等，本申请实施例不作限定。

作为一种可选的实施例，根据当前广告对应的转化数据预测当前广告匹配的参考数据，包括：根据转化成本和预设收益率计算当前广告匹配的参考数据；其中，参考数据包括竞价数据/出价数据。

具体地，根据转化成本和预设收益率计算当前广告匹配的参考数据之前，还可以包括以下步骤：检测用户输入操作并将用户输入操作对应的数值确定为预设收益率。举例来说，若转化成本50元，预设收益率为30％，则表示当前广告播出且得到转化的需要花费的成本是50元。

可见，实施该可选的实施例，能够结合转化成本和预计的收益率(即，预设收益率)计算参考数据，这样可以提升参考数据的可参考价值。

作为一种可选的实施例，根据当前广告对应的转化数据预测当前广告匹配的参考数据之后，上述方法还包括：当检测到预设用户操作时，展示参考数据；若检测到用户输入操作，确定用户输入操作对应的实际数据；根据实际数据竞争用于展示当前广告的展示位。

具体地，预设用户操作可以为触发输出参考数据的操作，用户输入操作用于输入文本信息，文本信息中包括数值(例如，上述的实际数据)。另外，实际数据可以为竞价数据也可以为出价数据，若为竞价数据，则可以根据该实际数据与其他广告的实际数据竞争广告展示位；若为出价数据，则可以根据该出价数据购买匹配的广告展示位。

其中，根据实际数据竞争用于展示当前广告的展示位的方式可以为：在竞价时段通过实际数据为当前广告竞争展示位。具体可以包括：在竞价时段对包括当前广告对应的实际数据的所有实际数据进行排序，并将排序结果中第一顺序位的实际数据所对应的广告确定为竞价成功的广告，若该广告为上述的当前广告，则输出用于表示竞争成功的提示消息。

可见，实施该可选的实施例，能够为用户展示参考数据以帮助用户确定实际数据，有助于提升当前广告的收益率。

作为一种可选的实施例，根据实际数据竞争用于展示当前广告的展示位，包括：根据参考数据和实际数据计算竞争成功概率；输出竞争成功概率并在检测到确认操作时，根据实际数据竞争用于展示当前广告的展示位。

具体地，根据参考数据和实际数据计算竞争成功概率的方式可以为：根据参考数据和实际数据的差值确定竞争成功概率。另外，确认操作用于表示将实际数据确认为竞价数据/出价数据。此外，在输出竞争成功概率之后，以及在检测到确认操作之前，还可以包括：当检测到修改操作时，根据修改操作对上述的实际数据进行修改，并将修改结果作为新的实际数据。

可见，实施该可选的实施例，能够结合参考数据和用户输入的实际数据计算竞价成功概率，通过向用户展示竞价成功概率可以帮助用户了解到通过实际数据进行竞价的成功概率，从而改善用户的使用体验。

请参阅图7，图7示意性示出了根据本申请的一个实施例的基于人工智能的数据预测方法的流程图。如图7所示，该基于人工智能的数据预测方法包括：步骤S700～步骤S790。

步骤S700：获取满足于预设转化成本的历史广告集。

步骤S710：将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合。

步骤S720：根据训练样本对集合和训练样本对集合中各训练样本对的转化成本相似度训练孪生特征提取网络，直到孪生特征提取网络对应的损失函数处于阈值范围内；其中，孪生特征提取网络中包括第一特征提取网络和第二特征提取网络，第一特征提取网络和第二特征提取网络之间存在相同网络参数。

步骤S730：将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合。

步骤S740：根据第一特征提取网络对样本对中的历史广告进行特征提取，得到第一特征向量,根据第二特征提取网络对当前广告进行特征提取，得到第二特征向量。

步骤S750：计算第一特征向量和第二特征向量之间的向量距离，得到各样本对分别对应的向量距离，将各样本对分别对应的向量距离确定为各样本对分别对应的样本相似度。

步骤S760：计算各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到各样本对分别对应的乘积结果，计算各样本对分别对应的乘积结果的加和结果，将加和结果与样本对总数量的比值确定为平均值，将平均值确定为当前广告对应的转化数据。

步骤S770：根据转化成本和预设收益率计算当前广告匹配的参考数据；其中，参考数据包括竞价数据/出价数据。

步骤S780：当检测到预设用户操作时，展示参考数据，若检测到用户输入操作，确定用户输入操作对应的实际数据。

步骤S790：根据参考数据和实际数据计算竞争成功概率，输出竞争成功概率并在检测到确认操作时，根据实际数据竞争用于展示当前广告的展示位。

需要说明的是，步骤S700～步骤S790与图5所示的各步骤及其实施例相对应，针对步骤S700～步骤S790的具体实施方式，请参阅图5所示的各步骤及其实施例，此处不再赘述。

可见，实施图7所示的方法，能够将多个历史广告分别与当前广告构造为多个样本，从而提升样本量以及样本特征量，以提升所预测的参考数据的精度，进而提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。此外，还能够通过孪生特征提取网络对各个样本对进行相似度计算，并根据相似度和各个历史数据的转化数据计算当前广告的转化数据，可以提升当前广告对应的转化数据的计算精度，从而提升参考数据的预测精度。

进一步的，本示例实施方式中，还提供了一种基于人工智能的数据预测装置。参考图8所示，该基于人工智能的数据预测装置800可以包括：

样本构造单元801，用于将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；

特征提取单元802，用于通过孪生特征提取网络对样本对集合中各样本对进行特征提取；

相似度计算单元803，用于根据特征提取结果计算各样本对分别对应的样本相似度；

数据确定单元804，用于结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据；

数据预测单元805，用于根据当前广告对应的转化数据预测当前广告匹配的以供用户参考的参考数据。

其中，当前广告对应的转化数据为转化成本。孪生特征提取网络中包括第一特征提取网络和第二特征提取网络，第一特征提取网络和第二特征提取网络之间存在相同网络参数。

可见，实施图8所示的装置，能够将多个历史广告分别与当前广告构造为多个样本，从而提升样本量以及样本特征量，以提升所预测的参考数据的精度，进而提升参考数据的参考价值，以避免用户因参考了该参考数据而导致定价失败的问题。此外，还能够通过孪生特征提取网络对各个样本对进行相似度计算，并根据相似度和各个历史数据的转化数据计算当前广告的转化数据，可以提升当前广告对应的转化数据的计算精度，从而提升参考数据的预测精度。

在本公开的一种示例性实施例中，上述装置还包括：

广告获取单元(未图示)，用于在特征提取单元802通过孪生特征提取网络对样本对集合中各样本对进行特征提取之前，获取满足于预设转化成本的历史广告集；

网络训练单元(未图示)，用于根据历史广告集训练孪生特征提取网络。

可见，实施该可选的实施例，能够对孪生特征提取网络进行训练，以使得孪生特征提取网络能够应用于对于当前广告和历史广告的相似度计算。

在本公开的一种示例性实施例中，网络训练单元根据历史广告集训练孪生特征提取网络，包括：

将历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合；

根据训练样本对集合和训练样本对集合中各训练样本对的转化成本相似度训练孪生特征提取网络，直到孪生特征提取网络对应的损失函数处于阈值范围内。

可见，实施该可选的实施例，能够基于上述方式得到数量更多的训练样本，通过数量更多的训练样本训练孪生特征提取网络，可以提升对于相似度的计算精度，也可以改善现有技术的小样本训练存在的转化成本预估精较低的问题。

在本公开的一种示例性实施例中，特征提取单元802通过孪生特征提取网络对样本对集合中各样本对进行特征提取，包括：

根据第一特征提取网络对样本对中的历史广告进行特征提取，得到第一特征向量；

根据第二特征提取网络对当前广告进行特征提取，得到第二特征向量。

可见，实施该可选的实施例，能够通过相似的第一特征提取网络和第二特征提取网络分别对样本对中的广告进行特征提取，进而有利于计算各自对应的特征提取结果的相似度，从而可以根据该相似度判定样本对中的广告的相似程度，根据各个样本对的相似程度计算当前广告对应的转化数据，可以提升数据计算精度，进而，基于对转化数据计算精度的提升，也可以提升对于参考数据的预测精度。

在本公开的一种示例性实施例中，相似度计算单元803根据特征提取结果计算各样本对分别对应的样本相似度，包括：

计算第一特征向量和第二特征向量之间的向量距离，得到各样本对分别对应的向量距离；

将各样本对分别对应的向量距离确定为各样本对分别对应的样本相似度。

可见，实施该可选的实施例，能够通过对于相似度的计算，提升转化数据的计算精度，进而有利于提升数据预测准确率。

在本公开的一种示例性实施例中，数据确定单元804结合各样本对分别对应的样本相似度和各历史广告分别对应的转化数据确定当前广告对应的转化数据，包括：

计算各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到各样本对分别对应的乘积结果；

计算各样本对分别对应的乘积结果的平均值；

将平均值确定为当前广告对应的转化数据。

可见，实施该可选的实施例，能够结合历史广告的转化成本以及各个历史广告与当前广告的相似度计算当前广告的转化数据，可以提升转化数据的计算精度，从而有利于提升对于广告的参考数据的预测精度。

在本公开的一种示例性实施例中，数据确定单元804计算各样本对分别对应的乘积结果的平均值，包括：

计算各样本对分别对应的乘积结果的加和结果；

将加和结果与样本对总数量的比值确定为平均值。

可见，实施该可选的实施例，相较于现有技术的小样本，能够提升样本量，以改善对于参考数据的预测精度。

在本公开的一种示例性实施例中，数据预测单元805根据当前广告对应的转化数据预测当前广告匹配的参考数据，包括：

根据转化成本和预设收益率计算当前广告匹配的参考数据；其中，参考数据包括竞价数据/出价数据。

可见，实施该可选的实施例，能够结合转化成本和预计的收益率(即，预设收益率)计算参考数据，这样可以提升参考数据的可参考价值。

在本公开的一种示例性实施例中，上述装置还包括：

数据展示单元(未图示)，用于在数据预测单元805根据当前广告对应的转化数据预测当前广告匹配的参考数据之后，当检测到预设用户操作时，展示参考数据；

数据确定单元804，还用于在检测到用户输入操作时，确定用户输入操作对应的实际数据；

数据展示单元，还用于根据实际数据竞争用于展示当前广告的展示位。

可见，实施该可选的实施例，能够为用户展示参考数据以帮助用户确定实际数据，有助于提升当前广告的收益率。

在本公开的一种示例性实施例中，数据展示单元根据实际数据竞争用于展示当前广告的展示位，包括：

根据参考数据和实际数据计算竞争成功概率；

输出竞争成功概率并在检测到确认操作时，根据实际数据竞争用于展示当前广告的展示位。

可见，实施该可选的实施例，能够结合参考数据和用户输入的实际数据计算竞价成功概率，通过向用户展示竞价成功概率可以帮助用户了解到通过实际数据进行竞价的成功概率，从而改善用户的使用体验。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

由于本申请的示例实施例的基于人工智能的数据预测装置的各个功能模块与上述基于人工智能的数据预测方法的示例实施例的步骤对应，因此对于本申请装置实施例中未披露的细节，请参照本申请上述的基于人工智能的数据预测方法的实施例。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (15)

1.一种基于人工智能的数据预测方法，其特征在于，包括：

将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；

通过孪生特征提取网络对所述样本对集合中各样本对进行特征提取，并根据特征提取结果计算所述各样本对分别对应的样本相似度；其中，所述孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取；

结合所述各样本对分别对应的样本相似度和所述各历史广告分别对应的转化数据确定所述当前广告对应的转化数据；

根据所述当前广告对应的转化数据预测所述当前广告匹配的以供用户参考的参考数据。

2.根据权利要求1所述的方法，其特征在于，通过孪生特征提取网络对所述样本对集合中各样本对进行特征提取之前，所述方法还包括：

获取满足于预设转化成本的历史广告集；

根据所述历史广告集训练所述孪生特征提取网络。

3.根据权利要求2所述的方法，其特征在于，根据所述历史广告集训练所述孪生特征提取网络，包括：

将所述历史广告集中每两个历史广告确定为训练样本对，得到训练样本对集合；

根据所述训练样本对集合和所述训练样本对集合中各训练样本对的转化成本相似度训练所述孪生特征提取网络，直到所述孪生特征提取网络对应的损失函数处于阈值范围内。

4.根据权利要求1所述的方法，其特征在于，所述孪生特征提取网络中包括第一特征提取网络和第二特征提取网络，所述第一特征提取网络和所述第二特征提取网络之间存在相同网络参数。

5.根据权利要求4所述的方法，其特征在于，通过孪生特征提取网络对所述样本对集合中各样本对进行特征提取，包括：

根据所述第一特征提取网络对所述样本对中的历史广告进行特征提取，得到第一特征向量；

根据所述第二特征提取网络对所述当前广告进行特征提取，得到第二特征向量。

6.根据权利要求5所述的方法，其特征在于，根据特征提取结果计算所述各样本对分别对应的样本相似度，包括：

计算所述第一特征向量和所述第二特征向量之间的向量距离，得到所述各样本对分别对应的向量距离；

将所述各样本对分别对应的向量距离确定为所述各样本对分别对应的样本相似度。

7.根据权利要求1所述的方法，其特征在于，结合所述各样本对分别对应的样本相似度和所述各历史广告分别对应的转化数据确定所述当前广告对应的转化数据，包括：

计算所述各样本对分别对应的样本相似度与相对应的历史广告的转化数据之间的乘积结果，得到所述各样本对分别对应的乘积结果；

计算所述各样本对分别对应的乘积结果的平均值；

将所述平均值确定为所述当前广告对应的转化数据。

8.根据权利要求7所述的方法，其特征在于，计算所述各样本对分别对应的乘积结果的平均值，包括：

计算所述各样本对分别对应的乘积结果的加和结果；

将所述加和结果与样本对总数量的比值确定为所述平均值。

9.根据权利要求1所述的方法，其特征在于，所述当前广告对应的转化数据为转化成本。

10.根据权利要求9所述的方法，其特征在于，根据所述当前广告对应的转化数据预测所述当前广告匹配的参考数据，包括：

根据所述转化成本和预设收益率计算所述当前广告匹配的参考数据；其中，所述参考数据包括竞价数据/出价数据。

11.根据权利要求1所述的方法，其特征在于，根据所述当前广告对应的转化数据预测所述当前广告匹配的参考数据之后，所述方法还包括：

当检测到预设用户操作时，展示所述参考数据；

若检测到用户输入操作，确定所述用户输入操作对应的实际数据；

根据所述实际数据竞争用于展示所述当前广告的展示位。

12.根据权利要求11所述的方法，其特征在于，根据所述实际数据竞争用于展示所述当前广告的展示位，包括：

根据所述参考数据和所述实际数据计算竞争成功概率；

输出所述竞争成功概率并在检测到确认操作时，根据所述实际数据竞争用于展示所述当前广告的展示位。

13.一种基于人工智能的数据预测装置，其特征在于，包括：

样本构造单元，用于将历史广告集中各历史广告分别与当前广告构成样本对，得到样本对集合；

特征提取单元，用于通过孪生特征提取网络对所述样本对集合中各样本对进行特征提取；其中，所述孪生特征提取网络用于通过相同的并列子网络对不同样本进行特征提取；

相似度计算单元，用于根据特征提取结果计算所述各样本对分别对应的样本相似度；

数据确定单元，用于结合所述各样本对分别对应的样本相似度和所述各历史广告分别对应的转化数据确定所述当前广告对应的转化数据；

数据预测单元，用于根据所述当前广告对应的转化数据预测所述当前广告匹配的以供用户参考的参考数据。

14.一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1-12任一项所述的方法。

15.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-12任一项所述的方法。

Images