CN113888211A - 一种广告推送方法、装置、电子设备及存储介质 - Google Patents
一种广告推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113888211A CN113888211A CN202111118571.1A CN202111118571A CN113888211A CN 113888211 A CN113888211 A CN 113888211A CN 202111118571 A CN202111118571 A CN 202111118571A CN 113888211 A CN113888211 A CN 113888211A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- advertisements
- historical
- target user
- feature extraction
- 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 54
- 239000013598 vector Substances 0.000 claims abstract description 133
- 238000012512 characterization method Methods 0.000 claims abstract description 86
- 238000000605 extraction Methods 0.000 claims abstract description 63
- 239000000463 material Substances 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 48
- 230000015654 memory Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种广告推送方法、装置、电子设备及存储介质,所述方法包括:获取多个第一广告的广告素材,针对每个第一广告,利用预先训练好的广告特征提取模型根据广告素材提取对应的广告联合表征向量,根据目标用户点击过的第二广告确定目标用户的广告偏好向量,计算多个第一广告的广告联合表征向量与目标用户的广告偏好向量之间的匹配度,将匹配度符合预设条件的第一广告推送给目标用户。本方案可以实现基于广告素材的广告推送,无需获取广告的线上投放数据,即使针对新创建的广告也可以实现精准的推送,进而提高推送的广告的点击量。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种广告推送方法、装置、电子设备及存储介质。
背景技术
目前的广告推荐算法通常是有系统以及广告的创意id、订单id等id类特征来预估广告的投放效果,然后依据投放效果将广告推送至相关的对该广告该兴趣的用户,进而提高广告的点击量。
但是针对新创建的广告,由于其没有线上投放数据,这就导致采用现有的广告推荐算法在广告的投放初期无法实现对其的精准投放,使得新创建的广告在一段时间内投放无效,只能得到较少的点击量。
发明内容
为克服相关技术中存在的无法对新创建的广告进行精准推送的问题,本申请提供一种广告推送方法、装置、电子设备及存储介质。
第一方面,本申请实施例提供了一种广告推送方法,包括:
获取多个第一广告中每个所述第一广告对应的广告素材;
针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
作为一种可能的实现方式,所述广告特征提取模型的训练包括:
获取训练数据,所述训练数据中包含多个历史广告的广告素材;
获取所述多个历史广告的点击日志;
基于所述点击日志,构建所述多个历史广告之间的邻接矩阵;
利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型。
作为一种可能的实现方式,所述基于所述点击日志,构建所述多个历史广告之间的邻接矩阵,包括:
所述点击日志中包含被点击的广告的ID和点击该广告的用户的ID,根据广告点击日志,对所述多个历史广告进行聚类,将被同一用户点击过的所述历史广告划分为一类;
根据聚类结果,生成用户与所述历史广告之间的对应关系;
基于所述对应关系,构建所述多个历史广告之间的相关关系图,所述相关关系图以所述历史广告为顶点,以所述历史广告之间的相关关系为边,以所述历史广告之间的相关系数为边的权值;
生成与所述相关关系图对应的邻接矩阵。
作为一种可能的实现方式,所述历史广告之间的相关系数采用下述方式确定:
确定任意两个所述历史广告之间的初始相关系数为0,针对任意两个所述历史广告,若根据所述对应关系确定任意两个所述历史广告与同一用户对应,则两个所述历史广告之间的相关系数加1。
作为一种可能的实现方式,所述利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型,包括:
所述预设的特征提取模型包括特征提取器、多层感知机和三元组损失函数;
将所述训练数据输入所述特征提取器进行特征提取后再经过所述多层感知机进行特征理解,得到所述训练数据的广告联合表征向量;
以所述邻接矩阵作为原始真实值,构建多个由所述历史广告的广告联合表征组成的三元组数据;
利用多个所述三元组数据训练所述特征提取模型,得到广告特征提取模型。
作为一种可能的实现方式,所述根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量,包括:
根据所述目标用户的广告点击日志,确定所述目标用户点击过的第二广告;
获取所述第二广告的广告联合表征向量;
将所述第二广告的广告联合表征向量作为所述用户的广告偏好向量。
作为一种可能的实现方式,所述方法还包括:
将所述广告特征提取模型输出的广告联合表征向量与对应的广告对应存储到预设位置;
所述获取所述第二广告的广告联合表征向量,包括:
检测所述预设位置中,是否存储有与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中存储有与所述第二广告对应的广告联合表征向量,则获取所述预设位置中存储的与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中没有存储与所述第二广告对应的广告联合表征向量,则获取所述第二广告对应的广告素材,并将所述第二广告对应的广告素材输入到所述广告特征提取模型,得到对应的输出结果,将所述输出结果作为所述第二广告的广告联合表征向量。
第二方面,本申请实施例还提供了一种广告推送装置,包括:
获取模块,用于获取多个第一广告中每个所述第一广告对应的广告素材;
广告向量确定模块,用于针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
用户向量确定模块,用于根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
计算模块,用于确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
推送模块,用于将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的广告推送程序,以实现第一方面所述的广告推送方法。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面所述的广告推送方法。
本申请提供的技术方案可以包括以下有益效果:本申请提供的一种广告推送方法,获取多个第一广告的广告素材,针对每个第一广告,利用预先训练好的广告特征提取模型根据广告素材提取对应的广告联合表征向量,根据目标用户点击过的第二广告确定目标用户的广告偏好向量,计算多个第一广告的广告联合表征向量与目标用户的广告偏好向量之间的匹配度,将匹配度符合预设条件的第一广告推送给目标用户。本方案可以实现基于广告素材的广告推送,无需获取广告的线上投放数据,即使针对新创建的广告也可以实现精准的推送,进而提高推送的广告的点击量。
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。
图1是根据一示例性实施例示出的一种广告推送方法的流程图;
图2是根据另一示例性实施例示出的一种广告推送方法的流程图;
图3是根据一示例性实施例示出的一种广告推送装置的框图;
图4是根据一示例性实施例示出的一种电子设备的示意图;
图5是根据一示例实施例示出的一种相关关系图的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请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、本申请的一些方面相一致的装置和方法的例子。
参见图1,为本申请的一个实施例提供的一种广告推送方法的流程图,如图1所示,本实施例提供的广告推送方法可以包括:
S11.获取多个第一广告中每个第一广告对应的广告素材。
在本发明实施例中,该方法可以应用于进行广告推送的服务器,其中服务器中设置有广告库,广告库中存储有多个广告对应的广告素材,在广告库中广告素材可以与对应的广告ID对应存储。
在实际应用中,可以从广告库中确定多个广告作为第一广告,并从广告库中获取每个第一广告对应的广告素材,其中第一广告可以为历史创建的广告也可以为新创建的广告。
在实际应用中,广告素材可以包括广告的文案信息和/或图片信息,其中图片信息可以包括广告视频的封面图片。
S12.针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量。
在本发明实施例中,广告的广告联合表征向量也即广告的embedding向量,embedding向量的性质是能使距离相近的向量对应的物体有相近的含义。
在本申请实施例中,广告的广告联合表征向量是根据广告的文案信息、图片信息等广告素材得到的,无需使用广告的线上投放数据,因此即使针对新创建的广告,也可以确定其对应的广告联合表征向量。
在本发明实施例中,广告特征提取模型为预先训练并存储的模型,在获取到多个第一广告对应的多个广告素材之后,即可将每个第一广告对应的广告素材分别输入到广告特征提取模型中进行特征提取,进而得到每个第一广告各自对应的广告联合表征向量。
至于广告特征提取模型是如何训练的,将在下文中结合附图2进行说明,此处先不详述。
S13.根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量。
通常用户只会对自己感兴趣的广告进行点击,因此可以将用户点击过的广告认为是符合用户偏好的广告,所以在本发明实施例中,可以根据目标用户点击过的第二广告确定目标用户的广告偏好向量。
在本发明实施例中,在确定目标用户的广告偏好向量时,可以获取目标用户的广告点击日志,根据目标用户的广告点击日志确定目标用户点击过的第二广告,获取所述第二广告的广告联合表征向量,将所述第二广告的广告联合表征向量作为所述用户的广告偏好向量。
其中,目标用户的广告点击日志可以根据目标用户的用户id从用户行为数据中获取,获取到的广告点击日志中通常包括目标用户的用户id和目标用户点击过的广告的id。
在本发明实施例中,根据目标用户的广告点击日志有可能会确定出目标用户点击过的一个或多个广告。
作为一个可选的实现方式,若根据目标用户的广告点击日志确定出目标用户点击过的一个广告,则将该广告确定为目标用户点击过的第二广告。
作为另一个可选的实现方式,若根据目标用户的广告点击日志确定出目标用户点击过的多个广告,则可以从目标用户点击过的多个广告中选取点击时间距离当前时间最近的一个作为目标用户点击过的第二广告。
在本发明实施例中,可以将广告特征提取模型输出的广告联合表征向量与对应的广告对应存储到预设位置,其中,预设位置可以根据实际需求设定,在对广告联合表征向量与广告进行对应存储时,为了节省存储空间,可以将广告联合表征向量与对应的广告的id进行对应存储。基于此,在确定出目标用户点击过的第二广告后,可以采用下述方式获取第二广告的广告联合表征向量:
检测预设位置中,是否存储有与第二广告对应的广告联合表征向量,若确定预设位置中存储有与第二广告对应的广告联合表征向量,则获取预设位置中存储的与第二广告对应的广告联合表征向量作为第二广告的广告联合表征向量,若确定预设位置中没有存储与第二广告对应的广告联合表征向量,则获取第二广告对应的广告素材,并将第二广告对应的广告素材输入到广告特征提取模型,得到对应的输出结果,将输出结果作为所述第二广告的广告联合表征向量。
S14.确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度。
在本发明实施例中,针对每个第一广告,可以通过计算该第一广告的广告联合表征向量与广告偏好向量之间的余弦相似度来确定该第一广告的广告联合表征向量与广告偏好向量之间的匹配度,其中,余弦相似度越大,则说明匹配度越高,余弦相似度越小,则说明匹配度越低。
S15.将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
在本发明实施例中,预设条件可以根据实际需求设定。
作为一个实施例,预设条件为将多个第一广告按照匹配度由大到小的顺序进行排序,选取排在前k位的第一广告作为目标广告,其中k为大于等于1的整数,根据上述预设条件选取k个目标广告后,将目标广告推送给目标用户。
在本发明实施例中,目标用户的广告偏好向量为目标用户点击过的第二广告的广告联合表征向量,因此计算多个第一广告的广告联合表征向量与广告偏好向量之间的匹配度,即为计算多个第一广告与目标用户点击过的第二广告的相似度,然后根据计算得到的匹配度向目标用户推送广告,可以实现向目标用户推送与其点击过的广告相似、相关联的广告。
在实际应用中,将匹配度符合预设条件的第一广告推送给目标用户,即为将匹配度符合预设条件的第一广告推送至目标用户所使用的终端设备。具体的,可以获取目标用户的用户信息,比如账号信息,然后确定目标用户的账号信息当前所登录的终端设备,将该终端设备确定为目标终端设备,然后将匹配度符合预设条件的第一广告推送至目标终端设备,从而实现将匹配度符合预设条件的第一广告推送给目标用户。
本申请提供的一种广告推送方法,获取多个第一广告的广告素材,针对每个第一广告,利用预先训练好的广告特征提取模型根据广告素材提取对应的广告联合表征向量,根据目标用户点击过的第二广告确定目标用户的广告偏好向量,计算多个第一广告的广告联合表征向量与目标用户的广告偏好向量之间的匹配度,将匹配度符合预设条件的第一广告推送给目标用户。本方案可以实现基于广告素材的广告推送,无需获取广告的线上投放数据,即使针对新创建的广告也可以实现精准的推送,进而提高推送的广告的点击量。
参见图2,为本申请另一实施例提供的一种广告特征提取模型训练的流程图,如图2所示,广告特征提取模型的训练可以包括如下步骤:
S21.获取训练数据,训练数据中包含多个历史广告的广告素材。
在实际应用中,可以从服务器的广告库中获取多个历史广告的广告素材作为训练数据。
S22.获取所述多个历史广告的点击日志。
在本发明实施例中,通常广告的点击日志存储在服务器中,因此可以从服务器中直接获取多个历史广告的点击日志。
S23.基于所述点击日志,构建所述多个历史广告之间的邻接矩阵。
在本发明实施例中,广告的点击日志中包含被点击的广告的ID和点击该广告的用户的ID。基于此,基于多个历史广告的点击日志构建多个历史广告之间的邻接矩阵可以包括:根据多个历史广告的点击日志,对多个历史广告进行聚类,将被同一用户点击过的历史广告划分为一类,根据聚类结果,生成用户与历史广告之间的对应关系,基于用户与历史广告之间的对应关系,构建训练数据中的多个历史广告之间的相关关系图,然后生成与相关关系图对应的邻接矩阵。
作为一个实施例,构建的相关关系图为无向图,其中以训练数据中的历史广告的ID为顶点,以历史广告之间的相关关系为边,以历史广告之间的相关系数为边的权值。
例如图5所示,为一种相关关系图的示意图,其中包含4个顶点(A,B,C,D)和5条边,其中,AB之间的边的权值为2,AC之前边的权值为4,BC之间边的权值为1,CD之间边的权值为1,AD之间边的权值为1,该相关关系图的定义:G=(V,E),其中G(graph):表示相关关系图,V(Vertext):表示图中顶点的矩阵,E(Edge):表示图中边的权值的矩阵。相关关系图对应的邻接矩阵为表示相关关系图中的顶点之间相邻关系的矩阵,也就是边的权值的矩阵E。
以图5所示的相关关系图为例,V为:
[A B C D]
E为:
作为一个实施例,历史广告之间的相关系数可以采用下述方式确定:
确定训练数据中任意两个历史广告之间的初始相关系数为0,针对任意两个历史广告,若根据上述用户与历史广告之间的对应关系确定该任意两个历史广告与同一用户对应,则两个历史广告之间的相关系数加1,例如若历史广告A和历史广告B均与用户A对应,则历史广告A和历史广告B的相关系数就是1,若历史广告A和历史广告B均与用户A和用户B对应,则历史广告A和历史广告B的相关系数就是2,以此类推,当然若没有与历史广告A和历史广告B均对应的用户,则历史广告A和历史广告B的相关系数就是0。两个历史广告之间的相关系数越大,则说明两个历史广告越相似。
进一步的,为了提高相关系数的准确性,使得相关系数能够更准确的体现历史广告之间的相似度,在确定用户与历史广告之间的对应关系时,同时记录用户与对应的历史广告的交互时间(也即用户点击历史广告的时间)。然后,在确定历史广告之间的相似系数时可以只有在确定一段时间(比如4天)内两个历史广告与同一用户交互时,才将两个历史广告之间的相关系数加1,否则,两个历史广告之间的相关系数不加1。比如,若用户A在2020年11月20日与历史广告A进行了交互,然后又在2020年11月22日与历史广告B进行了交互,则在确定历史广告A与历史广告B的相似系数时,相似系数就加1;若用户A在2020年11月20日与历史广告A进行了交互,然后又在2020年12月22日与历史广告B进行了交互,则在确定历史广告A与历史广告B的相似系数时,相似系数就不加1。因为若两个历史广告与同一个用户进行交互的时间相隔太长,则可能两个历史广告并不存在关联。
本发明实施例中确定的邻接矩阵能够准确反映训练数据中包含的历史广告之间的相关关系。
S24.利用训练数据和邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型。
在本发明实施例中,预设的特征提取模型可以包括特征提取器、多层感知机和三元组损失函数。
作为一个实施例,预设的特征提取模型中包括ResNet34和SIF两个特征提取器,其中ResNet34用于提取图片信息的特征,SIF用于提取文案信息的特征;三元组损失函数为Triplet loss。基于此,如图3所示,在利用训练数据对预设的特征提取模型进行训练时,可以包括:
将历史广告的广告素材以此从特征提取模型的输入侧输入到特征提取模型中,然后针对每个历史广告执行如下方法:由ResNet34对广告素材中的图像进行特征提取,由SIF对文案信息进行特征提取,将ResNet34提取到的图片特征输入到对应的多层感知机进行特征理解形成对应的图片特征向量,将SIF提取到的文案特征输入到对应的多层感知机进行特征理解形成对应的文案特征向量,然后对图片特征向量和文案特征向量进行融合,得到历史广告对应的广告联合表征向量。针对训练数据中的每个历史广告均执行完上述方法后,得到每个历史广告各自对应的广告联合表征向量。然后将邻接矩阵输入到模型中,以作为模型的原始真实值(即Group truth),然后基于原始真实值,构建多个由历史广告的广告联合表征组成的三元组数据,然后利用构建的三元组数据训练特征提取模型,从而得到广告特征提取模型。
在本发明实施例中,每个三元组数据由三个数据组成,三个数据分别为训练数据中的任一历史广告的广告联合表征向量,与该任一历史广告关联的一个历史广告的广告联合表征向量和与该任一历史广告无关联的一个历史广告的广告联合表征向量。比如历史广告A与历史广告B关联,历史广告A与历史广告C不关联,则可以将历史广告A的广告联合表征、历史广告B的广告联合表征和历史广告C的广告联合表征组成一个三元组数据。其中,针对任意两个历史广告,若两个历史广告间的相关系数不为0,则确定两个历史广告关联,若两个历史广告间的相关系数为0,则确定两个历史广告不关联。
在本发明实施例中,通过上述方式训练得到的广告特征提取模型,以广告对应的广告素材为输入,以广告的广告联合表征向量为输出,由于在进行模型训练时以邻接矩阵作为Group truth,因此该广告特征提取模型输出的广告联合表征向量为embedding向量,embedding向量的性质是能使距离相近的向量对应的物体有相近的含义,也即相似的广告对应的广告联合表征向量也相似。从而通过广告联合表征向量之间的相似度即可反应对应的广告之间的相似度,两个广告的广告联合表征向量越相似,则说明两个广告越相似。
参见图3,为本发明实施例提供的一种广告推送装置的示意图,如图3所示,本发明实施例提供的广告推送装置可以包括:
获取模块301,用于获取多个第一广告中每个第一广告对应的广告素材;
广告向量确定模块302,用于针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
用户向量确定模块303,用于根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
计算模块304,用于确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
推送模块305,用于将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
在本发明实施例中,所述广告特征提取模型的训练可以包括:
获取训练数据,所述训练数据中包含多个历史广告的广告素材;
获取所述多个历史广告的点击日志;
基于所述点击日志,构建所述多个历史广告之间的邻接矩阵;
利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型。
在本发明实施例中,所述基于所述点击日志,构建所述多个历史广告之间的邻接矩阵,包括:
所述点击日志中包含被点击的广告的ID和点击该广告的用户的ID,根据广告点击日志,对所述多个历史广告进行聚类,将被同一用户点击过的所述历史广告划分为一类;
根据聚类结果,生成用户与所述历史广告之间的对应关系;
基于所述对应关系,构建所述多个历史广告之间的相关关系图,所述相关关系图以所述历史广告为顶点,以所述历史广告之间的相关关系为边,以所述历史广告之间的相关系数为边的权值;
生成与所述相关关系图对应的邻接矩阵。
在本发明实施例中,所述历史广告之间的相关系数采用下述方式确定:
确定任意两个所述历史广告之间的初始相关系数为0,针对任意两个所述历史广告,若根据所述对应关系确定任意两个所述历史广告与同一用户对应,则两个所述历史广告之间的相关系数加1。
在本发明实施例中,所述利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型,包括:
所述预设的特征提取模型包括特征提取器、多层感知机和三元组损失函数;
将所述训练数据输入所述特征提取器进行特征提取后再经过所述多层感知机进行特征理解,得到所述训练数据的广告联合表征向量;
以所述邻接矩阵作为原始真实值,构建多个由所述历史广告的广告联合表征组成的三元组数据;
利用多个所述三元组数据训练所述特征提取模型,得到广告特征提取模型。
在本发明实施例中,所述广告向量确定模块302,具体用于:
根据所述目标用户的广告点击日志,确定所述目标用户点击过的第二广告;
获取所述第二广告的广告联合表征向量;
将所述第二广告的广告联合表征向量作为所述用户的广告偏好向量。
在本发明实施例中,所述装置还可以包括(图3中未示出):
存储模块,用于将所述广告特征提取模型输出的广告联合表征向量与对应的广告对应存储到预设位置;
所述获取所述第二广告的广告联合表征向量,包括:
检测所述预设位置中,是否存储有与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中存储有与所述第二广告对应的广告联合表征向量,则获取所述预设位置中存储的与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中没有存储与所述第二广告对应的广告联合表征向量,则获取所述第二广告对应的广告素材,并将所述第二广告对应的广告素材输入到所述广告特征提取模型,得到对应的输出结果,将所述输出结果作为所述第二广告的广告联合表征向量。
参见图4,为本申请的另一实施例提供的一种电子设备的结构示意图。
如图4所示,本实施例提供的电子设备包括:至少一个处理器401、存储器402、至少一个网络接口403和其他用户接口404。电子设备400中的各个组件通过总线系统405耦合在一起。可理解,总线系统405用于实现这些组件之间的连接通信。总线系统405除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图X中将各种总线都标为总线系统405。
其中,用户接口404可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器402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 Data RateSDRAM,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(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的存储器402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402存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统4021和第二应用程序4022。
其中,操作系统4021,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。第二应用程序4022,包含各种第二应用程序,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第二应用程序4022中。
在本发明实施例中,通过调用存储器402存储的程序或指令,具体的,可以是第二应用程序4022中存储的程序或指令,处理器401用于执行各方法实施例所提供的方法步骤,例如包括:
获取多个第一广告对应的多个广告素材;
针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
上述本发明实施例揭示的方法可以应用于处理器401中,或者由处理器401实现。处理器401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable 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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402,处理器401读取存储器402中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSPDevice,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在电子设备侧执行的广告推送方法。
处理器用于执行存储器中存储的广告推送方法的程序,以实现以下在电子设备侧执行的广告推送方法的步骤:
获取多个第一广告对应的多个广告素材;
针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
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,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种广告推送方法,其特征在于,包括:
获取多个第一广告中每个所述第一广告对应的广告素材;
针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述广告特征提取模型的训练包括:
获取训练数据,所述训练数据中包含多个历史广告的广告素材;
获取所述多个历史广告的点击日志;
基于所述点击日志,构建所述多个历史广告之间的邻接矩阵;
利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述点击日志,构建所述多个历史广告之间的邻接矩阵,包括:
所述点击日志中包含被点击的广告的ID和点击该广告的用户的ID,根据所述点击日志,对所述多个历史广告进行聚类,将被同一用户点击过的历史广告划分为一类;
根据聚类结果,生成用户与所述历史广告之间的对应关系;
基于所述对应关系,构建所述多个历史广告之间的相关关系图,所述相关关系图以所述历史广告为顶点,以所述历史广告之间的相关关系为边,以所述历史广告之间的相关系数为边的权值;
生成与所述相关关系图对应的邻接矩阵。
4.根据权利要求3所述的方法,其特征在于,所述历史广告之间的相关系数采用下述方式确定:
确定任意两个所述历史广告之间的初始相关系数为0,针对任意两个所述历史广告,若根据所述对应关系确定任意两个所述历史广告与同一用户对应,则两个所述历史广告之间的相关系数加1。
5.根据权利要求2所述的方法,其特征在于,所述利用所述训练数据和所述邻接矩阵对预设的特征提取模型进行训练,得到广告特征提取模型,包括:
所述预设的特征提取模型包括特征提取器、多层感知机和三元组损失函数;
将所述训练数据输入所述特征提取器进行特征提取后再经过所述多层感知机进行特征理解,得到所述训练数据的广告联合表征向量;
以所述邻接矩阵作为原始真实值,构建多个由所述历史广告的广告联合表征组成的三元组数据;
利用多个所述三元组数据训练所述特征提取模型,得到广告特征提取模型。
6.根据权利要求1所述的方法,其特征在于,所述根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量,包括:
根据所述目标用户的广告点击日志,确定所述目标用户点击过的第二广告;
获取所述第二广告的广告联合表征向量;
将所述第二广告的广告联合表征向量作为所述用户的广告偏好向量。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述广告特征提取模型输出的广告联合表征向量与对应的广告对应存储到预设位置;
所述获取所述第二广告的广告联合表征向量,包括:
检测所述预设位置中,是否存储有与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中存储有与所述第二广告对应的广告联合表征向量,则获取所述预设位置中存储的与所述第二广告对应的广告联合表征向量;
若确定所述预设位置中没有存储与所述第二广告对应的广告联合表征向量,则获取所述第二广告对应的广告素材,并将所述第二广告对应的广告素材输入到所述广告特征提取模型,得到对应的输出结果,将所述输出结果作为所述第二广告的广告联合表征向量。
8.一种广告推送装置,其特征在于,包括:
获取模块,用于获取多个第一广告中每个所述第一广告对应的广告素材;
广告向量确定模块,用于针对每个所述第一广告,将对应的所述广告素材输入预先训练好的广告特征提取模型,得到输出结果,所述输出结果为该第一广告的广告联合表征向量;
用户向量确定模块,用于根据目标用户点击过的第二广告,确定所述目标用户的广告偏好向量;
计算模块,用于确定多个所述第一广告中的每个第一广告的广告联合表征向量与所述广告偏好向量之间的匹配度;
推送模块,用于将多个所述第一广告中匹配度符合预设条件的所述第一广告推送给所述目标用户。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的广告推送程序,以实现权利要求1-7任一所述的广告推送方法。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-7任一所述的广告推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118571.1A CN113888211A (zh) | 2021-09-23 | 2021-09-23 | 一种广告推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118571.1A CN113888211A (zh) | 2021-09-23 | 2021-09-23 | 一种广告推送方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888211A true CN113888211A (zh) | 2022-01-04 |
Family
ID=79010486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111118571.1A Pending CN113888211A (zh) | 2021-09-23 | 2021-09-23 | 一种广告推送方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308556A (zh) * | 2023-05-25 | 2023-06-23 | 北京吉欣科技有限公司 | 基于物联网的广告推送方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120646A1 (en) * | 2006-11-20 | 2008-05-22 | Stern Benjamin J | Automatically associating relevant advertising with video content |
US20090024554A1 (en) * | 2007-07-16 | 2009-01-22 | Vanessa Murdock | Method For Matching Electronic Advertisements To Surrounding Context Based On Their Advertisement Content |
KR20100076498A (ko) * | 2008-12-26 | 2010-07-06 | 전자부품연구원 | 개인 맞춤형 광고 콘텐츠 추천장치,방법 및 그 방법을 실행하기 위한 프로그램을 저장하는 컴퓨터 판독가능한 저장매체 |
US20110196739A1 (en) * | 2010-02-05 | 2011-08-11 | Ruofei Zhang | Systems and methods for efficiently ranking advertisements based on relevancy and click feedback |
US20120330748A1 (en) * | 2011-06-27 | 2012-12-27 | Microsoft Corporation | Universally targeting online advertisements |
CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测系统及其预测方法 |
CN108596687A (zh) * | 2018-05-09 | 2018-09-28 | 南京大学 | 一种基于哈希学习的广告定向投放方法 |
CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 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 |
US20190259070A1 (en) * | 2016-10-20 | 2019-08-22 | Suzhou Deepleaper Information And Technology Company Limited | Advertising information pushing method, device and system, server, and computer readable medium |
CN111178947A (zh) * | 2019-12-18 | 2020-05-19 | 贝壳技术有限公司 | 广告位推荐方法和装置、计算机可读存储介质、电子设备 |
CN111242700A (zh) * | 2020-02-15 | 2020-06-05 | 晓推(武汉)信息科技有限公司 | 广告的预测点击率获取方法、装置、电子设备和存储介质 |
CN111309923A (zh) * | 2020-01-22 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 对象向量确定、模型训练方法、装置、设备和存储介质 |
CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测系统及方法 |
WO2021031825A1 (zh) * | 2019-08-22 | 2021-02-25 | 深圳壹账通智能科技有限公司 | 网络欺诈识别方法、装置、计算机装置及存储介质 |
CN112435079A (zh) * | 2020-12-16 | 2021-03-02 | 合肥工业大学 | 一种面向纯社交平台的广告推荐方法 |
CN112541787A (zh) * | 2020-12-09 | 2021-03-23 | 北京奇艺世纪科技有限公司 | 广告推荐方法、系统、存储介质及电子设备 |
CN112818112A (zh) * | 2021-02-26 | 2021-05-18 | 广东工业大学 | 一种基于文本分类的广告推送方法、装置和系统 |
CN113837836A (zh) * | 2021-09-18 | 2021-12-24 | 珠海格力电器股份有限公司 | 模型推荐方法、装置、设备及存储介质 |
-
2021
- 2021-09-23 CN CN202111118571.1A patent/CN113888211A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080120646A1 (en) * | 2006-11-20 | 2008-05-22 | Stern Benjamin J | Automatically associating relevant advertising with video content |
US20090024554A1 (en) * | 2007-07-16 | 2009-01-22 | Vanessa Murdock | Method For Matching Electronic Advertisements To Surrounding Context Based On Their Advertisement Content |
KR20100076498A (ko) * | 2008-12-26 | 2010-07-06 | 전자부품연구원 | 개인 맞춤형 광고 콘텐츠 추천장치,방법 및 그 방법을 실행하기 위한 프로그램을 저장하는 컴퓨터 판독가능한 저장매체 |
US20110196739A1 (en) * | 2010-02-05 | 2011-08-11 | Ruofei Zhang | Systems and methods for efficiently ranking advertisements based on relevancy and click feedback |
US20120330748A1 (en) * | 2011-06-27 | 2012-12-27 | Microsoft Corporation | Universally targeting online advertisements |
US20190259070A1 (en) * | 2016-10-20 | 2019-08-22 | Suzhou Deepleaper Information And Technology Company Limited | Advertising information pushing method, device and system, server, and computer readable medium |
CN106529721A (zh) * | 2016-11-08 | 2017-03-22 | 安徽大学 | 一种深度特征提取的广告点击率预测系统及其预测方法 |
CN108596687A (zh) * | 2018-05-09 | 2018-09-28 | 南京大学 | 一种基于哈希学习的广告定向投放方法 |
CN109670632A (zh) * | 2018-11-26 | 2019-04-23 | 北京达佳互联信息技术有限公司 | 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 |
WO2021031825A1 (zh) * | 2019-08-22 | 2021-02-25 | 深圳壹账通智能科技有限公司 | 网络欺诈识别方法、装置、计算机装置及存储介质 |
CN111178947A (zh) * | 2019-12-18 | 2020-05-19 | 贝壳技术有限公司 | 广告位推荐方法和装置、计算机可读存储介质、电子设备 |
CN111309923A (zh) * | 2020-01-22 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 对象向量确定、模型训练方法、装置、设备和存储介质 |
CN111242700A (zh) * | 2020-02-15 | 2020-06-05 | 晓推(武汉)信息科技有限公司 | 广告的预测点击率获取方法、装置、电子设备和存储介质 |
CN111667308A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 广告推荐预测系统及方法 |
CN112541787A (zh) * | 2020-12-09 | 2021-03-23 | 北京奇艺世纪科技有限公司 | 广告推荐方法、系统、存储介质及电子设备 |
CN112435079A (zh) * | 2020-12-16 | 2021-03-02 | 合肥工业大学 | 一种面向纯社交平台的广告推荐方法 |
CN112818112A (zh) * | 2021-02-26 | 2021-05-18 | 广东工业大学 | 一种基于文本分类的广告推送方法、装置和系统 |
CN113837836A (zh) * | 2021-09-18 | 2021-12-24 | 珠海格力电器股份有限公司 | 模型推荐方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
李玉翔;周杰;许斌;李弼程;: "基于用户关系挖掘的多策略推荐算法", 信息工程大学学报, no. 04, 15 August 2013 (2013-08-15), pages 112 - 118 * |
胡晓红;王红;任衍具;周莹;: "多重因素下基于多模态特征的网页广告效果", 计算机应用, no. 04, 26 December 2017 (2017-12-26), pages 71 - 78 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308556A (zh) * | 2023-05-25 | 2023-06-23 | 北京吉欣科技有限公司 | 基于物联网的广告推送方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9972108B2 (en) | Mixed media reality recognition with image tracking | |
US10405033B2 (en) | Method for controlling network media information publication, apparatus, and server | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
CN109509010B (zh) | 一种多媒体信息处理方法、终端及存储介质 | |
US20180286023A1 (en) | Digital Image Processing through use of an Image Repository | |
CN112307344A (zh) | 对象推荐模型、对象推荐方法、装置及电子设备 | |
CN110688524A (zh) | 视频检索方法、装置、电子设备及存储介质 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN111597309A (zh) | 相似企业推荐方法、装置、电子设备及介质 | |
CN109255073B (zh) | 一种个性化推荐方法、装置及电子设备 | |
CN113888211A (zh) | 一种广告推送方法、装置、电子设备及存储介质 | |
CN114565768A (zh) | 图像分割方法及装置 | |
CN111311015A (zh) | 个性化点击率预测方法、设备及可读存储介质 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
US20190370850A1 (en) | Reliability metrics for real-time auctions | |
US20230118009A1 (en) | System and method for detecting a boundary in images using machine learning | |
KR20230159165A (ko) | 키워드를 기반으로 유사 상품을 추천하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 | |
KR100970370B1 (ko) | 쿼리의 연관 단어를 추천하는 검색 서버 및 검색 서비스방법 | |
KR101663359B1 (ko) | 업데이트된 뉴스 콘텐츠 제공 방법 및 장치 | |
CN112711945B (zh) | 广告召回方法和系统 | |
CN115345635A (zh) | 推荐内容的处理方法、装置、计算机设备和存储介质 | |
CN113255670A (zh) | 非均衡小样本目标检测方法、装置和计算机设备 | |
CN111400512A (zh) | 一种筛选多媒体资源的方法及装置 | |
KR102455400B1 (ko) | 블로그 방문자 수 기반의 블로그 순위 선정 및 상위 비율 선정 서비스 제공 방법 | |
CN113468405B (zh) | 数据搜索方法、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 |