CN106792003B - 一种智能广告插播方法、装置及服务器 - Google Patents

一种智能广告插播方法、装置及服务器 Download PDF

Info

Publication number
CN106792003B
CN106792003B CN201611224892.9A CN201611224892A CN106792003B CN 106792003 B CN106792003 B CN 106792003B CN 201611224892 A CN201611224892 A CN 201611224892A CN 106792003 B CN106792003 B CN 106792003B
Authority
CN
China
Prior art keywords
audio
advertisement
sub
cluster
video
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.)
Expired - Fee Related
Application number
CN201611224892.9A
Other languages
English (en)
Other versions
CN106792003A (zh
Inventor
张仙伟
谢文昊
王静怡
王潇潇
朱养鹏
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou University
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 Xian Shiyou University filed Critical Xian Shiyou University
Priority to CN201611224892.9A priority Critical patent/CN106792003B/zh
Publication of CN106792003A publication Critical patent/CN106792003A/zh
Application granted granted Critical
Publication of CN106792003B publication Critical patent/CN106792003B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
    • H04N21/2668—Creating a channel for a dedicated end-user group, e.g. insertion of targeted commercials based on end-user profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/458—Scheduling content for creating a personalised stream, e.g. by combining a locally stored advertisement with an incoming stream; Updating operations, e.g. for OS modules ; time-related management operations
    • H04N21/4586—Content update operation triggered locally, e.g. by comparing the version of software modules in a DVB carousel to the version stored locally
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/81—Monomedia components thereof
    • H04N21/812—Monomedia components thereof involving advertisement data

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种智能广告插播方法、装置及服务器，属于网络通信领域。所述智能广告插播方法包括：获取插播对象，所述插播对象为视频；获取插播对象的音频信息；在预设的广告库中查询与所述音频信息匹配的广告；根据匹配结果，将广告在所述视频中插播。本发明的智能广告插播方法通过文本比较技术或神经网络技术，实现为视频自动匹配广告并插播到视频中，插播的精准度高，增强了广告与视频的关联性，广告效果好。

Description

一种智能广告插播方法、装置及服务器
技术领域
本发明涉及网络通信领域，特别涉及一种智能广告插播方法及装置。
背景技术
随着互联网的飞速发展和无线通信技术的进步，网络电视日益受到人们的欢迎，目前的网络电视采用P2P流媒体技术，使得用户连接更快，缓冲时间更短，具有较高的播放流畅性和观看体验，因此，网络电视吸引了大批量的用户，相应地，网络电视广告的需求也变得逐步增多。现有技术中的网络广告一般放置在网络电视开始之前，或者穿插在两个流媒体之间，采用轮播的形式，即将经过流媒体数字处理与编码的流媒体文件按照一定的播放顺序自主编排的节目，播放顺序一般是以一定格式的文本文件或XML播放列表文件来指定。
但是，用户注意意图为观看网络电视节目，对于安置在节目开头的广告一般采取屏蔽或者跳过措施，或者预先打开网页，等待广告过去才正式观看，现有技术中的广告投放形式所起到的广告效果非常不理想。
现有技术至少存在以下缺点：
1、广告与观看的视频节目毫无关联，趣味性不强；
2、安置在节目前播放广告，可屏蔽性强，广告效果弱。
发明内容
为了解决现有技术的问题，本发明提供了一种智能广告插播方法及装置，根据视频内容插播相关广告，生动有趣，提高广告效应。所述技术方案如下：
一方面，本发明提供了一种智能广告插播方法，所述方法包括：
获取插播对象，所述插播对象为视频；
获取插播对象的音频信息；
在预设的广告库中查询与所述音频信息匹配的广告；
根据匹配结果，将广告在所述视频中插播。
在预设的广告库中查询与所述音频信息匹配的广告有以下两种方式：
方式一为
所述预设的广告库中存储有广告视频，每个广告视频对应设置有匹配标签；
所述在预设的广告库中查询与所述音频信息匹配的广告包括：
将音频信息转换成文本信息；
对所述文本信息进行分词处理，得到分词文本；
将分词文本与广告库中的匹配标签进行匹配；
根据匹配得到的匹配标签，获取对应的广告视频。
方式二为
将音频信息分割为子音频；
从所述子音频中选取目标子音频，组成音频集；
将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；
根据所述模型输出的匹配结果，获取与匹配结果对应的广告。
方式二中的智能广告插播方法还包括预先训练所述匹配深度神经网络，包括：
获取音频集样本数据，所述音频集样本数据标记有匹配类型；
采用随机梯度下降法最小化损失函数；
通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
优选地，所述采用随机梯度下降法最小化损失函数包括：
根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
将更新的权重进行预设次数的迭代，以最小化损失函数。
另一方面，本发明提供了一种智能广告插播装置，所述装置包括：
插播对象模块，用于获取插播对象，所述插播对象为视频；
音频模块，用于获取插播对象的音频信息；
查询模块，用于在预设的广告库中查询与所述音频信息匹配的广告；
插播模块，用于根据匹配结果，将广告在所述视频中插播。
可选地，所述查询模块有以下两种方式实现：
方式一
所述智能广告插播装置还包括广告库模块，用于预设存储广告视频，每个广告视频对应设置有匹配标签；
对应地，所述查询模块包括：
转换子模块，用于将音频信息转换成文本信息；
分词子模块，用于对所述文本信息进行分词处理，得到分词文本；
匹配子模块，用于将分词文本与广告库中的匹配标签进行匹配；
第一获取子模块，用于根据匹配得到的匹配标签，获取对应的广告视频。
方式二
所述智能广告插播装置还包括预训练模块，用于预先训练匹配深度神经网络；
对应地，所述查询模块包括：
分割子模块，用于将音频信息分割为子音频；
音频集子模块，用于从所述子音频中选取目标子音频，组成音频集；
网络模型子模块，用于将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；
第二获取子模块，用于根据所述模型输出的匹配结果，获取与匹配结果对应的广告。
所述预训练模块包括：
样本子模块，用于获取音频集样本数据，所述音频集样本数据标记有匹配类型；
最小化子模块，用于采用随机梯度下降法最小化损失函数；
学习子模块，用于通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
优选地，所述最小化子模块包括：
梯度单元，用于根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
权重更新单元，用于根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
迭代单元，用于将更新的权重进行预设次数的迭代，以最小化损失函数。
另一方面，本发明提供了一种智能广告插播服务器，所述服务器包括一个或多个如上所述的智能广告插播装置。
本发明提供的技术方案带来的有益效果如下：
1)将广告随着视频播放内容插播在视频页面的浮窗上，形式新颖，观看性强；
2)自动贴合视频播放内容插播相关联广告，生动有趣；
3)较传统广告而言，广告效应显著。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例提供的智能广告插播方法的流程图；
图2是本发明实施例提供的按照转换文本方式进行广告插播的方法流程图；
图3是本发明实施例提供的按照分割子音频方式进行广告插播的方法流程图；
图4是本发明实施例提供的匹配深度神经网络的训练方法流程图；
图5是本发明实施例提供的获取待训练的音频集样本数据的方法流程图；
图6是本发明实施例提供的模型损失函数最小化方法流程图；
图7是本发明实施例提供的广告插播装置的模块框图；
图8是本发明实施例提供的广告插播服务器的组成示意图；
图9是本发明实施例提供的CNN网络模型中神经元的结构示意图；
图10是本发明实施例提供的RNN网络模型中LSTM记忆单元的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明的一个实施例中提供了一种智能广告插播方法，参见图1，方法流程包括：
S101、获取插播对象。
具体地，所述插播对象为网络视频，本实施例中根据网络视频的具体内容，在视频过程中插播与之内容相关的广告，广告的信息包括但不限于浮窗小视频广告，或者文字广告等等。
S102、获取插播对象的音频信息。
具体地，视频是画面信息与音频信息的组合，从视频中获取音频信息。
S103、查询匹配广告。
在预设的广告库中查找与当前视频(音频)播放内容相关的广告，所述广告的形式包括但不限于浮窗视频、浮窗动画和弹幕文字广告。
S104、根据匹配结果，插播广告。
若在广告库中匹配到与当前播放内容相关的广告，则定位到视频中相关内容的播放位置处，插播所述广告。
在本发明的一个实施例中，提供了按照转换文本方式进行广告插播的方法，参见图2，方法流程包括：
S201、获取待插播广告的视频对象。
S202、获取视频对象的音频信息。
S203、将音频信息转换为文本信息。
具体地，采用语音识别技术实现：首先建立一个训练集，包括了一些转换好的音频和数字(由人完成)；然后利用训练集，将音频切分成语素片，利用特定的算法找到在训练集中最可能的文字组合。通过这样训练，找到好的参数，建成语音转换模型。
S204、分词处理，得到分词文本。
对转换得到的文本信息进行分词处理，分词的依据为将文本信息按语句划分并分词，得到一句句单独的语句，甚至对单独的语句进一步分词得到独立的词语。
除了本实施例提供的先语音转换后分词的流程，采用先按照音频节点分割音频得到一句句完整的子音频，再将各子音频转换成文本的方式同样可以实现本发明，本发明对其先后处理顺序不作具体限定。
S205、将分词文本与广告库中广告视频的匹配标签进行匹配。
具体地，预设有一个广告库，广告库中存储有合作广告商家投放的广告，每一个广告设有对应的匹配标签，将分词文本与广告库中的匹配标签进行匹配。若遍历广告库中的匹配标签，没有与当前分词文本匹配的，则说明当前没有插播广告的播放点，若匹配到与当前分词文本匹配的标签，则说明当前的播放点具有可插播的相关广告。
S206、根据匹配结果，获取对应的广告视频。
具体地，根据匹配标签与广告库中广告的对应关系，以匹配标签为索引，找到对应的广告。
S207、找到匹配的分词文本对应的音频位置，插播广告视频。
保存与匹配标签匹配的分词文本，对应找到音频的相关位置，即具有可插播广告的播放点，在该播放点插播相关广告。比如，广告库中设有良品铺子的广告，匹配标签为(坚果or开心果or零食)，当音频播放为“你是我的开心果！”时，匹配到良品铺子的广告，在当前视频页面上弹出浮窗，显示广告视频或者广告语，所述浮窗设有关闭按钮，同时设置有限时关闭功能。
在本发明的一个实施例中，提供了一种按照分割子音频方式进行广告插播的方法，参见图3，方法流程包括：
S31、训练匹配深度神经网络模型。
具体的训练方法流程如图4所示，所述方法流程包括：
S311、获取待训练的音频集样本数据。所述音频集样本数据由一个个音频集组成，每一个音频集是从一个完整的音频媒体中提取得到的，或者将整个音频媒体的所有音频分段组成一个图像集。相对地，从音频媒体中提取目标子音频组成目标音频集为获取音频集的优选方案，通过提取具有代表性和重要性的目标子音频，有效剔除了无益于匹配广告的子音频，不仅减轻了神经网络模型的处理负担，加快了神经网络模型的处理速度，且去除干扰性选项，提高音频匹配广告的准确性，参见图5，提取目标子音频的方法流程如下：
S3111、获取待训练的音频；
S3112、将音频分割为子音频；
S3113、聚类子音频，得到多个聚类；
S3114、选取距离聚类中心最近的子音频作为目标子音频
S3115、目标子音频组成音频集，纳入样本。
具体地，所述聚类方法包括均值漂移(Mean Shift)算法、模糊C均值聚类算法、层次聚类算法等等。所述均值漂移(Mean Shift)算法的算法原理是，在样本中随机选择一圆心为o，半径为h的区域，得出这个区域中所有样本点的平均值，圆心处的样本密度必然比均值处的样本密度小或者相等，将均值定为新的圆心重复以上步骤，直到收敛到密度极大值点；所述模糊C均值聚类算法的工作原理是，算法将n个样本分为c个组，得到各个组的聚类中心，最终让非相似性指标的目标函数达到最小，算法给各个样本点赋予0～1之间的隶属度，通过隶属度的值来判断样本归属于各个分类的程度；本实施例采用K-均值聚类算法对待聚类的子音频进行聚类，对于音频集X＝{x1,x2,…,xn}，n为子音频个数，设拟划分为k个聚类V＝{v1,v2,…,vk}，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复，直至聚类中心不再变化，算法终止，聚类得到k个差异比较大的音频类，相应地，每个音频类中离聚类中心最近的一个或多个子音频即作为目标子音频(如果聚类中心本身就是子音频，则聚类中心的子音频即为目标子音频)。
S312、对神经网络的损失函数的梯度进行学习，以最小化损失函数。
S313、训练网络，最终得到匹配深度神经网络模型。
所述S312中的损失函数为深度神经网络的损失函数，损失函数与神经网络模型分类结果的准确性有着密切关系，为了提高匹配深度神经网络模型的分类准确性，需要极小化损失函数，具体方法如图6所示，所述极小化损失函数的方法流程包括：
S3121、反向传播法计算损失函数的梯度：反向传播法(Backpropagation,BP)是一种与最优化方法结合使用的算法，反向传播法对网络中所有权重计算损失函数的梯度，在向量微积分中，标量场中某一点的梯度指向在这点标量场增长最快的方向，是方向导数参量；
S3122、将梯度反馈给随机梯度下降法：此处最优化方法不限定于随机梯度下降法，也可以为梯度下降法，或者随机并行梯度下降法；
S3123、更新权重；
S3124、判断是否达到设定的迭代次数，若达到，则执行S3125，若未达到，则将权重迭代到反向传播法，即以更新的权重继续执行S3121-S3124；
S3125、完成最小化损失函数，当前的损失函数即为最小化的结果。
人工指定的迭代次数是通过多次的试验和经验得出的，比如测试的时候设置迭代次数为1000次，测试中发现迭代到200次以后损失函数的值就不再下降了，则下一次测试时可将迭代次数设定为300次，以节约测试时间。
S32、获取待插播广告的视频对象。
S33、获取视频对象的音频信息。
S34、将音频信息分割为子音频。
具体地，以音频节点(音频中两句话的中间顿点)为分割依据，将音频信息分割为子音频。
S35、选取目标子音频，组成音频集。
可选地，将音频分割得到的所有子音频组成目标音频集，优选地，通过聚类的方法从音频中提取较有利于进行广告匹配的目标子音频，再由目标子音频组成目标音频集，所述聚类方法同上述S3113步骤中的聚类步骤，在此不再赘述。
S36、音频集输入匹配深度神经网络模型。
S37、根据模型输出，确定目标子音频对应的广告视频。
具体地，在构建模型时，预设有广告ID列表，设置模型输出参数与广告的对应关系，即模型输出结果为广告ID号，再对照广告ID列表，确定对应的广告视频。
S38、查找视频中目标子音频的位置，插播广告视频。
保存广告视频与对应的子音频，根据子音频确定其在视频中的位置，在该位置插播该广告。
在本发明的一个实施例中，提供了一种智能广告插播装置，所述装置的模块架构参见图7，所述装置包括以下模块：
插播对象模块710，用于获取插播对象，所述插播对象为视频；
音频模块720，用于获取插播对象的音频信息；
查询模块730，用于在预设的广告库中查询与所述音频信息匹配的广告；
插播模块740，用于根据匹配结果，将广告在所述视频中插播。
在其中一个实施例中的广告插播装置还包括：广告库模块750，用于预设存储广告视频，每个广告视频对应设置有匹配标签；
对应地，所述查询模块730包括：
转换子模块731，用于将音频信息转换成文本信息；
分词子模块732，用于对所述文本信息进行分词处理，得到分词文本；
匹配子模块733，用于将分词文本与广告库中的匹配标签进行匹配；
第一获取子模块734，用于根据匹配得到的匹配标签，获取对应的广告视频。
在另一个实施例中的广告插播装置还包括：预训练模块760，用于预先训练匹配深度神经网络；
与之对应地，所述查询模块730包括：
分割子模块735，用于将音频信息分割为子音频；
音频集子模块736，用于从所述子音频中选取目标子音频，组成音频集；
网络模型子模块737，用于将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；
第二获取子模块738，用于根据所述模型输出的匹配结果，获取与匹配结果对应的广告；
其中，所述预训练模块760包括：
样本子模块761，用于获取音频集样本数据，所述音频集样本数据标记有匹配类型；
最小化子模块762，用于采用随机梯度下降法最小化损失函数；
学习子模块763，用于通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
其中，所述最小化子模块762包括：
梯度单元7621，用于根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
权重更新单元7622，用于根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
迭代单元7623，用于将更新的权重进行预设次数的迭代，以最小化损失函数。
在本发明的一个实施例中，提供了一种智能广告插播服务器，参见图8，所述服务器包括一个或多个上述的智能广告插播装置。
需要说明的是：上述实施例提供的物联网控制装置在进行统一管理控制时，仅以上述各功能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模块完成，即将广告插播装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例提供的广告插播装置实施例与上述实施例提供的广告插播方法属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行，在本发明的一个实施例中，以运行在计算机终端上为例，所述终端可以包括RF(Radio Frequency，射频)电路、包括有一个或一个以上计算机可读存储介质的存储器、输入单元、显示单元、传感器、音频电路、WiFi(wireless fidelity，无线保真)模块、包括有一个或者一个以上处理核心的处理器、以及电源等部件。其中：
RF电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器处理；另外，将涉及上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier，低噪声放大器)、双工器等。此外，RF电路还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System ofMobile communication，全球移动通讯***)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(Code DivisionMultiple Access，码分多址)、WCDMA(Wideband Code Division Multiple Access，宽带码分多址)、LTE(Long Term Evolution，长期演进)、电子邮件、SMS(Short MessagingService，短消息服务)等。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器和输入单元对存储器的访问。
输入单元可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元可包括显示面板，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode，有机发光二极管)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类型，随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然本实施例中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
终端还可包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路、扬声器，传声器可提供用户与终端之间的音频接口。音频电路可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路接收后转换为音频数据，再将音频数据输出处理器处理后，经RF电路以发送给比如另一终端，或者将音频数据输出至存储器以便进一步处理。音频电路还可能包括耳塞插孔，以提供外设耳机与终端的通信。
WiFi属于短距离无线传输技术，终端通过WiFi模块可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。可以理解的是，WiFi模块并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理核心；优选地，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
终端还包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理***与处理器逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端的显示单元是触摸屏显示器，终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行述一个或者一个以上程序包含用于进行以下操作的指令：
获取插播对象，所述插播对象为视频；
获取插播对象的音频信息；
在预设的广告库中查询与所述音频信息匹配的广告；
根据匹配结果，将广告在所述视频中插播。
进一步地，所述预设的广告库中存储有广告视频，每个广告视频对应设置有匹配标签；
具体地，终端的处理器还用于执行以下操作的指令：
将音频信息转换成文本信息；
对所述文本信息进行分词处理，得到分词文本；
将分词文本与广告库中的匹配标签进行匹配；
根据匹配得到的匹配标签，获取对应的广告视频。
另一种方式为，终端的处理器还用于执行以下操作的指令：将音频信息分割为子音频；
从所述子音频中选取目标子音频，组成音频集；
将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；
根据所述模型输出的匹配结果，获取与匹配结果对应的广告。
具体地，终端的处理器还用于执行以下操作的指令：预先训练所述匹配深度神经网络，包括：
获取音频集样本数据，所述音频集样本数据标记有匹配类型；
采用随机梯度下降法最小化损失函数；
通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
具体地，终端的处理器还用于执行以下操作的指令：
根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
将更新的权重进行预设次数的迭代，以最小化损失函数。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解到本发明提供的视频标题生成技术方案可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本发明的一个实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，一个或者一个以上程序被一个或者一个以上的处理器用来执行广告插播的方法，所述方法包括：
获取插播对象，所述插播对象为视频；
获取插播对象的音频信息；
在预设的广告库中查询与所述音频信息匹配的广告；
根据匹配结果，将广告在所述视频中插播。
在预设的广告库中查询与所述音频信息匹配的广告有以下两种方式：
方式一为
所述预设的广告库中存储有广告视频，每个广告视频对应设置有匹配标签；
所述在预设的广告库中查询与所述音频信息匹配的广告包括：
将音频信息转换成文本信息；
对所述文本信息进行分词处理，得到分词文本；
将分词文本与广告库中的匹配标签进行匹配；
根据匹配得到的匹配标签，获取对应的广告视频。
方式二为
将音频信息分割为子音频；
从所述子音频中选取目标子音频，组成音频集；
将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；
根据所述模型输出的匹配结果，获取与匹配结果对应的广告。
方式二中的智能广告插播方法还包括预先训练所述匹配深度神经网络，包括：
获取音频集样本数据，所述音频集样本数据标记有匹配类型；
采用随机梯度下降法最小化损失函数；
通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
优选地，所述采用随机梯度下降法最小化损失函数包括：
根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
将更新的权重进行预设次数的迭代，以最小化损失函数。
在本发明的一个实施例中，使用CNN(卷积神经网络)模型架构得到匹配深度神经网络模型，CNN模型的输入数据处理流程包括：
第一、定义音频中提取目标子音频的提取条件；
第二、对待插播广告的视频(音频)提取符合上述提取条件的目标子音频；
第三、对于每个由目标子音频组成的音频集，将其子音频按分类归属度降序排列，所述分类归属度定义为：
分类归属度＝(节点圈子内的度/节点在原图中的度)*(节点圈子内的度/圈子子图最大度)。
将样本数据拼接成三维数组，三个维度从外到内分别为圈子、图像成员和数据通道，这个三维数组中每个圈子的成员数量必须相等，将此数量定为M，成员数量超过K的圈子截取排名最前的M名成员的成员数据，数量不足M的圈子用0补足。
所述CNN模型的架构设计如下：包含两个2D卷积层(convolution2d_1、convolution2d_2)，两个全连接层(dense_1、dense_2)，利用convolution2d_input对神经网络进行输入，convolution2d_input_1(InputLayer)是神经网络的输入层，在这一层中无任何运算，仅仅定义了输入数据的大小和类型，因此，output输出量不发生变化。
Convolution2D是2维的卷积层，卷积层通过参数共享，来简少模型参数和数据运算，卷积层的主要参数包括：a.卷积核数量，每个卷积核对应一个feature map，卷积核的数量可以通过feature map的数量来显示，本实施例中feature map的数量为64；b.卷积核长、宽，所述卷积核是一个长方形，需要指定长宽，本实施例中卷积核的体积为3x3；c.步长，指卷积核在平移时的步长，因为卷积核是2维数据，所以相应地，步长是一个长度为2的数组，比如(1，1)，卷积层的神经元使用权重(weights)共享，每个神经元weights数量＝卷积核长x卷积核宽。
Activation为神经元的激活函数，在神经网络中，除了最后一层output外，其余任何一个神经元都有激活函数，每一层所有的神经元的激活函数相同，不同层的神经元会有不同的激活函数。神经元的每个输入边都有一个weight，每个神经元都有一个偏置(bias)，本实施例中，使用激活函数ReLu，函数定义为g(z)＝max{0,z}。
MaxPooling2D是一个二维数据的操作，具体为取一个长方形内的最大数值输出，所述MaxPooling2D的主要参数包括：a.Pool大小，指一个长方形，比如3x3；b.步长，指每次移动的长度，比如(3，3)。
Dropout的目的是为了防止过拟合，过拟合是机器学习最常见的问题之一，用来描述模型在训练集上的表现远远好于在测试集上的表现。也就是说，如果一个模型过拟合，那么它在训练时表现不错，但用新的数据做实际预测时效果差得多，所述Dropout的主要参数包括：参数p：一个0到1之间的值，表示概率，在训练模型的时候，随机将该层的输入(也就是前面一层的输出)按照p概率设成0，比如p＝0.2，那就随机将20％的输入节点数据设成0，但在预测阶段时，该层不做任何操作。
Flatten作用于将二维数组展平成一维，比如将[[1,2],[3,4]]转变为[1,2,3,4]。
Dense为全连接层，一般来说，Hidden layer就是全连接层，若神经元如图9所示，运算公式如下：
Output＝g(z)，其中，所述g(z)为激活函数，具体定义如上，在此不再赘述；
z＝∑jwjxj+b，其中，xi为第i个输入，wi为第i个输入的权重，b为偏置阈值。
因为是多分类问题，每个视频圈子属于一个类别，输出层为softmax，损失函数(Loss function)选用类别交叉熵(categorical cross entropy)，并使用随机梯度下降法(SGD)学习模型参数，学习过程如上训练匹配神经网络的步骤所述。
在本发明的另一个实施例中，使用RNN(循环神经网络)模型架构得到匹配深度神经网络模型，与CNN相同的是，同样根据分类归属度对每个圈子的成员进行降序排列，与CNN不同的是，RNN中，排列得到关于成员数据的一个序列，序列中每个项对应于一个用户的个人数据，每个圈子对应的序列允许有不同的长度，也就是说，圈子成员的数量可以不一致。
所述RNN模型的架构设计如下：包含三个LSTM层(lstm_1、lstm_2、lstm_3)和两个全连接层(dense_1、dense_2)。
RNN神经网络利用lstm_input对神经网络进行输入，lstm_input_1(InputLayer)是RNN神经网络的输入层，在这一层中无任何运算，仅仅定义了输入数据的大小和类型，因此，output输出量不发生变化，图10中示出了LSTM记忆单元的结构。
RNN神经网络中的全连接层和防止过拟合层分别与CNN神经网络的全连接层和防止过拟合层定义相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种智能广告插播方法，其特征在于，所述方法包括：
获取插播对象，所述插播对象为视频；
获取插播对象的音频信息；
在预设的广告库中查询与所述音频信息匹配的广告，包括：将音频信息分割为子音频；从所述子音频中选取目标子音频，组成音频集；将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；根据所述模型输出的匹配结果，获取与匹配结果对应的广告，在构建模型时，预设有广告ID列表，设置模型输出参数与广告的对应关系，即模型输出结果为广告ID号，再对照广告ID列表，确定对应的广告视频；
根据匹配结果，将广告在所述视频中插播，包括保存广告视频与对应的子音频，根据子音频确定其在视频中的位置，在该位置插播该广告；
其中，从所述子音频中选取目标子音频包括：聚类子音频，得到多个聚类，选取距离聚类中心最近的子音频作为目标子音频，包括：对于音频集 X={x1,x2,…,xn}，n为子音频个数，设拟划分为 k 个聚类V={v1,v2,…,vk }，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复，直至聚类中心不再变化，算法终止，聚类得到k个差异比较大的音频类，进而将每个音频类中离聚类中心最近的一个或多个子音频作为目标子音频，其中，若聚类中心本身就是子音频，则聚类中心的子音频即为目标子音频。
2.根据权利要求1所述的方法，其特征在于，还包括预先训练所述匹配深度神经网络，包括：
获取音频集样本数据，所述音频集样本数据标记有匹配类型；
采用随机梯度下降法最小化损失函数；
通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
3.根据权利要求2所述的方法，其特征在于，所述采用随机梯度下降法最小化损失函数包括：
根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
将更新的权重进行预设次数的迭代，以最小化损失函数。
4.一种智能广告插播装置，其特征在于，所述装置包括：
插播对象模块，用于获取插播对象，所述插播对象为视频；
音频模块，用于获取插播对象的音频信息；
查询模块，用于在预设的广告库中查询与所述音频信息匹配的广告，包括：分割子模块，用于将音频信息分割为子音频；音频集子模块，用于从所述子音频中选取目标子音频，组成音频集；网络模型子模块，用于将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；第二获取子模块，用于根据所述模型输出的匹配结果，获取与匹配结果对应的广告，在构建模型时，预设有广告ID列表，设置模型输出参数与广告的对应关系，即模型输出结果为广告ID号，再对照广告ID列表，确定对应的广告视频；
插播模块，用于根据匹配结果，将广告在所述视频中插播，包括保存广告视频与对应的子音频，根据子音频确定其在视频中的位置，在该位置插播该广告；
其中，音频集子模块从所述子音频中选取目标子音频包括：聚类子音频，得到多个聚类，选取距离聚类中心最近的子音频作为目标子音频，包括：对于音频集 X={x1,x2,…,xn}，n为子音频个数，设拟划分为 k 个聚类V={v1,v2,…,vk }，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复，直至聚类中心不再变化，算法终止，聚类得到k个差异比较大的音频类，进而将每个音频类中离聚类中心最近的一个或多个子音频作为目标子音频，其中，若聚类中心本身就是子音频，则聚类中心的子音频即为目标子音频。
5.根据权利要求4所述的装置，其特征在于，还包括：
预训练模块，用于预先训练匹配深度神经网络；
所述预训练模块包括：
样本子模块，用于获取音频集样本数据，所述音频集样本数据标记有匹配类型；
最小化子模块，用于采用随机梯度下降法最小化损失函数；
学习子模块，用于通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。
6.根据权利要求5所述的装置，其特征在于，所述最小化子模块包括：
梯度单元，用于根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；
权重更新单元，用于根据所述梯度，采用随机梯度下降法，更新神经网络的权重；
迭代单元，用于将更新的权重进行预设次数的迭代，以最小化损失函数。
7.一种智能广告插播服务器，其特征在于，包括一个或多个如权利要求4-6中任意一项所述的智能广告插播装置。
CN201611224892.9A 2016-12-27 2016-12-27 一种智能广告插播方法、装置及服务器 Expired - Fee Related CN106792003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611224892.9A CN106792003B (zh) 2016-12-27 2016-12-27 一种智能广告插播方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611224892.9A CN106792003B (zh) 2016-12-27 2016-12-27 一种智能广告插播方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN106792003A CN106792003A (zh) 2017-05-31
CN106792003B true CN106792003B (zh) 2020-04-14

Family

ID=58920982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611224892.9A Expired - Fee Related CN106792003B (zh) 2016-12-27 2016-12-27 一种智能广告插播方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN106792003B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108184153A (zh) * 2017-12-29 2018-06-19 伟乐视讯科技股份有限公司 一种与视频内容相匹配的广告插播***及方法
CN108364558A (zh) * 2018-03-09 2018-08-03 南京信息职业技术学院 一种农业沙盘***
CN110401855B (zh) * 2018-04-25 2022-03-04 腾讯科技（深圳）有限公司 信息展示方法、装置、处理平台、计算设备及存储介质
CN109978145B (zh) * 2019-03-29 2021-09-14 联想(北京)有限公司 一种处理方法及装置
CN110290404A (zh) * 2019-07-31 2019-09-27 安徽抖范视频科技有限公司 一种视频广告的插播方法及插播装置
CN111050194B (zh) * 2019-12-02 2022-05-17 北京奇艺世纪科技有限公司 视频序列处理方法、视频序列处理装置、电子设备及计算机可读存储介质
CN111104370A (zh) * 2019-12-18 2020-05-05 北京大龙得天力广告传媒有限公司 一种广告视频存储***及方法
CN113434717A (zh) * 2020-03-20 2021-09-24 华为技术有限公司 内容推荐方法、装置、电子设备和存储介质
CN111754267B (zh) * 2020-06-29 2021-04-20 浙江德塔森特数据技术有限公司 基于区块链的数据处理方法及***
KR20220157505A (ko) * 2020-10-30 2022-11-29 구글 엘엘씨 스트리밍 미디어로부터의 데이터 변환
CN113434794A (zh) * 2021-06-23 2021-09-24 平安国际智慧城市科技股份有限公司 一种元素轮播方法、装置、设备及介质
CN115065837B (zh) * 2022-05-13 2023-10-17 咪咕视讯科技有限公司 视频插播方法、装置、设备及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101072340A (zh) * 2007-06-25 2007-11-14 孟智平 流媒体中加入广告信息的方法与***
WO2012167568A1 (zh) * 2011-11-23 2012-12-13 华为技术有限公司 视频广告播放方法、设备和***
CN104853223A (zh) * 2015-04-29 2015-08-19 小米科技有限责任公司 视频流的插播方法及终端设备
CN104951965A (zh) * 2015-06-26 2015-09-30 深圳市腾讯计算机***有限公司 广告投放方法及装置
CN104992347A (zh) * 2015-06-17 2015-10-21 北京奇艺世纪科技有限公司 一种视频匹配广告的方法及装置
CN106162328A (zh) * 2015-04-28 2016-11-23 天脉聚源（北京）科技有限公司 一种视频同步信息展示方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366740B (zh) * 2012-03-27 2016-12-14 联想(北京)有限公司 语音命令识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101072340A (zh) * 2007-06-25 2007-11-14 孟智平 流媒体中加入广告信息的方法与***
WO2012167568A1 (zh) * 2011-11-23 2012-12-13 华为技术有限公司 视频广告播放方法、设备和***
CN106162328A (zh) * 2015-04-28 2016-11-23 天脉聚源（北京）科技有限公司 一种视频同步信息展示方法及***
CN104853223A (zh) * 2015-04-29 2015-08-19 小米科技有限责任公司 视频流的插播方法及终端设备
CN104992347A (zh) * 2015-06-17 2015-10-21 北京奇艺世纪科技有限公司 一种视频匹配广告的方法及装置
CN104951965A (zh) * 2015-06-26 2015-09-30 深圳市腾讯计算机***有限公司 广告投放方法及装置

Also Published As

Publication number Publication date
CN106792003A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106792003B (zh) 一种智能广告插播方法、装置及服务器
CN107943860B (zh) 模型的训练方法、文本意图的识别方法及装置
CN108280458B (zh) 群体关系类型识别方法及装置
JP6311194B2 (ja) 連絡先グルーピング方法および装置
CN110162770A (zh) 一种词扩展方法、装置、设备及介质
CN108984731A (zh) 歌单推荐方法、装置及存储介质
CN109670174B (zh) 一种事件识别模型的训练方法和装置
CN110245293B (zh) 一种网络内容召回方法和装置
CN110209810B (zh) 相似文本识别方法以及装置
CN111209423B (zh) 一种基于电子相册的图像管理方法、装置以及存储介质
CN110069715A (zh) 一种信息推荐模型训练的方法、信息推荐的方法及装置
CN104850238A (zh) 对输入法所产生的候选项进行排序的方法和装置
CN111309940A (zh) 一种信息展示方法、***、装置、电子设备及存储介质
CN113723378B (zh) 一种模型训练的方法、装置、计算机设备和存储介质
CN113284142A (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN112214605A (zh) 一种文本分类方法和相关装置
CN111259257A (zh) 一种信息展示方法、***、装置、电子设备及存储介质
CN111738000B (zh) 一种短语推荐的方法以及相关装置
CN112862021A (zh) 一种内容标注方法和相关装置
CN112270238A (zh) 一种视频内容识别方法和相关装置
CN111611369A (zh) 基于人工智能的交互方法和相关装置
CN110929882A (zh) 一种基于人工智能的特征向量计算方法和相关装置
CN112632222B (zh) 一种终端设备和确定数据所属领域的方法
CN115080840A (zh) 一种内容推送方法、装置及存储介质
CN116205686A (zh) 一种多媒体资源推荐的方法、装置、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200414