CN114493683A - 广告素材推荐方法、模型训练方法、装置及电子设备 - Google Patents
广告素材推荐方法、模型训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114493683A CN114493683A CN202210028181.3A CN202210028181A CN114493683A CN 114493683 A CN114493683 A CN 114493683A CN 202210028181 A CN202210028181 A CN 202210028181A CN 114493683 A CN114493683 A CN 114493683A
- Authority
- CN
- China
- Prior art keywords
- product
- advertisement
- advertisement material
- quality
- target
- 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
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
- G06Q30/0276—Advertisement creation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开关于一种广告素材推荐方法、模型训练方法、装置及电子设备,涉及计算机技术领域。该方法包括:确定多个第一广告素材的多模态特征;将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数;根据该多个第一广告素材中每个第一广告素材的第一质量分数,从该多个第一广告素材中确定待推荐的广告素材。本公开中,电子设备可以确定出准确、有效地质量分数,能够完整、有效地反映出不同广告素材之间的差异,进而提升广告素材推荐的准确度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种广告素材推荐方法、模型训练方法、装置及电子设备。
背景技术
目前,可以为不同的广告素材配置质量分数,进而可以基于该质量分数为用户推荐或展示相应的广告素材。
但是,现有质量分数的配置过程是对于所有的广告素材均采用同一个模型进行的,该同一个模型可能很难捕捉到不同产品的特点。例如,对于游戏类的广告素材而言,其质量分数的高低可能与游戏中的活动力度有关;而对于教育类的广告素材而言,其质量分数的高低可能与教学质量相关。如此,采用上述同一个模型为不同的广告素材配置出的质量分数,可能不能完整、准确地反映出不同广告素材之间的差异,进而会影响广告素材推荐的准确度。
发明内容
本公开提供一种广告素材推荐方法、模型训练方法、装置及电子设备,解决了现有技术中采用同一个模型为不同的广告素材配置出的质量分数可能不能完整、准确地反映出不同广告素材之间的差异,进而影响广告素材推荐的准确度的技术问题。
本公开实施例的技术方案如下:
根据本公开实施例的第一方面,提供一种广告素材推荐方法。该方法可以包括:确定多个第一广告素材的多模态特征;将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数,该待识别产品为该第一广告素材对应的产品,该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中对应的输出结果确定的;根据该多个第一广告素材中每个第一广告素材的第一质量分数,从该多个第一广告素材中确定待推荐的广告素材。
可选地,上述确定多个第一广告素材的多模态特征具体包括:确定该多个第一广告素材中每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征;将该每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个广告第一素材的标识类特征输入该第二目标质量识别模型,进行特征识别,得到该每个第一广告素材的多模态特征。
可选地,上述广告素材推荐方法还包括:确定多个第二广告素材的多模态特征;将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数;确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度;根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,上述广告素材推荐方法还包括:获取该待识别产品的产品标识;将该待识别产品的产品标识输入初始参数识别模型,输出第一参数;根据该第二目标质量识别模型中的参数和该第一参数,确定该待识别产品对应的第一初始质量识别模型中的参数;确定该产品标识对应的多个第二广告素材的多模态特征;将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数,该第二广告素材对应的产品标识与该第一广告素材对应的产品标识相同;确定第二损失,该第二损失用于表征该第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度;根据该第二损失,更新该初始参数识别模型中的参数,得到该目标参数识别模型。
可选地,上述广告素材推荐方法还包括:获取该待识别产品的产品标识;将该待识别产品的产品标识输入该目标参数识别模型,输出第二参数;根据该第二目标质量识别模型中的参数和该第二参数,确定该待识别产品对应的第一目标质量识别模型中的参数。
可选地,上述目标参数识别模型包括嵌入层和全连接层,上述将该待识别产品的产品标识输入该目标参数识别模型,输出第二参数具体包括:将该产品标识输入该嵌入层,得到该待识别产品的标识特征;将该标识特征输入该全连接层,输出该第二参数。
可选地,上述第二目标质量识别模型中的参数包括第一权重和第一偏置,该第二参数包括第二权重和第二偏置,该待识别产品对应的第一目标质量识别模型中的参数包括第三权重和第三偏置,上述根据该第二目标质量识别模型中的参数和该第二参数,确定该待识别产品对应的第一目标质量识别模型中的参数具体包括:根据该第一权重和该第二权重,确定该第三权重;根据该第一偏置和该第二偏置,确定该第三偏置。
可选地,上述确定第一损失具体包括:获取历史推荐数据,该历史推荐数据包括该多个第二广告素材中每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,该每个第二广告素材的使用次数用于表征该每个第二广告素材发生目标行为的次数;根据该每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,确定该每个第二广告素材的使用率;根据该每个第二广告素材的使用率以及该每个第二广告素材的第二质量分数,确定该第一损失。
根据本公开实施例的第二方面,提供一种模型训练方法。该方法可以包括:获取第二目标质量识别模型中的参数;确定待识别产品在目标参数识别模型中对应的输出结果;根据该第二目标质量识别模型中的参数以及该输出结果,确定该待识别产品对应的第一目标质量识别模型中的参数,以得到该第一目标质量识别模型。
可选地,上述模型训练方法还包括:确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征;将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数;确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度;根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,上述模型训练方法还包括:确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征;将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数;确定第二损失,该第二损失用于表征该第二广告素材的第一质量分数与该第二广告素材的使用率之间的不一致程度;根据该第二损失,更新初始参数识别模型中的参数,得到该目标参数识别模型。
根据本公开实施例的第三方面,提供一种广告素材推荐装置。该装置可以包括:确定模块和处理模块;该确定模块,被配置为确定多个第一广告素材的多模态特征;该处理模块,被配置为将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数,该待识别产品为该第一广告素材对应的产品,该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中对应的输出结果确定的;该确定模块,还被配置为根据该多个第一广告素材中每个第一广告素材的第一质量分数,从该多个第一广告素材中确定待推荐的广告素材。
可选地,该确定模块,具体被配置为确定该多个第一广告素材中每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征;该处理模块,还被配置为将该每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个广告第一素材的标识类特征输入该第二目标质量识别模型,进行特征识别,得到该每个第一广告素材的多模态特征。
可选地,该确定模块,还被配置为确定多个第二广告素材的多模态特征;该处理模块,还被配置为将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数;该确定模块,还被配置为确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度;该处理模块,还被配置为根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,该广告素材推荐装置还包括获取模块;该获取模块,被配置为获取该待识别产品的产品标识;该处理模块,还被配置为将该待识别产品的产品标识输入初始参数识别模型,输出第一参数;该确定模块,还被配置为根据该第二目标质量识别模型中的参数和该第一参数,确定该待识别产品对应的第一初始质量识别模型中的参数;该确定模块,还被配置为确定该产品标识对应的多个第二广告素材的多模态特征;该处理模块,还被配置为将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数,该第二广告素材对应的产品标识与该第一广告素材对应的产品标识相同;该确定模块,还被配置为确定第二损失,该第二损失用于表征该第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度;该处理模块,还被配置为根据该第二损失,更新该初始参数识别模型中的参数,得到该目标参数识别模型。
可选地,该获取模块,被配置为获取该待识别产品的产品标识;该处理模块,还被配置为将该待识别产品的产品标识输入该目标参数识别模型,输出第二参数;该确定模块,还被配置为根据该第二目标质量识别模型中的参数和该第二参数,确定该待识别产品对应的第一目标质量识别模型中的参数。
可选地,上述目标参数识别模型包括嵌入层和全连接层;该处理模块,具体被配置为将该产品标识输入该嵌入层,得到该待识别产品的标识特征;该处理模块,具体还被配置为将该标识特征输入该全连接层,输出该第二参数。
可选地,上述第二目标质量识别模型中的参数包括第一权重和第一偏置,该第二参数包括第二权重和第二偏置,该待识别产品对应的第一目标质量识别模型中的参数包括第三权重和第三偏置;该确定模块,具体被配置为根据该第一权重和该第二权重,确定该第三权重;该确定模块,具体还被配置为根据该第一偏置和该第二偏置,确定该第三偏置。
可选地,该获取模块,被配置为获取历史推荐数据,该历史推荐数据包括该多个第二广告素材中每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,该每个第二广告素材的使用次数用于表征该每个第二广告素材发生目标行为的次数;该确定模块,具体被配置为根据该每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,确定该每个第二广告素材的使用率;该确定模块,具体还被配置为根据该每个第二广告素材的使用率以及该每个第二广告素材的第二质量分数,确定该第一损失。
根据本公开实施例的第四方面,提供一种模型训练装置。该装置可以包括:获取模块和确定模块;该获取模块,被配置为获取第二目标质量识别模型中的参数;该确定模块,被配置为确定待识别产品在目标参数识别模型中对应的输出结果;该确定模块,还被配置为根据该第二目标质量识别模型中的参数以及该输出结果,确定该待识别产品对应的第一目标质量识别模型中的参数,以得到该第一目标质量识别模型。
可选地,该模型训练装置还包括处理模块;该确定模块,还被配置为确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征;该处理模块,被配置为将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数;该确定模块,还被配置为确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度;该处理模块,还被配置为根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,该确定模块,还被配置为确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征;该处理模块,被配置为将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数;该确定模块,还被配置为确定第二损失,该第二损失用于表征该第二广告素材的第一质量分数与该第二广告素材的使用率之间的不一致程度;该处理模块,还被配置为根据该第二损失,更新初始参数识别模型中的参数,得到该目标参数识别模型。
根据本公开实施例的第五方面,提供一种电子设备,可以包括:处理器和被配置为存储处理器可执行指令的存储器;其中,处理器被配置为执行所述指令,以实现上述第一方面中任一种可选地广告素材推荐方法,或者实现上述第二方面中任一种可选地模型训练方法。
根据本公开实施例的第六方面,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指令,当该计算机可读存储介质中的指令由电子设备执行时,使得该电子设备能够执行上述第一方面中任一种可选地广告素材推荐方法,或者执行如上述第二方面中任一种可选地模型训练方法。
根据本公开实施例的第七方面,提供一种计算机程序产品,该计算机程序产品包括计算机指令,当该计算机指令在电子设备上运行时,使得该电子设备执行如第一方面中任一种可选地广告素材推荐方法,或者执行如上述第二方面中任一种可选地模型训练方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
基于上述任一方面,本公开中,电子设备可以确定多个第一广告素材的多模态特征,并且将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数;然后该电子设备可以根据该多个第一广告素材中每个第一广告素材的第一质量分数从该多个第一广告素材中确定待推荐的广告素材。本公开实施例中,由于该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中的输出结果确定的,如此该待识别产品对应的第一目标质量识别模型对应的输出结果(具体为多个第一广告素材的第一质量分数),不仅可以表征每个第一广告素材在整体广告大盘中的质量情况,也可以表征该每个第一广告素材在相同产品内部之间的差异,可以确定出准确、有效地质量分数,能够完整、有效地反映出不同广告素材之间的差异,进而提升广告素材推荐的准确度。
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示出了本公开实施例提供的一种广告素材推荐方法的流程示意图;
图2示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图3示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图4示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图5示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图6示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图7示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图8示出了本公开实施例提供的又一种广告素材推荐方法的流程示意图;
图9示出了本公开实施例提供的一种模型训练方法的流程示意图;
图10示出了本公开实施例提供的又一种模型训练方法的流程示意图;
图11示出了本公开实施例提供的又一种模型训练方法的流程示意图;
图12示出了本公开实施例提供的一种广告素材推荐装置的结构示意图;
图13示出了本公开实施例提供的又一种广告素材推荐装置的结构示意图;
图14示出了本公开实施例提供的一种模型训练装置的结构示意图;
图15示出了本公开实施例提供的又一种模型训练装置的结构示意图。
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。
还应当理解的是,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素和/或组件的存在或添加。
本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
如背景技术中所描述,由于现有技术中采用同一个模型为不同的广告素材配置出的质量分数可能不能完整、准确地反映出不同广告素材之间的差异,进而会影响广告素材推荐的准确度。基于此,本公开实施例提供一种广告素材推荐方法,由于待识别产品对应的第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中的输出结果确定的,如此该待识别产品对应的第一目标质量识别模型对应的输出结果(具体为多个第一广告素材的第一质量分数),不仅可以表征每个第一广告素材在整体广告大盘中的质量情况,也可以表征该每个第一广告素材在相同产品内部之间的差异,可以确定出准确、有效地质量分数,能够完整、有效地反映出不同广告素材之间的差异,进而提升广告素材推荐的准确度。
本公开实施例提供的广告素材推荐方法、模型训练方法、装置及电子设备,应用于广告素材的推荐场景和/或广告素材的展示场景中。当电子设备确定出多个第一广告素材的多模态特征时,可以依据本公开实施例提供的方法,根据该多个第一广告素材中每个第一广告素材的第一质量分数,从该多个第一广告素材中确定待推荐的广告素材。
以下结合附图对本公开实施例提供的广告素材推荐方法以及模型训练方法进行示例性说明:
示例性的,执行本公开实施例提供的广告素材推荐方法以及模型训练方法的电子设备可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmented reality,AR)\虚拟现实(virtual reality,VR)设备等可以安装并使用内容社区应用的设备,本公开对电子设备的具体形态不作特殊限制。其可以与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互。
如图1所示,本公开实施例提供的广告素材推荐方法可以包括S101-S103。
S101、电子设备确定多个第一广告素材的多模态特征。
应理解,该多个第一广告素材可以为至少一个产品对应的广告素材,该至少一个产品为广告业务方(或广告主)对应(或生产)的产品,广告业务方可以委托广告代理方为用户推荐或展示该广告业务方对应的广告素材,具体为委托广告代理方向用户推荐广告素材中包括的产品。具体的,电子设备可以确定该多个第一广告素材中每个第一广告素材的多模态特征。
可选地,该每个第一广告素材的多模态特征可以包括该每个第一广告素材的图像特征以及该每个第一广告素材的文本特征等。
S102、电子设备将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到第一广告素材的第一质量分数。
其中,该待识别产品为该第一广告素材对应的产品,该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中对应的输出结果确定的。
应理解,该第二目标质量识别模型用于确定(或输出)某一个广告素材(例如该第一广告素材)的其他质量分数(例如第二质量分数),该第二质量分数可以用于表征该第一广告素材在所有广告素材(也可以理解为整体广告大盘)中的质量情况。
可以理解的是,对于不同的产品(包括该待识别产品)而言,该目标参数识别模型用于输出(或确定)该不同的产品各自对应的输出结果,不同的输出结果可以表征不同的产品之间的差异。而对于同一个产品(例如待识别产品)而言,该待识别产品在该目标参数识别模型中对应的输出结果可以表征同一个产品(或同一个产品对应的广告素材,例如多个第一广告素材)之间的关系,即均对应与同一个产品。
可以理解的是,由于上述第一目标质量识别模型为该待识别产品对应的第一目标质量识别模型,并且该第一目标质量识别模型中的参数是根据上述第二目标质量识别模型中的参数以及该待识别产品在该目标参数识别模型中的输出结果确定的。如此该待识别产品对应的第一目标质量识别模型对应的输出结果(具体为多个第一广告素材的第一质量分数),不仅可以表征每个第一广告素材在整体广告大盘中的质量情况,也可以表征该每个第一广告素材在相同产品内部之间的差异,能够准确、有效地对每个第一广告素材进行评价,进而可以提升广告素材的推荐有效性。
S103、电子设备根据多个第一广告素材中每个第一广告素材的第一质量分数,从多个第一广告素材中确定待推荐的广告素材。
具体的,电子设备可以根据多个第一广告素材中每个第一广告素材的第一质量分数从该多个第一广告素材中确定待推荐的广告素材,并且将该待推荐的广告素材推荐给用户,也可以理解为向用户展示该待推荐的广告素材。
在本公开实施例的一种实现方式中,电子设备可以将该多个第一广告素材中第一质量分数最大的M个第一广告素材,确定为待推荐的广告素材,M≥1。
在本公开实施例的另一种实现方式中,电子设备还可以将该多个第一广告素材中第一质量分数大于或等于质量分数阈值的第一广告素材,确定为待推荐的广告素材。
上述实施例提供的技术方案至少能够带来以下有益效果:由S101-S103可知,电子设备可以确定多个第一广告素材的多模态特征,并且将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数;然后该电子设备可以根据该多个第一广告素材中每个第一广告素材的第一质量分数从该多个第一广告素材中确定待推荐的广告素材。本公开实施例中,由于该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中的输出结果确定的,如此该待识别产品对应的第一目标质量识别模型对应的输出结果(具体为多个第一广告素材的第一质量分数),不仅可以表征每个第一广告素材在整体广告大盘中的质量情况,也可以表征该每个第一广告素材在相同产品内部之间的差异,可以确定出准确、有效地质量分数,能够完整、有效地反映出不同广告素材之间的差异,进而提升广告素材推荐的准确度。
结合图1,如图2所示,在本公开实施例的一种实现方式中,上述确定多个第一广告素材的多模态特征,包括S1011-S1012。
S1011、电子设备确定多个第一广告素材中每个第一广告素材的图像特征、每个第一广告素材的文本特征以及每个第一广告素材的标识类特征。
应理解,每个第一广告素材的图像特征也可以理解为每个第一广告素材的视觉特征。
在本公开实施例的一种实现方式中,若该每个第一广告素材为图片素材,电子设备可以将该图片素材输入moco模型,以得到该图片素材的图像特征。若该每个第一广告素材为视频素材,电子设备可以从该视频素材中抽取多帧图片,并且将该多帧图片分别输入到moco模型中得到该多帧图片的图像特征,然后将该多帧图片的图像特征的平均值确定为该视频素材的图像特征。
在本公开实施例的另一种实现方式中,电子设备可以基于光学字符识别(opticalcharacter recognition,OCR)技术识别该每个第一广告素材中的文本信息(和/或基于自动语音识别(automatic speech recognition,ASR)技术识别该每个第一广告素材中的音频信息,以得到该音频信息对应的文本信息),然后将该文本信息输入Bert模型,以得到该每个第一广告素材的文本特征。
在本公开实施例的另一种实现方式中,电子设备还可以获取上述至少一个产品的产品标识,并且还可以获取该每个第一广告素材对应的账户标识。然后电子设备可以基于该每个第一广告素材对应的账户标识以及该每个第一广告素材对应的产品(即待识别产品)的产品标识确定用于表征该每个第一广告素材的唯一性的标识(以下简称该每个第一广告素材的标识)。电子设备可以基于该每个第一广告素材的标识随机生成特征向量,即得到该每个第一广告素材的标识类特征。即该每个第一广告素材的标识类特征可以表征该每个第一广告素材对应的账户标识以及该待识别产品的产品标识。
S1012、电子设备将每个第一广告素材的图像特征、每个第一广告素材的文本特征以及每个第一广告素材的标识类特征输入第二目标质量识别模型,进行特征识别,得到每个第一广告素材的多模态特征。
可以理解的是,该每个第一广告素材的多模态特征至少可以表征该每个第一广告素材的图像特征、文本特征以及标识类特征,即可以从多种模态、多个方向更加全面、完整地表征该每个第一广告素材。
上述实施例提供的技术方案至少能够带来以下有益效果:由S1011-S1012可知,电子设备可以确定多个第一广告素材中每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征,并且将该每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征输入第二目标质量识别模型,进行特征识别,以得到该每个第一广告素材的多模态特征。本公开实施例中,由于该每个第一广告素材的多模态特征至少可以表征该每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征,即电子设备可以从多种模态、多个方向更加全面、完整地表征该多个第一广告素材中的每个第一广告素材,进而可以得到更加完整、准确地得到每个第一广告素材的第一质量分数。
结合图1,如图3所示,本公开实施例提供的广告素材推荐方法还包括S104-S107。
S104、电子设备确定多个第二广告素材的多模态特征。
需要说明的是,电子设备确定该多个第二广告素材的多模态特征的具体过程与上述电子设备确定多个第一广告素材的多模态特征的解释说明是相同或类似的,此处不再赘述。
S105、电子设备将第二广告素材的多模态特征输入第二初始质量识别模型,得到第二广告素材的第二质量分数。
结合上述实施例的描述,应理解,一个广告素材(例如第二广告素材)的第二质量分数可以用于表征该第二广告素材在所有广告素材(也可以理解为整体广告大盘)中的质量情况。该第二初始质量识别模型为上述第二目标质量识别模型的初始模型。
S106、电子设备确定第一损失。
其中,该第一损失用于表征该第二广告素材的第二质量分数与该该第二广告素材的使用率之间的不一致程度。
S107、电子设备根据第一损失,更新第二初始质量识别模型中的参数,得到第二目标质量识别模型。
可以理解的是,本公开实施例中的第二目标质量识别模型(或第二初始质量识别模型)中可以包括一个深度神经网络(deep neural networks,DNN)和一个基分类器(base-classifier)。该DNN可以用于输出该第二广告素材的多模态特征,该基分类器可以用于输出该第二广告素材的第二质量分数。电子设备更新该第二初始质量识别模型中的参数具体可以包括更新该DNN中的参数以及该基分类器中的参数,以得到该第二目标质量识别模型。
上述实施例提供的技术方案至少能够带来以下有益效果:由S104-S107可知,电子设备可以确定多个第二广告素材的多模态特征,并且将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数,并且确定第一损失;然后该电子设备可以根据该第一损失,更新该第二初始质量识别模型中的参数,得到第二目标质量识别模型。本公开实施例中,由于第一损失可以表征第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度,如此电子设备可以基于该不一致程度指导更新该第二初始质量识别模型中的参数,以得到预测出的第二质量分数的准确度较高的第二目标质量识别模型,可以提升该第二目标质量识别模型的训练效率,进而提升多个第一广告素材的第一质量分数的输出效率。
结合图3,如图4所示,在本公开实施例的一种实现方式中,上述确定第一损失,包括S1061-S1063。
S1061、电子设备获取历史推荐数据。
其中,该历史推荐数据包括上述多个第二广告素材中每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,该每个第二广告素材的使用次数用于表征该每个第二广告素材发生目标行为的次数。
应理解,在电子设备在为某一用户推荐某一广告素材之后,该用户可能会对该广告素材执行目标行为,该目标行为可以理解为在用户点击观看该广告素材之后的行为。例如,该目标行为可以包括填写用户个人信息、下载相关应用程序以及消费支付等行为。
可以理解的是,上述多个第二广告素材中每个第二广告素材的推荐次数为电子设备向用户推荐(或展示)该每个第二广告素材的次数。该每个第二广告素材的使用次数为用户使用该每个第二广告素材(即对该每个第二广告素材发生目标行为)的次数。
S1062、电子设备根据每个第二广告素材的推荐次数以及每个第二广告素材的使用次数,确定每个第二广告素材的使用率。
应理解,该多个广告素材中每个第二广告素材的使用率用于表征该每个第二广告素材发生目标行为的转化情况。具体的,当该每个第二广告素材的使用率较高时,说明该每个第二广告素材发生目标行为的转化情况较高,即用户有很大可能对该每个第二广告素材执行目标行为。
可选地,电子设备可以将该每个第二广告素材的使用次数与该每个第二广告素材的推荐次数之间的比值,确定为该每个第二广告素材的使用率。
S1063、电子设备根据每个第二广告素材的使用率以及每个第二广告素材的第二质量分数,确定第一损失。
在本公开实施例的一种实现方式中,电子设备可以确定该第一损失满足下述公式:
loss1=(a-b)2
其中,loss1表示该第一损失,a表示第二广告素材的使用率,b表示该第二广告素材的第二质量分数。
上述实施例提供的技术方案至少能够带来以下有益效果:由S1061-S1063可知,电子设备可以获取历史推荐数据,该历史推荐数据包括多个第二广告素材中每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数;然后该电子设备根据该每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数确定该每个第二广告素材的使用率,以及根据该每个第二广告素材的使用率以及该每个第二广告素材的第二质量分数确定第一损失。本公开实施例中,电子设备可以基于历史推荐数据确定每个第二广告素材的使用率,即确定该每个第二广告素材发生目标行为的转化情况,进而确定除第一损失。能够基于每个第二广告素材真实的转化情况准确地确定出第一损失,进而能够准确地确定出第二目标质量识别模型。
结合图1,如图5所示,本公开实施例提供的广告素材推荐方法还包括S108-S114。
S108、电子设备获取待识别产品的产品标识。
结合上述实施例的描述,应理解,该待识别产品为上述第一广告素材对应的产品。
S109、电子设备将待识别产品的产品标识输入初始参数识别模型,输出第一参数。
可以理解的是,该初始参数识别模型为上述目标参数识别模型的初始模型。
S110、电子设备根据第二目标质量识别模型中的参数和第一参数,确定待识别产品对应的第一初始质量识别模型中的参数。
结合上述实施例的描述,应理解,该第二目标质量识别模型为已经训练完成的,用于输出(或预测)某一广告素材(例如第二广告素材)的第二质量分数的模型。
可选地,电子设备可以将该第二目标质量识别模型中的参数与该第一参数之和,确定为该待识别产品对应的第一初始质量识别模型中的参数。
S111、电子设备确定待识别产品的产品标识对应的多个第二广告素材的多模态特征。
本公开中,该产品标识对应的多个第二广告素材也可以理解为该待识别产品对应的多个第二广告素材。
S112、电子设备将第二广告素材的多模态特征输入待识别产品对应的第一初始质量识别模型,得到第二广告素材的质量预测分数。
其中,该第二广告素材对应的产品标识与上述第一广告素材对应的产品标识相同。
可以理解的是,该第二广告素材对应的产品标识与该第一广告素材对应的产品标识相同说明该第二广告素材与该第一广告素材对应相同的产品(或产品标识),即该第二广告素材与该第一广告素材均对应于该待识别产品。
本公开实施例中,上述至少个产品中的每个产品(包括待识别产品)均可以对应一个第一初始质量识别模型,电子设备可以将该待识别产品对应的某一个广告素材(例如第二广告素材)的多模态特征输入该待识别产品对应的第一初始质量识别模型,以得到该第二广告素材的第二质量预测分数。
在本公开实施例的一种实现方式中,上述第一初始质量识别模型可以理解为该待识别产品对应的初始元分类器(meta-classifier),电子设备将该第二广告素材的多模态特征输入该初始元分类器,以得到该第二广告素材的质量预测分数。
S113、电子设备确定第二损失。
其中,该第二损失用于表征该第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度。
结合上述实施例的描述,应理解,该第二广告素材的使用率表征该第二广告素材发生目标行为的转化情况。具体的,当该第二广告素材的使用率较高时,说明该第二广告素材发生目标行为的转化情况较高,即用户有很大可能对该第二广告素材执行目标行为。
需要说明的是,电子设备确定该第二损失的具体过程与上述电子设备确定第一损失的解释说明是相同或类似的,此处不再赘述。
S114、电子设备根据第二损失,更新初始参数识别模型中的参数,得到目标参数识别模型。
上述实施例提供的技术方案至少能够带来以下有益效果:由S108-S114可知,电子设备可以获取待识别产品的产品标识,并且将该待识别产品的产品标识输入初始参数识别模型,输出第一参数;然后根据第二目标质量识别模型中的参数和该第一参数,确定该待识别产品对应的第一初始质量识别模型中的参数。该电子设备还可以确定该产品标识对应的多个第二广告素材的多模态特征,并且将该第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数;然后该电子设备可以确定第二损失,并且根据该第二损失更新该初始参数识别模型中的参数,以得到目标参数识别模型。本公开实施例中,电子设备可以根据第二目标质量识别模型中的参数和待识别产品在初始参数识别模型中对应的输出结果(即第一参数),确定该待识别产品对应的第一初始质量识别模型中的参数,可以合理有效地确定出每一个产品对应的第一初始质量识别模型。并且,由于该第二损失可以表征第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度,如此电子设备可以基于该不一致程度指导更新该初始参数识别模型中的参数,以得对应的输出结果更准确的目标参数识别模型。能够提升目标参数识别模型的训练效率,进而提升多个第一广告素材中每个第一广告素材的第一质量分数的确定效率。
结合图1,如图6所示,本公开实施例提供的广告素材推荐方法还包括S115-S117。
S115、电子设备获取待识别产品的产品标识。
结合上述实施例的描述,应理解,该待识别产品为上述第一广告素材(或第二广告素材)对应的产品。
S116、电子设备将待识别产品的产品标识输入目标参数识别模型,输出第二参数。
本公开实施例中,该目标参数识别模型也可以理解为某一个DNN。电子设备将上述至少一个产品中某一个产品(例如待识别产品)的产品标识输入该目标参数识别模型,以得到该待识别产品对应的输出结果(即上述第二参数)。
S117、电子设备根据第二目标质量识别模型中的参数和第二参数,确定待识别产品对应的第一目标质量识别模型中的参数。
在一种可选的实现方式中,电子设备可以将该第二目标质量识别模型中的参数与该第二参数之和,确定为该待识别产品对应的第一目标质量识别模型中的参数。
上述实施例提供的技术方案至少能够带来以下有益效果:由S115-S117可知,电子设备可以获取待识别产品的产品标识,并且将该待识别产品的产品标识输入目标参数识别模型,输出第二参数;然后该电子设备可以根据第二目标质量识别模型中的参数和该第二参数,确定该待识别韩品对应的第一目标质量识别模型中的参数。本公开实施例中,电子设备可以通过待识别的产品标识确定该待识别产品在已经训练完成的目标参数识别模型中对应的输出结果(即第二参数),并且结合已经训练完成的第二目标质量识别模型中的参数,可以确定该待识别产品对应的第一目标质量识别模型中的参数,能够确定出准确度较高的、该待识别产品对应的第一目标质量识别模型,进而基于该第一目标质量识别模型能够为广告素材得到或输出更加准确的质量分数,即第一质量分数。
结合图6,如图7所示,在本公开实施例的一种实现方式中,上述目标参数识别模型包括嵌入层和全连接层,上述将待识别产品的产品标识输入目标参数识别模型,输出第二参数,具体可以包括S1161-S1162。
S1161、电子设备将待识别产品的产品标识输入嵌入层,得到待识别产品的标识特征。
应理解,该目标参数识别模型中包括的嵌入层(embedding layer)用于输入上述至少一个产品中每个产品(包括待识别产品)的标识特征。
S1162、电子设备将待识别产品的标识特征输入全连接层,输出第二参数。
可以理解的是,该目标参数识别模型中包括的全连接层(fully connectedlayer)用于输出上述至少一个产品中每个产品(包括待识别产品)对应的输出结果,即第二参数。
在一种可选的实现方式中,该嵌入层与该全连接层中也包括相应的参数。上述更新初始参数识别模型中的参数具体可以包括更新该嵌入层中的参数以及该全连接层中的参数。
上述实施例提供的技术方案至少能够带来以下有益效果:由S1161-S1162可知,电子设备可以将待识别产品的产品标识输入嵌入层,得到该待识别产品的标识特征;并且将该待识别产品的标识特征输入全连接层,输出第二参数。本公开实施例中,电子设备可以基于嵌入层输出至少一个产品中每个产品的标识特征,并且基于全连接层输出该每个产品在目标参数识别模型中对应的输出结果。能够合理、有效地确定出产品在目标参数识别模型中对应的输出结果,进而能够提升确定待识别产品对应的第一目标质量识别模型中的参数的有效性。
结合图6,如图8所示,在本公开实施例的一种实现方式中,上述第二目标质量识别模型中的参数包括第一权重和第一偏置,上述第二参数包括第二权重和第二偏置,上述待识别产品对应的第一目标质量识别模型中的参数包括第三权重和第三偏置。上述根据第二目标质量识别模型中的参数和第二参数,确定待识别产品对应的第一目标质量识别模型中的参数,具体可以包括S1171-S1172。
S1171、电子设备根据第一权重以及第二权重,确定第三权重。
在一种可选的实现方式中,电子设备可以将该第一权重与该第二权重之和,确定为该第三权重。
S1172、电子设备根据第一偏置和第二偏置,确定第三偏置。
在一种可选的实现方式中,电子设备可以将该第一偏置与该第二偏置之和,确定为该第三偏置。
至此,电子设备可以确定出该待识别产品对应的第一目标质量识别模型中的参数,即可以得到上述预测准确度较高的待识别产品对应的第一目标质量识别模型。
上述实施例提供的技术方案至少能够带来以下有益效果:由S1171-S1172可知,电子设备可以根据第一权重和第二权重,确定第三权重;并且根据第一偏置和第二偏置确定第三偏置。本公开实施例中,电子设备可以根据第二目标质量识别模型中包括的权重参数(即第一权重)和目标参数识别模型输出的权重(即第二权重),确定待识别产品对应的第一目标质量识别模型中包括的权重参数(即第三权重);并且还可以根据该第二目标质量识别模型中包括的偏置参数(即第一偏置)和该目标参数识别模型输出的偏置(即第二偏置)确定该待识别产品对应的第一目标质量识别模型中包括的偏置参数(即第三偏置)。能够合理、有效地确定出该待识别产品对应的第一目标质量识别模型中的参数,即可以合理、有效地得到预测准确度较高的待识别产品对应的第一目标质量识别模型。进而可以准确、有效地确定出每个广告素材的第一质量分数。
如图9所示,本公开实施例提供的模型方法可以包括S201-S203。
S201、电子设备获取第二目标质量识别模型中的参数。
结合上述实施例的描述,该第二目标质量识别模型用于输出某一个广告素材(例如第二广告素材)的第二质量分数,该第二质量分数可以用于表征该第二广告素材在所有广告素材(也可以理解为整体广告大盘)中的质量情况。
S202、电子设备确定待识别产品在目标参数识别模型中对应的输出结果。
结合上述实施例的描述,应理解,该待识别产品为上述第一广告素材(以及第二广告素材)对应的产品。
S203、电子设备根据第二目标质量识别模型中的参数以及待识别产品在目标参数识别模型中对应的输出结果,确定待识别产品对应的第一目标质量识别模型中的参数,以得到该第一目标质量识别模型。
在本公开实施例的一种实现方式中,该第二目标质量识别模型中的参数可以包括第一权重和第一偏置,该待识别产品在该目标参数识别模型中对应的输出结果可以包括第二权重和第二偏置,该待识别产品对应的第一目标质量识别模型中的参数可以包括第三权重和第三偏置。电子设备可以根据该第一权重和该第二权重确定该第三权重,并且根据该第一偏置和该第二偏置确定该第三偏置。
上述实施例提供的技术方案至少能够带来以下有益效果:由S201-S203可知,电子设备可以获取第二目标质量识别模型中的参数,并且确定待识别产品在目标参数识别模型中对应的输出结果;然后该电子设备根据该第二目标质量识别模型中的参数以及该输出结果,确定该待识别产品对应的第一目标质量识别模型中的参数,以得到该第一目标质量识别模型。本公开实施例中,电子设备可以确定待识别产品在已经训练完成的目标参数识别模型中对应的输出结果,并且结合已经训练完成的第二目标质量识别模型中的参数,可以准确、有效地确定出该待识别产品对应的第一目标质量识别模型中的参数,能够确定出准确度较高的、该待识别产品对应的第一目标质量识别模型。进而电子设备基于该第一目标质量识别模型能够为广告素材得到或输出更加准确的质量分数,以提升广告素材推荐的准确性。
结合图9,如图10所示,本公开实施例提供的模型训练方法还包括S204-S207。
S204、电子设备确定待识别产品的产品标识对应的多个第二广告素材的多模态特征。
S205、电子设备将第二广告素材的多模态特征输入第二初始质量识别模型,得到第二广告素材的第二质量分数。
S206、电子设备确定第一损失。
其中,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度。
S207、电子设备根据第一损失,更新第二初始质量识别模型中的参数,得到第二目标质量识别模型。
需要说明的是,S204-S207中的解释说明与上述S104-S107中的描述是相同或类似的,此处不再赘述。
上述实施例提供的技术方案至少能够带来以下有益效果:由S204-S207可知,电子设备可以确定待识别产品的产品标识对应的多个第二广告素材的多模态特征,并且将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数,并且确定第一损失;然后该电子设备可以根据该第一损失,更新该第二初始质量识别模型中的参数,得到第二目标质量识别模型。本公开实施例中,由于第一损失可以表征第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度,如此电子设备可以基于该不一致程度指导更新该第二初始质量识别模型中的参数,以得到预测出的第二质量分数的准确度较高的第二目标质量识别模型,可以提升该第二目标质量识别模型的训练效率,进而提升得到该待识别产品对应的第一目标质量识别模型的效率。
结合图9,如图11所示,本公开实施例提供的模型训练方法还包括S208-S211。
S208、电子设备确定待识别产品的产品标识对应的多个第二广告素材的多模态特征。
S209、电子设备将第二广告素材的多模态特征输入待识别产品对应的第一初始质量识别模型,得到第二广告素材的质量预测分数。
S210、电子设备确定第二损失。
其中,该第二损失用于表征该第二广告素材的第一质量分数与该第二广告素材的使用率之间的不一致程度。
S211、电子设备根据第二损失,更新初始参数识别模型中的参数,得到目标参数识别模型。
需要说明的是,S208-S211中的解释说明与上述S111-S114中的描述是相同或类似的,此处不再赘述。
上述实施例提供的技术方案至少能够带来以下有益效果:由S208-S211可知,电子设备可以确定待识别产品的产品标识对应的多个第二广告素材的多模态特征,并且将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数;然后该电子设备可以确定第二损失,并且根据该第二损失更新该初始参数识别模型中的参数,以得到目标参数识别模型。本公开实施例中,由于该第二损失可以表征第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度,如此电子设备可以基于该不一致程度指导更新该初始参数识别模型中的参数,以得对应的输出结果更准确的目标参数识别模型。能够提升目标参数识别模型的训练效率,进而提升得到该待识别产品对应的第一目标质量识别模型的效率。
可以理解的,在实际实施时,本公开实施例所述的电子设备可以包含有用于实现前述对应广告素材推荐方法的一个或多个硬件结构和/或软件模块,这些执行硬件结构和/或软件模块可以构成一个电子设备。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
基于这样的理解,本公开实施例还对应提供一种广告素材推荐装置,图12示出了本公开实施例提供的广告素材推荐装置的结构示意图。如图12所示,该广告素材推荐装置10可以包括:确定模块101和处理模块102。
确定模块101,被配置为确定多个第一广告素材的多模态特征。
处理模块102,被配置为将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到该第一广告素材的第一质量分数,该待识别产品为该第一广告素材对应的产品,该第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及该待识别产品在目标参数识别模型中对应的输出结果确定的。
确定模块101,还被配置为根据该多个第一广告素材中每个第一广告素材的第一质量分数,从该多个第一广告素材中确定待推荐的广告素材。
可选地,确定模块101,具体被配置为确定该多个第一广告素材中每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个第一广告素材的标识类特征。
处理模块102,还被配置为将该每个第一广告素材的图像特征、该每个第一广告素材的文本特征以及该每个广告第一素材的标识类特征输入该第二目标质量识别模型,进行特征识别,得到该每个第一广告素材的多模态特征。
可选地,确定模块101,还被配置为确定多个第二广告素材的多模态特征。
处理模块102,还被配置为将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数。
确定模块101,还被配置为确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度。
处理模块102,还被配置为根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,该广告素材推荐装置20还包括获取模块103。
获取模块103,被配置为获取该待识别产品的产品标识。
处理模块102,还被配置为将该待识别产品的产品标识输入初始参数识别模型,输出第一参数。
确定模块101,还被配置为根据该第二目标质量识别模型中的参数和该第一参数,确定该待识别产品对应的第一初始质量识别模型中的参数。
确定模块101,还被配置为确定该产品标识对应的多个第二广告素材的多模态特征。
处理模块102,还被配置为将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数,该第二广告素材对应的产品标识与该第一广告素材对应的产品标识相同。
确定模块101,还被配置为确定第二损失,该第二损失用于表征该第二广告素材的质量预测分数与该第二广告素材的使用率之间的不一致程度。
处理模块102,还被配置为根据该第二损失,更新该初始参数识别模型中的参数,得到该目标参数识别模型。
可选地,获取模块103,被配置为获取该待识别产品的产品标识。
处理模块102,还被配置为将该待识别产品的产品标识输入该目标参数识别模型,输出第二参数。
确定模块101,还被配置为根据该第二目标质量识别模型中的参数和该第二参数,确定该待识别产品对应的第一目标质量识别模型中的参数。
可选地,上述目标参数识别模型包括嵌入层和全连接层。
处理模块102,具体被配置为将该产品标识输入该嵌入层,得到该待识别产品的标识特征。
处理模块102,具体还被配置为将该标识特征输入该全连接层,输出该第二参数。
可选地,上述第二目标质量识别模型中的参数包括第一权重和第一偏置,该第二参数包括第二权重和第二偏置,该待识别产品对应的第一目标质量识别模型中的参数包括第三权重和第三偏置。
确定模块101,具体被配置为根据该第一权重和该第二权重,确定该第三权重。
确定模块101,具体还被配置为根据该第一偏置和该第二偏置,确定该第三偏置。
可选地,获取模块103,被配置为获取历史推荐数据,该历史推荐数据包括该多个第二广告素材中每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,该每个第二广告素材的使用次数用于表征该每个第二广告素材发生目标行为的次数。
确定模块101,具体被配置为根据该每个第二广告素材的推荐次数以及该每个第二广告素材的使用次数,确定该每个第二广告素材的使用率。
确定模块101,具体还被配置为根据该每个第二广告素材的使用率以及该每个第二广告素材的第二质量分数,确定该第一损失。
如上所述,本公开实施例可以根据上述方法示例对广告素材推荐装置进行功能模块的划分。其中,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。另外,还需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。
关于上述实施例中的广告素材推荐装置,其中各个模块执行操作的具体方式、以及具备的有益效果,均已经在前述方法实施例中进行了详细描述,此处不再赘述。
图13是本公开提供的另一种广告素材推荐装置的结构示意图。如图13,该广告素材推荐装置20可以包括至少一个处理器201以及用于存储处理器可执行指令的存储器203。其中,处理器201被配置为执行存储器203中的指令,以实现上述实施例中的广告素材推荐方法。
另外,广告素材推荐装置20还可以包括通信总线202以及至少一个通信接口204。
处理器201可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本公开方案程序执行的集成电路。
通信总线202可包括一通路,在上述组件之间传送信息。
通信接口204,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器203可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器203用于存储执行本公开方案的指令,并由处理器201来控制执行。处理器201用于执行存储器203中存储的指令,从而实现本公开方法中的功能。
在具体实现中,作为一种实施例,处理器201可以包括一个或多个CPU,例如图13中的CPU0和CPU1。
在具体实现中,作为一种实施例,广告素材推荐装置20可以包括多个处理器,例如图13中的处理器201和处理器207。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,广告素材推荐装置20还可以包括输出设备205和输入设备206。输出设备205和处理器201通信,可以以多种方式来显示信息。例如,输出设备205可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emittingdiode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备206和处理器201通信,可以以多种方式接受用户的输入。例如,输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。
图14为本公开提供的一种模型训练装置的结构示例图。如图14所示,该模型训练装置30可以包括:获取模块301和确定模块302。
获取模块301,被配置为获取第二目标质量识别模型中的参数。
确定模块302,被配置为确定待识别产品在目标参数识别模型中对应的输出结果。
确定模块302,还被配置为根据该第二目标质量识别模型中的参数以及该输出结果,确定该待识别产品对应的第一目标质量识别模型中的参数,以得到该第一目标质量识别模型。
可选地,该模型训练装置30还包括处理模块303。
确定模块302,还被配置为确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征。
处理模块303,被配置为将第二广告素材的多模态特征输入第二初始质量识别模型,得到该第二广告素材的第二质量分数。
确定模块302,还被配置为确定第一损失,该第一损失用于表征该第二广告素材的第二质量分数与该第二广告素材的使用率之间的不一致程度。
处理模块303,还被配置为根据该第一损失,更新该第二初始质量识别模型中的参数,得到该第二目标质量识别模型。
可选地,确定模块302,还被配置为确定该待识别产品的产品标识对应的多个第二广告素材的多模态特征。
处理模块303,被配置为将第二广告素材的多模态特征输入该待识别产品对应的第一初始质量识别模型,得到该第二广告素材的质量预测分数。
确定模块302,还被配置为确定第二损失,该第二损失用于表征该第二广告素材的第一质量分数与该第二广告素材的使用率之间的不一致程度。
处理模块303,还被配置为根据该第二损失,更新初始参数识别模型中的参数,得到该目标参数识别模型。
图15是本公开提供的另一种模型训练装置的结构示意图。如图15,该模型训练装置40可以包括至少一个处理器401以及用于存储处理器可执行指令的存储器403。其中,处理器401被配置为执行存储器403中的指令,以实现上述实施例中的模型训练方法。
另外,模型训练装置40还可以包括通信总线402以及至少一个通信接口404。
处理器401可以是一个CPU,微处理单元,ASIC,或一个或多个用于控制本公开方案程序执行的集成电路。
通信总线402可包括一通路,在上述组件之间传送信息。
通信接口404,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,RAN,WLAN等。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器403用于存储执行本公开方案的指令,并由处理器401来控制执行。处理器401用于执行存储器403中存储的指令,从而实现本公开方法中的功能。
在具体实现中,作为一种实施例,处理器401可以包括一个或多个CPU,例如图15中的CPU0和CPU1。
在具体实现中,作为一种实施例,模型训练装置40可以包括多个处理器,例如图15中的处理器401和处理器407。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,模型训练装置40还可以包括输出设备405和输入设备406。输出设备405和处理器401通信,可以以多种方式来显示信息。例如,输出设备405可以是LCD,LED显示设备,CRT显示设备,或投影仪(projector)等。输入设备406和处理器401通信,可以以多种方式接受用户的输入。例如,输入设备406可以是鼠标、键盘、触摸屏设备或传感设备等。
本领域技术人员可以理解,图13中示出的结构并不构成对广告素材推荐装置20的限定,并且图15中示出的结构并不构成对模型训练装置40的限定。其可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
另外,本公开还提供一种计算机可读存储介质,包括指令,当指令由电子设备执行时,使得电子设备执行如上述实施例所提供的广告素材推荐方法,或者执行如上述实施例所提供的模型训练方法。
另外,本公开还提供一种计算机程序产品,包括指令,当指令由电子设备执行时,使得电子设备执行如上述实施例所提供的广告素材推荐方法,或者执行如上述实施例所提供的模型训练方法。
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。本公开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权利要求指出。
Claims (10)
1.一种广告素材推荐方法,其特征在于,包括:
确定多个第一广告素材的多模态特征;
将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到所述第一广告素材的第一质量分数,所述待识别产品为所述第一广告素材对应的产品,所述第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及所述待识别产品在目标参数识别模型中对应的输出结果确定的;
根据所述多个第一广告素材中每个第一广告素材的第一质量分数,从所述多个第一广告素材中确定待推荐的广告素材。
2.根据权利要求1所述的广告素材推荐方法,其特征在于,所述确定多个第一广告素材的多模态特征,包括:
确定所述多个第一广告素材中每个第一广告素材的图像特征、所述每个第一广告素材的文本特征以及所述每个第一广告素材的标识类特征;
将所述每个第一广告素材的图像特征、所述每个第一广告素材的文本特征以及所述每个广告第一素材的标识类特征输入所述第二目标质量识别模型,进行特征识别,得到所述每个第一广告素材的多模态特征。
3.根据权利要求1所述的广告素材推荐方法,其特征在于,所述方法还包括:
确定多个第二广告素材的多模态特征;
将第二广告素材的多模态特征输入第二初始质量识别模型,得到所述第二广告素材的第二质量分数;
确定第一损失,所述第一损失用于表征所述第二广告素材的第二质量分数与所述第二广告素材的使用率之间的不一致程度;
根据所述第一损失,更新所述第二初始质量识别模型中的参数,得到所述第二目标质量识别模型。
4.根据权利要求1所述的广告素材推荐方法,其特征在于,所述方法还包括:
获取所述待识别产品的产品标识;
将所述待识别产品的产品标识输入初始参数识别模型,输出第一参数;
根据所述第二目标质量识别模型中的参数和所述第一参数,确定所述待识别产品对应的第一初始质量识别模型中的参数;
确定所述产品标识对应的多个第二广告素材的多模态特征;
将第二广告素材的多模态特征输入所述待识别产品对应的第一初始质量识别模型,得到所述第二广告素材的质量预测分数,所述第二广告素材对应的产品标识与所述第一广告素材对应的产品标识相同;
确定第二损失,所述第二损失用于表征所述第二广告素材的质量预测分数与所述第二广告素材的使用率之间的不一致程度;
根据所述第二损失,更新所述初始参数识别模型中的参数,得到所述目标参数识别模型。
5.一种模型训练方法,其特征在于,包括:
获取第二目标质量识别模型中的参数;
确定待识别产品在目标参数识别模型中对应的输出结果;
根据所述第二目标质量识别模型中的参数以及所述输出结果,确定所述待识别产品对应的第一目标质量识别模型中的参数,以得到所述第一目标质量识别模型。
6.一种广告素材推荐装置,其特征在于,包括:确定模块和处理模块;
所述确定模块,被配置为确定多个第一广告素材的多模态特征;
所述处理模块,被配置为将第一广告素材的多模态特征输入待识别产品对应的第一目标质量识别模型,得到所述第一广告素材的第一质量分数,所述待识别产品为所述第一广告素材对应的产品,所述第一目标质量识别模型中的参数是根据第二目标质量识别模型中的参数以及所述待识别产品在目标参数识别模型中对应的输出结果确定的;
所述确定模块,还被配置为根据所述多个第一广告素材中每个第一广告素材的第一质量分数,从所述多个第一广告素材中确定待推荐的广告素材。
7.一种模型训练装置,其特征在于,包括:获取模块和确定模块;
所述获取模块,被配置为获取第二目标质量识别模型中的参数;
所述确定模块,被配置为确定待识别产品在目标参数识别模型中对应的输出结果;
所述确定模块,还被配置为根据所述第二目标质量识别模型中的参数以及所述输出结果,确定所述待识别产品对应的第一目标质量识别模型中的参数,以得到所述第一目标质量识别模型。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器;
被配置为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1-4中任一项所述的广告素材推荐方法,或者实现如权利要求5所述的模型训练方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,当所述计算机可读存储介质中的指令由电子设备执行时,使得所述电子设备能够执行如权利要求1-4中任一项所述的广告素材推荐方法,或者执行如权利要求5所述的模型训练方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1-4中任一项所述的广告素材推荐方法,或者执行如权利要求5所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028181.3A CN114493683A (zh) | 2022-01-11 | 2022-01-11 | 广告素材推荐方法、模型训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028181.3A CN114493683A (zh) | 2022-01-11 | 2022-01-11 | 广告素材推荐方法、模型训练方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493683A true CN114493683A (zh) | 2022-05-13 |
Family
ID=81510949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028181.3A Pending CN114493683A (zh) | 2022-01-11 | 2022-01-11 | 广告素材推荐方法、模型训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024051609A1 (zh) * | 2022-09-09 | 2024-03-14 | 北京沃东天骏信息技术有限公司 | 广告创意数据选取方法及装置、模型训练方法及装置、设备、存储介质 |
-
2022
- 2022-01-11 CN CN202210028181.3A patent/CN114493683A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024051609A1 (zh) * | 2022-09-09 | 2024-03-14 | 北京沃东天骏信息技术有限公司 | 广告创意数据选取方法及装置、模型训练方法及装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074607B (zh) | 学得模型提供方法和学得模型提供装置 | |
EP3451192A1 (en) | Text classification method and apparatus | |
CN109564575A (zh) | 使用机器学习模型来对图像进行分类 | |
CN106774975B (zh) | 输入方法和装置 | |
CN110377829B (zh) | 应用于电子设备的功能推荐方法和装置 | |
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN110162604B (zh) | 语句生成方法、装置、设备及存储介质 | |
US9843837B2 (en) | Cross-platform analysis | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
CA3135466A1 (en) | User loan willingness prediction method and device and computer system | |
CN114493683A (zh) | 广告素材推荐方法、模型训练方法、装置及电子设备 | |
CN112381236A (zh) | 联邦迁移学习的数据处理方法、装置、设备及存储介质 | |
CN114676272A (zh) | 多媒体资源的信息处理方法、装置、设备及存储介质 | |
CN116228391A (zh) | 一种风险识别方法、装置、存储介质及电子设备 | |
CN115719270A (zh) | 信用评价方法、装置、设备、介质和程序产品 | |
CN115910062A (zh) | 音频识别方法、装置、设备及存储介质 | |
CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
CN114297380A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN110879868A (zh) | 顾问方案生成方法、装置、系统、电子设备及介质 | |
CN113342998B (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN114898183A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
CN114565030B (zh) | 特征筛选方法、装置、电子设备和存储介质 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
US20230351211A1 (en) | Scoring correlated independent variables for elimination from a dataset |
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 |