CN115099857A - 广告商品组合发布方法及其装置、设备、介质、产品 - Google Patents

Abstract

本申请涉及广告商品组合发布方法及其装置、设备、介质、产品，所述方法包括：获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。本申请适应部署在独立站点的线上店铺的特点，根据商品语义为目标商品跨品类确定出关联商品，能提升广告发布效率。

Description

广告商品组合发布方法及其装置、设备、介质、产品

技术领域

本申请涉及电商广告信息技术领域，尤其涉及一种广告商品组合发布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

电商平台通常配置有广告投放页面，供店铺用户向广告系统投放店铺内上架商品相对应的广告，以达到线上引流，促进商品交易额提升的目的。

组合广告，指的是商家投放广告时一次性选择多件商品进行后续广告展示。广告领域中关于组合广告的技术方案较为关注如何将已经完成组合的关联商品推荐给用户，而对于组合商品的构建过程，技术方案零星。传统较常用的方法是关联规则挖掘算法，类似西方营销案例中的啤酒和纸尿裤的案例，研究者发现男士在购买纸尿裤时通常会顺带购买啤酒，因而发现常识上认为不关联的两种商品往往会存在事实上的关联，根据这样的思想，通过大量的数据分析，结合关联规则挖掘算法找出经常被一起购买的商品进行推荐。

不难理解，关联规则挖掘算法依赖于足量的大数据，但是，对于跨境电商场景下运行在独立站点的线上店铺来说，单个店铺的数据量往往非常少，导致广告系统无法为单个店铺应用关联规则挖掘算法，从而无法挖掘出商品之间的关联信息，也就无法为组合广告配置过程提供有效的技术服务，因而需要另辟蹊径。

发明内容

本申请的目的在于解决上述问题而提供一种广告商品组合发布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、适应本申请的各个目的，采用如下技术方案：

一个方面，适应本申请的目的之一而提供一种广告商品组合发布方法，包括：

获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；

从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；

将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；

将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

可选的，从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，包括：

根据商品信息库中不同品类的全量商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，获得两两商品之间的相似度；

获取表征目标商品与商品信息库中各个商品的相似度的相似度序列，根据预设条件对相似度序列进行筛选，确定出其中的多个候选商品；

获取所述候选商品相对应的商品信息构造出组合商品集。

可选的，根据商品信息库中各个商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，包括：

从商品信息库中提取各个商品的商品信息，所述商品信息包括商品标题、商品属性数据、商品详情文本中任意一项或任意多项；

将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度；

将全部两两商品的相似度构造为相似度矩阵，其中每个元素存储其所在行所对应的商品与其所在列所对应的商品之间的相似度。

可选的，将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度，包括：

在相似度计算模型中调用向量表示模型分别提取所述两两商品中各个商品的语义向量；

在相似度计算模型中将向量表示模型获得的语义向量压缩至特定语义空间；

在相似度计算模型中将经过压缩的两个商品的语义向量进行特征拼接,获得综合特征向量；

在相似度计算模型中将综合特征向量输出至分类器进行二分类映射，获得其映射到其中预定的正向类别的分类概率作为相似度。

可选的，将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度的步骤之前，包括：

调用数据集中的单个训练样本，每个训练样本中包括两个商品的商品信息，且关联标记其样本类型为正样本或负样本，所述正样本表征两个商品具有被购买的关联性，所述负样本表征两个商品不具有被购买的关联性，部分训练样本中，两个商品属于不同品类；

将所调用的训练样本输入所述相似度计算模型中提取语义向量并进行分类预测，获得分类结果，所述分类结果包括映射到二分类空间的正向类别和负向类别相对应的分类概率；

根据所调用的训练样本的样本类型计算所述分类结果相对应的损失值，根据该损失值对相似度计算模型实施梯度更新，在未达到收敛状态时，迭代调用下一训练样本继续实施训练，直至相似度计算模型达至收敛状态。

可选的，将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品的步骤之后，包括：

向所述广告配置信息中指定的受众用户推送目标商品的广告页面，在该广告页面中展示所述关联商品；

响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面。

可选的，响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面的步骤之后，包括：

针对同一目标商品统计其关联商品被受众用户访问的访问次数；

根据所述访问次数确定各个关联商品的归一化权重；

将各个关联商品与目标商品的相似度对应匹配各个关联商品的归一化权重进行相似度更新，获得实测相似度；

根据实测相似度重排所述广告配置信息中各个关联商品在目标商品的广告页面的呈现顺序。

另一方面，适应本申请的目的之一而提供一种广告商品组合发布装置，包括：

目标确定模块，用于获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；

组合查询模块，用于从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；

交互筛选模块，用于将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；

关联配置模块，用于将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

又一方面，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商品组合发布方法的步骤。

又一方面，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商品组合发布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。

又一方面，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广告商品组合发布方法的步骤。

相对于现有技术，本申请具有丰富的技术效果，包括但不限于：

首先，本申请针对独立站点场景，根据商家用户发布广告过程中指定的目标商品，通过语义匹配的方式，能够获得不同品类但却存在推广价值上的关联的组合商品集，然后通过与商家用户进行交互，确定出目标商品的关联商品集，并将关联商品集中的商品配置至目标商品的广告配置信息中，以便在展现目标商品的广告页面时，使关联商品能够一起展现到目标商品的广告页面中，为商家用户制定组合广告提供了一站式的解决方案，方便商家用户快速高效地确定组合广告所需的关联商家，实现组合广告的快速发布。

其次，本申请在确定组合广告的关联商品的过程中，不再基于关联规则挖掘算法，也不同于传统的商品匹配手段只能局限在同类商品之间进行相似匹配，而是基于商品的语义对关联商品进行跨品类优选，突破商品匹配受品类限制的传统观念，实现跨品类的商品关联推荐，可望通过在目标商品的广告页面中展示组合的关联商品进一步刺激线上店铺的用户流量，提升广告转化率。

此外，本申请对于跨境电商场景中，基于独立站点运行的线上店铺的组合广告发布需求而言，可以减少对样本数据量的依赖，并且可以基于电商平台拥有海量的线上店铺交易数据的优势，为单个线上店铺实施组合广告发布所需提供技术服务，可以降低电商平台的整体技术实现和服务成本。

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为本申请的广告商品组合发布方法的典型实施例的流程示意图。

图2为本申请的实施例中构造组合商品集的流程示意图。

图3为本申请实施例中构造相似度矩阵的流程示意图。

图4为本申请实施例中计算相似度的流程示意图。

图5为本申请示例性的相似度计算模型的网络架构示意图。

图6为本申请示例性的相似度计算模型的训练过程的流程示意图。

图7为本申请的广告商品组合发布方法的一个扩展实施例的流程示意图。

图8为本申请的广告商品组合发布方法的另一扩展实施例的流程示意图。

图9为本申请的广告商品组合发布装置的原理框图；

图10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(GlobalPositioningSystem，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。

本申请中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。

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。

本申请的一种广告商品组合发布方法，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，本申请的示例性应用场景中，可以在电商平台的服务器中部署实现，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，本申请的广告商品组合发布方法在其典型实施例中，包括如下步骤：

步骤S1100、获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；

本申请示例性的应用场景为跨境电商平台的广场场景，跨境电商平台的显著特点之一，是各个线上店铺均以独立站点的形态进行运营，线上店铺相对应的网站运行于其相应的独立站点中，不同独立站点之间的商品数据一般不互相依赖。

跨境电商平台通常配备有广告系统，通过向各个线上店铺的商家用户开放相应的广告发布接口，通过该广告发布接口获得任意店铺的商家用户向广告系统投放的广告相对应广告配置信息，将其提交到广告系统自有的广告发布渠道或第三方的广告发布渠道向公众展示。

示例而言，所述广告配置信息可以包括目标商品、目标商品的关联商品、目标商品的广告页面所对应的受众用户定义信息、所述广告页面所能投放的地理区域等。

商家用户在配置广告配置信息的过程中，可以出于发布组合广告的需要，通过触发商品组合请求，在该组合请求中指定目标商品，由服务器响应所述商品组合请求，从其线上店铺的商品信息库中确定与所述目标商品相关联的多个关联商品，添加到广告配置信息中，以指示关联商品的访问入口可随目标商品的广告展示而予以一并展现给商品广告的受众用户。

所述目标商品和关联商品一般是商家用户的线上店铺的上架商品。当然，某些实施例中，所述关联商品也可以是其他线上店铺的上架商品，只要方便广告系统能够访问相应的商品的商品信息即可。

步骤S1200、从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；

每个线上店铺均有其对应的商品信息库，用于存储线上店铺中的各个商品相对应的商品信息。商品信息库中的商品，可能包括上架商品和下架商品，对本申请而言，主要以其中的上架商品作为处理对象，从上架商品中确定关联商品即可。

商品信息库中存储的商品信息，包括但不限于与商品的展示有关的各种图文信息，例如商品标题、品类标签、商品属性数据、商品详情文本、由商品信息中部分或全部进行特征提取而构成的语义向量等，本申请可按需调用商品的各种具体商品信息，或者根据其中的部分或全部具体商品信息生成新的信息例如所述的语义向量。

商品信息库所存储的商品，涵盖线上店铺的预设品类体系中的各个品类相对应的商品，所述品类体系一般是电商平台预先制定并提供给线上店铺编辑确定的品类体系，可以包括多个层级，每个层级包含多个品类，形成树状结构。因而，每个商品可以对应所述树状结构中自其根节点到其一个末端节点所形成的节点路径，而标注该节点路径相对应的各个层级的品类标签，以其中末端节点相对应的品类标签或者整个节点路径中的各层级品类标签的集合，用于标注相应的商品所属的品类。

一种实施例中，针对每个商品，可以提取其中的部分或全部商品信息，借助对应的深度学习模型，提取出这些商品信息相对应的深层语义信息，事先存储为该商品的商品信息中的一个语义向量，借此，通过将目标商品的语义向量与商品信息库中全品类的各个商品的语义向量求取数据距离，便可确定出目标商品与商品信息库中的各个商品之间的相似度，然后，按照所需的数量，从中筛选出相似度排行靠前的若干个候选商品，构成组合商品集，该组合商品集便是根据商品之间的语义信息，为目标商品匹配出的语义相似的商品集。

至于用于确定语义向量的具体商品信息，可以是文本类型的也可以是图片类型的，或者是文本和图片两种模态类型的商品信息均可，对于其中的文本类型的商品信息，例如所述商品标题、商品详情文本等，将所选型的具体商品信息借助事先训练至收敛状态的文本特征提取模型进行特征提取便可获得其相应的语义向量。对于图片类型的商品信息，例如商品信息中的默认展示图片，借助事先训练至收敛状态的图像特征提取模型进行特征提取也可获得其相应的语义向量。当存在多个模态的商品信息时，可通过对各个模态的语义向量做特征拼接，获得单个综合了多模态语义信息的语义向量即可。

事先给定语义向量时，在为目标商品匹配其语义相似的组合商品集时由于无需先提取语义向量，只需根据已知的语义向量进行数据距离的计算和候选商品的优选，因而可以获得更快速地处理效率，迅速获得组合商品集。

另一实施例中，区别于前一实施例，可以不必预先提取和存储所述的语义向量，在实际需要时按需生成商品信息库中各个商品相对应的语义向量，以便确保利用商品信息库中的最新商品信息获得更为准确的语义表示。后文将多处涉及到本实施例及其变化实施例的介绍，此处暂且不表。

由于商品信息库中存储全部品类的商品的商品信息，因而，所述组合商品集中可以包含属于不同品类的候选商品，并不局限于同类商品，以便彰显本申请实现挖掘不同品类商品之间的关联关系的能力。

步骤S1300、将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；

确定出所述的组合商品集后，服务器将组合商品集推送至商家用户的终端设备，终端设备解析所述组合商品集，在图形用户界面的页面中加载组合商品集中的各个候选商品的页面显示资源，其本质上也是请求获取所述商品信息库中各个候选商品相对应的各种相关商品信息，例如所述的商品标题、商品默认图片等，然后，将展示到页面中供用户进行优选。

商家用户通过页面中显示的候选商品列表，可以对其中的候选商品进行增删，例如自行添加一个未出现在所述组合商品集中的商品，或者将一个候选商品从该列表中删除，以实现从所述组合商品集中删除。当用户完成这样的编辑筛选之后，便可确定提交，终端设备响应于用户的提交指令，将商家用户编辑到获得的候选商品列表表示为关联商品集，提交至服务器，服务器便可获得所述的关联商品集，从而基于组合商品集完成与商家用户的远程交互，获得关联商品集。

步骤S1400、将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

服务器获得用户确定的关联商品集后，将关联商品集中的商品理解为目标商品的关联商品，因而，将该关联商品集中的各处关联商品添加到目标商品的广告配置信息中。

当所述广告配置信息经由广告发布接口被提交到广告系统后，广告系统将根据广告配置信息配置目标商品的广告页面的资源信息，其中，包含关联商品集中各个关联商品的商品信息，广告系统根据其定义的广告页面的业务逻辑，从商品信息库中调用各个关联商品的部分或全部商品信息，封装为关联商品展示资源，从而，实现将目标商品与关联商品构造为组合广告。

一个实施例中，可以随机设置各个关联商品在目标商品的广告页面中的呈现顺序；另一实施例中，也可以根据所述的相似度排序设定各个关联商品在目标商品的广告页面中的呈现顺序；再一实施例中，各个关联商品在目标商品的广告页面中的呈现顺序可以借助广告成效数据进行动态调节。

在广告页面由广告系统推送到受众用户的终端设备并被显示时，将加载各个关联商品展示资源，一并显示到目标商品的广告页面中，于是，受众用户在访问目标商品的广告页面之时，也就可以触达访问目标商品的关联商品。

根据以上实施例不难理解，本申请具有丰富的技术效果，包括但不限于：

首先，本申请针对独立站点场景，根据商家用户发布广告过程中指定的目标商品，通过语义匹配的方式，能够获得不同品类但却存在推广价值上的关联的组合商品集，然后通过与商家用户进行交互，确定出目标商品的关联商品集，并将关联商品集中的商品配置至目标商品的广告配置信息中，以便在展现目标商品的广告页面时，使关联商品能够一起展现到目标商品的广告页面中，为商家用户制定组合广告提供了一站式的解决方案，方便商家用户快速高效地确定组合广告所需的关联商家，实现组合广告的快速发布。

其次，本申请在确定组合广告的关联商品的过程中，不再基于关联规则挖掘算法，也不同于传统的商品匹配手段只能局限在同类商品之间进行相似匹配，而是基于商品的语义对关联商品进行跨品类优选，突破商品匹配受品类限制的传统观念，实现跨品类的商品关联推荐，可望通过在目标商品的广告页面中展示组合的关联商品进一步刺激线上店铺的用户流量，提升广告转化率。

此外，本申请对于跨境电商场景中，基于独立站点运行的线上店铺的组合广告发布需求而言，可以减少对样本数据量的依赖，并且可以基于电商平台拥有海量的线上店铺交易数据的优势，为单个线上店铺实施组合广告发布所需提供技术服务，可以降低电商平台的整体技术实现和服务成本。

在本申请任意实施例的基础上，请参阅图2，所述步骤S1200、从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，包括：

步骤S1210、根据商品信息库中不同品类的全量商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，获得两两商品之间的相似度；

本实施例中，所述商品信息库存储有不同品类的商品的商品信息，且每个商品均可根据其商品信息确定出语义向量，在此基础上，通过计算商品信息库的全部商品中任意两两商品之间的语义向量之间的数据距离而确定出其相对应的相似度。

本实施例中，计算不同语义向量之间的数据距离的算法，采用包括但不限于余弦相似度、皮尔逊相关系数、欧氏距离、杰卡德系数等任意一种算法均可。

步骤S1220、获取表征目标商品与商品信息库中各个商品的相似度的相似度序列，根据预设条件对相似度序列进行筛选，确定出其中的多个候选商品；

不难理解，经过以上的计算，商品信息库中，每个商品均获得其与商品信息库中每个商品之间的相似度，构成一个相似度序列，因而，可以直接操作这个相似度序列，以实现对商品信息库中的相似商品的筛选。

对于目标商品相对应的相似度序列，可以根据预设条件实施所述的筛选。一个示例中，以提取相似度最大的前N(N为大于0的正整数)个商品为预设条件，则对目标商品的相似度序列根据相似度从大到小进行排序，然后选取排序最靠前的N个商品作为候选商品。另一示例中，以相似度高于预设阈值为预设条件，将相似度序列中每个商品的相似度均与该预设阈值进行比较，过滤掉相似度低于该预设阈值的商品，余下的商品即可作为满足预设条件的优选出来的候选商品，其中，所述的预设阈值可以按需灵活设定。

步骤S1230、获取所述候选商品相对应的商品信息构造出组合商品集。

从目标商品的相似度序列中确定出多个候选商品后，便可将这些候选商品构造为组合商品集，根据实际需要，可调用各个候选商品相对应的商品信息例如商品标题一并存储于所述组合商品集中，以增强可读性以及方便后续引用。

根据以上实施例可知，本申请在确定适于与目标商品一起构造组合广告的候选商品时，是通过对商品信息库中的不同品类的全量商品进行语义匹配确定出的，突破了商品之间的品类限制，扩大了数据挖掘的范围，有助于在更大范围内挖掘出目标商品的关联商品。

在本申请任意实施例的基础上，请参阅图3，所述步骤S1220、根据商品信息库中各个商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，包括：

S1221、从商品信息库中提取各个商品的商品信息，所述商品信息包括商品标题、商品属性数据、商品详情文本中任意一项或任意多项；

本实施例中，为了确保在进行语义匹配时所依赖的商品信息是最新的，通过即时获取商品信息库中的商品信息来确定各个商品的语义向量，为些需要确定制备语义向量所需的商品信息。制备向量所需的商品信息，根据本申请用于实现向量表示的相似度计算模型中的向量表示模型的入参要求而定。本实施例中，所述向量表示模型单独考虑文本模态相对应的商品信息，因而，此处所引用的商品信息可以是商品标题、商品属性数据、商品详情文本中的任意一项或任意多项。为简化说明，可以理解为仅包括商品标题。

S1222、将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度；

本实施例的相似度计算模型，可以构造为双塔模型，该双塔模型以两个商品的商品信息例如商品标题为输入，分别对其进行向量表示获得其各自的语义向量，然后将两个语义向量拼接后做二分类映射，获得其正向类别相对应的分类概率作为两个商品的相似度。

所述相似度计算模型在训练阶段，可以采用跨类别的两个商品的相应商品信息为训练样本进行输入，并提供判定两个商品是否构成相关联的监督标签，利用该监督标签计算分类结果的交叉熵损失，根据损失值进行梯度更新，通过迭代训练将模型训练至收敛状态。

S1223、将全部两两商品的相似度构造为相似度矩阵，其中每个元素存储其所在行所对应的商品与其所在列所对应的商品之间的相似度。

对商品信息库中的每两个商品，均按照以上的过程求得其相似度，由此，每个商品均获得其映射到商品信息库中全量商品一一对应的相似度。由此，可以构造一个相似度矩阵，该相似度矩阵为方阵，其行和列均有序对应指示商品信息库中的全量商品，由此，相似度矩阵中的每个元素所存储的数值便表示其所在行的商品与其所在列的商品之间的相似度，而每一行(或列)相对应的相似度序列，便存储所在行的商品与商品信息库中的各个商品相对应的相似度。

根据以上实施例可知，通过相似度计算模型按需更新商品信息库中两两商品之间的相似度并构造为相似度矩阵，将复杂运算转换为矩阵运算，存取效率更高，并且，由于相似度是通过相似度计算模型按需更新的，因而，即使商品信息库中的商品的商品信息被更新，也可即时反映到相似度矩阵中，确保后续为目标商品确定其语义相似的候选商品的准确性。

在本申请任意实施例的基础上，请参阅图4，所述步骤S1222、将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度，包括：

步骤S2221、在相似度计算模型中调用向量表示模型分别提取所述两两商品中各个商品的语义向量；

请参阅图5，本实施例示例性地给出一个相似度计算模型的网络架构，其中，包括两个同构的塔，每个塔包括一个向量表示模型及额外设置的全连接层，两个额外设置的全连接层共同接入同一拼接层，拼接层又与二分类器相连接，由二分类器获得输出。两个商品的商品信息分别输入两个塔，各自经向量表示模型提取深层语义信息获得相应的语义向量。

所述向量表示模型，可以采用任意可行的文本特征提取模型来实施，包括但不限于适于处理序列信息的循环神经网络(RNN，Recurrent Neural Network)以及以此为基础模型构造的其他模型，诸如LSTM(长短时记忆网络)、Transformer、Bert、SimCSE(SimpleContrastive Learning of Sentence Embedding)等模型均可。本实施例中，推荐使用SimCSE模型对商品标题提取语义向量，该模型较为适于提取句向量，其通过对比学习完成预训练，经本申请将其搭建为相似度计算模型后，在处理跨类别的商品信息时，能够有效捕捉跨类别商品信息的细节特征用于计算相似度，因而在实测中取得了明显优于其他同类模型的表现。

步骤S2222、在相似度计算模型中将向量表示模型获得的语义向量压缩至特定语义空间；

两个商品的商品信息分别经过向量表示模型获得各自相应的语义向量后，进一步通过所述的全连接层进行特征综合，然后映射至特定语义空间，实现维度压缩。例如，以SinSCE为例，其标准输出的语义向量为768维的向量，可通过全连接层将其向量维度压缩至128或64维，以大幅减小语义向量的维度，以便提升相似度计算效率。

步骤S2223、在相似度计算模型中将经过压缩的两个商品的语义向量进行特征拼接,获得综合特征向量；

为实现对两个商品的语义向量的综合，借助相似度计算模型中的拼接层，将两个语义向量进行特征拼接即可获得综合特征向量。

步骤S2224、在相似度计算模型中将综合特征向量输出至分类器进行二分类映射，获得其映射到其中预定的正向类别的分类概率作为相似度。

所述综合特征向量进一步经过以Sigmoid函数构造的二分类器进行分类映射，在二分类器中经过全连接映射到二分类空间的两个类别，获得各个类别相应的分类概率，其中，默认以正向类别的分类概率作为相似度即可。所述正向类别，是指在相似度计算模型被训练时，与确定正样本相对应的类别。

根据以上实施例，可以看出，根据相似度计算模型对商品信息库中两两商品的语义向量即时确定并随即计算出其相应的相似度，利用模型自身优秀的深度学习能力有效提取出商品信息中的深层语义信息，可以及时精准地表示商品信息的语义，确保根据语义计算出有效表征商品之间关联关系信息的相似度，使组合广告的关联商品的确定更为精准。

在本申请任意实施例的基础上，请参阅图6，所述步骤S1222、将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度的步骤之前，包括：

步骤S2100、调用数据集中的单个训练样本，每个训练样本中包括两个商品的商品信息，且关联标记其样本类型为正样本或负样本，所述正样本表征两个商品具有被购买的关联性，所述负样本表征两个商品不具有被购买的关联性，部分训练样本中，两个商品属于不同品类；

为了训练本申请的相似度计算模型，预备一个数据集。所述数据集中存储将相似度计算模型微调训练至收敛状态的足量训练样本。每个训练样本中包括两个商品的商品信息，所述商品信息示例而言可以仅包括商品标题，当然也可进一步包括其他具体商品信息，只要后续在将模型应用于推理阶段时对应提供输入即可。每个训练样本均对应标注其样本类型为正样本或者负样本，其中，正样本表示训练样本中的两个商品具有被购买的关联性，即用户在购买其中一个商品时，高概率性地也会同时或稍后购买其中另一个商品，例如纸尿裤与啤酒；负样本则与正样本相反，表示其中两个商品不具有被购买的关联性，例如纸尿裤与胎压传感器。

对训练样本的样本类型进行标注，可以根据先验知识来实施。一种实施例中，也可将广告系统的历史商品广告中已经通过广告成效数据验证为存在购买关联性的两个商品的商品信息构造为训练样本，并且对应将其样本类型标记为正样本。另一实施例中，同样根据属于组合广告的历史商品广告，根据该组合广告视为具有关联关系的两个商品的商品信息构造所述的正样本并做相应的标注。

为了使本申请的相似度计算模型，特别是其中的向量表示模型增强其为不同类别的商品的商品信息生成准确的语义向量，从而指导相似度计算模型准确计算出相似度，在构造所述的训练样本时，其中两个商品优先选取属于线上店铺的预设品类体系中不同类别的商品。当然，某些实施例中，部分训练样本也允许存在属于相同类别的商品。

在需要对相似度计算模型实施训练时，每次可以从所述数据集中调用单个训练样本作为相似度计算模型的输入，以启动单次训练。

步骤S2200、将所调用的训练样本输入所述相似度计算模型中提取语义向量并进行分类预测，获得分类结果，所述分类结果包括映射到二分类空间的正向类别和负向类别相对应的分类概率；

在对所述相似度计算模型实施训练时，所述向量表示模型采用已经经过预训练模型，然后，将所调用的单个训练样本中的两个商品的商品信息输入相似度计算模型的两个塔，由两个塔分别调用向量表示模型对两个商品的商品信息提取深层语义信息，然后获得相应的语义向量。

以图5所示的示例性网络结构为例，两个语义向量分别经过全连接层进行特征压缩，规范为特定语义空间的语义向量之后，均进入拼接层，由拼接层将两个语义向量拼接为综合特征向量，最后经二分类器分类映射至二分类空间，获得正向类别和负向类别相对应的分类概率，作为分类结果。

步骤S2300、根据所调用的训练样本的样本类型计算所述分类结果相对应的损失值，根据该损失值对相似度计算模型实施梯度更新，在未达到收敛状态时，迭代调用下一训练样本继续实施训练，直至相似度计算模型达至收敛状态。

确定出一个训练样本相对应的分类结果之后，便可采用该训练样本相对应的样本类型的标签，作为监督标签，计算该分类结果相对应的交叉熵损失，获得损失值。然后判断该损失值是否达至预设阈值，当达到预设阈值时，表明相似度计算模型已经微调训练至收敛状态，可以终止对整个相似度计算模型的训练。当未到达预设阈值时，表明相似度计算模型尚未收敛，因此根据损失值对相似度计算模型实施反向传播，修正其各个环节的权重，实现梯度更新，促使其进一步逼近收敛，然后，继续从所述数据集中调用下一训练样本对相似度计算模型实施迭代训练，以此类推，直接整个相似度计算模型被训练至收敛状态为止。

根据以上的训练过程，不难理解，本申请通过优选训练样本，可使相似度计算模型中的向量表示模型获得准确表示不同类别的商品的商品信息的语义的能力，确保相似度计算模型可以根据向量表示模型获得的语义向量有效计算两个商品的语义相似度，后续可以用于确定两个商品是否互为关联商品，服务于组合广告发布所需提供有效的选品决策数据。特别是，当训练样本中采用广告系统中的历史商品广告的数据来构造时，由于历史商品广告预先经过验证，故往往能有效提升向量表示模型和整个相似度计算模型的习得能力。

在本申请任意实施例的基础上，请参阅图7，所述步骤S1400、将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品的步骤之后，包括：

步骤S1500、向所述广告配置信息中指定的受众用户推送目标商品的广告页面，在该广告页面中展示所述关联商品；

当通过与商家用户交互最终确定出目标商品的关联商品集添加到广告配置信息中，并通过广告发布接口实现根据广告配置信息发布组合广告之后，目标商品相应的广告页面，将被推送至广告配置信息中指定的受众用户群体，任意一个受众用户的终端设备接收到所述的广告页面后便进行解析展示。根据所述广告页面固有的业务逻辑，除了展示所述目标商品的各项商品信息之外，也将根据广告配置信息展示所述目标商品的各个关联商品。

步骤S1600、响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面。

当任意一个所述的受众用户希望某个关联商品时，通常会触控广告页面中相应的关联商品，相应触发针对该关联商品的商品页面访问请求。根据关联商品相对应的访问链接，该商品页面访问请求会被发送至相应的独立站点，独立站点响应该商品页面访问请求，便向该受众用户推送所针对的关联商品的商品详情页面，该受众用户于是可以在浏览商品信息之后做出是否忽略、购买、收藏或添加到收藏夹等决定。但无论如何，对于营销推广的目的而言，已经达到目的。

根据以上实施例可以理解，对于基于独立站点的组合广告来说，通过在发布组合广告初期便精确确定目标商品与其关联商品之间的组合关系，后续能够提升整个组合广告中的全量商品的总体转化率，至少可为线上商品提升用户流量，进一步还可提升相应的独立站点的商品交易总额。

在本申请任意实施例的基础上，请参阅图8，所述步骤S1600、响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面的步骤之后，包括：

步骤S3100、针对同一目标商品统计其关联商品被受众用户访问的访问次数；

广告系统可以进一步针对每个组合广告中的目标商品，统计其关联商品被受众用户访问的访问次数，当然，可以预设一个固定时间长度，用于实现访问次数的统计，以方便综合比较。

步骤S3200、根据所述访问次数确定各个关联商品的归一化权重；

对于每个目标商品，当经过所述固定时间长度之后，便产生各个关联商品相对应的访问次数的汇总数据。例如，所述固定时间长度可以是7天，在7天内每天均产生各个关联商品相对应的访问次数，最终可以获得每个关联商品在7天内的访问次数。

各个关联商品的访问次数可以直接比较大小，为方便计算，将所有关联商品的访问次数进行归一化处理，调整到[0,1]的数值区间，作为各个关联商品相对应的归一化权重。不难理解，归一化权重是实测后标准化获得的数据，其表征关联商品在统一量纲下的受欢迎程度，因而也可以作为广告成效数据之一，用于优选本申请的相似度计算模型制作训练样本所需的历史商品广告。

步骤S3300、将各个关联商品与目标商品的相似度对应匹配各个关联商品的归一化权重进行相似度更新，获得实测相似度；

组合广告中的各个关联商品，其与目标商品之间的相似度是事先确定的，事先根据相似度或者随机方式对各个关联商品在广告页面中的展现顺序进行排列，但在本实施例中，可以根据所述固定时间长度范围内的访问次数获得的归一化权重对各个关联商品的相似度进行调整，具体是可以将关联商品对应的相似度与其对应的归一化权重相乘，获得结果对原相似度进行更新，作为实测相似度，不难理解，实测相似度是通过归一化权重这一先验知识获得的，因而具有根据关联商品的广告实效及时调整相似度的作用。

步骤S3400、根据实测相似度重排所述广告配置信息中各个关联商品在目标商品的广告页面的呈现顺序。

最后，根据各个关联商品的实测相似度，对各个关联商品在目标商品的广告页面中的呈现顺序进行重排，便可实现对关联商品的推广顺序的调整。通过这一调整，实测反响更好的关联商品将进一步居于广告页面的显要位置，实测反响欠佳的关联商品，则相应被置于非显要位置。

根据以上实施例可以知晓，通过采用关联商品的访问次数来确定归一化权重，根据归一化权重调整关联商品与目标商品之间的相似度获得实测相似度，并根据实测相似度及时调整关联商品在目标商品的广告页面的呈现顺序，实现对组合广告的广告成效的动态调节，有助于追求广告效益最大化，确保组合广告取得优异的投放效果。

请参阅图9，适应本申请的目的之一而提供一种广告商品组合发布装置，是对本申请的广告商品组合发布方法的功能化体现，该装置包括目标确定模块1100、组合查询模块1200、交互筛选模块1300，以及关联配置模块1400，其中：所述目标确定模块1100，用于获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；所述组合查询模块1200，用于从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；所述交互筛选模块1300，用于将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；所述关联配置模块1400，用于将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

在本申请任意实施例的基础上，所述组合查询模块1200，包括：相似度确定单元，用于根据商品信息库中不同品类的全量商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，获得两两商品之间的相似度；相似筛选单元，用于获取表征目标商品与商品信息库中各个商品的相似度的相似度序列，根据预设条件对相似度序列进行筛选，确定出其中的多个候选商品；组合构造单元，用于获取所述候选商品相对应的商品信息构造出组合商品集。

在本申请任意实施例的基础上，所述相似筛选单元，包括：信息提取子单元，用于从商品信息库中提取各个商品的商品信息，所述商品信息包括商品标题、商品属性数据、商品详情文本中任意一项或任意多项；模型计算子单元，用于将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度；矩阵表示子单元，用于将全部两两商品的相似度构造为相似度矩阵，其中每个元素存储其所在行所对应的商品与其所在列所对应的商品之间的相似度。

在本申请任意实施例的基础上，所述模型计算子单元，包括：特征提取网络，用于在相似度计算模型中调用向量表示模型分别提取所述两两商品中各个商品的语义向量；向量压缩网络，用于在相似度计算模型中将向量表示模型获得的语义向量压缩至特定语义空间；特征拼接网络，用于在相似度计算模型中将经过压缩的两个商品的语义向量进行特征拼接,获得综合特征向量；分类映射网络，用于在相似度计算模型中将综合特征向量输出至分类器进行二分类映射，获得其映射到其中预定的正向类别的分类概率作为相似度。

在本申请任意实施例的基础上，先于所述模型计算子单元的运行，包括：样本调用模块，调用数据集中的单个训练样本，每个训练样本中包括两个商品的商品信息，且关联标记其样本类型为正样本或负样本，所述正样本表征两个商品具有被购买的关联性，所述负样本表征两个商品不具有被购买的关联性，部分训练样本中，两个商品属于不同品类；预测处理模块，用于将所调用的训练样本输入所述相似度计算模型中提取语义向量并进行分类预测，获得分类结果，所述分类结果包括映射到二分类空间的正向类别和负向类别相对应的分类概率；迭代更新模块，用于根据所调用的训练样本的样本类型计算所述分类结果相对应的损失值，根据该损失值对相似度计算模型实施梯度更新，在未达到收敛状态时，迭代调用下一训练样本继续实施训练，直至相似度计算模型达至收敛状态。

在本申请任意实施例的基础上，后于所述关联配置模块1400的运行，包括：广告推送模块，用于向所述广告配置信息中指定的受众用户推送目标商品的广告页面，在该广告页面中展示所述关联商品；访问响应模块，用于响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面。

在本申请任意实施例的基础上，后于所述访问响应模块的运行，包括：次数统计模块，用于针对同一目标商品统计其关联商品被受众用户访问的访问次数；权重计算模块，用于根据所述访问次数确定各个关联商品的归一化权重；实测更新模块，用于将各个关联商品与目标商品的相似度对应匹配各个关联商品的归一化权重进行相似度更新，获得实测相似度；顺序重排模块，用于根据实测相似度重排所述广告配置信息中各个关联商品在目标商品的广告页面的呈现顺序。

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10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商品搜索类目识别方法。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商品组合发布方法。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10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9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商品组合发布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商品组合发布方法的步骤。

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。

综上所述，本申请适应部署在独立站点的线上店铺样本数据量少的特点，在线上店铺的商家用户配置组合广告的过程中，根据商品的语义，为商家用户指定的目标商品跨品类确定出其关联商品，实现对不同品类的商品之间的关联信息的深度挖掘，而在目标商品的广告页面中预置其关联展示的关联商品的引用信息，智能化地解决了目标商品的关联商品的确定的问题，能提升电商平台的广告发布服务技术能力，改善广告发布体验，并通过所发布的组合广告提升广告商品的转化率，提升线上店铺的用户访问量。

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)

1.一种广告商品组合发布方法，其特征在于，包括：

获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；

从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；

将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；

将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

2.根据权利要求1所述的广告商品组合发布方法，其特征在于，从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，包括：

根据商品信息库中不同品类的全量商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，获得两两商品之间的相似度；

获取表征目标商品与商品信息库中各个商品的相似度的相似度序列，根据预设条件对相似度序列进行筛选，确定出其中的多个候选商品；

获取所述候选商品相对应的商品信息构造出组合商品集。

3.根据权利要求2所述的广告商品组合发布方法，其特征在于，根据商品信息库中各个商品相对应的商品信息的语义向量，计算两两商品之间的数据距离，包括：

从商品信息库中提取各个商品的商品信息，所述商品信息包括商品标题、商品属性数据、商品详情文本中任意一项或任意多项；

将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度；

将全部两两商品的相似度构造为相似度矩阵，其中每个元素存储其所在行所对应的商品与其所在列所对应的商品之间的相似度。

4.根据权利要求3所述的广告商品组合发布方法，其特征在于，将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度，包括：

在相似度计算模型中调用向量表示模型分别提取所述两两商品中各个商品的语义向量；

在相似度计算模型中将向量表示模型获得的语义向量压缩至特定语义空间；

在相似度计算模型中将经过压缩的两个商品的语义向量进行特征拼接,获得综合特征向量；

在相似度计算模型中将综合特征向量输出至分类器进行二分类映射，获得其映射到其中预定的正向类别的分类概率作为相似度。

5.根据权利要求4所述的广告商品组合发布方法，其特征在于，将两两商品的商品信息输入已训练至收敛状态的相似度计算模型中计算出相似度的步骤之前，包括：

调用数据集中的单个训练样本，每个训练样本中包括两个商品的商品信息，且关联标记其样本类型为正样本或负样本，所述正样本表征两个商品具有被购买的关联性，所述负样本表征两个商品不具有被购买的关联性，部分训练样本中，两个商品属于不同品类；

将所调用的训练样本输入所述相似度计算模型中提取语义向量并进行分类预测，获得分类结果，所述分类结果包括映射到二分类空间的正向类别和负向类别相对应的分类概率；

根据所调用的训练样本的样本类型计算所述分类结果相对应的损失值，根据该损失值对相似度计算模型实施梯度更新，在未达到收敛状态时，迭代调用下一训练样本继续实施训练，直至相似度计算模型达至收敛状态。

6.根据权利要求1至5中任意一项所述的广告商品组合发布方法，其特征在于，将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品的步骤之后，包括：

向所述广告配置信息中指定的受众用户推送目标商品的广告页面，在该广告页面中展示所述关联商品；

响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面。

7.根据权利要求6所述的广告商品组合发布方法，其特征在于，响应任意受众用户针对所述广告页面的关联商品触发的商品页面访问请求，向该受众用户推送所针对的关联商品的商品详情页面的步骤之后，包括：

针对同一目标商品统计其关联商品被受众用户访问的访问次数；

根据所述访问次数确定各个关联商品的归一化权重；

将各个关联商品与目标商品的相似度对应匹配各个关联商品的归一化权重进行相似度更新，获得实测相似度；

根据实测相似度重排所述广告配置信息中各个关联商品在目标商品的广告页面的呈现顺序。

8.一种广告商品组合发布装置，其特征在于，包括：

目标确定模块，用于获取独立站点的线上店铺的商家用户的商品组合请求，确定该请求所指定的目标商品；

组合查询模块，用于从所述线上店铺的商品信息库中匹配出与目标商品构成语义相似的组合商品集，其中包含属于预设品类体系中的不同品类的候选商品；

交互筛选模块，用于将所述组合商品集推送给商家用户，获取商家用户返回的对所述组合商品集中的候选商品筛选后确定的关联商品集；

关联配置模块，用于将关联商品集中的商品配置为目标商品的广告配置信息中的关联商品，使所述关联商品适于展示在根据所述广告配置信息呈现的广告页面中。

9.一种计算机设备，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。

10.一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。

Images