CN113674007A - 广告推荐方法及装置 - Google Patents
广告推荐方法及装置 Download PDFInfo
- Publication number
- CN113674007A CN113674007A CN202010405908.6A CN202010405908A CN113674007A CN 113674007 A CN113674007 A CN 113674007A CN 202010405908 A CN202010405908 A CN 202010405908A CN 113674007 A CN113674007 A CN 113674007A
- Authority
- CN
- China
- Prior art keywords
- target
- advertisement
- acquiring
- candidate
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 235000013305 food Nutrition 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 235000012149 noodles Nutrition 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种广告推荐方法及装置。其中，该方法包括：获取目标视频的关键帧图像；对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；基于所述目标物体的物体类别，获取目标广告；在所述目标视频的播放界面上推送所述目标广告。
Description
技术领域
本公开涉及计算机及互联网技术领域，尤其涉及一种广告推荐方法及装置。
背景技术
随着个人计算机和移动手持设备的普及，网络视频已经成为最常用的网络服务之一，因此，通过网络视频投放广告也逐渐成为越来越多的商家的选择。
广告的目的在于吸引真正想购买的用户，而减少对不感兴趣的用户的干扰。并且，在网络视频上推荐的广告直接出现在网络视频上，因此，更加要求投放广告能够吸引真正感兴趣的用户，否则不仅不能吸引用户点击广告，更可能造成对用户的干扰，影响用户的体验。因此，如何在网络视频上推荐有效的广告是目前待解决的一个技术问题。
发明内容
本公开提供一种广告推荐方法及装置，以至少解决如何在网络视频上推荐有效的广告的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种广告推荐方法，包括：获取目标视频的关键帧图像；对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；基于所述目标物体的物体类别，获取目标广告；在所述目标视频的播放界面上推送所述目标广告。
可选地，所述基于所述目标物体的物体类别，获取目标广告，包括：根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。
可选地，所述基于所述目标物体的物体类别，获取目标广告，包括：获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征；获取一个或多个候选广告商品的第二数据特征，其中，所述第二特征数据用于描述所述候选广告商品的特征，所述候选广告商品的物体类别与所述目标物体相同；对于任一所述候选广告商品，基于所述候选广告商品的第二特征数据与所述目标物体的第一特征数据，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
可选地，所述获取所述关键帧图像中的目标物体的物体类别，以及获取所述目标物体的第一特征数据，包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别以及所述目标物体的第一特征数据，其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别和特征数据；在所述获取一个或多个候选广告商品的第二数据特征之前，所述方法还包括：将所述一个或多个候选广告商品的图像输入到所述第一卷积神经网络模型，得到所述候选广告商品的物体类别以及所述候选广告商品的第二特征数据。
可选地，在所述获取目标视频的关键帧图像之前，所述方法还包括：获取多个样本视频和各个样本视频的样本关键帧；对于任一所述样本视频，将所述样本视频的样本关键帧和所述样本视频的多个预定帧图像输入到第二卷积神经网络模型，对所述第二卷积神经网络模型进行训练，其中，所述第二卷积神经网络模型用于识别输入的视频的关键帧；所述获取目标视频的关键帧图像，包括：将所述目标视频的各个预定帧图像输入到训练好的所述第二卷积神经网络模型，得到所述关键帧图像。
根据本公开实施例的第二方面，提供一种广告推荐装置，包括：第一获取单元，被配置为执行获取目标视频的关键帧图像；第二获取单元，被配置为执行对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；第三获取单元，被配置为执行基于所述目标物体的物体类别，获取目标广告；推送单元，被配置为执行在所述目标视频的播放界面上推送所述目标广告。
可选地，所述第三获取单元基于所述目标物体的物体类别，获取目标广告，包括：根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。
可选地，所述第三获取单元基于所述目标物体的物体类别，获取目标广告，包括：获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征；获取一个或多个候选广告商品的第二数据特征，其中，所述第二特征数据用于描述所述候选广告商品的特征，所述候选广告商品的物体类别与所述目标物体相同；对于任一所述候选广告商品，基于所述候选广告商品的第二特征数据与所述目标物体的第一特征数据，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
可选地，所述第三获取单元获取所述关键帧图像中的目标物体的物体类别，以及获取所述目标物体的第一特征数据，包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别以及所述目标物体的第一特征数据，其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别和特征数据；所述装置还包括：预处理单元，被配置为执行将所述一个或多个候选广告商品的图像输入到所述第一卷积神经网络模型，得到所述候选广告商品的物体类别以及所述候选广告商品的第二特征数据。
可选地，所述装置还包括：训练单元，被配置为获取多个样本视频和各个样本视频的样本关键帧；对于任一所述样本视频，将所述样本视频的样本关键帧和所述样本视频的多个预定帧图像输入到第二卷积神经网络模型，对所述第二卷积神经网络模型进行训练，其中，所述第二卷积神经网络模型用于识别输入的视频的关键帧；所述第一获取单元获取目标视频的关键帧图像，包括：将所述目标视频的各个预定帧图像输入到训练好的所述第二卷积神经网络模型，得到所述关键帧图像。
根据本公开实施例的第四方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述的广告推荐方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述的广告推荐方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行上述任一种广告推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果：在本公开的实施例提供的技术方案中，从目标视频中获取关键帧图像，对关键帧图像进行识别，获取关键帧图像中的目标物体的类别，基于所述目标物体的类别，获取目标广告，将目标广告推送到目标视频的播放界面上，从而使得目标视频的播放界面上推送的目标广告与目标视频中播放的内容相关，因此更能吸引观看视频的用户，提高了广告投放的有效性。
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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种广告推荐方法的流程图。
图2是根据一示例性实施例示出的另一种广告推荐方法的流程图；
图3是根据一示例性实施例示出的一种广告推荐装置的框图；
图4是根据一示例性实施例示出的一种装置的框图；
图5是根据一示例性实施例示出的一种装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种广告推荐方法的流程图，如图1所示，该广告推荐方法可以用于服务器中，包括以下步骤S11至步骤S14。
在步骤S11中，获取目标视频的关键帧图像。
其中，目标视频可以是当前用户通过客户端上传的视频，例如，在短视频系统中，用户通过客户端上传的短视频。或者，目标视频也可以是数据库中存储的视频，例如，数据库中存储的、尚未获取与该视频的推荐广告的视频。具体本实施例中不作限定。
在一个可能的实现方式中，目标视频的关键帧图像可以为预定帧图像，例如，目标视频的首帧图像或者尾帧图像，或者中间帧图像等。
在一个可能的实现方式中，为了保证选择出的关键帧图像能够代表出目标视频的内容，可以通过关键帧算法求解目标视频的关键帧，从而确定目标视频的关键帧图像。其中，关键帧算法可以是相关技术中的任意一种关键帧算法。例如，可以预先通过样本视频及其样本关键帧，训练一个用于识别目标视频的关键帧图像的卷积神经网络(CNN)模型。因此，在一个可能的实现方式中，在步骤S11之前，该方法还可以包括：步骤S11a，获取多个样本视频和各个样本视频的样本关键帧；对于任一所述样本视频，将所述样本视频的样本关键帧和所述样本视频的多个预定帧图像输入到第二卷积神经网络模型，对所述第二卷积神经网络模型进行训练，其中，所述第二卷积神经网络模型用于识别输入的视频的关键帧；则步骤S11可以包括：将所述目标视频的各个预定帧图像输入到训练好的所述第二卷积神经网络模型，得到所述关键帧图像。
例如，可以收集用户上传的视频作为样本视频，将用户选择的作为视频的封面的图像作为样本视频的样本关键帧，将视频中的多帧图像包括但不限于首帧、视频中间随机抽取的一帧或多帧作为副样本(即所述多个预定帧图像)。
其中，上述第二卷积神经网络模型可以为复用相关技术中的CNN模型，通过使用样本视频进行训练，或者，也可以是与相关技术中的CNN模型不同的其它CNN模型，具体本实施例中不作限定。
在步骤S12中，对所述关键帧图像进行识别，获取关键帧图像中的目标物体的物体类别。
在一个可能的实现方式中，为提高目标物体的类别识别的准确性，可以通过CNN模型对关键帧图像进行识别，以获取关键帧图像中的目标物体的类别。因此，该可能的实现方式中，步骤S12可以包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别。其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别。通过该可能的实现方式，可以提高目标物体的类别识别的准确性。
在上述可能的实现方式中，为了减少第一卷积神经网络模型的构造及训练工作，第一卷积神经网络模型可以采用相关技术中的图像分类模型，例如，inception v3，并按照现有的图像分类模型的训练方式训练好。将关键帧图像输入到图像分类模型中，可以得到关键帧图像中的目标物体的类别。
在步骤S13中，基于目标物体的物体类别，获取目标广告。
在一个可能的实现方式中，在步骤S13中，可以直接基于目标物体的物体类别，从数据库中获取目标广告。例如，如果目标物体的物体类别为美食，则可以获取到食品或美食行业的广告作为目标广告，如果目标物体的物体类别为猫，则可以匹配到对应的宠物用品。即可以通过预先设置物体类别与广告行业或广告商品类目的对应关系，获取目标广告。因此，在该可能的实现方式中，步骤S13可以包括：根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。例如，可以预先设置美食类的物体与食品或美食行业对应，狗与宠物狗用品对应，如果从关键帧图像中识别出目标物体为狗，则获取的目标广告为宠物狗用品的广告。
在实际应用中，为了更为准确的为目标视频匹配合适的目标广告，可以根据目标物体的物体类别，进一步匹配与目标物体相似的广告商品作为目标广告。因此，在一个可能的实现方式中，步骤S13可以包括：
步骤S131，从所述数据库中获取与所述目标物体的物体类别相同的一个或多个候选广告商品；
步骤S132，对于任一所述候选广告商品，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品作为所述目标广告。
例如，如果目标物体为一碗面条，其类别为美食，则可以从数据库中获取到所有的食品或美食行业的广告商品作为候选广告商品，计算目标物体与各个候选广告商品的相似度，最后得到某家拉面馆的牛肉拉面与目标物体的相似度大于预定阈值，因此，将该牛肉拉面的广告作为目标广告。
在上述可能的实现方式中，在步骤S13获取到目标物体的物体类别之后，从数据库中获取与目标物体同类别的一个或多个候选广告商品的相关信息，例如，可以是候选广告商品的图像，然后根据各个候选广告商品的相关信息，计算目标物体与各个候选广告商品的相似度，将相似度大于预定阈值的候选广告商品的广告作为目标广告。其中，该预定阈值可以根据实际应用确定，例如，可以为0.8，即目标商品与候选广告商品的相似度大于80％，则将该候选广告商品的广告作为目标广告。
在上述可能的实现方式中，可选地，候选广告商品的相关信息可以为候选广告商品的第二特征数据，其中，所述第二特征数据用于描述所述候选广告商品的特征，则在步骤S132中，计算所述目标物体与所述候选广告商品的相似度可以包括：获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征，所述第一特征数据可以与所述目标物体一一对应；计算所述第一特征数据与所述候选广告商品的第二特征数据的相似度。在该可选的实施方式中，特征数据为描述物体的外观特征的数据，不同的外观的物体的特征数据不相同。
例如，可以通过上述获取目标物体的物体类别的第一卷积神经网络模型获取目标物体的第一特征数据和各个候选广告商品的第二特征数据，而各个候选广告商品的类别也可以通过第一卷积神经网络模型获取。因此，在一个可能的实现方式中，步骤S12可以包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别以及所述目标物体的第一特征数据，其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别和特征数据；在从数据库中获取与目标物体同类别的一个或多个候选广告商品的相关信息之前，所述方法还包括：将所述一个或多个候选广告商品的图像输入到所述第一卷积神经网络模型，得到所述一个或多个候选广告商品的类别以及所述广告商品的特征数据。
例如，如果第一卷积神经网络为图像分类模型，由于图像分类模型的输出层输出的是输入的图片的分类结果，而图片的分类结果的种类是有限的，因此，在一个可选实施方式中，输入的图像中的物体的特征数据并不是图像分类模型的输出层输出的分类结果，而是将图像分类模型的输出层的输入作为输入的图像中的物体的特征数据(也可以称为特征向量)。
在本实施例的一个可能的实现方式中，步骤S13可以单独使用上述两种可能的实现方式获取目标广告，或者，也可以针对不同的目标物体的类别，使用不同的方式获取目标广告。例如，可以预先对类别进行分类，对于相似度要求不是很高的物体(在本实施例中，可以称为第一预定类别)，使用第一种实现方式获取目标广告，即直接根据目标物体的类别获取目标广告，对于相似度要求较高的物体(在本实施例中可以称为第二预定类别)，则使用第二实现方式获取目标广告，即通过计算目标物体与各个候选广告商品的相似度的方式获取目标广告。因此，在该可能的实现方式中，步骤S13可以包括：
步骤S131’，若所述目标物体的物体类别为第一预定类别，则根据预先设置的物体类别与广告行业或物体类别与广告商品类目的对应关系，从所述数据库中获取所述目标广告，其中，所述目标广告的广告行业或广告商品类目与所述目标物体的物体类别对应；
步骤S132’，若所述目标物体的类别为第二预定类别，则从数据库中获取与所述目标物体的物体类别相同的一个或多个候选广告商品的相关信息；对于任一所述候选广告商品，根据所述候选广告商品的相关信息，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
通过上述可能的实现方式，可以针对不同的物体类别，采用不同的目标广告获取方式，在确保目标广告与目标视频相关的同时，减少计算量。
在步骤S14中，在所述目标视频的播放界面上推送所述目标广告。
例如，用户A上传目标视频之后，用户B对该目标视频感兴趣，观看该目标视频，则将目标广告推送到用户B播放该目标视频的界面上。
在具体应用中，目标广告的图像可以通过卡片的方式显示在目标视频的播放界面上，用户可以通过点击该卡片，可以跳转到目标广告链接的商品出售页面。
在本公开的实施例提供的技术方案中，从目标视频中获取关键帧图像，对关键帧图像进行识别，获取关键帧图像中的目标物体的类别，基于所述目标物体的类别，从数据库中获取目标广告，将目标广告推送到目标视频的播放界面上，从而使得目标视频的播放界面上推送的目标广告与目标视频中播放的内容相关，因此更能吸引观看视频的用户，提高了广告投放的有效性。
图2为本公开实施例提供的另一种广告推荐方法的流程图，如图2所示，该广告推荐方法主要包括以下步骤：
步骤S21，对用户上传的视频抽取关键帧，即选出可以代表视频内容的图片。抽取关键帧的方式与步骤S11相同，具体可以参见上述对步骤S11的描述。
步骤S22，利用预定的CNN模型处理步骤S21中所得关键帧，抽取关键帧中重要的物体，可以获得物体的类别(例如美食、猫狗、玩具、上衣等)以及物体的特征向量。
步骤S23，若物体的类别为第一预定类别，即相似度要求不是很高的物体，可以利用步骤S22中获得的物体类别直接匹配到广告行业或者商品类目。例如美食匹配到食品，或美食行业。猫狗匹配到宠物用品。
步骤S24，若为第二预定类型，即对于相似度有要求的物体，比如服饰，则进行同款推荐。
在具体应用中，可以预先利用cnn模型处理商品库内相似度有要求的商品图片，得到各个商品图片的物体类别及特征向量。然后根据步骤S22中得到的关键帧中物体类别，获取商品图中同类别的商品。例如，关键帧中检测出“上衣”物体匹配到商品图中的“上衣”物体。然后再计算商品图中同类商品的物体特征向量与视频关键帧中的物体特征向量的余弦相似度，选取相似的商品进行“同款”召回(即选择相似的商品进行推荐)。
在具体应用中，相似度为0-1之间的小数，1为完全相同，0为完全不相同，可以根据实际业务需求调整相似度阈值，例如，阈值可以为0.85。
通过本实施例提供的广告推荐方法，通过对目标视频中的关键帧中的物体进行识别，根据该物体的类别，采用对应的方式推荐目标广告，可以确保推荐的目标广告与目标视频的内容相关，并且，可以减少计算量。
图3是根据一示例性实施例示出的一种广告推荐装置的框图。参照图3，该装置300包括第一获取单元311、第二获取单元312、第三获取单元313和推送单元314。
在该实施例中，第一获取单元311，被配置为执行获取目标视频的关键帧图像；第二获取单元312，被配置为执行对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；第三获取单元313，被配置为执行基于所述目标物体的物体类别，获取目标广告；推送单元314，被配置为执行在所述目标视频的播放界面上推送所述目标广告。
在一个可能的实现方式中，所述第三获取单元313基于所述目标物体的物体类别，获取目标广告可以包括：根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。
在一个可能的实现方式中，所述第三获取单元313基于所述目标物体的物体类别，获取目标广告可以包括：
获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征；
获取一个或多个候选广告商品的第二数据特征，其中，所述第二特征数据用于描述所述候选广告商品的特征，所述候选广告商品的物体类别与所述目标物体相同；
对于任一所述候选广告商品，基于所述候选广告商品的第二特征数据与所述目标物体的第一特征数据，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
在一个可能的实现方式中，所述第三获取单元313获取所述关键帧图像中的目标物体的物体类别，以及获取所述目标物体的第一特征数据可以包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别以及所述目标物体的第一特征数据，其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别和特征数据；所述装置还包括：预处理单元，被配置为执行将一个或多个所述候选广告商品的图像输入到所述第一卷积神经网络模型，得到一个或多个所述候选广告商品的物体类别以及一个或多个所述候选广告商品的第二特征数据。
在一个可能的实现方式中，所述装置还包括：训练单元，被配置为执行获取多个样本视频和各个样本视频的样本关键帧；对于任一所述样本视频，将所述样本视频的样本关键帧和所述样本视频的多个预定帧图像输入到第二卷积神经网络模型，对所述第二卷积神经网络模型进行训练，其中，所述第二卷积神经网络模型用于识别输入的视频的关键帧；所述第一获取单元311获取目标视频的关键帧图像可以包括：将所述目标视频的各个预定帧图像输入到训练好的所述第二卷积神经网络模型，得到所述关键帧图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，并具有相同的有益效果此处将不做详细阐述说明。
图4根据一示例性实施例示出的一种用于广告推送装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当设备400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是根据一示例性实施例示出的一种用于广告推荐的装置500的框图。例如，装置500可以被提供为一服务器。参照图5，装置500包括处理组件522，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述广告推荐方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理，一个有线或无线网络接口550被配置为将装置500连接到网络，和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似的操作系统。
本公开的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题目更新方法的实施例的各个过程，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，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开未公开的本技术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，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种广告推荐方法，其特征在于，包括：
获取目标视频的关键帧图像；
对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；
基于所述目标物体的物体类别，获取目标广告；
在所述目标视频的播放界面上推送所述目标广告。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标物体的物体类别，获取目标广告，包括：
根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，
根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标物体的物体类别，获取目标广告，包括：
获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征；
获取一个或多个候选广告商品的第二数据特征，其中，所述第二特征数据用于描述所述候选广告商品的特征，所述候选广告商品的物体类别与所述目标物体相同；
对于任一所述候选广告商品，基于所述候选广告商品的第二特征数据与所述目标物体的第一特征数据，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
4.根据权利要求3所述的方法，其特征在于，
所述获取所述关键帧图像中的目标物体的物体类别，以及获取所述目标物体的第一特征数据，包括：将所述关键帧图像输入到预先训练好的第一卷积神经网络模型，得到所述目标物体的物体类别以及所述目标物体的第一特征数据，其中，所述第一卷积神经网络模块用于获取输入的图像中的物体的物体类别和特征数据；
在所述获取一个或多个候选广告商品的第二数据特征之前，所述方法还包括：将一个或多个所述候选广告商品的图像输入到所述第一卷积神经网络模型，得到一个或多个所述候选广告商品的物体类别以及一个或多个所述候选广告商品的第二特征数据。
5.根据权利要求1至4任一项所述的方法，其特征在于，
在所述获取目标视频的关键帧图像之前，所述方法还包括：获取多个样本视频和各个样本视频的样本关键帧；对于任一所述样本视频，将所述样本视频的样本关键帧和所述样本视频的多个预定帧图像输入到第二卷积神经网络模型，对所述第二卷积神经网络模型进行训练，其中，所述第二卷积神经网络模型用于识别输入的视频的关键帧；
所述获取目标视频的关键帧图像，包括：将所述目标视频的各个预定帧图像输入到训练好的所述第二卷积神经网络模型，得到所述关键帧图像。
6.一种广告推荐装置，其特征在于，包括：
第一获取单元，被配置为执行获取目标视频的关键帧图像；
第二获取单元，被配置为执行对所述关键帧图像进行识别，获取所述关键帧图像中的目标物体的物体类别；
第三获取单元，被配置为执行基于所述目标物体的物体类别，获取目标广告；
推送单元，被配置为执行在所述目标视频的播放界面上推送所述目标广告。
7.根据权利要求6所述的装置，其特征在于，所述第三获取单元基于所述目标物体的物体类别，获取目标广告，包括：
根据预先设置的物体类别与广告行业的对应关系，获取与所述目标物体的物体类别对应的目标广告行业，从数据库中获取所述目标广告行业中的所述目标广告；或者，
根据预先设置的物体类别与广告商品类目的对应关系，获取与所述目标物体的物体类别对应的目标广告商品类目，从数据库中获取所述目标广告商品类目中的所述目标广告。
8.根据权利要求6所述的装置，其特征在于，所述第三获取单元基于所述目标物体的物体类别，获取目标广告，包括：
获取所述目标物体的第一特征数据，其中，所述第一特征数据用于描述所述目标物体的特征；
获取一个或多个候选广告商品的第二数据特征，其中，所述第二特征数据用于描述所述候选广告商品的特征，所述候选广告商品的物体类别与所述目标物体相同；
对于任一所述候选广告商品，基于所述候选广告商品的第二特征数据与所述目标物体的第一特征数据，计算所述目标物体与所述候选广告商品的相似度，获取与所述目标物体的相似度大于预定阈值的候选广告商品的广告作为所述目标广告。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的广告推荐方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至5中任一项所述的广告推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405908.6A CN113674007A (zh) | 2020-05-14 | 2020-05-14 | 广告推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405908.6A CN113674007A (zh) | 2020-05-14 | 2020-05-14 | 广告推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113674007A true CN113674007A (zh) | 2021-11-19 |
Family
ID=78537169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010405908.6A Pending CN113674007A (zh) | 2020-05-14 | 2020-05-14 | 广告推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674007A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101489139A (zh) * | 2009-01-21 | 2009-07-22 | 北京大学 | 基于视觉显著度的视频广告关联方法与系统 |
| CN104715023A (zh) * | 2015-03-02 | 2015-06-17 | 北京奇艺世纪科技有限公司 | 基于视频内容的商品推荐方法和系统 |
| CN105718861A (zh) * | 2016-01-15 | 2016-06-29 | 北京市博汇科技股份有限公司 | 一种识别视频流数据类别的方法及装置 |
| CN109495784A (zh) * | 2018-11-29 | 2019-03-19 | 北京微播视界科技有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
| CN109618197A (zh) * | 2018-12-17 | 2019-04-12 | 杭州柚子街信息科技有限公司 | 在视频中插播视频广告的信息处理方法和装置 |
| CN110278466A (zh) * | 2019-06-06 | 2019-09-24 | 浙江口碑网络技术有限公司 | 短视频广告的投放方法、装置及设备 |
-
2020
- 2020-05-14 CN CN202010405908.6A patent/CN113674007A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101489139A (zh) * | 2009-01-21 | 2009-07-22 | 北京大学 | 基于视觉显著度的视频广告关联方法与系统 |
| CN104715023A (zh) * | 2015-03-02 | 2015-06-17 | 北京奇艺世纪科技有限公司 | 基于视频内容的商品推荐方法和系统 |
| CN105718861A (zh) * | 2016-01-15 | 2016-06-29 | 北京市博汇科技股份有限公司 | 一种识别视频流数据类别的方法及装置 |
| CN109495784A (zh) * | 2018-11-29 | 2019-03-19 | 北京微播视界科技有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
| CN109618197A (zh) * | 2018-12-17 | 2019-04-12 | 杭州柚子街信息科技有限公司 | 在视频中插播视频广告的信息处理方法和装置 |
| CN110278466A (zh) * | 2019-06-06 | 2019-09-24 | 浙江口碑网络技术有限公司 | 短视频广告的投放方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11520824B2 (en) | Method for displaying information, electronic device and system | |
| CN111083512A (zh) | 直播间的切换方法、装置、电子设备和存储介质 | |
| CN112131410A (zh) | 多媒体资源展示方法、装置、系统和存储介质 | |
| CN111369271B (zh) | 一种广告的排序方法、装置、电子设备及存储介质 | |
| CN111556366A (zh) | 一种多媒体资源的展示方法、装置、终端、服务器及系统 | |
| CN107203899A (zh) | 信息推送方法及设备 | |
| CN113382308A (zh) | 信息显示方法、装置、电子设备、计算机可读存储介质 | |
| CN109670632B (zh) | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 | |
| CN106600331A (zh) | 投放广告的方法及装置 | |
| CN112000266B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN112464031A (zh) | 交互方法、装置、电子设备以及存储介质 | |
| US20220277204A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
| CN113099297A (zh) | 卡点视频的生成方法、装置、电子设备及存储介质 | |
| CN112445970A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN111950425A (zh) | 对象获取方法、装置、客户端、服务器、系统和存储介质 | |
| CN112148980A (zh) | 基于用户点击的物品推荐方法、装置、设备和存储介质 | |
| CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
| CN113901241B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN112685641B (zh) | 一种信息处理方法及装置 | |
| CN112015277B (zh) | 信息显示方法、装置及电子设备 | |
| CN113343075A (zh) | 一种虚拟资源推送方法、装置、电子设备及存储介质 | |
| CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
| CN106886541B (zh) | 一种数据搜索方法、装置以及一种用于数据搜索的装置 | |
| CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN114268815B (zh) | 视频质量确定方法、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 |