CN113127669B - 广告配图方法、装置、设备和存储介质 - Google Patents
广告配图方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113127669B CN113127669B CN202010041786.7A CN202010041786A CN113127669B CN 113127669 B CN113127669 B CN 113127669B CN 202010041786 A CN202010041786 A CN 202010041786A CN 113127669 B CN113127669 B CN 113127669B
- Authority
- CN
- China
- Prior art keywords
- node
- advertisement
- nodes
- picture
- similarity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000005295 random walk Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 101100083337 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pic1 gene Proteins 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Library & Information Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种广告配图方法、装置、设备和存储介质，涉及智能搜索技术领域。具体实现方案为：根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；根据样本节点对，确定异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；根据异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到待配图广告的目标广告配图。通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，提升了图片召回的准确率和广告配图质量。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及智能搜索技术领域，具体涉及一种广告配图方法、装置、设备和存储介质。
背景技术
随着互联网市场的快速发展，人们对广告的要求越来越高。为了丰富广告呈现信息，提升用户体验以及广告的变现效率，基于互联网中海量的图片为广告配图是十分必要的。然而现有技术基于文本匹配或语义匹配的图片召回方式，对于图片描述文本的依赖性较强，且文本语义存在多样性，降低图片召回的准确率。
发明内容
本申请实施例提供了一种广告配图方法、装置、设备和存储介质，能够提高图片召回的准确率和广告配图质量。
第一方面，本申请实施例提供了一种广告配图方法，包括：
根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；
根据所述样本节点对，确定所述异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；
根据所述异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图。
上述申请中的一个实施例具有如下优点或有益效果：通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
可选的，在所述根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对之前，还包括：
根据广告日志中的关键词和图片，构建所述异构图。
上述申请中的一个实施例具有如下优点或有益效果：利用广告日志挖掘广告关键词和广告图片，构建由关键词与图片组成的异构图，为关键词与图片之间在内容及结构上的相似性关系的挖掘提供依据。
可选的，所述根据广告日志中的关键词和图片，构建所述异构图，包括：
从所述广告日志中提取关键词和图片，确定所述异构图中的关键词节点和图片节点；
根据所述关键词和所述图片的广告出处，确定所述异构图中关键词节点和图片节点之间的边；
根据所述关键词和所述图片所属的同一广告的展现次数和点击次数，确定所述异构图中边的权重。
上述申请中的一个实施例具有如下优点或有益效果：通过节点确定、节点之间边的构成以及边权重的计算，构建带权无向的异构图，为关键词与图片之间在内容及结构上的相似性关系的挖掘提供依据，异构图的良好构建是节点之间相似性关系挖掘的基础。
可选的，所述根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，包括：
基于Node2vec算法，根据所述异构图中边的权重进行随机游走，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列；
根据所述节点序列确定样本节点对。
上述申请中的一个实施例具有如下优点或有益效果：通过对异构图的随机游走，得到了融合内容相似性信息和结构相似性信息的节点序列，进而将相似性进行传达，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，为后续节点向量表示的学习提供良好的基础。
可选的，所述根据所述异构图中边的权重进行随机游走，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列，包括：
根据所述异构图中边的权重进行广度优先搜索，得到具有内容相似性的内容相似性节点；
根据所述异构图中边的权重进行深度优先搜索，得到具有结构相似性的结构相似性节点；
根据所述内容相似性节点和所述结构相似性节点，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列。
上述申请中的一个实施例具有如下优点或有益效果：通过对异构图进行广度优先搜索和深度优先搜索，得到了融合内容相似性信息和结构相似性信息的节点序列，节点序列中不区分节点类型，相邻节点之间可能是内容上的相似，也可能是结构上的相似，充分挖掘节点之间的相似性关系。
可选的，所述根据所述节点序列确定样本节点对，包括：
采用滑动窗口遍历所述节点序列，得到包含关键词与图片之间内容相似性信息和结构相似性信息的正样本节点对；
根据所述正样本节点对，从所述异构图中抽取负样本节点对。
上述申请中的一个实施例具有如下优点或有益效果：通过滑动窗口遍历节点序列，取窗口内的节点构成正样本节点对，将相似性延续到正样本节点对上，即正样本节点对中的节点既可能是内容相似也可能是结构相似。并从异构图中抽取正样本节点对相对立的负样本节点对，即负样本节点对中的节点之间不存在任何内容或结构的相似。因此为节点向量表示的学习提供了充分的依据。
可选的，所述根据所述样本节点对，确定所述异构图中的节点向量表示，包括：
基于skip-gram算法，根据所述样本节点对得到所述异构图中的节点向量表示。
上述申请中的一个实施例具有如下优点或有益效果：根据样本节点对进行节点向量表示的学习，可以学习得到融合了节点之间相似性关系的节点向量表示。
可选的，所述根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图，包括：
根据待配图广告，确定所述待配图广告的目标关键词；
根据所述异构图和所述目标关键词，确定目标关键词节点向量表示；
基于近似最近邻算法，根据所述目标关键词节点向量表示进行图片索引检索，得到所述待配图广告的目标广告配图。
上述申请中的一个实施例具有如下优点或有益效果：基于节点向量表示中涵盖的节点之间的相似性关系，根据待配图广告的目标关键词节点向量表示，能够从众多图片中检索得到与目标关键词在内容和结构上均相似的目标广告配图。其中采用近似最近邻算法为图片节点建立索引，可以大大提高基于图片索引进行图片检索的效率。因此通过节点向量表示检索图片的方式，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
第二方面，本申请实施例提供了一种广告配图装置，包括：
样本节点对确定模块，用于根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；
节点表示确定模块，用于根据所述样本节点对，确定所述异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；
图片检索模块，用于根据所述异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的广告配图方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的广告配图方法。
上述申请中的一个实施例具有如下优点或有益效果：基于包括关键词节点和图片节点的异构图，挖掘出包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，并根据样本节点对确定各个节点向量表示，从而在对待配图广告进行配图时，基于节点向量表示所涵盖的节点之间的相似性关系，根据待配图广告的目标关键词节点向量表示进行图片检索，得到待配图广告的目标广告配图。本申请实施例通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的一种广告配图方法的流程图；
图2是根据本申请第一实施例的异构图的示例图；
图3是根据本申请第二实施例的一种广告配图方法的流程图；
图4是根据本申请第三实施例的一种广告配图方法的流程图；
图5是根据本申请第四实施例的一种广告配图装置的结构示意图；
图6是用来实现本申请实施例的广告配图方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
第一实施例
图1是根据本申请第一实施例的一种广告配图方法的流程图，本实施例可适用于根据广告内容中的关键词为广告提供配图的情况，以丰富广告的呈现内容，有利于提升广告的变现效率。该方法可由一种广告配图装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如广告平台服务器。如图1所示，该方法具体包括如下：
S110、根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对。
在本申请具体实施例中，广告配图通常都是由广告主提供的，但是存在广告主不愿意提供配图的情况，以及存在广告呈现不够丰富而需要进一步配图的情况。因此现有技术通常将广告文本和候选图片描述文本进行核心词匹配，或者基于广告文本语义和图片描述文本语义进行语义匹配，来召回图片作为广告配图。然而文本匹配中通常存在一词多义的情况，例如“苹果”可以表示水果苹果和手机品牌，进而降低文本及语义匹配对于召回图片的准确率，且对于图片描述文本标注的正确性要求极高。
因此本实施例打破图片召回过程中对于文本的依赖，采用异构图来挖掘广告关键词与图片之间的相似性关系，从而提高召回图片的准确率。其中，异构图是指由节点和边构成的网络图，其中异构图中的节点存在不同的形式，异构图中节点之间的关系也存在不同的形式。相应的，本实施例采用关键词和图片作为异构图中的节点。其中，关键词是指广告中的关键词，例如广告主所购买的拍卖词等；图片是指广告中出现过的图片，还可以扩展为互联网中存在的大量图片。
可选的，根据广告日志中的关键词和图片，构建异构图。
本实施例中，可以预先从广告平台中收集大量的广告日志，作为异构图的构建依据。广告日志可以包括广告展现日志和广告点击日志。广告日志中可以包括广告内容数据和广告图片数据，还可以包括广告所展示页面内的其他广告数据。
具体的，从广告日志中提取关键词和图片，确定异构图中的关键词节点和图片节点。根据关键词和图片的广告出处，确定异构图中关键词节点和图片节点之间的边。根据关键词和图片所属的同一广告的展现次数和点击次数，确定异构图中边的权重。
示例性的，可以将广告日志中与广告相关的关键词和图片均提取出来，作为异构图中的节点。将出处于同一广告中的关键词与关键词之间、关键词与图片之间，均可以形成节点之间的边。相应的，同一关键词可能出现在多个广告中，因此同一关键词所连接的关键词和图片可以包括多个。进而可以采用如下公式来计算边的权重：w＝α×show_num+(1-α)×click_num。其中，show_num表示展现日志中，关键词和图片所属的同一广告或关键词与关键词所属的同一广告的展现次数；click_num表示点击日志中，关键词和图片所属的同一广告或关键词与关键词所属的同一广告的点击次数；α是数值在0至1中的参数，用于控制展现次数和点击次数的影响程度。
再例如，图2为异构图的示例图，如图2所示，bidword表示关键词节点，pic表示图片节点。bidword1与pic1可能同时出于同一广告，bidword1与pic3可能同时出于同一广告，但是bidword2与pic3可能也同时出于同一广告。在异构图中进行随机游走，可以得到具有内容相似性的节点，例如与bidword1直接相连的图片节点，也可以得到具有结构相似性的节点，例如bidword1与bidword2。因此通过异构图，可以挖掘节点之间的相似性关系。
本实施例中，样本节点对通过异构图来获得，用于节点向量表示的学习。样本节点对包括正样本节点对和负样本节点对，正样本节点对中的节点之间具有内容和/或结构上的相似性，负样本节点对中的节点之间不具有任何相似性。通过从异构图中的挖掘，可以将异构图中节点之间的相似性关系传递到样本节点对中。相应的，内容相似性信息是指包含内容相似性节点的样本节点对，结构相似性信息是指包含结构相似性节点的样本节点对。
示例性的，可以基于Node2vec算法，根据异构图中边的权重进行随机游走，通过广度优先搜索(Breadth First Search，BFS)得到具有内容相似性的节点对，通过深度优先搜索(Depth First Search，DFS)得到具有结构相似性的节点对。根据节点之间边的连接关系，将一条完整路径下的节点按序排列，得到融合内容相似性节点和结构相似性节点的节点序列。采用滑动窗口对节点序列进行采样，得到既可能是内容相似也可能是结构相似的正样本节点对，并从异构图中抽取出不存在任何内容或结构的相似性的节点作为负样本节点对。其中，节点之间的相似性关系，由异构图传递到了节点序列，由节点序列传递到了正样本节点对。
S120、根据样本节点对，确定异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示。
在本申请具体实施例中，并不对样本节点对中的节点类型进行限定，样本节点对中可以包括相同类型的节点，也可以包括不同类型的节点。由于正样本节点对包含了节点之间的内容和/或结构上的相似性，负样本节点对不包含任何相似性，因此基于样本节点对进行学习，将相似性关系学习到节点向量表示，进而通过节点向量表示就可以直接检索出与节点具有相似性关系的另一节点。
本实施例不对节点向量表示的学习算法进行限定，任何可以实现节点向量表示学习的算法都可以应用于本实施例中。例如基于skip-gram算法，根据样本节点对得到异构图中的节点向量表示。
S130、根据异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到待配图广告的目标广告配图。
在本申请具体实施例中，鉴于节点之间的相似性关系，由异构图传递到了节点序列，由节点序列传递到了样本节点对，再由样本节点对传递到了节点向量表示。因此节点向量表示中就涵盖了节点之间的相似性关系，根据异构图中的节点向量表示，就可以确定节点之间的相似性关系。相应的，节点之间的相似性关系用于为待配图广告检索出内容和/或结构上相似的广告配图。
本实施例的技术方案，基于包括关键词节点和图片节点的异构图，挖掘出包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，并根据样本节点对确定各个节点向量表示，从而在对待配图广告进行配图时，基于节点向量表示所涵盖的节点之间的相似性关系，根据待配图广告的目标关键词节点向量表示进行图片检索，得到待配图广告的目标广告配图。本申请实施例通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
第二实施例
图3是根据本申请第二实施例的一种广告配图方法的流程图，本实施例在上述第一实施例的基础上，进一步对节点向量表示的学习进行解释说明，能够基于异构图生成节点序列，由节点序列得到样本节点对，并根据样本节点学习节点向量表示。如图3所示，该方法具体包括如下：
S310、基于Node2vec算法，根据异构图中边的权重进行随机游走，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列。
在本申请具体实施例中，Node2vec算法是一种综合考虑BFS邻域和DFS邻域的图嵌入(graph embedding)方法，可以看作是结合了BFS和DFS随机游走的DeepWalk。BFS可以搜索得到具有内容相似性的直接邻居节点，DFS可以突破邻居节点搜索得到具有结构相似性的节点。在网络的表示中，内容相似性和结构相似性都是十分重要的，因此可以在生成节点序列的时候同时考虑这两种相似性，并可以有参数即边权重来控制二者的一个偏重。
可选的，根据异构图中边的权重进行广度优先搜索，得到具有内容相似性的内容相似性节点；根据异构图中边的权重进行深度优先搜索，得到具有结构相似性的结构相似性节点；根据内容相似性节点和结构相似性节点，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列。
示例性的，以图2中的异构图为例，采用BFS时可以基于实线箭头进行随机游走，得到与bidword1节点具有内容相似性的直接邻居节点，至少可以包括pic1节点、pic2节点、pic3节点和pic4节点。采用DFS时可以基于虚线箭头进行随机游走，得到与bidword1节点具有结构相似性的节点，至少可以包括bidword2节点。而其中边的权重决定了一个节点的下一步怎么走，即取决于它的上一步和下一步的关系。假设可以得到节点序列{pic2,bidword1,pic3,bidword2,pic6}。
S320、根据节点序列确定样本节点对。
在本申请具体实施例中，鉴于节点序列中融合了节点之间的内容相似性和结构相似性，因此可以从节点序列中抽取出具有内容和/或结构相似性关系的节点对，作为样本节点对。
可选的，采用滑动窗口遍历节点序列，得到包含关键词与图片之间内容相似性信息和结构相似性信息的正样本节点对；根据正样本节点对，从异构图中抽取负样本节点对。
示例性的，在上述示例中，假设滑动窗口长度为1，即抽取与目标节点相邻的1个节点。对于节点序列{pic2,bidword1,pic3,bidword2,pic6}，可以得到正样本节点对包括：{pic2,bidword1}、{bidword1,pic3}、{pic3,bidword2}以及{bidword2,pic6}。其中，正样本节点对可以表示，假设给定关键词bidword1，则召回图片pic2和pic3的概率比pic6大。并假设对于每个节点随机抽取两个负样本节点对，进而采用negative sampling算法，假设可以得到pic2节点的负样本节点对未{pic2,pic6}和{pic2,pic7}。
S330、根据样本节点对，确定异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示。
在本申请具体实施例中，可选的，基于skip-gram算法，根据样本节点对得到异构图中的节点向量表示。即采用skip-gram算法，基于样本节点对来训练神经网络，将相似性关系和不相似性关系都进行学习，得到节点向量表示。
S340、根据异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到待配图广告的目标广告配图。
本实施例的技术方案，通过构建包括关键词和图片的异构图，挖掘关键词和图片之间的内容和/或结构上的相似性关系，将节点之间的相似性关系，由异构图传递到了节点序列，由节点序列传递到了样本节点对，再由样本节点对传递到了节点向量表示，从而可以根据待配图广告的目标关键词节点向量表示，检索得到待配图广告的目标广告配图。直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
第三实施例
图4是根据本申请第三实施例的一种广告配图方法的流程图，本实施例在上述第一实施例的基础上，进一步对基于节点向量表示对广告配图的检索进行解释说明，能够基于节点向量表示包含的节点之间的相似性关系，根据待配图广告的目标关键词节点向量表示检索得到目标广告配图。如图4所示，该方法具体包括如下：
S410、根据待配图广告，确定待配图广告的目标关键词。
在本申请具体实施例中，待配图广告是指在用户发起搜索时，确定的且即将展示给用户的广告。可以基于一定的广告检测规则，来检测该广告是否需要进一步配图。本实施例不对待配图广告的确定方式进行限定，任何可以符合广告平台推广需求的检测方式都可以应用于本实施例中。例如，可以检测将不包含配图的广告作为待配图广告，可以检测将历史点击率低于点击率阈值的广告作为待配图广告等。
本实施例中，可以从待配图广告的广告文本中提取文本关键词，可以提取待配图广告所属广告主的拍卖词，还可以对待配图广告的图片进行字符识别提取图片关键词等，从而将文本关键词、拍卖词以及图片关键词中的至少一项，作为待配图广告的目标关键词。
S420、根据异构图和目标关键词，确定目标关键词节点向量表示。
在本申请具体实施例中，可以将目标关键词与异构图中的关键词节点进行匹配，将相匹配的关键词节点的节点向量表示，确定为目标关键词节点向量表示。
S430、根据目标关键词节点向量表示进行图片检索，得到待配图广告的目标广告配图。
在本申请具体实施例中，针对每一个目标关键词，都可以根据目标关键词节点向量表示，遍历所有图片节点向量表示中进行检索，基于向量表示的匹配，计算得到距离最短即最相似的至少一个图片。其中，不同目标关键词可能检索出多个图片，进而可以根据待配图广告下不同目标关键词的多个图片进行投票，选择几乎与所有目标关键词均具有相似性关系的图片作为目标广告配图，结合到待配图广告中展示给用户。
可选的，基于近似最近邻算法，根据目标关键词节点向量表示进行图片索引检索。
本实施例中，可以采用近似最近邻算法(Approximate Nearest Neighbor，ANN)，寻找近似最近邻向量。具体的，可以采用ANN算法下的经典算法乘积量化算法(ProductQuantization，PQ)系列，通过k-means聚类，每类下子空间的划分，为图片节点建立索引。从而基于图片节点索引进行ANN检索，通过空间的定位，无需遍历所有图片，大大提高了图片的检索效率。
本实施例的技术方案，通过确定待配图广告的目标关键词的节点向量表示，基于目标关键词节点向量表示进行图片节点的检索，以检索出与目标关键词在内容和/或结构上具有相似性关系的图片作为目标广告配图。直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
第四实施例
图5是根据本申请第四实施例的一种广告配图装置的结构示意图，本实施例可适用于根据广告内容中的关键词为广告提供配图的情况，以丰富广告的呈现内容，有利于提升广告的变现效率。该装置可实现本申请任意实施例所述的广告配图方法。该装置500具体包括如下：
样本节点对确定模块510，用于根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；
节点表示确定模块520，用于根据所述样本节点对，确定所述异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；
图片检索模块530，用于根据所述异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图。
进一步的，所述装置500还包括异构图建立模块540，具体用于：
在所述根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对之前，根据广告日志中的关键词和图片，构建所述异构图。
可选的，所述异构图建立模块540具体用于：
从所述广告日志中提取关键词和图片，确定所述异构图中的关键词节点和图片节点；
根据所述关键词和所述图片的广告出处，确定所述异构图中关键词节点和图片节点之间的边；
根据所述关键词和所述图片所属的同一广告的展现次数和点击次数，确定所述异构图中边的权重。
可选的，所述样本节点对确定模块510具体用于：
基于Node2vec算法，根据所述异构图中边的权重进行随机游走，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列；
根据所述节点序列确定样本节点对。
可选的，所述样本节点对确定模块510具体用于：
根据所述异构图中边的权重进行广度优先搜索，得到具有内容相似性的内容相似性节点；
根据所述异构图中边的权重进行深度优先搜索，得到具有结构相似性的结构相似性节点；
根据所述内容相似性节点和所述结构相似性节点，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列。
可选的，所述样本节点对确定模块510具体用于：
采用滑动窗口遍历所述节点序列，得到包含关键词与图片之间内容相似性信息和结构相似性信息的正样本节点对；
根据所述正样本节点对，从所述异构图中抽取负样本节点对。
可选的，所述节点表示确定模块520具体用于：
基于skip-gram算法，根据所述样本节点对得到所述异构图中的节点向量表示。
可选的，所述图片检索模块530具体用于：
根据待配图广告，确定所述待配图广告的目标关键词；
根据所述异构图和所述目标关键词，确定目标关键词节点向量表示；
基于近似最近邻算法，根据所述目标关键词节点向量表示进行图片索引检索，得到所述待配图广告的目标广告配图。
本实施例的技术方案，通过各个功能模块之间的相互配合，实现了关键词节点的确定、图片节点的确定、异构图的建立、节点序列的生成、样本节点对的生成、节点向量表示的学习、图片索引的建立以及图片的检索等功能。本申请实施例通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
第五实施例
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的广告配图方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置，诸如，耦合至接口的显示设备，其上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作，例如，作为服务器阵列、一组刀片式服务器、或者多处理器***。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的广告配图方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的广告配图方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的广告配图方法对应的程序指令/模块，例如，附图5所示的样本节点对确定模块510、节点表示确定模块520、图片检索模块530和异构图建立模块540。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的广告配图方法。
存储器602可以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***、至少一个功能所需要的应用程序；存储数据区可存储根据广告配图方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至广告配图方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
广告配图方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与广告配图方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置和触觉反馈装置等，其中，辅助照明装置例如发光二极管(LightEmitting Diode，LED)；触觉反馈装置例如，振动电机等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、LED显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路(Application Specific Integrated Circuit，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序，也称作程序、软件、软件应用、或者代码，包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置，例如，磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置，例如，阴极射线管(Cathode Ray Tube，CRT)或者LCD监视器；以及键盘和指向装置，例如，鼠标或者轨迹球，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈，例如，视觉反馈、听觉反馈、或者触觉反馈；并且可以用任何形式，包括声输入、语音输入或者、触觉输入，来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***，例如，数据服务器，或者实施在包括中间件部件的计算***，例如，应用服务器、或者实施在包括前端部件的计算***，例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互，或者实施在包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信，例如，通信网络，来将***的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过异构图挖掘关键词与图片的内容相似性和结构相似性，直接实现广告到配图的异构触发，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
另外，利用广告日志挖掘广告关键词和广告图片，构建由关键词与图片组成的异构图，为关键词与图片之间在内容及结构上的相似性关系的挖掘提供依据。
另外，通过节点确定、节点之间边的构成以及边权重的计算，构建带权无向的异构图，为关键词与图片之间在内容及结构上的相似性关系的挖掘提供依据，异构图的良好构建是节点之间相似性关系挖掘的基础。
另外，通过对异构图的随机游走，得到了融合内容相似性信息和结构相似性信息的节点序列，进而将相似性进行传达，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，为后续节点向量表示的学习提供良好的基础。
另外，通过对异构图进行广度优先搜索和深度优先搜索，得到了融合内容相似性信息和结构相似性信息的节点序列，节点序列中不区分节点类型，相邻节点之间可能是内容上的相似，也可能是结构上的相似，充分挖掘节点之间的相似性关系。
另外，通过滑动窗口遍历节点序列，取窗口内的节点构成正样本节点对，将相似性延续到正样本节点对上，即正样本节点对中的节点既可能是内容相似也可能是结构相似。并从异构图中抽取正样本节点对相对立的负样本节点对，即负样本节点对中的节点之间不存在任何内容或结构的相似。因此为节点向量表示的学习提供了充分的依据。
另外，根据样本节点对进行节点向量表示的学习，可以学习得到融合了节点之间相似性关系的节点向量表示。
另外，基于节点向量表示中涵盖的节点之间的相似性关系，根据待配图广告的目标关键词节点向量表示，能够从众多图片中检索得到与目标关键词在内容和结构上均相似的目标广告配图。其中采用近似最近邻算法为图片节点建立索引，可以大大提高基于图片索引进行图片检索的效率。因此通过节点向量表示检索图片的方式，摆脱对图片描述文本的依赖，避免语义的多样性导致配图不准确的缺陷，提升了图片召回的准确率和广告配图质量。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (8)
1.一种广告配图方法，其特征在于，包括：
根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；
根据所述样本节点对，确定所述异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；
根据所述异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图；
其中，所述根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对，包括：
基于Node2vec算法，根据所述异构图中边的权重进行广度优先搜索，得到具有内容相似性的内容相似性节点；根据所述异构图中边的权重进行深度优先搜索，得到具有结构相似性的结构相似性节点；
根据所述内容相似性节点和所述结构相似性节点，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列；
采用滑动窗口遍历所述节点序列，得到包含关键词与图片之间内容相似性信息和结构相似性信息的正样本节点对；
根据所述正样本节点对，从所述异构图中抽取负样本节点对。
2.根据权利要求1所述的方法，其特征在于，在所述根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对之前，还包括：
根据广告日志中的关键词和图片，构建所述异构图。
3.根据权利要求2所述的方法，其特征在于，所述根据广告日志中的关键词和图片，构建所述异构图，包括：
从所述广告日志中提取关键词和图片，确定所述异构图中的关键词节点和图片节点；
根据所述关键词和所述图片的广告出处，确定所述异构图中关键词节点和图片节点之间的边；
根据所述关键词和所述图片所属的同一广告的展现次数和点击次数，确定所述异构图中边的权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述样本节点对，确定所述异构图中的节点向量表示，包括：
基于skip-gram算法，根据所述样本节点对得到所述异构图中的节点向量表示。
5.根据权利要求1所述的方法，其特征在于，所述根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图，包括：
根据待配图广告，确定所述待配图广告的目标关键词；
根据所述异构图和所述目标关键词，确定目标关键词节点向量表示；
基于近似最近邻算法，根据所述目标关键词节点向量表示进行图片索引检索，得到所述待配图广告的目标广告配图。
6.一种广告配图装置，其特征在于，包括：
样本节点对确定模块，用于根据异构图中关键词节点和图片节点进行搜索，得到包括关键词与图片之间内容相似性信息和结构相似性信息的样本节点对；
节点表示确定模块，用于根据所述样本节点对，确定所述异构图中的节点向量表示，以得到关键词节点向量表示和图片节点向量表示；
图片检索模块，用于根据所述异构图中的节点向量表示，确定节点之间的相似性关系，用于根据待配图广告的目标关键词节点向量表示，检索得到所述待配图广告的目标广告配图；
所述样本节点对确定模块，具体用于：
基于Node2vec算法，根据所述异构图中边的权重进行广度优先搜索，得到具有内容相似性的内容相似性节点；根据所述异构图中边的权重进行深度优先搜索，得到具有结构相似性的结构相似性节点；
根据所述内容相似性节点和所述结构相似性节点，生成包含关键词与图片之间内容相似性信息和结构相似性信息的节点序列；
采用滑动窗口遍历所述节点序列，得到包含关键词与图片之间内容相似性信息和结构相似性信息的正样本节点对；
根据所述正样本节点对，从所述异构图中抽取负样本节点对。
7. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的广告配图方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的广告配图方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010041786.7A CN113127669B (zh) | 2020-01-15 | 2020-01-15 | 广告配图方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010041786.7A CN113127669B (zh) | 2020-01-15 | 2020-01-15 | 广告配图方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113127669A CN113127669A (zh) | 2021-07-16 |
| CN113127669B true CN113127669B (zh) | 2023-10-10 |
Family
ID=76771363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010041786.7A Active CN113127669B (zh) | 2020-01-15 | 2020-01-15 | 广告配图方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113127669B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114329016B (zh) * | 2022-01-04 | 2023-04-25 | 北京百度网讯科技有限公司 | 图片标签生成方法和文字配图方法 |
| CN114528589B (zh) * | 2022-01-26 | 2022-11-08 | 广东南方新视界传媒科技有限公司 | 基于区块链的户外媒体生态管理***与方法 |
| CN115438215B (zh) * | 2022-11-08 | 2023-04-18 | 苏州浪潮智能科技有限公司 | 图文双向搜索及匹配模型训练方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101321190A (zh) * | 2008-07-04 | 2008-12-10 | 清华大学 | 一种异构网络中的推荐方法及推荐*** |
| US7716229B1 (en) * | 2006-03-31 | 2010-05-11 | Microsoft Corporation | Generating misspells from query log context usage |
| CN102129431A (zh) * | 2010-01-13 | 2011-07-20 | 阿里巴巴集团控股有限公司 | 应用于网上交易平台的检索方法和*** |
| CN105654345A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于贝叶斯网络的广告点击率预测方法及装置 |
| CN106709747A (zh) * | 2015-11-17 | 2017-05-24 | 北京奇虎科技有限公司 | 广告召回的方法及装置 |
| KR20170089142A (ko) * | 2016-01-26 | 2017-08-03 | 경북대학교 산학협력단 | 트리플 데이터의 생성 방법 및 시스템 |
| CN107491518A (zh) * | 2017-08-15 | 2017-12-19 | 北京百度网讯科技有限公司 | 一种搜索召回方法和装置、服务器、存储介质 |
| WO2018122238A1 (en) * | 2016-12-30 | 2018-07-05 | Robert Bosch Gmbh | Method and system for fuzzy keyword search over encrypted data |
| CN108415961A (zh) * | 2018-02-06 | 2018-08-17 | 厦门集微科技有限公司 | 一种广告图片推荐方法及装置 |
| CN110032606A (zh) * | 2019-03-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种样本聚类方法及装置 |
| CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 点击概率预测、页面内容推荐方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9256670B2 (en) * | 2013-10-10 | 2016-02-09 | International Business Machines Corporation | Visualizing conflicts in online messages |
| US10146875B2 (en) * | 2014-12-19 | 2018-12-04 | International Business Machines Corporation | Information propagation via weighted semantic and social graphs |
-
2020
- 2020-01-15 CN CN202010041786.7A patent/CN113127669B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7716229B1 (en) * | 2006-03-31 | 2010-05-11 | Microsoft Corporation | Generating misspells from query log context usage |
| CN101321190A (zh) * | 2008-07-04 | 2008-12-10 | 清华大学 | 一种异构网络中的推荐方法及推荐*** |
| CN102129431A (zh) * | 2010-01-13 | 2011-07-20 | 阿里巴巴集团控股有限公司 | 应用于网上交易平台的检索方法和*** |
| CN106709747A (zh) * | 2015-11-17 | 2017-05-24 | 北京奇虎科技有限公司 | 广告召回的方法及装置 |
| CN105654345A (zh) * | 2015-12-30 | 2016-06-08 | 上海珍岛信息技术有限公司 | 一种基于贝叶斯网络的广告点击率预测方法及装置 |
| KR20170089142A (ko) * | 2016-01-26 | 2017-08-03 | 경북대학교 산학협력단 | 트리플 데이터의 생성 방법 및 시스템 |
| WO2018122238A1 (en) * | 2016-12-30 | 2018-07-05 | Robert Bosch Gmbh | Method and system for fuzzy keyword search over encrypted data |
| CN107491518A (zh) * | 2017-08-15 | 2017-12-19 | 北京百度网讯科技有限公司 | 一种搜索召回方法和装置、服务器、存储介质 |
| CN108415961A (zh) * | 2018-02-06 | 2018-08-17 | 厦门集微科技有限公司 | 一种广告图片推荐方法及装置 |
| CN110032606A (zh) * | 2019-03-29 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种样本聚类方法及装置 |
| CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 点击概率预测、页面内容推荐方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113127669A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113127669B (zh) | 广告配图方法、装置、设备和存储介质 | |
| US11514063B2 (en) | Method and apparatus of recommending information based on fused relationship network, and device and medium | |
| CN111522967B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| CN111967262A (zh) | 实体标签的确定方法和装置 | |
| CN111522994A (zh) | 用于生成信息的方法和装置 | |
| CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
| KR20210038467A (ko) | 이벤트 테마 생성 방법, 장치, 기기 및 저장 매체 | |
| CN112650907A (zh) | 搜索词的推荐方法、目标模型的训练方法、装置及设备 | |
| CN111949814A (zh) | 搜索方法、装置、电子设备和存储介质 | |
| KR20150048751A (ko) | 피처 기반 후보 선택 | |
| CN112380847B (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
| CN112541362B (zh) | 一种泛化处理的方法、装置、设备和计算机存储介质 | |
| CN111984825A (zh) | 用于搜索视频的方法和装置 | |
| CN111523007A (zh) | 用户感兴趣信息确定方法、装置、设备以及存储介质 | |
| KR20220014865A (ko) | 비디오 이벤트 인식 방법, 장치, 전자 기기 및 기록 매체 | |
| CN110532404B (zh) | 一种源多媒体确定方法、装置、设备及存储介质 | |
| CN111737966A (zh) | 文档重复度检测方法、装置、设备和可读存储介质 | |
| CN111241242A (zh) | 目标内容的确定方法、装置、设备及计算机可读存储介质 | |
| CN113111216B (zh) | 广告推荐方法、装置、设备和存储介质 | |
| CN111125445A (zh) | 社区主题生成方法、装置、电子设备及存储介质 | |
| CN114491232B (zh) | 信息查询方法、装置、电子设备和存储介质 | |
| CN112101012B (zh) | 互动领域确定方法、装置、电子设备及存储介质 | |
| CN111523036B (zh) | 一种搜索行为挖掘方法、装置和电子设备 | |
| CN112052402B (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN111125362B (zh) | 一种异常文本确定方法、装置、电子设备和介质 |
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 |