CN114462400A - 定向包脚本生成方法、装置、设备及存储介质 - Google Patents
定向包脚本生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114462400A CN114462400A CN202111678950.6A CN202111678950A CN114462400A CN 114462400 A CN114462400 A CN 114462400A CN 202111678950 A CN202111678950 A CN 202111678950A CN 114462400 A CN114462400 A CN 114462400A
- Authority
- CN
- China
- Prior art keywords
- configuration
- original
- template
- directional
- items
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Abstract
本发明涉及数据处理技术领域,本发明公开了一种定向包脚本生成方法、装置、设备及存储介质,所述方法包括:获取定向需求;定向需求包括用户标识;获取与用户标识对应的定向模板生成模型,并对定向需求进行配置解读,得到多个配置项,以及与配置项对应的配置值;将各配置项输入定向模板生成模型中,通过定向模板生成模型对所有配置项进行模板模拟,生成与配置项对应的定向包模板;基于所有配置值,对定向包模板进行配置和封装,生成与定向需求对应的定向包脚本,因此,本发明实现了通过配置解读,并运用定向模板生成模型,自动生成相应的定向包模板,并自动生成相应的定向包脚本,无需人工配置项输入,提高了定向包脚本生成的效率和准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种定向包脚本生成方法、装置、设备及存储介质。
背景技术
目前,随着互联网的发展和广告投放的多样性,互联网投放广告是当前投放的重要途径,要实现互联网投放广告就需要配置各种投放的定向包,以聚焦不同人群或者不同区域的用户的不同需求,在现有技术中,定向包的配置及投放都是人工按照需求进行配置,针对不同人群或者不同区域配置不同的定向包,再根据配置后的定向包生成定向包脚本,进行生成由于人工解读和配置极容易出错,而且耗费大量的人力和精力,就导致定向包配置错误或者遗漏,以至生成不准确的定向包脚本,造成投放失误、定向包配置效率低、定向包脚本生成不准确,最终浪费成本。
发明内容
本发明提供一种定向包脚本生成方法、装置、计算机设备及存储介质,实现了通过配置解读,并运用定向模板生成模型,自动生成相应的定向包模板,并结合配置值和定向包模板自动生成相应的定向包脚本,无需人工一个个配置项输入,大大提高了定向包脚本生成的效率和准确性。
一种定向包脚本生成方法,包括:
获取定向需求;所述定向需求包括用户标识;
获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;
将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;
基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
一种定向包脚本生成装置,包括:
获取模块,用于获取定向需求;所述定向需求包括用户标识;
解读模块,用于获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;
模拟模块,用于将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;
生成模块,用于基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述定向包脚本生成方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述定向包脚本生成方法的步骤。
本发明提供的定向包脚本生成方法、装置、计算机设备及存储介质,通过获取定向需求;所述定向需求包括用户标识;获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本,因此,实现了通过配置解读,并运用定向模板生成模型,自动生成相应的定向包模板,并结合配置值和定向包模板自动生成相应的定向包脚本,无需人工一个个配置项输入,并能够批量生成不同配置的定向包以及定向包脚本,以供后续广告计划的生成提供数据,大大提高了定向包脚本生成的效率和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中定向包脚本生成方法的应用环境示意图;
图2是本发明一实施例中定向包脚本生成方法的流程图;
图3是本发明一实施例中定向包脚本生成方法的步骤S20的流程图;
图4是本发明一实施例中定向包脚本生成装置的原理框图;
图5是本发明一实施例中定向包脚本生成装置的模拟模块的原理框图;
图6是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的定向包脚本生成方法,可应用在如图1的应用环境中,其中,客户端(计算机设备或终端)通过网络与服务器进行通信。其中,客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种定向包脚本生成方法,其技术方案主要包括以下步骤S10-S40:
S10,获取定向需求;所述定向需求包括用户标识。
可理解地,所述定向需求为广告对象需要投放方向的需求文档,所述定向需求体现了用户投放广告对象而设置的明确方向的需求,所述用户标识为为用户的唯一性赋予的标识。
S20,获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值。
可理解地,一个所述用户标识对应一个定向模板生成模型,所述定向模板生成模型为用于生成具有用户标识所对应的用户的常用定向包的配置或者参数的生成模型,不同的用户标识对应不同的定向模板生成模型,所述配置解读为解读出输入的定向需求中与定向包的配置相关的内容,所述配置解读的过程可以通过训练完成的配置项提取模型提取出所述定向需求中的各配置项和与各配置项对应的配置值。
其中,所述配置解读的过程也可以为通过实体识别模型对定向需求进行实体识别,识别出所述定向需求中涉及的实体,再运用文本相似度算法,将识别出的实体与各个预设的配置项进行匹配,计算出各实体与各预设的配置项之间的相似度,将相似度大于阈值的配置项记录为解读出的配置项,将解读出的配置项所对应的实体的上下文进行语义识别,识别出对应于该配置项的配置值,其中,所述实体识别模型为训练完成的用于识别文本中与配置相关的配置项的模型,所述实体识别模型的网络结构可以为基于BERT模型的网络结构,所述将解读出的配置项所对应的实体的上下文进行语义识别的过程可以为:获取解读出的实体的上下文相邻的实体,对该实体的语义进行分析,分析与解读出的实体之间的关联程度或者语义匹配程度,即将解读出的实体与上下文的实体进行问答特征的提取,根据提取的问答特征确定出两个实体之间的匹配值,该匹配值体现了两个实体之间的关联程度或者语义匹配程度,从而将大于预设匹配阈值的匹配值所对应的上下文的实体记录为与该解读出的实体所对应的配置项对应的配置值,所述问答特征为两个实体中一问一答的语义距离的特征,即将两个实体转换成词向量后比较两个词向量的语义距离的特征。
在一实施例中,如图3所示,所述S20中,即所述对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值,包括:
S201,将所述定向需求输入配置项提取模型中,通过所述配置项提取模型对所述定向需求进行配置项识别,得到配置项结果;所述配置项结果包括多个原始配置项,以及与所述原始配置项对应的原始配置值。
可理解地,所述配置项提取模型的网络结构可以为基于BERT模型的网络结构,所述配置项识别为:首先,通过所述配置项提取模型对所述定向需求进行分词处理,所述分词为将所述定向需求中的文本划分成最小单元的字或者词语,再通过配置项提取模型对每个最小单元的字或者词语进行配置特征的提取,根据提取的配置特征,与各原始配置项进行匹配,匹配出每个原始配置项的概率,将大于或者等于阈值的最小单元的字或者词语记录为识别出的原始配置项,如此,能够识别出所述定向需求中的所有与配置项相关的原始配置项,所述原始配置项为常规的配置项名称,其中,所述配置特征为与原始配置的项目或者字段相关的特征,例如:时间、活跃群体、移动终端类型、中心区域等等;其次,基于各所述原始配置项,对所述定向需求进行上下文语义识别,得到所述配置项结果,可理解为,所述上下文语义识别可以为运用Bi-LSTM算法也称为双向长短时记忆网络算法,通过正向和逆向两个方向进行共同编码以进行嵌入词向量转换的校验方法,以确保将单元字或者词语转换成最符合语义的编码,以从各所述单元字或者词语的编码中提取出真正的实体,去除虚词、助词等非实体,将提取出的实体确定为需要处理的单元字或者词语,将这些提取的字或者词语中做所述原始配置项的剔除,剩余不包含所述原始配置项的单元字或者词语,再将剩余的每个单元字或者词语与各所述原始配置项进行关联性匹配,得到与所述原始配置项对应的原始配置值,其中,关联性匹配的过程为将每个原始配置项与剩余的每个单元字或者词语进行词向量转换,再计算原始配置项的词向量和单元字或者词语的词向量进行概念领域的之间的距离,即计算原始配置项的词向量的上一级概念领域和单元字或者词语的词向量的上一级概念领域之间欧式距离,得到第一关联距离,然后计算原始配置项的词向量和单元字或者词语的词向量之间的字典距离,即两个词向量在字典中目录之间的欧式距离,得到第二关联距离,以及计算原始配置项和单元字或者词语之间的文本距离,即在所述定向需求中字与字之间的字数距离,得到第三关联距离,最后通过第一关联距离、第二关联距离和第三关联距离的加权求和,得到关联值,将关联值小于或者等于预设值的原始配置项和单元字或者词语记录为所述属性配置结果中的与该原始配置项对应的单元字或者词语(也即原始配置值)。
S202,调取与所述用户标识的配置库。
可理解地,用户可根据自己的需求设计配置库,所述配置库为所述用户标识所对应的用户所设计的相关定向包的配置项的名称及值的数据库。
S203,从所述配置库中获取与各所述原始配置项匹配的配置项,以及与各所述原始配置项对应的所述原始配置值匹配的配置值。
可理解地,运用文本相似度算法,从所述配置库中获取与所述配置项结果中的各所述原始配置项匹配的配置项,将相似度大于或者等于预设值的配置项纪录为与原始配置项匹配的配置项,从获取的一个配置项下的所有配置值中,查找与相应的原始配置项的所述原始配置值匹配的配置值,从而能够匹配出若干个与该原始配置值匹配的配置值。
其中,所述文本相似度算法为文本余弦相似度算法,所述余弦相似度算法为将两个文本进行词嵌入向量转换,得到两组词嵌入向量转换后的文本,再计算转换后的两组词嵌入向量后的文本之间的余弦值,从而通过余弦值衡量出两个文本之间的相似度的算法。
本发明实现了通过将所述定向需求输入配置项提取模型中,通过所述配置项提取模型对所述定向需求进行配置项识别,得到配置项结果;所述配置项结果包括多个原始配置项,以及与所述原始配置项对应的原始配置值;调取与所述用户标识的配置库;从所述配置库中获取与各所述原始配置项匹配的配置项,以及与各所述原始配置项对应的所述原始配置值匹配的配置值,
如此,通过配置项提取模型自动提取出定向需求中与配置相关的原始配置项和原始配置值,调取用户相应的配置库,从配置库中自动匹配出相应的配置项,以及对应的配置值,做到两地不同的配置内容或者名称的数据库中,自动匹配出相应的配置值,无需两地数据库的配置内容或者名称完全统一,增加了配置项和配置值的多样性。
在一实施例中,所述原始配置项包括原始人群配置项、原始地域配置项、原始终端配置项、原始平台配置项和原始行为兴趣配置项,所述配置项包括人群配置项、地域配置项、终端配置项、平台配置项和行为兴趣配置项,所述原始配置值包括原始人群配置内容、原始地域配置内容、原始终端配置内容、原始平台配置内容和原始行为兴趣配置内容,所述配置值包括人群配置值、地域配置值、终端配置值、平台配置值和行为兴趣配置值。
可理解地,所述原始人群配置项为通过配置项提取模型提取出的用于训练配置项提取模型的人群概括的名称,比如:青年、中年、老年等等,所述原始人群配置内容为所述原始人群配置项的值,比如:前青年年龄段、中青年年龄段、后青年年龄段等等,所述原始地域配置项为通过配置项提取模型提取出的用于训练配置项提取模型的地域概括的名称,比如:本区/县、跨区/县、本市、跨市、本省等等,所述原始地域配置内容为所述原始地域配置项的值,比如:某区、某市、某省、某区的周边区等等,所述原始终端配置项为通过配置项提取模型提取出的用于训练配置项提取模型的终端概括的名称,比如:移动终端、固定终端等等,所述原始终端配置内容为所述原始终端配置项的值,比如:某营运移动终端、某型号终端等等,所述原始平台配置项为通过配置项提取模型提取出的用于训练配置项提取模型的平台概括的名称,比如:广播式平台、交互式平台等等,所述原始平台配置内容为所述原始平台配置项的值,比如:某平台等等,所述原始行为兴趣配置项为通过配置项提取模型提取出的用于训练配置项提取模型的行为兴趣概括的名称,比如:行为种类、兴趣种类等等,所述原始行为兴趣配置内容为所述原始行为兴趣配置项的值,比如:活跃类、潜力类等等。
所述人群配置项为在用户标识所对应的用户端所对应的数据库中设置的人群概括的名称,比如:步入青年、正值中年、步入老年等等,所述人群配置值为所述人群配置项的值,比如:步入青年年龄段、后青年年龄段等等,所述地域配置项为在用户标识所对应的用户端所对应的数据库中设置的地域概括的名称,比如:定位区/县、定位跨区/县、定位市、定位跨市、定位省等等,所述地域配置值为所述地域配置项的值,比如:某区某街道、某市某区、某省某市、某区的周边区等等,所述终端配置项为用户标识所对应的用户端所对应的数据库中设置的终端概括的名称,所述终端配置值为所述终端配置项的值,所述平台配置项为在用户标识所对应的用户端所对应的数据库中设置的平台概括的名称,所述平台配置值为所述平台配置项的值,所述行为兴趣配置项为在用户标识所对应的用户端所对应的数据库中设置的行为兴趣概括的名称,所述行为兴趣配置值为所述行为兴趣配置项的值。
在一实施例中,所述从所述配置库中获取与各所述原始配置项和与其对应的所述原始配置值匹配的配置值,包括:
针对所述原始人群配置项,运用语义相似度算法,从所述配置库中的人群配置库中,获取与所述原始人群配置内容匹配的所有人群配置内容,将匹配的所有所述人群配置内容记录为所述人群配置值。
可理解地,针对所述原始人群配置项,所述语义相似度算法为通过CNN网络分别提取两个文本的语义向量,针对两个语义向量计算相似度的算法,从所述配置库中的人群配置库中,所述人群配置库为所述原始人群配置项对应所述人群配置项的库,从人群配置库中查找与所述原始人群配置项对应的人群配置项,在该人群配置项下的所有人群配置内容中,运用所述语义相似度算法,查询与所述原始人群配置内容匹配的所有人群配置内容,将匹配的所有所述人群配置内容记录为所述人群配置值。
针对所述原始地域配置项,运用树状查询算法,从所述配置库中的地域配置库中,获取与所述原始地域配置内容匹配的地域树节点下的所有节点,将获取的所有节点记录为所述地域配置值。
可理解地,针对所述原始地域配置项,所述树状查询算法为通过树状结构的方式查询树节点的算法,根据每个地域配置库中的地域配置内容,构建每个地域及包含的子地域,将地域作为树状结构的树节点,每到一个树节点进行文本匹配,是否匹配直至找到匹配的树节点,所述地域配置库为所述原始地域配置项对应所述地域配置项的库,从所述地域配置库中查找与所述原始地域配置项对应的地域配置项,并在该地域配置项下的所有地域配置内容中,运用树状查询算法,查询与所述原始地域配置内容匹配的地域树节点下的所有节点,将查找到的所有节点记录为所述地域配置值,并获取所有地域配置值。
针对所述原始终端配置项,运用文本匹配算法,从所述配置库中的终端配置库中,匹配出与所述原始终端配置内容匹配的所有终端配置内容,将匹配的所有所述终端配置内容记录为所述终端配置值。
可理解地,所述文本匹配算法为运用文本的词向量匹配出相似度,并根据相似度进行衡量匹配程度的算法,针对所述原始终端配置项,所述终端配置库为所述原始终端配置项对应所述终端配置项的库,从终端配置库中查找与所述原始终端配置项对应的终端配置项,在该终端配置项下的所有终端配置内容中,运用所述文本匹配算法,查询与所述原始终端配置内容匹配的所有终端配置内容,将匹配的所有所述终端配置内容记录为所述终端配置值。
针对所述原始平台配置项,运用文本匹配算法,从所述配置库中的平台配置库中,匹配出与所述原始平台配置内容匹配的所有平台配置内容,将匹配的所有所述平台配置内容记录为所述平台配置值。
可理解地,所述文本匹配算法为运用文本的词向量匹配出相似度,并根据相似度进行衡量匹配程度的算法,针对所述原始平台配置项,所述平台配置库为所述原始平台配置项对应所述平台配置项的库,从平台配置库中查找与所述原始平台配置项对应的平台配置项,在该平台配置项下的所有平台配置内容中,运用所述文本匹配算法,查询与所述原始平台配置内容匹配的所有平台配置内容,将匹配的所有所述平台配置内容记录为所述平台配置值。
针对所述原始行为兴趣配置项,运用语义相似度算法,从所述配置库中的行为兴趣配置库中,获取与所述原始行为兴趣配置内容匹配的所有行为兴趣配置内容,将匹配的所有所述行为兴趣配置内容记录为所述行为兴趣配置值。
可理解地,针对所述原始行为兴趣配置项,所述语义相似度算法为通过CNN网络分别提取两个文本的语义向量,针对两个语义向量计算相似度的算法,从所述配置库中的行为兴趣配置库中,所述行为兴趣配置库为所述原始行为兴趣配置项对应所述行为兴趣配置项的库,从行为兴趣配置库中查找与所述原始行为兴趣配置项对应的行为兴趣配置项,在该行为兴趣配置项下的所有行为兴趣配置内容中,运用所述语义相似度算法,查询与所述原始行为兴趣配置内容匹配的所有行为兴趣配置内容,将匹配的所有所述行为兴趣配置内容记录为所述行为兴趣配置值。
S30,将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板。
可理解地,所述模板模拟的过程为通过所述定向模板生成模型对所述配置项进行历史组合模拟,获得第一组合配置,再对所述第一组合配置进行子模板项分解,分解出各子模板项,并合并各子模板项的子模板,输出定向包模板的过程。
在一实施例中,所述步骤S30中,即所述通过所述定向模板生成模型对所述配置项进行模板模拟,生成与所述配置项对应的定向包模板,包括:
S301,通过所述定向模板生成模型对所述配置项进行历史组合模拟,得到第一组合配置。
可理解地,所述历史组合模拟为将各所述配置项进行组合,在组合过程中将空缺的配置项进行补缺,补缺为将空缺的配置项的全集进行补全,组合出多种组合产物,将各组合产物与历史的组合产物进行比对,每个历史组合产物存在评分值,将比对过程中最高的评分值所对应的组合产物记录为所述第一组合配置。
在一实施例中,所述步骤S301中,即所述通过所述定向模板生成模型对所有所述配置项进行历史组合模拟,得到第一组合配置,包括:
将各所述配置项进行组合生成,生成多个组合产物。
可理解地,所述组合生成为将各所述配置项进行一一组合,将为配置的配置项按照全集的方式进行组合,得到至少一个所述组合产物。
对各所述组合产物进行历史模拟,模拟出与各所述组合产物对应的配置产物。
可理解地,所述历史模拟为将各组合产物与历史的组合产物进行比对,每个历史组合产物存在评分值,将比对后组合产物所对应的评分值大于或者等于阈值的该组合产物作为配置产物。
对所有所述配置产物进行聚类,获得所述第一组合配置。
可理解地,所述聚类的过程为进行聚类排序,即将组合产物出现的次数及评分值进行加权排序,对加权后的结果按照降序排序,将降序排序后的序列第一的配置产物所对应的组合产物记录为所述第一组合配置。
本发明实现了通过将各所述配置项进行组合生成,生成多个组合产物;对各所述组合产物进行历史模拟,模拟出与各所述组合产物对应的配置产物;对所有所述配置产物进行聚类,获得所述第一组合配置,如此,能够自动组合生成出多种组合产物,并通过历史模拟,基于历史模拟的结果输出多种配置产物,并聚类输出第一组合配置,无需人工分析,节省了人工成本,提高了第一组合配置的准确性。
S302,对所述第一组合配置进行子模板项分解,得到至少一个子模板项。
可理解地,所述子模板项分解的过程为将每个配置项涉及的子模板进行分解的过程,一个配置项涉及至少一个子模板。
S303,从模板库中获取与各所述子模板项匹配的子模板,并基于获取的所有所述子模板生成所述定向包模板。
可理解地,所述模板库存储了所有不同子模板项的子模板,从所述模板库中获取与各个所述子模板项匹配的所述子模板,所述子模板为配置所述配置项中的各配置值的模板,将所有所述子模板进行汇总得到所述定向包模板。
本发明实现了通过所述定向模板生成模型对所述配置项进行历史组合模拟,得到第一组合配置;对所述第一组合配置进行子模板项分解,得到至少一个子模板项;从模板库中获取与各所述子模板项匹配的子模板,并基于获取的所有所述子模板生成所述定向包模板,如此,能够通过定向模板生成模型的历史组合模拟,自动模拟出历史中最佳结果的第一组合配置,以及通过子模板项分解和获取,自动生成定向包模板,无需人工分析和分解,提高了定向包模板生成的准确性和效率。
S40,基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
可理解地,将所有配置值按照所述定向包模板中相应的配置项关联的输入位置进行填充,因为在定向包模板中存在与所有配置值一一对应的配置项,所以会关联出相应的输入位置,所述配置的过程为将所述配置值插入与该配置值对应的配置项关联的输入位置的过程,所述封装过程为按照配置完的定向包模板进行脚本代码的封装,即封装成固定格式的定向包脚本。
本发明实现了通过获取定向需求;所述定向需求包括用户标识;获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本,因此,实现了通过配置解读,并运用定向模板生成模型,自动生成相应的定向包模板,并结合配置值和定向包模板自动生成相应的定向包脚本,无需人工一个个配置项输入,并能够批量生成不同配置的定向包以及定向包脚本,以供后续广告计划的生成提供数据,大大提高了定向包脚本生成的效率和准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种定向包脚本生成装置,该定向包脚本生成装置与上述实施例中定向包脚本生成方法一一对应。如图4所示,该定向包脚本生成装置包括接收模块11、第一生成模块12、第二生成模块13、查找模块14和上传模块15。各功能模块详细说明如下:
获取模块11,用于获取定向需求;所述定向需求包括用户标识;
解读模块12,用于获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;
模拟模块13,用于将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;
生成模块14,用于基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
在一实施例中,所述模拟模块13包括:
模拟单元31,用于通过所述定向模板生成模型对所述配置项进行历史组合模拟,得到第一组合配置;
分解单元32,用于对所述第一组合配置进行子模板项分解,得到至少一个子模板项;
匹配单元33,用于从模板库中获取与各所述子模板项匹配的子模板,并基于获取的所有所述子模板生成所述定向包模板。
关于定向包脚本生成装置的具体限定可以参见上文中对于定向包脚本生成方法的限定,在此不再赘述。上述定向包脚本生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是客户端或者服务端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种定向包脚本生成方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中定向包脚本生成方法。
在一个实施例中,提供了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实施例中定向包脚本生成方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种定向包脚本生成方法,其特征在于,包括:
获取定向需求;所述定向需求包括用户标识;
获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;
将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;
基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
2.如权利要求1所述的定向包脚本生成方法,其特征在于,所述对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值,包括:
将所述定向需求输入配置项提取模型中,通过所述配置项提取模型对所述定向需求进行配置项识别,得到配置项结果;所述配置项结果包括多个原始配置项,以及与所述原始配置项对应的原始配置值;
调取与所述用户标识的配置库;
从所述配置库中获取与各所述原始配置项匹配的配置项,以及与各所述原始配置项对应的所述原始配置值匹配的配置值。
3.如权利要求2所述的定向包脚本生成方法,其特征在于,所述原始配置项包括原始人群配置项、原始地域配置项、原始终端配置项、原始平台配置项和原始行为兴趣配置项,所述配置项包括人群配置项、地域配置项、终端配置项、平台配置项和行为兴趣配置项,所述原始配置值包括原始人群配置内容、原始地域配置内容、原始终端配置内容、原始平台配置内容和原始行为兴趣配置内容,所述配置值包括人群配置值、地域配置值、终端配置值、平台配置值和行为兴趣配置值。
4.如权利要求3所述的定向包脚本生成方法,其特征在于,所述从所述配置库中获取与各所述原始配置项和与其对应的所述原始配置值匹配的配置值,包括:
针对所述原始人群配置项,运用语义相似度算法,从所述配置库中的人群配置库中,获取与所述原始人群配置内容匹配的所有人群配置内容,将匹配的所有所述人群配置内容记录为所述人群配置值;
针对所述原始地域配置项,运用树状查询算法,从所述配置库中的地域配置库中,获取与所述原始地域配置内容匹配的地域树节点下的所有节点,将获取的所有节点记录为所述地域配置值;
针对所述原始终端配置项,运用文本匹配算法,从所述配置库中的终端配置库中,匹配出与所述原始终端配置内容匹配的所有终端配置内容,将匹配的所有所述终端配置内容记录为所述终端配置值;
针对所述原始平台配置项,运用文本匹配算法,从所述配置库中的平台配置库中,匹配出与所述原始平台配置内容匹配的所有平台配置内容,将匹配的所有所述平台配置内容记录为所述平台配置值;
针对所述原始行为兴趣配置项,运用语义相似度算法,从所述配置库中的行为兴趣配置库中,获取与所述原始行为兴趣配置内容匹配的所有行为兴趣配置内容,将匹配的所有所述行为兴趣配置内容记录为所述行为兴趣配置值。
5.如权利要求1所述的定向包脚本生成方法,其特征在于,所述通过所述定向模板生成模型对所述配置项进行模板模拟,生成与所述配置项对应的定向包模板,包括:
通过所述定向模板生成模型对所述配置项进行历史组合模拟,得到第一组合配置;
对所述第一组合配置进行子模板项分解,得到至少一个子模板项;
从模板库中获取与各所述子模板项匹配的子模板,并基于获取的所有所述子模板生成所述定向包模板。
6.如权利要求5所述的定向包脚本生成方法,其特征在于,所述通过所述定向模板生成模型对所有所述配置项进行历史组合模拟,得到第一组合配置,包括:
将各所述配置项进行组合生成,生成多个组合产物;
对各所述组合产物进行历史模拟,模拟出与各所述组合产物对应的配置产物;
对所有所述配置产物进行聚类,获得所述第一组合配置。
7.一种定向包脚本生成装置,其特征在于,包括:
获取模块,用于获取定向需求;所述定向需求包括用户标识;
解读模块,用于获取与所述用户标识对应的定向模板生成模型,并对所述定向需求进行配置解读,得到多个配置项,以及与所述配置项对应的配置值;
模拟模块,用于将各所述配置项输入所述定向模板生成模型中,通过所述定向模板生成模型对所有所述配置项进行模板模拟,生成与所述配置项对应的定向包模板;
生成模块,用于基于所有所述配置值,对所述定向包模板进行配置和封装,生成与所述定向需求对应的定向包脚本。
8.如权利要求7所述的定向包脚本生成装置,其特征在于,所述模拟模块包括:
模拟单元,用于通过所述定向模板生成模型对所述配置项进行历史组合模拟,得到第一组合配置;
分解单元,用于对所述第一组合配置进行子模板项分解,得到至少一个子模板项;
匹配单元,用于从模板库中获取与各所述子模板项匹配的子模板,并基于获取的所有所述子模板生成所述定向包模板。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述定向包脚本生成方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述定向包脚本生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678950.6A CN114462400B (zh) | 2021-12-31 | 2021-12-31 | 定向包脚本生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678950.6A CN114462400B (zh) | 2021-12-31 | 2021-12-31 | 定向包脚本生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462400A true CN114462400A (zh) | 2022-05-10 |
CN114462400B CN114462400B (zh) | 2023-04-07 |
Family
ID=81407418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678950.6A Active CN114462400B (zh) | 2021-12-31 | 2021-12-31 | 定向包脚本生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462400B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061882A (zh) * | 2019-08-19 | 2020-04-24 | 广州利科科技有限公司 | 一种知识图谱构建方法 |
CN111506305A (zh) * | 2020-03-26 | 2020-08-07 | 拉扎斯网络科技(上海)有限公司 | 工具包生成方法、装置、计算机设备及可读存储介质 |
US20210089539A1 (en) * | 2019-09-20 | 2021-03-25 | Pinterest, Inc. | Associating user-provided content items to interest nodes |
CN113420113A (zh) * | 2021-06-21 | 2021-09-21 | 平安科技(深圳)有限公司 | 语义召回模型训练、召回问答方法、装置、设备及介质 |
-
2021
- 2021-12-31 CN CN202111678950.6A patent/CN114462400B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061882A (zh) * | 2019-08-19 | 2020-04-24 | 广州利科科技有限公司 | 一种知识图谱构建方法 |
US20210089539A1 (en) * | 2019-09-20 | 2021-03-25 | Pinterest, Inc. | Associating user-provided content items to interest nodes |
CN111506305A (zh) * | 2020-03-26 | 2020-08-07 | 拉扎斯网络科技(上海)有限公司 | 工具包生成方法、装置、计算机设备及可读存储介质 |
CN113420113A (zh) * | 2021-06-21 | 2021-09-21 | 平安科技(深圳)有限公司 | 语义召回模型训练、召回问答方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
数据拾光者: "广告行业中那些趣事系列29:基于BERT构建文案生成模型", 《腾讯网》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114462400B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765265B (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
CN109446302B (zh) | 基于机器学习的问答数据处理方法、装置和计算机设备 | |
US20200301954A1 (en) | Reply information obtaining method and apparatus | |
CN110909137A (zh) | 基于人机交互的信息推送方法、装置和计算机设备 | |
CN111859960A (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN110334179B (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
CN112015900A (zh) | 医学属性知识图谱构建方法、装置、设备及介质 | |
CN113157863A (zh) | 问答数据处理方法、装置、计算机设备及存储介质 | |
CN111859986A (zh) | 基于多任务孪生网络的语义匹配方法、装置、设备和介质 | |
CN113298197B (zh) | 数据聚类方法、装置、设备及可读存储介质 | |
CN111460090A (zh) | 基于向量的文档检索方法、装置、计算机设备及存储介质 | |
CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
CN115062134B (zh) | 知识问答模型训练及知识问答方法、装置和计算机设备 | |
CN112650842A (zh) | 基于人机交互的客服机器人意图识别方法及相关设备 | |
CN114399396A (zh) | 保险产品推荐方法、装置、计算机设备及存储介质 | |
CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
CN114357174B (zh) | 基于ocr和机器学习的代码分类系统及方法 | |
CN114416998A (zh) | 文本标签的识别方法、装置、电子设备及存储介质 | |
CN112632258A (zh) | 文本数据处理方法、装置、计算机设备和存储介质 | |
CN113342927B (zh) | 敏感词识别方法、装置、设备及存储介质 | |
CN113626704A (zh) | 基于word2vec模型的推荐信息方法、装置及设备 | |
CN113590811A (zh) | 文本摘要生成方法、装置、电子设备及存储介质 | |
CN114462400B (zh) | 定向包脚本生成方法、装置、设备及存储介质 | |
CN116956954A (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN112732423B (zh) | 流程迁移方法、装置、设备及介质 |
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 |