CN114638646A - 广告投放推荐方法及其装置、设备、介质、产品 - Google Patents

广告投放推荐方法及其装置、设备、介质、产品 Download PDF

Info

Publication number
CN114638646A
CN114638646A CN202210307120.0A CN202210307120A CN114638646A CN 114638646 A CN114638646 A CN 114638646A CN 202210307120 A CN202210307120 A CN 202210307120A CN 114638646 A CN114638646 A CN 114638646A
Authority
CN
China
Prior art keywords
commodity
advertisement
interest
advertised
database
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
Application number
CN202210307120.0A
Other languages
English (en)
Inventor
郭志伟
胡凌宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Huaduo Network Technology Co Ltd
Original Assignee
Guangzhou Huaduo Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Huaduo Network Technology Co Ltd filed Critical Guangzhou Huaduo Network Technology Co Ltd
Priority to CN202210307120.0A priority Critical patent/CN114638646A/zh
Publication of CN114638646A publication Critical patent/CN114638646A/zh
Pending legal-status Critical Current

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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种广告投放推荐方法及其装置、设备、介质、产品，所述方法包括：获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。本申请可为待投放广告商品精准匹配对广告商品感兴趣的广告受众用户，获得良好的广告投放成效。

Description

广告投放推荐方法及其装置、设备、介质、产品
技术领域
本申请涉及电商信息技术领域，尤其涉及一种广告投放推荐方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。
背景技术
商品广告是生产者或商品经营者向消费者介绍商品和推销商品的传播广告。其目的是为了提高商品的知名度，实现商品销售。商品广告一般是运用与销售直接有关的表现形式，来说服消费者购买商品的传播活动。
商品广告投放是以促进产品的销售为目的，通过向目标受众介绍有关商品消息，突出商品的特性，以引起目标受众和潜在消费者的关注的广告。它力求产生直接和即时的广告效果，在目标受众的心目中留下美好的产品形象，从而为提高产品的市场占有率，为最终实现企业的目标埋下伏笔。
目前电商领域大多数现有技术方案对于商品广告投放的实现，通常采取语义相似度进行标签推荐，即根据商品的标题检索出与之语义相似度较高的标签作为推荐，进而从推荐的标签中选取部分标签，根据标签对应的受众用户进行商品广告投放，然而此举在一定程度上保证了商品广告投放的精准性，但难以确保商品广告投放后能有较佳的成效。
为了改良现有技术，本申请人做出相应的探索。
发明内容
本申请的首要目的在于解决上述问题至少之一而提供一种广告投放推荐方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
为满足本申请的各个目的，本申请采用如下技术方案：
适应本申请的目的之一而提供的一种广告投放推荐方法，包括如下步骤：
获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；
检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；
获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；
根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺的步骤之前，包括如下步骤：
获取已投放广告商品对应的品类、商家店铺，并且建立两者与该已投放广告商品之间的第一映射关系；
获取已投放广告商品对应的兴趣标签及其对应的历史成效数据，并且建立两者与该已投放广告商品之间的第二映射关系；
筛选出满足预设条件的历史成效数据相对应的兴趣标签，根据第一映射关系和第二映射关系建立所述品类、商家店铺与筛选出的兴趣标签及其对应的历史成效数据之间的第三映射关系，获得历史成效数据库；
调用预先训练至收敛状态的相似度计算模型提取所述历史成效数据库中的兴趣标签对应的深层语义特征，构建所述兴趣标签的特征向量存储于预设特征数据库。
进一步的实施例中，计算所述商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度的步骤中，采用所述相似度计算模型实施计算。
进一步的实施例中，所述相似度计算模型的训练过程，包括如下步骤：
从数据集中调用一个训练样本，所述训练样本包括商品标题与兴趣标签，每个训练样本对应提供有表征商品标题与兴趣标签是否构成相似的监督标签；
将所述训练样本中的商品标题和兴趣标签输入所述相似度计算模型分别提取出其各自的特征向量；
在所述相似度计算模型中计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度；
采用分类器判定所述商品标题与所述兴趣标签是否相似，获得判断结果；
应用预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得损失值；
判断所述损失值是否达到预设阈值，当其达到预设阈值时，终止训练；否则，根据所述损失值对模型实施梯度更新，调用所述数据集中的下一训练样本继续对该模型实施迭代训练。
进一步的实施例中，检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
获取第三方运营平台提供的兴趣标签数据库，其中包含第三方运营平台的兴趣标签体系下的全量兴趣标签；
调用预先训练至收敛状态的文本特征提取模型分别提取所述商品标题和所述兴趣标签数据库中的兴趣标签相对应的深层语义特征，获得所述商品标题的特征向量和该兴趣标签数据库中的兴趣标签的特征向量；
计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度；
获取相似度超过预设阈值的所述兴趣标签数据库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集；
根据第二广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
获取已投放广告商品的商品标题，并且调用预训练至收敛的文本特征模型分别提取已投放广告商品的商品标题和待投放广告商品的商品标题相对应的深层语义特征，获得两者对应的特征向量；
计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，并且确定出相似度满足预设条件的已投放广告商品，获取其在待投放广告时采用的第一广告投放标签集。
进一步的实施例中，根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，包括如下步骤：
获取用户画像数据库，所述用户画像数据库包含用户的兴趣标签；
根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，获得相应的用户作为所述广告受众用户。
适应本申请的目的之一而提供的一种广告投放推荐装置，包括：标题识别模块、检索计算模块、标签集构建模块，以及广告推送模块，其中，标题识别模块，用于获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；检索计算模块，用于检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；标签集构建模块，用于获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；广告推送模块，用于根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，所述标题识别模块之前，包括：第一数据获取子模块，用于获取已投放广告商品对应的品类、商家店铺，并且建立两者与该已投放广告商品之间的第一映射关系；第二数据获取子模块，用于获取已投放广告商品对应的兴趣标签及其对应的历史成效数据，并且建立两者与该已投放广告商品之间的第二映射关系；数据库建立子模块，用于筛选出满足预设条件的历史成效数据相对应的兴趣标签，根据第一映射关系和第二映射关系建立所述品类、商家店铺与筛选出的兴趣标签及其对应的历史成效数据之间的第三映射关系，获得历史成效数据库；向量构建存储子模块，用于调用预先训练至收敛状态的相似度计算模型提取所述历史成效数据库中的兴趣标签对应的深层语义特征，构建所述兴趣标签的特征向量存储于预设特征数据库。
进一步的实施例中，所述检索计算模块中，包括模型计算子模块，用于采用所述相似度计算模型实施计算。
进一步的实施例中，所述相似度计算模型的训练过程，包括：监督训练样本构建子模块，用于从数据集中调用一个训练样本，所述训练样本包括商品标题与兴趣标签，每个训练样本对应提供有表征商品标题与兴趣标签是否构成相似的监督标签；特征提取子模块，用于将所述训练样本中的商品标题和兴趣标签输入所述相似度计算模型分别提取出其各自的特征向量；模型计算子模块，用于在所述相似度计算模型中计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度；分类判定子模块，用于采用分类器判定所述商品标题与所述兴趣标签是否相似，获得判断结果；损失值获取子模块，用于应用预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得损失值；迭代训练子模块，用于判断所述损失值是否达到预设阈值，当其达到预设阈值时，终止训练；否则，根据所述损失值对模型实施梯度更新，调用所述数据集中的下一训练样本继续对该模型实施迭代训练。
进一步的实施例中，所述检索计算模块，包括：全量标签获取子模块，用于获取第三方运营平台提供的兴趣标签数据库，其中包含第三方运营平台的兴趣标签体系下的全量兴趣标签；特征提取子模块，用于调用预先训练至收敛状态的文本特征提取模型分别提取所述商品标题和所述兴趣标签数据库中的兴趣标签相对应的深层语义特征，获得所述商品标题的特征向量和该兴趣标签数据库中的兴趣标签的特征向量；相似度计算子模块，用于计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度；标签集构建子模块，用于获取相似度超过预设阈值的所述兴趣标签数据库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集；广告推送子模块，用于根据第二广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，所述检索计算模块，包括：特征向量获取子模块，用于获取已投放广告商品的商品标题，并且调用预训练至收敛的文本特征模型分别提取已投放广告商品的商品标题和待投放广告商品的商品标题相对应的深层语义特征，获得两者对应的特征向量；标签集获取子模块，用于计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，并且确定出相似度满足预设条件的已投放广告商品，获取其在待投放广告时采用的第一广告投放标签集。
进一步的实施例中，所述广告推送模块，包括：用户标签获取子模块，用于获取用户画像数据库，所述用户画像数据库包含用户的兴趣标签；标签匹配子模块，用于根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，获得相应的用户作为所述广告受众用户。
适应本申请的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述的广告投放推荐方法的步骤。
适应本申请的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的广告投放推荐方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
适应本申请的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请任意一种实施例中所述方法的步骤。
根据本申请的典型实施例及其变通实施例可以知晓，本申请的技术方案存在多方面优势，包括但不限于如下各方面：
本申请根据待投放广告商品对应的品类和商家店铺，检索两者是否存在于历史成效数据库中，当两者存在则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度，其中以相似度较高的兴趣标签构建第一广告投放标签集用于为所述待投放广告商品匹配广告受众用户推送该待投放广告商品相对应的广告信息。不难理解，历史成效数据提供具有历史参考价值的兴趣标签，，而该兴趣标签的特征向量则存储于预设特征数据库中，因而，最终根据第一广告投放标签集中的兴趣标签对所述该待投放广告商品进行广告投放具备可预见的优质广告投放成效，大大提升待投放广告商品的广告投放效果，同时实现精准地向对待投放广告商品感兴趣的广告受众用户推送待投放广告商品的广告信息。
此外，本申请的技术方案一方面，简单易实现，运算成本低，负载较低适用于部署在终端设备或服务器中。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请的广告投放推荐方法的典型实施例的流程示意图；
图2为本申请实施例中历史成效数据库和预设特征数据库建立的流程示意图；
图3为本申请实施例中所述相似度计算模型的训练过程的流程示意图；
图4为本申请实施例中根据商品标题语义匹配标签进而广告投放的流程示意图；
图5为本申请一种变通的实施例的流程示意图；
图6为本申请实施例中为所述待投放广告商品匹配广告受众用户的流程示意图；
图7为本申请的广告投放推荐装置的原理框图；
图8为本申请所采用的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(PersonalCommunications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本申请所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
需要指出的是，本申请所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本申请的网络部署方式的实施方式。
本申请的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
本申请所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本申请的技术方案所调用即可。
本领域技术人员对此应当知晓：本申请的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本申请所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
本申请即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本申请的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
本申请的一种广告投放推荐方法，可被编程为计算机程序产品，部署于客户端或服务器中运行而实现，例如在本申请的电商平台应用场景中，一般部署在服务器中实施，藉此可以通过访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
请参阅图1，本申请的广告投放推荐方法在其典型实施例中，包括如下步骤：
步骤S1100、获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；
根据为待投放广告商品的预设唯一标识码调用预封装的商品数据接口从商品数据库中获取待投放广告商品对应的商品信息，所述商品信息包含商品头图的图片、商品详情的图片、商品详情的文本、商品标题的文本，所述预设唯一标识码是对商品进行一种唯一标识使得便于快速检索该商品而设，可由本领域技术人员灵活变通设置，所述商品数据库包含存储商品对应的商品信息、商品店铺、商品品类，且该商品数据库的存储结构关联商品对应的品类体系，该品类体系包含各种品类，该各个品类由一或多层级类目相应组合而成，其中各上级类目可包含一个或多个下级类目，因此，该商品数据库中的商品对应的存储路径为该商品对应的品类，示范性举例，该品类为“男士、服饰、下衣、裤袜、袜子”、“女士、服饰、上衣、短袖、T恤衫”、“儿童、服饰、下衣、长袖、卫衣”等，不难理解品类中如“男士、女士、儿童”为上级类目，其下级类目为“服饰”，而“服饰”为上级类目时对应的下级类目为“上衣/下衣”，同理其余类目以此类推，由此，再从该商品信息中获得该待投放广告商品的商品标题，并且根据所述商品信息所指向商品数据库中的商品即所述待投放广告商品，从而识别出其对应的存储路径即所述待投放广告商品对应的品类，以及获得正在上架该待投放广告商品的商家店铺。
步骤S1200、检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；
可以预设历史成效数据库，其包含存储已投放广告商品对应的品类、商家店铺、兴趣标签，以及该已投放广告商品根据该兴趣标签进行投放时对应的历史成效数据，所述历史成效数据包含点击率、转化率、购买率、Roas，所述兴趣标签包含品牌、风格、运动、影视等，示范性举例，该兴趣标签为“iPhone”、“华为”、“简约”、“古代风”、“ins风”“港风”、“NBA”等，所述已投放广告商品对应的兴趣标签为投放成效较佳的兴趣标签，具体而言，根据该已投放广告商品根据兴趣标签进行投放时对应各个兴趣标签的历史成效数据，从中优选出广告投放后的成效较佳的兴趣标签即综合历史成效数据中各项数据相对于其他兴趣标签而言更优胜的兴趣标签，此处可由人工评定。
可以预设特征数据库，其包含存储所述历史成效数据库中的已投放广告商品对应的兴趣标签及其被提取语义特征后获得的特征向量，此处实现可由本领域技术人员灵活变通实现。
本申请后续的部分实施例将进一步揭示该历史成效数据库和预设特征数据库的构建，以及检索历史成效数据库中所述品类和商家店铺两者或两者之一不存在的解决方案，此处暂且不表。
以所述品类和商家店铺作为查询条件相应的生成数据库查询指令，快速检索历史成效数据库获得二次返回的查询结果，根据二次返回的查询结果都不为空判定该品类和商家店铺都存在，触发调用相似度计算函数，向其输入所述商品标题的特征向量和预设特征数据库中兴趣标签的特征向量进行相似度计算，获得两者之间的相似度，所述商品标题的特征向量为提取该商品标题的语义特征而获得的特征向量，此处实现可由本领域技术人员灵活变通实现，所述相似度计算函数可为夹角余弦计算函数、欧式距离计算函数、马氏距离计算函数、闵可夫斯基距离计算函数、切比雪夫距离计算函数、曼哈顿距离计算函数等，可由本领域技术人员灵活变通选取实现。
步骤S1300、获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；
可以设置预设阈值实现科学可行地优选出与所述商品标题语义相似度较高的兴趣标签，该预设阈值具体数值设定可由本领域技术人员根据先验知识或实验经验灵活变通设置。由此，根据所述商品标题的特征向量和兴趣标签的特征向量之间的相似度，筛选出相似度超过预设阈值的兴趣标签的特征向量对应的兴趣标签，进一步，根据该兴趣标签在历史成效数据库中对应的历史成效数据相应的所述评分，以评分高到低的顺序相应为该各个兴趣标签排序构建第一广告投放标签集。
步骤S1400、根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
可以预构建用户的兴趣标签集，其中的兴趣标签表征用户对兴趣标签对应的商品感兴趣，该兴趣标签一般是根据用户行为记录数据来提取，例如用户经常点击浏览、点赞、关注、收藏、购买某款商品，据此可以对用户打上相应的兴趣标签，示范性举例，用户经常购买、关注、收藏汉服商品，据此可对用户打上“古代风”的兴趣标签；用户经常购买、关注、收藏iPhone系列商品，据此可对用户打上“iPhone”的兴趣标签。
所述为所述待投放广告商品匹配广告受众用户，具体实现为获取所述用户的兴趣标签集与所述第一广告投放标签集两者中的兴趣标签进行匹配，获得所述第一广告投放标签集中的兴趣标签对应所述用户的兴趣标签集的用户作为所述广告受众用户。
该待投放广告商品相对应的广告信息可由本领域技术人员预先制备，所述广告信息可为包含该待投放广告商品的视频广告、购买链接广告、图文广告等各种形式的广告。
进一步，根据所述第一广告投放标签集中的兴趣标签排序，相对的排序靠前者比排序靠后者分配更多的投放资源用于推送该待投放广告商品相对应的广告信息，示范性举例，所述投放资源为选取时间段投放以及相应的投放次数，向排序第一位的兴趣标签对应的广告受众用户多时间段多次推送该待投放广告商品相对应的广告信息，而向排序第二位的兴趣标签对应的广告受众用户则部分时间段多次推送，继而向排序第三位的兴趣标签对应的广告受众用户则少部分时间段少次推送。
根据本申请的典型实施例及其变通实施例可以知晓，本申请的技术方案存在多方面优势，包括但不限于如下各方面：
本申请根据待投放广告商品对应的品类和商家店铺，检索两者是否存在于历史成效数据库中，当两者存在则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度，其中以相似度较高的兴趣标签构建第一广告投放标签集用于为所述待投放广告商品匹配广告受众用户推送该待投放广告商品相对应的广告信息。由于，预先根据已投放商品对应的历史成效数据，优选该历史成效数据较佳的已投放商品在其进行广告投放时采用的兴趣标签，存储于历史成效数据库中，并构建该兴趣标签的特征向量存储于预设特征数据库中，使得最终根据第一广告投放标签集中的兴趣标签对所述该待投放广告商品进行广告投放具备可预见的优质广告投放成效，大大提升待投放广告商品的广告投放效果，同时实现精准地向对待投放广告商品感兴趣的广告受众用户推送待投放广告商品的广告信息。
此外，本申请的技术方案一方面，简单易实现，运算成本低，负载较低适用于部署在终端设备或服务器中。
请参阅图2，进一步的实施例中，步骤S1100、获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺的步骤之前，包括如下步骤：
步骤S1000、获取已投放广告商品对应的品类、商家店铺，并且建立两者与该已投放广告商品之间的第一映射关系；
根据为已投放广告商品的预设唯一标识码调用预封装的商品数据接口从所述商品数据库中获取已投放广告商品对应的商品信息，根据所述商品信息所指向商品数据库中的商品即所述已投放广告商品，从而识别出其对应的在商品数据库中的存储路径即所述已投放广告商品对应的品类，以及获得正在上架该已投放广告商品的商家店铺，并且将该品类和商家店铺两者与已投放广告商品建立二对一的第一映射关系。
步骤S1010、获取已投放广告商品对应的兴趣标签及其对应的历史成效数据，并且建立两者与该已投放广告商品之间的第二映射关系；
调用预设数据获取接口访问第三方运营平台获取已投放广告商品被投放时采用的兴趣标签及其对应的历史成效数据，所述预设数据获取接口可由第三方运营平台提供或者本领域技术人员自行开发，并且将该兴趣标签及其对应的成效数据两者与该已投放广告商品建立二对一的第二映射关系。
步骤S1020、筛选出满足预设条件的历史成效数据相对应的兴趣标签，根据第一映射关系和第二映射关系建立所述品类、商家店铺与筛选出的兴趣标签及其对应的历史成效数据之间的第三映射关系，获得历史成效数据库；
所述预设条件为投放成效较佳，为了量化所述历史成效数据对应的投放成效，科学准确地评定该投放成效，从而筛选出满足该预设条件的历史成效数据相对应的兴趣标签，一种较佳的实施例中，可由本领域技术人员根据先验知识或实验经验灵活变通设置所述历史成效数据中各项数据设置相对应的权重，例如采用监督训练至收敛状态的神经网络模型，具体而言，通过人工设定的训练集对该神经网络模型实施监督训练，将该神经网络模型进行迭代训练至收敛状态，从而获得该神经网络模型输出的一组所述历史成效数据中各项数据相对应的权重。进一步调用评分计算方法函数，将各个兴趣标签的历史成效数据中的各项数据乘上其对应的权重后相加求和获得评分，实现量化各个兴趣标签用于广告投放后对应的成效，最终，可根据该评分优选出评分高即成效较佳的兴趣标签。
根据第一映射关系和第二映射关系可知其中所述品类、商家店铺两者与筛选出的兴趣标签及其对应的历史成效数据两者，分别映射关联同一主体即已投放广告商品，基于此可建立前两者与后两者的二对二的第三映射关系，进一步，据此，建立历史成效数据库将所述第三映射关系的数据存储，以备后续调用。
步骤S1030、调用预先训练至收敛状态的相似度计算模型提取所述历史成效数据库中的兴趣标签对应的深层语义特征，构建所述兴趣标签的特征向量存储于预设特征数据库。
所述相似度计算模型包含文本语义特征提取部分，具体模型结构以及预训练过程，在本申请后续部分实施例中进一步揭晓，本步骤暂且不表。
调用预先训练至收敛的所述相似度计算模型中的文本语义特征提取模块，提取所述历史成效数据库中的兴趣标签对应文本中的深层语义特征，构建所述兴趣标签的特征向量，并且预先构建特征数据库将该兴趣标签的特征向量存储，以备后续调用。
本实施例中，通过对已投放广告商品根据该兴趣标签进行投放时对应的历史成效数据中各项数据对应的权重的量化，并且根据历史成效数据中各项数据和其对应的权重相乘再合并求和获得评分，从而以该评分优选出投放成效较佳的历史成效数据相对应的成效标签，可见量化已投放广告商品的投放成效，使得对其判定更为科学可靠。
请参阅图3，进一步的实施例中，所述相似度计算模型的训练过程，包括如下步骤：
步骤S1041、从数据集中调用一个训练样本，所述训练样本包括商品标题与兴趣标签，每个训练样本对应提供有表征商品标题与兴趣标签是否构成相似的监督标签；
所述数据集中采集多个训练样本被所述相似度计算模型在其预训练阶段时调用。所述训练样本包含两种文本，其中一种是商品标题的文本，另一种是兴趣标签的文本，对于每个训练样本而言，相应的提供表征该训练样本中的商品标题的文本和兴趣标签的文本是否相似的监督标签，该监督标签的标注可由本领域技术人员采用人工标注方式实现。
步骤S1042、将所述训练样本中的商品标题和兴趣标签输入所述相似度计算模型分别提取出其各自的特征向量；
由于所述训练样本中的商品标题和兴趣标签分别对应的文本长短不一，例如兴趣标签的文本是单词或词组而商品标题是句子或多个词组，不属于同一文本类型，因此，将所述训练样本中的商品标题和兴趣标签分为两路数据输入所述相似度计算模型进行提取，在此过程中两路对应的相似度计算模型的权重和偏置项参数不共享，一种实施例中，所述相似度计算模型包含Bert编码器模块，在Bert编码器模块中执行所述输入的训练样本encoder的过程提取两路数据的深层文本语义特征，获得其输出两路的embedding序列即商品标题和兴趣标签分别对应的特征向量。
步骤S1043、在所述相似度计算模型中计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度；
所述相似度计算模型包含相似度计算模块，所述相似度计算模块中预设相似度计算函数，所述相似度计算函数可为夹角余弦计算函数、欧式距离计算函数、马氏距离计算函数、闵可夫斯基距离计算函数、切比雪夫距离计算函数、曼哈顿距离计算函数等，可由本领域技术人员灵活变通选取实现，该相似度计算模块与所述Bert编码器模块相连，该相似度计算模块接收Bert编码器模块输出的两路特征向量进行两者之间的相似度计算。
在所述相似度计算模型中的相似度计算模块调用相似度计算函数计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度，获得该商品标题和兴趣标签之间的语义相似度，该语义相似度越高表征两者之间的语义越接近，反之则越远离。
步骤S1044、采用分类器判定所述商品标题与所述兴趣标签是否相似，获得判断结果；
所述相似度计算模型包含分类器模块，该分类器模块接收相似度计算模块输出的所述商品标题与所述兴趣标签之间的相似度
根据其两者的相似度将所述训练样本对应的向量经所述相似度计算模型中的一个全连接层进行线性转换，将其映射至二分类空间，该二分类空间包含正类空间其表征商品标题和兴趣标签相似，以及负类空间其表征商品标题和兴趣标签不相似，采用分类器判定所述商品标题与所述兴趣标签是否相似，在此过程中通过sigmoid/softmax方法函数获得对于所述训练样本的预测结果对应的概率值，获得该概率值作为所述判断结果。
步骤S1045、应用预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得损失值；
所述预设的损失函数为交叉熵损失函数，具体为：
Figure BDA0003565924850000151
其中：本领域技术人员应该知晓，Loss为交叉熵损失函数计算所述判断结果的交叉熵损失对应的损失值，
Figure BDA0003565924850000152
为所述商品标题与所述兴趣标签之间的相似度，y为所述监督标签，监督标签为1表征所述商品标题与所述兴趣标签之间相似，监督标签为0表征所述商品标题与所述兴趣标签之间不相似。
应用所述预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得对应的损失值即所述交叉熵损失函数的计算结果Loss。
步骤S1046、判断所述损失值是否达到预设阈值，当其达到预设阈值时，终止训练；否则，根据所述损失值对模型实施梯度更新，调用所述数据集中的下一训练样本继续对该模型实施迭代训练。
可以预设所述损失值对应的预设阈值，当达到所述预设阈值后便终止训练，判定所述相似度计算模型为训练至收敛状态，此处本领域技术人员可根据先验知识或实验经验灵活变通设置。
由此，根据所述预设阈值，判断所述损失值是否达到该预设阈值，当其达到预设阈值时，终止训练，获得训练至收敛状态的相似度计算模型；否则，根据所述损失值对模型实施梯度更新，执行反向传播过程，更新该相似度计算模型全连接层中的权重和/或偏置项参数，进一步，调用所述数据集中的下一训练样本继续对该模型实施迭代训练，最终使得该模型在该迭代训练后对应的所述损失值达到预设阈值而终止训练。
本实施例中，通过对所述相似度计算模型的训练，获得训练至收敛的相似度计算模型，使得后续可调用该预先训练至收敛的相似度计算模型快速计算所述商品标题和兴趣标签之间的相似度，并通过调用该模型精准提取兴趣标签的深层文本语义特征获得兴趣标签的特征向量。
请参阅图4，进一步的实施例中，步骤S1200、检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
步骤S1210、获取第三方运营平台提供的兴趣标签数据库，其中包含第三方运营平台的兴趣标签体系下的全量兴趣标签；
一般而言，所述第三方运营平台提供数据获取接口用于获取该第三方运营平台提供的兴趣标签数据库，由此，本领域技术人员可直接调用该数据获取接口获得所述兴趣标签数据库。
一种实施例中，所述第三方运营平台的兴趣标签体系为多级兴趣标签，所述多级兴趣标签为一级兴趣标签、二级兴趣标签、三级兴趣标签，一级兴趣标签包含多个二级兴趣标签、二级兴趣标签包含多个三级兴趣标签，示范性举例，一级标签为“教育、旅游、金融、服饰鞋帽箱包、餐饮美食、生活服务等”、对应一级标签为“服饰鞋帽箱”的二级标签为“服饰、配饰、箱包、帽子等”，对应二级标签为“服饰”的三级标签为“上衣、下衣、袜子等”。所述兴趣标签体系下的全量兴趣标签为全量的一级兴趣标签、二级兴趣标签、三级兴趣标签。
步骤S1220、调用预先训练至收敛状态的文本特征提取模型分别提取所述商品标题和所述兴趣标签数据库中的兴趣标签相对应的深层语义特征，获得所述商品标题的特征向量和该兴趣标签数据库中的兴趣标签的特征向量；
所述预先训练至收敛状态的文本特征提取模型可为BERT、RoBERTa、XLM-RoBERTaModel、MPNet等，本领域的技术人员可根据实际业务场景进行灵活变通选取。
步骤S1230、计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度；
调用相似度计算函数计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度，所述相似度计算函数可为夹角余弦计算函数、欧式距离计算函数、马氏距离计算函数、闵可夫斯基距离计算函数、切比雪夫距离计算函数、曼哈顿距离计算函数等，可由本领域技术人员灵活变通选取实现。
步骤S1240、获取相似度超过预设阈值的所述兴趣标签数据库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集；
可预设阈值来量化判断所述商品标题与该兴趣标签数据库中的兴趣标签是否相似，两者的所述相似度超过预设阈值则表示该两者相似，反之则表示该两者不相似，该预设阈值具体数值设定可由本领域技术人员根据先验知识或实验经验灵活变通设置。
将所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度与所述预设阈值进行比较，获得其中相似度超过预设阈值的所述兴趣标签库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集。
步骤S1250、根据第二广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
一种实施例中，获取第三方运营平台提供的关于用户的兴趣标签集合，用户的兴趣标签集合中的兴趣标签表征用户对该兴趣标签感兴趣，将其用户的兴趣标签集合中的兴趣标签与所述第二广告投放标签集中的兴趣标签进行匹配，获取语义相近的用户的兴趣标签集合中的兴趣标签对应的用户作为所述广告受众用户，此处语义相近匹配实现本领域技术人员可灵活变通实现，进一步，向广告受众用户推送该待投放广告商品相对应的广告信息。
本实施例中，根据待投放广告商品的商品标题为该待投放广告商品匹配第三方运营平台提供的全量兴趣标签，获得其中语义相似度较高的第三方运营平台提供的兴趣标签，进而向对该兴趣标签感兴趣的用户推送该待投放广告商品相对应的广告信息，实现精准投放，避免浪费商品广告投放资源。
请参阅图5，进一步的实施例中，步骤S1200、检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
步骤S1201、获取已投放广告商品的商品标题，并且调用预训练至收敛的文本特征模型分别提取已投放广告商品的商品标题和待投放广告商品的商品标题相对应的深层语义特征，获得两者对应的特征向量；
所述预先训练至收敛状态的文本特征提取模型可为BERT、RoBERTa、XLM-RoBERTaModel、MPNet等，本领域的技术人员可根据实际业务场景进行灵活变通选取。
步骤S1202、计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，并且确定出相似度满足预设条件的已投放广告商品，获取其在待投放广告时采用的第一广告投放标签集。
调用相似度计算函数计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，所述相似度计算函数可为夹角余弦计算函数、欧式距离计算函数、马氏距离计算函数、闵可夫斯基距离计算函数、切比雪夫距离计算函数、曼哈顿距离计算函数等，可由本领域技术人员灵活变通选取实现。
可预设阈值来量化判断已投放广告商品的商品标题和待投放广告商品的商品标题是否相似，两者的所述相似度超过预设阈值则表示该两者相似，反之则表示该两者不相似，该预设阈值具体数值设定可由本领域技术人员根据先验知识或实验经验灵活变通设置。
进一步，确定出相似度超过预设阈值中相似度最高即满足所述预设条件的已投放广告商品，获取其为待投放广告商品执行步骤S1100-1400时采用的第一广告投放标签集。
本实施例中，通过待投放广告商品的商品标题与已投放广告商品的商品标题的语义相似度匹配，获取相似度最高的已投放广告商品的第一广告投放标签集，使得该待投放广告商品一定程度上能够取得与该已投放广告商品投放广告时的一样的投放成效。
请参阅图6，进一步的实施例中，步骤S1400、根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，包括如下步骤：
步骤S1410、获取用户画像数据库，所述用户画像数据库包含用户的兴趣标签；
可以预构建用户画像数据库，其中的兴趣标签表征用户对兴趣标签感兴趣，该兴趣标签一般是根据用户行为记录数据来提取，例如用户经常点击浏览、点赞、关注、收藏、购买某款商品，据此可以对用户打上相应的兴趣标签，示范性举例，用户经常购买、关注、收藏汉服商品，据此可对用户打上“古代风”的兴趣标签；用户经常购买、关注、收藏iPhone系列商品，据此可对用户打上“iPhone”的兴趣标签。
步骤S1420、根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，获得相应的用户作为所述广告受众用户。
根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，所述匹配的具体实现方式可由本领域技术人员根据先验知识或实验经验灵活变通实现，例如基于神经网络模型实现、简单根据两两兴趣标签对应的文本是否有部分重合文本进行匹配，若存在则匹配，反之则不匹配。由此，获得匹配的用户作为所述广告受众用户。
本实施例中，通过对用户行为的提取相应的为用户打上对应的兴趣标签构建用户画像数据库，使得能够精准地向对待投放广告商品感兴趣的广告受众用户推送待投放广告商品的广告信息，大大提升广告投放成效。
请参阅图7，适应本申请的目的之一而提供的一种广告投放推荐装置，是对本申请的广告投放推荐方法的功能化体现，该装置包括：标题识别模块1100、检索计算模块1200、标签集构建模块1300，以及广告推送模块1400，其中，标题识别模块1100，用于获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；检索计算模块1200，用于检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；标签集构建模块1300，用于获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；广告推送模块1400，用于根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，所述标题识别模块1100之前，包括：第一数据获取子模块，用于获取已投放广告商品对应的品类、商家店铺，并且建立两者与该已投放广告商品之间的第一映射关系；第二数据获取子模块，用于获取已投放广告商品对应的兴趣标签及其对应的历史成效数据，并且建立两者与该已投放广告商品之间的第二映射关系；数据库建立子模块，用于筛选出满足预设条件的历史成效数据相对应的兴趣标签，根据第一映射关系和第二映射关系建立所述品类、商家店铺与筛选出的兴趣标签及其对应的历史成效数据之间的第三映射关系，获得历史成效数据库；向量构建存储子模块，用于调用预先训练至收敛状态的相似度计算模型提取所述历史成效数据库中的兴趣标签对应的深层语义特征，构建所述兴趣标签的特征向量存储于预设特征数据库。
进一步的实施例中，所述检索计算模块1200中，包括模型计算子模块，用于采用所述相似度计算模型实施计算。
进一步的实施例中，所述相似度计算模型的训练过程，包括：监督训练样本构建子模块，用于从数据集中调用一个训练样本，所述训练样本包括商品标题与兴趣标签，每个训练样本对应提供有表征商品标题与兴趣标签是否构成相似的监督标签；特征提取子模块，用于将所述训练样本中的商品标题和兴趣标签输入所述相似度计算模型分别提取出其各自的特征向量；模型计算子模块，用于在所述相似度计算模型中计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度；分类判定子模块，用于采用分类器判定所述商品标题与所述兴趣标签是否相似，获得判断结果；损失值获取子模块，用于应用预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得损失值；迭代训练子模块，用于判断所述损失值是否达到预设阈值，当其达到预设阈值时，终止训练；否则，根据所述损失值对模型实施梯度更新，调用所述数据集中的下一训练样本继续对该模型实施迭代训练。
进一步的实施例中，所述检索计算模块1200，包括：全量标签获取子模块，用于获取第三方运营平台提供的兴趣标签数据库，其中包含第三方运营平台的兴趣标签体系下的全量兴趣标签；特征提取子模块，用于调用预先训练至收敛状态的文本特征提取模型分别提取所述商品标题和所述兴趣标签数据库中的兴趣标签相对应的深层语义特征，获得所述商品标题的特征向量和该兴趣标签数据库中的兴趣标签的特征向量；相似度计算子模块，用于计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度；标签集构建子模块，用于获取相似度超过预设阈值的所述兴趣标签数据库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集；广告推送子模块，用于根据第二广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
进一步的实施例中，所述检索计算模块1200，包括：特征向量获取子模块，用于获取已投放广告商品的商品标题，并且调用预训练至收敛的文本特征模型分别提取已投放广告商品的商品标题和待投放广告商品的商品标题相对应的深层语义特征，获得两者对应的特征向量；标签集获取子模块，用于计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，并且确定出相似度满足预设条件的已投放广告商品，获取其在待投放广告时采用的第一广告投放标签集。
进一步的实施例中，所述广告推送模块1400，包括：用户标签获取子模块，用于获取用户画像数据库，所述用户画像数据库包含用户的兴趣标签；标签匹配子模块，用于根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，获得相应的用户作为所述广告受众用户。
为解决上述技术问题，本申请实施例还提供计算机设备。如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种广告投放推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本申请的广告投放推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的广告投放推荐装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
本申请还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本申请任一实施例的广告投放推荐方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本申请任一实施例所述方法的步骤。
本领域普通技术人员可以理解实现本申请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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等计算机可读存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种广告投放推荐方法，其特征在于，包括如下步骤：
获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺；
检索历史成效数据库中所述品类和商家店铺是否存在，若两者都存在，则计算待投放广告商品的商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度；
获取相似度超过预设阈值的所述兴趣标签的特征向量对应的兴趣标签构建第一广告投放标签集；
根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
2.根据权利要求1所述的广告投放推荐方法，其特征在于，获取待投放广告商品的商品信息，识别出该待投放广告商品对应的品类和商家店铺的步骤之前，包括如下步骤：
获取已投放广告商品对应的品类、商家店铺，并且建立两者与该已投放广告商品之间的第一映射关系；
获取已投放广告商品对应的兴趣标签及其对应的历史成效数据，并且建立两者与该已投放广告商品之间的第二映射关系；
筛选出满足预设条件的历史成效数据相对应的兴趣标签，根据第一映射关系和第二映射关系建立所述品类、商家店铺与筛选出的兴趣标签及其对应的历史成效数据之间的第三映射关系，获得历史成效数据库；
调用预先训练至收敛状态的相似度计算模型提取所述历史成效数据库中的兴趣标签对应的深层语义特征，构建所述兴趣标签的特征向量存储于预设特征数据库。
3.根据权利要求2所述的广告投放推荐方法，其特征在于，计算所述商品标题的特征向量与预设特征数据库中兴趣标签的特征向量之间的相似度的步骤中，采用所述相似度计算模型实施计算。
4.根据权利要求2或3所述的广告投放推荐方法，其特征在于，所述相似度计算模型的训练过程，包括如下步骤：
从数据集中调用一个训练样本，所述训练样本包括商品标题与兴趣标签，每个训练样本对应提供有表征商品标题与兴趣标签是否构成相似的监督标签；
将所述训练样本中的商品标题和兴趣标签输入所述相似度计算模型分别提取出其各自的特征向量；
在所述相似度计算模型中计算所述商品标题的特征向量与所述兴趣标签的特征向量之间的相似度；
采用分类器判定所述商品标题与所述兴趣标签是否相似，获得判断结果；
应用预设的损失函数，基于所述监督标签计算所述判断结果的交叉熵损失，获得损失值；
判断所述损失值是否达到预设阈值，当其达到预设阈值时，终止训练；否则，根据所述损失值对模型实施梯度更新，调用所述数据集中的下一训练样本继续对该模型实施迭代训练。
5.根据权利要求1所述的广告投放推荐方法，其特征在于，检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
获取第三方运营平台提供的兴趣标签数据库，其中包含第三方运营平台的兴趣标签体系下的全量兴趣标签；
调用预先训练至收敛状态的文本特征提取模型分别提取所述商品标题和所述兴趣标签数据库中的兴趣标签相对应的深层语义特征，获得所述商品标题的特征向量和该兴趣标签数据库中的兴趣标签的特征向量；
计算所述商品标题的特征向量与该兴趣标签数据库中的兴趣标签的特征向量之间的相似度；
获取相似度超过预设阈值的所述兴趣标签数据库中的兴趣标签的特征向量对应的兴趣标签构建第二广告投放标签集；
根据第二广告投放标签集为所述待投放广告商品匹配广告受众用户，向广告受众用户推送该待投放广告商品相对应的广告信息。
6.根据权利要求1所述的广告投放推荐方法，其特征在于，检索历史成效数据库中所述品类和商家店铺是否存在的步骤中，若两者中任意一者不存在或两者皆不存在，包括如下步骤：
获取已投放广告商品的商品标题，并且调用预训练至收敛的文本特征模型分别提取已投放广告商品的商品标题和待投放广告商品的商品标题相对应的深层语义特征，获得两者对应的特征向量；
计算已投放广告商品的商品标题的特征向量和待投放广告商品的商品标题的特征向量之间的相似度，并且确定出相似度满足预设条件的已投放广告商品，获取其在待投放广告时采用的第一广告投放标签集。
7.根据权利要求1所述的广告投放推荐方法，其特征在于，根据第一广告投放标签集为所述待投放广告商品匹配广告受众用户，包括如下步骤：
获取用户画像数据库，所述用户画像数据库包含用户的兴趣标签；
根据第一广告投放标签集中的兴趣标签与所述用户画像数据库中用户的兴趣标签进行匹配，获得相应的用户作为所述广告受众用户。
8.一种计算机设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。
9.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7任意一项中所述方法的步骤。
CN202210307120.0A 2022-03-25 2022-03-25 广告投放推荐方法及其装置、设备、介质、产品 Pending CN114638646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210307120.0A CN114638646A (zh) 2022-03-25 2022-03-25 广告投放推荐方法及其装置、设备、介质、产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210307120.0A CN114638646A (zh) 2022-03-25 2022-03-25 广告投放推荐方法及其装置、设备、介质、产品

Publications (1)

Publication Number Publication Date
CN114638646A true CN114638646A (zh) 2022-06-17

Family

ID=81950075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210307120.0A Pending CN114638646A (zh) 2022-03-25 2022-03-25 广告投放推荐方法及其装置、设备、介质、产品

Country Status (1)

Country Link
CN (1) CN114638646A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273325A (zh) * 2022-07-27 2022-11-01 京东方科技集团股份有限公司 物品投放方法、装置及系统
CN115545789A (zh) * 2022-10-19 2022-12-30 杭州面朝信息科技有限公司 一种广告投放方法、装置、电子设备及存储介质
CN116132749A (zh) * 2023-02-06 2023-05-16 深圳市快美妆科技有限公司 一种和直播带货结合的广告营销方法
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
CN117196725A (zh) * 2023-11-06 2023-12-08 厦门乾升网络科技有限公司 一种适用于短视频平台的广告智能推送系统
CN117808536A (zh) * 2024-02-23 2024-04-02 蓝色火焰科技成都有限公司 一种互动广告的评估方法、系统及投放终端

Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000056720A (ja) * 1998-08-05 2000-02-25 Nri & Ncc Co Ltd プロモーション効果判定装置、プロモーション効果判定方法および記録媒体
WO2001067319A1 (fr) * 2000-03-10 2001-09-13 Que Corporation Dispositif et procede de fourniture d'informations
JP2002366971A (ja) * 2001-06-06 2002-12-20 Sharp Corp 広告データ処理方法、販売管理方法、広告データ処理装置、アプリケーション端末装置、広告データ処理システム、広告データ処理プログラム
US20060122884A1 (en) * 1997-12-22 2006-06-08 Ricoh Company, Ltd. Method, system and computer code for content based web advertising
JP2006163639A (ja) * 2004-12-03 2006-06-22 Nec Corp 店舗情報提供システム及び方法並びに店舗情報提供用プログラム
US20070244750A1 (en) * 2006-04-18 2007-10-18 Sbc Knowledge Ventures L.P. Method and apparatus for selecting advertising
JP2009116656A (ja) * 2007-11-07 2009-05-28 Panasonic Corp コンテンツ配信システム、広告挿入装置、および、端末装置
JP2010262401A (ja) * 2009-04-30 2010-11-18 Ntt Docomo Inc レコメンド情報生成装置およびレコメンド情報生成方法
US20120150630A1 (en) * 2010-12-10 2012-06-14 At&T Intellectual Property I, L.P. Selecting and ranking advertisements from one or more databases using advertiser budget information
JP2016071699A (ja) * 2014-09-30 2016-05-09 凸版印刷株式会社 広告効果分析装置、及び広告効果分析方法
CN105631707A (zh) * 2015-12-23 2016-06-01 北京奇虎科技有限公司 基于决策树的广告点击率预估方法与应用推荐方法及装置
US20160379245A1 (en) * 2015-06-26 2016-12-29 International Business Machines Corporation Cross-device and cross-channel advertising and remarketing
CN108280689A (zh) * 2018-01-30 2018-07-13 浙江省公众信息产业有限公司 基于搜索引擎的广告投放方法、装置以及搜索引擎系统
CN109727052A (zh) * 2017-10-31 2019-05-07 北京国双科技有限公司 关键词确定方法及装置
CN110210899A (zh) * 2019-05-23 2019-09-06 中国银行股份有限公司 基于广告相似性的广告推送方法、装置和设备
CN110310137A (zh) * 2018-03-20 2019-10-08 北京奇虎科技有限公司 一种广告投放方法和装置
CN110602531A (zh) * 2019-08-28 2019-12-20 四川长虹电器股份有限公司 一种给智能电视推荐广告的系统
CN110766456A (zh) * 2019-10-16 2020-02-07 无线生活（杭州）信息科技有限公司 商品推荐方法及装置
CN111699503A (zh) * 2019-06-04 2020-09-22 深圳海付移通科技有限公司 一种广告推荐方法、装置及电子设备
CN111768244A (zh) * 2020-06-30 2020-10-13 深圳前海微众银行股份有限公司 一种广告投放的推荐方法及装置
CN111882361A (zh) * 2020-07-31 2020-11-03 苏州云开网络科技有限公司 基于人工智能的受众精准广告推送方法、系统及可读存储介质
CN112381581A (zh) * 2020-11-17 2021-02-19 东华理工大学 一种基于改进Transformer的广告点击率预估方法
CN112446728A (zh) * 2019-09-04 2021-03-05 百度在线网络技术（北京）有限公司 广告召回方法、装置、设备及存储介质
CN113011911A (zh) * 2021-01-21 2021-06-22 腾讯科技（深圳）有限公司 基于人工智能的数据预测方法、装置、介质及电子设备
CN113256337A (zh) * 2021-05-31 2021-08-13 广州华多网络科技有限公司 商品广告投放控制方法、装置、计算机设备及存储介质
CN113516496A (zh) * 2020-09-30 2021-10-19 腾讯科技（深圳）有限公司 广告转化率预估模型构建方法、装置、设备及其介质
CN113763035A (zh) * 2021-08-12 2021-12-07 苏宁易购集团股份有限公司 广告投放的效果预测方法、装置、计算机设备和存储介质
CN114078037A (zh) * 2020-08-14 2022-02-22 中国移动通信集团浙江有限公司 基于标签向量化的商品推荐方法及装置

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060122884A1 (en) * 1997-12-22 2006-06-08 Ricoh Company, Ltd. Method, system and computer code for content based web advertising
JP2000056720A (ja) * 1998-08-05 2000-02-25 Nri & Ncc Co Ltd プロモーション効果判定装置、プロモーション効果判定方法および記録媒体
WO2001067319A1 (fr) * 2000-03-10 2001-09-13 Que Corporation Dispositif et procede de fourniture d'informations
JP2002366971A (ja) * 2001-06-06 2002-12-20 Sharp Corp 広告データ処理方法、販売管理方法、広告データ処理装置、アプリケーション端末装置、広告データ処理システム、広告データ処理プログラム
JP2006163639A (ja) * 2004-12-03 2006-06-22 Nec Corp 店舗情報提供システム及び方法並びに店舗情報提供用プログラム
US20070244750A1 (en) * 2006-04-18 2007-10-18 Sbc Knowledge Ventures L.P. Method and apparatus for selecting advertising
JP2009116656A (ja) * 2007-11-07 2009-05-28 Panasonic Corp コンテンツ配信システム、広告挿入装置、および、端末装置
JP2010262401A (ja) * 2009-04-30 2010-11-18 Ntt Docomo Inc レコメンド情報生成装置およびレコメンド情報生成方法
US20120150630A1 (en) * 2010-12-10 2012-06-14 At&T Intellectual Property I, L.P. Selecting and ranking advertisements from one or more databases using advertiser budget information
JP2016071699A (ja) * 2014-09-30 2016-05-09 凸版印刷株式会社 広告効果分析装置、及び広告効果分析方法
US20160379245A1 (en) * 2015-06-26 2016-12-29 International Business Machines Corporation Cross-device and cross-channel advertising and remarketing
CN105631707A (zh) * 2015-12-23 2016-06-01 北京奇虎科技有限公司 基于决策树的广告点击率预估方法与应用推荐方法及装置
CN109727052A (zh) * 2017-10-31 2019-05-07 北京国双科技有限公司 关键词确定方法及装置
CN108280689A (zh) * 2018-01-30 2018-07-13 浙江省公众信息产业有限公司 基于搜索引擎的广告投放方法、装置以及搜索引擎系统
CN110310137A (zh) * 2018-03-20 2019-10-08 北京奇虎科技有限公司 一种广告投放方法和装置
CN110210899A (zh) * 2019-05-23 2019-09-06 中国银行股份有限公司 基于广告相似性的广告推送方法、装置和设备
CN111699503A (zh) * 2019-06-04 2020-09-22 深圳海付移通科技有限公司 一种广告推荐方法、装置及电子设备
CN110602531A (zh) * 2019-08-28 2019-12-20 四川长虹电器股份有限公司 一种给智能电视推荐广告的系统
CN112446728A (zh) * 2019-09-04 2021-03-05 百度在线网络技术（北京）有限公司 广告召回方法、装置、设备及存储介质
CN110766456A (zh) * 2019-10-16 2020-02-07 无线生活（杭州）信息科技有限公司 商品推荐方法及装置
CN111768244A (zh) * 2020-06-30 2020-10-13 深圳前海微众银行股份有限公司 一种广告投放的推荐方法及装置
CN111882361A (zh) * 2020-07-31 2020-11-03 苏州云开网络科技有限公司 基于人工智能的受众精准广告推送方法、系统及可读存储介质
CN114078037A (zh) * 2020-08-14 2022-02-22 中国移动通信集团浙江有限公司 基于标签向量化的商品推荐方法及装置
CN113516496A (zh) * 2020-09-30 2021-10-19 腾讯科技（深圳）有限公司 广告转化率预估模型构建方法、装置、设备及其介质
CN112381581A (zh) * 2020-11-17 2021-02-19 东华理工大学 一种基于改进Transformer的广告点击率预估方法
CN113011911A (zh) * 2021-01-21 2021-06-22 腾讯科技（深圳）有限公司 基于人工智能的数据预测方法、装置、介质及电子设备
CN113256337A (zh) * 2021-05-31 2021-08-13 广州华多网络科技有限公司 商品广告投放控制方法、装置、计算机设备及存储介质
CN113763035A (zh) * 2021-08-12 2021-12-07 苏宁易购集团股份有限公司 广告投放的效果预测方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
赵杨;袁析妮;陈亚文;武立强;: "基于机器学习混合算法的APP广告转化率预测研究", 数据分析与知识发现, no. 11, 25 November 2018 (2018-11-25) *
邓秀勤;谢伟欢;刘富春;张翼飞;樊娟;: "基于特征工程的广告点击转化率预测模型", 数据采集与处理, no. 05, 15 September 2020 (2020-09-15) *
郭心语;刘鹏;周敏奇;周傲英;: "网络广告定向技术综述", 华东师范大学学报(自然科学版), no. 03, 25 May 2013 (2013-05-25) *
陆枫;王子锐;廖小飞;金海;: "基于细粒度标签的在线视频广告投放机制研究", 计算机研究与发展, no. 12, 15 December 2014 (2014-12-15) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273325A (zh) * 2022-07-27 2022-11-01 京东方科技集团股份有限公司 物品投放方法、装置及系统
CN115545789A (zh) * 2022-10-19 2022-12-30 杭州面朝信息科技有限公司 一种广告投放方法、装置、电子设备及存储介质
CN115545789B (zh) * 2022-10-19 2024-02-02 杭州面朝信息科技有限公司 一种广告投放方法、装置、电子设备及存储介质
CN116132749A (zh) * 2023-02-06 2023-05-16 深圳市快美妆科技有限公司 一种和直播带货结合的广告营销方法
CN116132749B (zh) * 2023-02-06 2023-09-05 深圳市快美妆科技有限公司 一种和直播带货结合的广告营销方法
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
CN117196725A (zh) * 2023-11-06 2023-12-08 厦门乾升网络科技有限公司 一种适用于短视频平台的广告智能推送系统
CN117196725B (zh) * 2023-11-06 2024-01-23 厦门乾升网络科技有限公司 一种适用于短视频平台的广告智能推送系统
CN117808536A (zh) * 2024-02-23 2024-04-02 蓝色火焰科技成都有限公司 一种互动广告的评估方法、系统及投放终端
CN117808536B (zh) * 2024-02-23 2024-05-14 蓝色火焰科技成都有限公司 一种互动广告的评估方法、系统及投放终端

Similar Documents

Publication Publication Date Title
CN114638646A (zh) 广告投放推荐方法及其装置、设备、介质、产品
US9678989B2 (en) System and method for use of images with recognition analysis
US7542610B2 (en) System and method for use of images with recognition analysis
US11037071B1 (en) Cross-category item associations using machine learning
CN114663197A (zh) 商品推荐方法及其装置、设备、介质、产品
CN105022773B (zh) 包括图像优先级的图像处理系统
CN105005982B (zh) 包括对象选择的图像处理
CN105183739B (zh) 图像处理方法
CN114898349A (zh) 目标商品识别方法及其装置、设备、介质、产品
CN114186013A (zh) 实体识别模型热更新方法及其装置、设备、介质、产品
US20210042663A1 (en) Data attribution based on spatial memory using machine learning pipeline
CN114663155A (zh) 广告投放选品方法及其装置、设备、介质、产品
CN113689233A (zh) 广告投放选品方法及其相应的装置、设备、介质
CN116796027A (zh) 商品图片标签生成方法及其装置、设备、介质、产品
CN115689672A (zh) 聊天式商品导购方法及其装置、设备、介质
CN115545832A (zh) 商品搜索推荐方法及其装置、设备、介质
CN115099857A (zh) 广告商品组合发布方法及其装置、设备、介质、产品
CN114862480A (zh) 广告投放定向方法及其装置、设备、介质、产品
CN116521906A (zh) 元描述生成方法及其装置、设备、介质
CN117235359A (zh) 搜索推荐方法、设备及存储介质
US11488223B1 (en) Modification of user interface based on dynamically-ranked product attributes
CN113971599A (zh) 广告投放选品方法及其装置、设备、介质、产品
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN116029793A (zh) 商品推荐方法及其装置、设备、介质
CN115936805A (zh) 商品推荐方法及其装置、设备、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