CN113988949A - 一种推广信息处理方法、装置、设备及介质、程序产品 - Google Patents
一种推广信息处理方法、装置、设备及介质、程序产品 Download PDFInfo
- Publication number
- CN113988949A CN113988949A CN202111348147.6A CN202111348147A CN113988949A CN 113988949 A CN113988949 A CN 113988949A CN 202111348147 A CN202111348147 A CN 202111348147A CN 113988949 A CN113988949 A CN 113988949A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature vector
- sample
- information
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 273
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims description 88
- 230000001737 promoting effect Effects 0.000 claims description 33
- 239000000463 material Substances 0.000 claims description 26
- 238000012986 modification Methods 0.000 claims description 24
- 230000004048 modification Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012015 optical character recognition Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/41—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/45—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种推广信息处理方法、装置、设备及介质、程序产品。该方法包括：获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。该方法能够节约计算资源，提高构建模型的效率。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种推广信息处理方法、装置、设备以及计算机可读存储介质、计算机程序产品。
背景技术
商户通常会发布携带有目标对象(例如被推广的数码产品、旅游景点、文艺作品等)的推广信息(例如广告)，提高用户对目标对象的关注度，并引导用户对目标对象进行消费。随着人工智能技术的发展，可以通过构建多种不同类型的推广信息识别模型，从多个角度(例如视觉效果的角度和听觉效果的角度)，对推广信息进行识别，进而得到多个角度的修改建议。如此，基于多个角度的修改建议对推广信息进行修改，能够得到视觉效果和听觉效果均较为友好的推广信息，进而达到较好的推广效果。
目前，构建推广信息识别模型的过程中，需要先从数据库中获取样本推广信息的标识，如统一资源定位符(uniformresource locator，URL)，通过该标识获取样本推广信息，然后再对样本推广信息进行向量化处理，得到特征向量(例如文本向量、图像向量)，接着基于该特征向量进行模型训练，得到推广信息识别模型。
然而，当需要构建多种不同类型的推广信息识别模型时，需要重复上述对样本推广信息进行向量化处理的过程，以得到用于模型训练的特征向量。因此，上述重复对样本推广信息向量化处理的方法，不仅导致计算资源浪费，而且降低构建模型的效率。
发明内容
本公开的目的在于：提供一种推广信息处理方法、装置、设备以及计算机可读存储介质、计算机程序产品，能够节约计算资源，提高构建模型的效率。
第一方面，本公开提供了一种推广信息处理方法，包括：
获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
第二方面，本公开提供了一种推广信息处理装置，包括：
向量单元，用于获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
获取单元，用于从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
构建单元，用于利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面中任一项所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面中任一项所述方法的步骤。
第五方面，本公开提供了一种包含指令的计算机程序产品，当其在设备上运行时，使得设备执行上述第一方面中的任一种实现方式所述的方法。
由上述技术方案可知，本公开具有如下优点：
该方法基于特征库中对样本推广信息进行向量化处理所得的特征向量，获取多个特征向量组合，例如第一特征向量组合和第二特征向量组合，该第一特征向量组合和第二特征向量组合存在重叠。在利用第一特征向量组合构建第一推广信息识别模型以及利用第二特征向量组合构建第二推广信息识别模型的过程中，对于第一特征向量组合与第二特征向量组合中重叠的特征向量而言，该重叠的特征向量基于对样本推广信息进行一次向量化处理得到，无需再次对样本推广信息进行向量化处理。如此，该方法不仅节约计算资源，而且提高了构建模型的效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本公开实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍。
图1为本公开实施例提供的一种推广信息处理的方法流程图；
图2为本公开实施例提供的一种特征分类的示意图；
图3为本公开实施例提供的一种样本推广信息向量化过程的示意图；
图4为本公开实施例提供的一种推广信息处理的装置示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
本公开实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
首先对本公开实施例中所涉及到的一些技术术语进行介绍。
推广信息是指用于对目标对象进行推广或宣传的信息。例如推广信息可以是广告。通过发布广告，可以提高用户对广告中的目标对象的关注度。在一些示例中，可以通过广告，呼吁用户节约水资源；也可以通过广告，引导用户对广告中的数码产品等进行消费。为了使推广信息达到较好的推广效果，基于人工智能技术，构建了多种不同类型的推广信息识别模型，进而从多个角度对推广信息进行识别，得到多个角度的修改建议。
样本推广信息为视频类的广告时，直接存储该样本推广信息，需要较大的存储空间。为了降低样本推广信息占用的存储空间，通常会采用在数据库中仅存储样本推广信息的URL，在需要使用样本推广信息(例如基于样本推广信息，构建推广信息识别模型)时，先根据该URL获取样本推广信息。在构建多种不同类型的推广信息识别模型时，还需要对相同的样本推广信息重复地进行多次向量化处理。
以构建第一推广信息识别模型和第二推广信息识别模型为例，在构建第一推广信息识别模型过程中，需要先获取样本推广信息，然后对该样本推广信息进行向量化处理，得到样本推广信息的特征向量，再基于该特征向量，构建第一推广信息识别模型。由于在构建第一推广信息识别模型的过程中，未存储对样本推广信息进行向量化处理后得到的特征向量，进而导致在后续构建第二推广信息识别模型的过程中，还需要再次对样本推广信息进行向量化处理。对相同的样本推广信息重复地进行向量化处理，不仅导致计算资源浪费，而且降低了构建模型的效率。
有鉴于此，本公开实施例提供了一种推广信息处理方法。具体地，该方法包括获取特征库，该特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量，接着从该特征库中获取第一特征向量组合和第二特征向量组合，该第一特征向量组合和第二特征向量组合存在重叠，然后利用该第一特征向量组合构建第一推广信息识别模型，利用第二特征向量组合构建第二推广信息识别模型。
该方法中，在利用第一特征向量组合构建第一推广信息识别模型以及利用第二特征向量组合构建第二推广信息识别模型的过程中，对于第一特征向量组合与第二特征向量组合中重叠的特征向量而言，该重叠的特征向量基于对样本推广信息进行一次向量化处理得到，并且该重叠的特征向量用于构建了多种推广信息识别模型。可见，在构建多种模型过程中，该方法通过直接从特征库中获取特征向量的方式，无需再次对样本推广信息进行向量化处理，不仅节约计算资源，而且提高了构建模型的效率。
进一步，该方法在将特征向量存储到特征库中的过程中，还可以计算特征库中已存储的特征向量与该待存储的特征向量之间的相似度，当相似度低于预设阈值时，将该待存储的特征向量存储到特征库中。如此，该方法还能够减少特征库中相似度较高的特征向量，进一步节约了存储特征向量需要的存储空间。
在一些可能的实现方式中，上述推广信息处理方法可以由处理设备执行。其中，处理设备可以是具有数据处理功能的设备。处理设备可以是终端、也可以是服务器。终端包括但不限于智能手机、平板电脑、笔记本电脑、个人数字助理(personal digital assistant，PDA)或者智能穿戴设备等。服务器可以是云服务器，例如是中心云计算集群中的中心服务器，或者是边缘云计算集群中的边缘服务器。当然，服务器也可以是本地数据中心中的服务器。本地数据中心是指用户直接控制的数据中心。
为了使得本公开的技术方案更加清楚、易于理解，下面以处理设备的角度，对本公开实施例提供的推广信息处理方法进行介绍。
如图1所示，该图为本公开实施例提供的一种推广信息处理方法的流程图，该方法可以由处理设备执行。具体地，该方法包括：
S101：处理设备获取特征库。
特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量，在该特征库中存储有至少一个样本推广信息的特征向量。
在一些实施例中，处理设备可以预先构建该特征库。处理设备可以从多个维度对样本推广信息进行向量化处理，进而得到与该多个维度分别对应的特征向量。其中，多个维度可以包括音频、视频、图片和文字中的任意组合。例如，处理设备可以从图片维度和文字维度，对样本推广信息进行向量化处理，进而得到图片维度对应的特征向量和文字维度对应的特征向量，接着将图片维度对应的特征向量和文字维度对应的特征向量存储到特征库中，进而实现对特征库的构建。本公开实施例提供了一种对样本推广信息进行向量化的方式，后续详细介绍。
需要说明的是，以上仅仅是以对一个样本推广信息进行向量化处理的方式为例进行介绍，在实际应该过程中，处理设备采用上述对一个样本推广信息进行向量化处理的方式，对至少一个样本推广信息中的每一个样本推广信息均进行向量化处理，得到每个样本推广信息的特征向量，进而使特征库中的特征向量更加丰富。
在另一些实施例中，处理设备也可以直接获取预先构建完成的特征库，在该特征库中包括对至少一个样本推广信息进行向量化处理后得到的特征向量。其中，预先构建特征库的方式，可以参加上述内容介绍，此处不再赘述。
在一些可能的实现方式中，样本推广信息可以是样本广告。基于此，处理设备可以基于样本广告，对特征库中存储的特征向量表示的特征进行分类。例如，特征库中存储的特征向量可以包括样本推广信息的投放者特征、样本推广信息的素材内容特征、样本推广信息的素材备注特征、样本推广信息的修改建议特征和样本推广信息的版本维护特征中的至少一种。
如图2所示，该图示出了一种特征分类的示意图。以样本推广信息为样本广告为例，该样本广告可以分为广告的投放者特征、广告的计划或创意特征、广告的素材特征、广告的素材备注特征、广告的修改建议特征和广告的版本维护特征等。其中，广告的计划或创意特征以及广告的素材特征可以统称为广告的素材内容特征。
进一步，处理设备还可以对广告的投放者特征进行细分为投放者类别、投放者头像和投放者来源；需要说明的是，这些信息都需要提前获取用户的授权，在获取到用户对相应数据的授权使用后，处理设备才能获取到投放者特征等数据。
对广告的素材内容特征细分为文案、图片、视频、落地页、所属行业、创意数量、文案数量、图片数量和视频数量；对广告的素材备注特征细分为资质授权信息、有效期、商标和logo；对广告的版本维护特征细分为修改次数和提交次数。
需要说明的是，以上图2所示的特征分类的示意图，仅仅是一种可能的分类方式，本领域技术人员可以根据实际需要，选择其他的方式进行分类，本公开实施例对此不进行限定。
在一些实施例中，处理设备还可以更新样本推广信息，接着再将更新后的样本推广信息进行向量化处理得到的特征向量，存储到特征库中。例如处理设备可以更新样本广告，接着将更新后的样本广告进行向量化处理得到的特征向量，存储到特征库中。
在一些可能的实现方式中，处理设备可以获取对样本广告的更新请求，该更新请求携带有样本广告的更新后信息，接着处理设备根据该更新请求中携带的更新后信息，更新样本广告。其中，样本广告的更新后信息可以是上述投放者头像、投放者类别、文案、图片等等。在一些示例中，当需要更新投放者头像时，可以将新的投放者头像携带在更新请求中，进而处理设备可以基于该新的投放者头像，对原样本广告进行更新。
接着，处理设备将更新后的投放者头像进行向量化处理得到的特征向量存储到特征库中，并为该更新后的投放者头像的特征向量添加版本标识(例如版本号)。在一些示例中，处理设备可以通过为更新前的投放者头像的特征向量和更新后的投放者头像的特征向量分配版本标识的方式，同时存储更新前的投放者头像的特征向量和更新后的投放者头像的特征向量。例如，更新前的投放者头像的特征向量的版本标识为“V1.1”，更新后的投放者头像的特征向量的版本标识为“V1.2”。
需要说明的是，上述版本标识仅仅举例说明，本公开实施例不具体限定版本标识的形式。
在另一些实施例中，处理设备还可以对投放者特征中投放者类别、投放者头像和投放者来源等进行更新，也可以对素材内容特征细中文案、图片、视频、落地页、所属行业、创意数量、文案数量、图片数量和视频数量等进行更新，也可以对广告的素材备注特征中资质授权信息、有效期、商标和logo等进行更新，也可以对广告的版本维护特征中修改次数和提交次数等进行更新。
在一些可能的实现方式中，处理设备可以基于对样本广告进行更新的频繁程度，将上述样本广告的特征分为长期特征和短期特征。其中，长期特征为更新的频繁程度低于预设程度的特征，短期特征为更新的频繁程度高于或等于预设程度的特征。更新的频繁程度可以通过预设时间内更新次数表征，例如频繁程度可以是一周内更新3次。举例说明，预设程度可以是一个月内更新一次，长期特征为一个月内更新次数低于一次的特征，短期特征为一个月内更新次数高于或等于一次的特征。
在实际场景中，处理设备对广告的投放者特征和广告的修改建议特征进行更新的频繁程度较低，例如均低于上述预设程度；处理设备对广告的素材特征、广告的计划或创意特征、广告的素材备注特征和广告的版本维护特征进行更新的频繁程度较高，例如均高于或等于上述预设程度。基于此，长期特征可以包括广告的投放者特征和广告的修改建议特征，短期特征可以包括广告的素材特征、广告的计划或创意特征、广告的素材备注特征和广告的版本维护特征。
S102：处理设备从特征库中获取第一特征向量组合和第二特征向量组合，第一特征向量组合和第二特征向量组合存在重叠。
第一特征向量组合包括多个特征向量，如特征向量1、特征向量2和特征向量3；第二特征向量组合包括多个特征向量，如特征向量2、特征向量3和特征向量4。在一些示例中，第一特征向量组合和第二特征向量组合存在重叠是指第一特征向量组合和第二特征向量组合中均包括上述特征向量2和上述特征向量3。
需要说明的是，本公开实施例不具体限定重叠的特征向量的个数，上述示例中仅仅是以重叠的特征向量个数为2个为例进行介绍。当然，在实际场景中，重叠的特征向量的个数也可以是1个，还可以是更多个，例如4个或者5个。
对于上述重叠的特征向量(例如特征向量2和特征向量3)而言，处理设备无需再次对样本推广信息进行向量化处理，而是直接从特征库中获取该重叠的特征向量。如此，该方法降低了处理设备对样本推广信息进行向量化处理的次数，节约了计算资源。
在一些可能的实现方式中，处理设备可以基于特征向量的特征标识(例如特征编号、特征序号等)，从特征库中获取该特征标识对应的特征向量。延续上例，处理设备可以基于特征向量1的特征标识、特征向量2的特征标识和特征向量3的特征标识，从特征库中分别获取特征向量1、特征向量2和特征向量3，进而得到第一特征向量组合。同理，处理设备可以基于特征向量2的特征标识、特征向量3的特征标识和特征向量4的特征标识，从特征库中分别获取特征向量2、特征向量3和特征向量4，进而得到第二特征向量组合。
在另一些可能的实现方式中，在特征库中，一个特征标识可以对应于多个不同版本的特征向量。基于此，处理设备还可以基于特征向量的特征标识以及特征向量的版本标识，确定该特征标识对应的多个不同版本的特征向量，再基于版本标识，得到该版本标识对应的特征向量。参见如下表1：
表1：
其中，特征标识“001”对应于“特征向量1-1”、“特征向量1-2”和“特征向量1-3”，其版本标识分别为“V1.1”、“V1.2”和“V1.3”。特征标识“002”对应于“特性向量2-1”和“特性向量2-2”，其版本标识分别为“V1.1”和“V1.2”。在一些示例中，当特征标识为“001”以及版本标识为“V1.2”时，处理设备可以基于上述表1中所记载的对应关系，从特征库中获取“特征向量1-2”。
S103：处理设备利用第一特征向量组合构建第一推广信息识别模型，利用第二特征向量组合构建第二推广信息识别模型。
接着处理设备利用从特征库中获取的第一特征向量组合构建第一推广信息识别模型，利用第二特征向量组合构建第二推广信息识别模型。其中，第一推广信息识别模型和第二推广信息识别模型用于从不同的角度对待识别的推广信息进行识别，进而得到针对不同角度的识别结果。
在一些实施例中，当构建第一推广信息识别模型和第二推广信息识别模型后，处理设备还可以利用第一推广信息识别模型和第二推广信息识别模型识别推广信息。具体地，处理设备可以获取待识别的推广信息，将该待识别的推广信息输入至第一推广信息识别模型，得到第一识别结果，将该待识别的推广信息输入至第二推广信息识别模型得到第二识别结果。该第一识别结果和第二识别结果包括对上述待识别的推广信息不同的修改建议。例如，第一识别结果包括对上述待识别的推广信息的第一修改建议，第二识别结果包括对上述待识别的推广信息的第二修改建议，第一修改建议与第二修改建议不同。
在一些示例中，待识别的推广信息可以是未发布的推广信息。如此，可以基于上述第一识别结果和第二识别结果，从多个角度对该未发布的推广信息进行修改，进而提高该未发布的推广信息在发布后的推广效果。
在另一些示例中，待识别的推广信息也可以是已发布的推广信息。如此，可以基于上述第一识别结果和第二识别结果，从多个角度判断该已发布的推广信息是否符合要求。当第一识别结果或第二识别结果指示该已发布的推广信息不合符要求时，以第一识别结果不符合要求为例，第一识别结果包括的修改建议可以是“该推广信息中包含‘XX’等词语，可能与赌博相关，建议下架处理”，接着可以根据该修改建议，对该已发布的推广信息进行下架处理，进而减少劣质推广信息的数量。
基于上述内容描述，本公开实施例提供了一种推广信息处理方法。该方法先基于对样本推广信息进行向量化处理所得的特征向量，获取特征库，接着从该特征库中获取多个特征向量组合，例如第一特征向量组合和第二特征向量组合，该第一特征向量组合和第二特征向量组合存在重叠。在利用第一特征向量组合构建第一推广信息识别模型以及利用第二特征向量组合构建第二推广信息识别模型的过程中，对于第一特征向量组合与第二特征向量组合中重叠的特征向量而言，该重叠的特征向量基于对样本推广信息进行一次向量化处理得到，并且该重叠的特征向量用于构建了多种推广信息识别模型。可见，在构建多种模型过程中，该方法通过直接从特征库中获取特征向量的方式，无需再次对样本推广信息进行向量化处理，不仅节约计算资源，而且提高了构建模型的效率。
本公开实施例提供了一种对样本推广信息进行向量化处理的方式，下面详细介绍。
如图3所示，该图示出了一种对样本推广信息进行向量化的示意图。以样本推广信息为广告为例，样本推广信息可以包括图片素材、视频素材、落地页素材等。其中，图片素材进一步包括图片、图片光学字符识别(optical character recognition，OCR)文本；视频素材进一步包括视频帧图片、视频帧OCR文本和视频自动语音识别(automaticspeechrecognition，ASR)文本；落地页素材进一步包括图片、视频帧、图片OCR文本、视频帧OCR文本、落地页文本、视频ASR文本。样本推广信息还可以包括离散特征以及文案，其中离散特征可以是样本推广信息所属行业等等，文案可以是样本推广信息的标题、素材标题等等。
对于不同形式的数据，处理设备可以采用不同的向量化方式。在一些实施例中，对于离散特征，处理设备可以采用独热编码One-Hot的方式进行向量化，得到离散特征向量。对于文案和视频ASR文本等短文本，处理设备可以采用transformer的方式进行向量化，得到文本特征向量，其中，短文本可以是字符少于预设字符数的文本。对于落地页文本等长文本，处理设备可以采用预训练语言模型XLNet的方式进行向量化，得到文本特征向量。对于图片OCR文本和视频帧OCR文本可以通过卷积和池化的方式进行向量化，得到文本特征向量。对于图片和视频帧图片，处理设备可以采用残差网络ResNet的方式进行向量化，得到图片特征向量。
接着，处理设备可以将上述离散特征向量、文本特征向量和图片特征向量存储到特征库(Feature Repository)中。在一些可能的实现方式中，处理设备还可以分别计算上述多个维度的特征向量中的目标特征向量与特征库中的历史特征向量之间的相似度，以目标特征向量为文本特征向量为例，处理设备可以计算文本特征向量与特征库中的历史特征向量之间的相似度，当该相似度低于预设阈值时，处理设备可以将该文本特征向量存储到特征库中；当该相似度高于或等于预设阈值时，处理设备无需将该文本特征向量存储到特征库中，从而起到对特征库中存储的特征向量进行去重的密度，进而节约了存储特征向量所需要的存储空间。
基于上述内容描述，本公开实施例提供的推广信息处理方法，该方法将向量化处理后所得到的特征向量存储到特征库的过程中，当待存储的特征向量与特征库中的历史特征向量的相似度较高时，则不再将该待存储的特征向量存储到特征库中，从而降低存储特征向量所需要的存储资源。如此，后续需要再进行构建模型时，仅需要直接从特征库中获取特征向量，无需再次针对样本退关信息进行向量化处理，不仅节约计算资源，而且提高了构建模型的效率。并且，将对样本推广信息进行向量化得到的特征向量存储到特征库中后，在其他场景需要使用该特征库中的特征向量时，可以直接从该特征库中获取特征向量并使用，扩展了特征库的应用范围。
图4是根据一示例性公开实施例示出的一种推广信息处理装置的示意图，如图4所示，所述推广信息处理装置包括：
向量单元401，用于获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
获取单元402，用于从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
构建单元403，用于利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
可选的，所述向量单元401具体用于从多个维度对所述至少一个样本推广信息中的每个样本推广信息进行向量化处理，得到与所述多个维度分别对应的特征向量；根据与所述多个维度分别对应的特征向量，构建特征库。
可选的，所述多个维度包括音频、视频、图片和文字中的任意组合。
可选的，特征向量包括所述样本推广信息的投放者特征、所述样本推广信息的素材内容特征、所述样本推广信息的素材备注特征、所述样本推广信息的修改建议特征和所述样本推广信息的版本维护特征中的至少一种。
可选的，所述向量单元401具体用于当所述多个维度分别对应的特征向量中的目标特征向量与特征库中的历史特征向量的相似度低于预设阈值时，将所述目标特征向量存储到所述特征库。
可选的，所述装置还包括：更新单元；所述更新单元用于更新所述至少一个样本推广信息；将更新后的至少一个样本推广信息中每一个样本推广信息进行向量化处理所得的特征向量，存储到所述特征库。
可选的，所述装置还包括：识别单元；所述识别单元，用于获取待识别的推广信息；将所述待识别的推广信息分别输入至所述第一推广信息识别模型和所述第二推广信息识别模型，获得第一识别结果和第二识别结果，所述第一识别结果和所述第二识别结果包括对所述待识别的推广信息不同的修改建议。
上述各模块的功能在上一实施例中的方法步骤中已详细阐述，在此不做赘述。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备500的结构示意图，该电子设备可以用于实现如图5所示的推广信息处理装置对应的功能。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种推广信息处理方法，包括：
获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述获取特征库，包括：
从多个维度对所述至少一个样本推广信息中的每个样本推广信息进行向量化处理，得到与所述多个维度分别对应的特征向量；
根据与所述多个维度分别对应的特征向量，构建特征库。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述多个维度包括音频、视频、图片和文字中的任意组合。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，特征向量包括所述样本推广信息的投放者特征、所述样本推广信息的素材内容特征、所述样本推广信息的素材备注特征、所述样本推广信息的修改建议特征和所述样本推广信息的版本维护特征中的至少一种。
根据本公开的一个或多个实施例，示例5提供了示例2的方法，所述根据与所述多个维度分别对应的特征向量，构建特征库，包括：
当所述多个维度分别对应的特征向量中的目标特征向量与特征库中的历史特征向量的相似度低于预设阈值时，将所述目标特征向量存储到所述特征库。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述方法还包括：
更新所述至少一个样本推广信息；
将更新后的至少一个样本推广信息中每一个样本推广信息进行向量化处理所得的特征向量，存储到所述特征库。
根据本公开的一个或多个实施例，示例7提供了示例1-6的方法，所述方法还包括：
获取待识别的推广信息；
将所述待识别的推广信息分别输入至所述第一推广信息识别模型和所述第二推广信息识别模型，获得第一识别结果和第二识别结果，所述第一识别结果和所述第二识别结果包括对所述待识别的推广信息不同的修改建议。
根据本公开的一个或多个实施例，示例8提供了一种推广信息处理装置，包括：
向量单元，用于获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
获取单元，用于从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
构建单元，用于利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述向量单元具体用于从多个维度对所述至少一个样本推广信息中的每个样本推广信息进行向量化处理，得到与所述多个维度分别对应的特征向量；根据与所述多个维度分别对应的特征向量，构建特征库。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述多个维度包括音频、视频、图片和文字中的任意组合。
根据本公开的一个或多个实施例，示例11提供了示例9的装置，特征向量包括所述样本推广信息的投放者特征、所述样本推广信息的素材内容特征、所述样本推广信息的素材备注特征、所述样本推广信息的修改建议特征和所述样本推广信息的版本维护特征中的至少一种。
根据本公开的一个或多个实施例，示例12提供了示例9的装置，所述向量单元具体用于当所述多个维度分别对应的特征向量中的目标特征向量与特征库中的历史特征向量的相似度低于预设阈值时，将所述目标特征向量存储到所述特征库。
根据本公开的一个或多个实施例，示例13提供了示例8的装置，所述装置还包括：更新单元；所述更新单元用于更新所述至少一个样本推广信息；将更新后的至少一个样本推广信息中每一个样本推广信息进行向量化处理所得的特征向量，存储到所述特征库。
根据本公开的一个或多个实施例，示例14提供了示例8-13的装置，所述装置还包括：识别单元；所述识别单元，用于获取待识别的推广信息；将所述待识别的推广信息分别输入至所述第一推广信息识别模型和所述第二推广信息识别模型，获得第一识别结果和第二识别结果，所述第一识别结果和所述第二识别结果包括对所述待识别的推广信息不同的修改建议。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (11)
1.一种推广信息处理方法，其特征在于，包括：
获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
2.根据权利要求1所述的方法，其特征在于，所述获取特征库，包括：
从多个维度对所述至少一个样本推广信息中的每个样本推广信息进行向量化处理，得到与所述多个维度分别对应的特征向量；
根据与所述多个维度分别对应的特征向量，构建特征库。
3.根据权利要求2所述的方法，其特征在于，所述多个维度包括音频、视频、图片和文字中的任意组合。
4.根据权利要求2所述的方法，其特征在于，特征向量包括所述样本推广信息的投放者特征、所述样本推广信息的素材内容特征、所述样本推广信息的素材备注特征、所述样本推广信息的修改建议特征和所述样本推广信息的版本维护特征中的至少一种。
5.根据权利要求2所述的方法，其特征在于，所述根据与所述多个维度分别对应的特征向量，构建特征库，包括：
当所述多个维度分别对应的特征向量中的目标特征向量与特征库中的历史特征向量的相似度低于预设阈值时，将所述目标特征向量存储到所述特征库。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
更新所述至少一个样本推广信息；
将更新后的至少一个样本推广信息中每一个样本推广信息进行向量化处理所得的特征向量，存储到所述特征库。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
获取待识别的推广信息；
将所述待识别的推广信息分别输入至所述第一推广信息识别模型和所述第二推广信息识别模型，获得第一识别结果和第二识别结果，所述第一识别结果和所述第二识别结果包括对所述待识别的推广信息不同的修改建议。
8.一种推广信息处理装置，其特征在于，包括：
向量单元，用于获取特征库，所述特征库中包括对至少一个样本推广信息进行向量化处理所得的特征向量；
获取单元，用于从所述特征库中获取第一特征向量组合和第二特征向量组合，所述第一特征向量组合和所述第二特征向量组合存在重叠；
构建单元，用于利用所述第一特征向量组合构建第一推广信息识别模型，利用所述第二特征向量组合构建第二推广信息识别模型。
9.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1至7中任一项所述方法的步骤。
11.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348147.6A CN113988949A (zh) | 2021-11-15 | 2021-11-15 | 一种推广信息处理方法、装置、设备及介质、程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348147.6A CN113988949A (zh) | 2021-11-15 | 2021-11-15 | 一种推广信息处理方法、装置、设备及介质、程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988949A true CN113988949A (zh) | 2022-01-28 |
Family
ID=79748545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111348147.6A Pending CN113988949A (zh) | 2021-11-15 | 2021-11-15 | 一种推广信息处理方法、装置、设备及介质、程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988949A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
| US20160063244A1 (en) * | 2013-04-08 | 2016-03-03 | Beijing Qihoo Technology Company Limited | Method and system for recognizing advertisement plug-ins |
| CN109598527A (zh) * | 2017-09-30 | 2019-04-09 | 北京国双科技有限公司 | 广告效果分析方法及装置 |
| CN110503160A (zh) * | 2019-08-28 | 2019-11-26 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| US20200097820A1 (en) * | 2017-05-16 | 2020-03-26 | Samsung Electronics Co., Ltd. | Method and apparatus for classifying class, to which sentence belongs, using deep neural network |
| CN111259148A (zh) * | 2020-01-19 | 2020-06-09 | 北京松果电子有限公司 | 信息处理方法、装置及存储介质 |
| WO2021017679A1 (zh) * | 2019-07-26 | 2021-02-04 | 苏宁易购集团股份有限公司 | 地址信息解析方法、装置、***及数据获取方法 |
| WO2021159640A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| WO2021169209A1 (zh) * | 2020-02-27 | 2021-09-02 | 平安科技（深圳）有限公司 | 一种基于语音及图像特征的异常行为识别方法、装置及设备 |
-
2021
- 2021-11-15 CN CN202111348147.6A patent/CN113988949A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160063244A1 (en) * | 2013-04-08 | 2016-03-03 | Beijing Qihoo Technology Company Limited | Method and system for recognizing advertisement plug-ins |
| CN105005593A (zh) * | 2015-06-30 | 2015-10-28 | 北京奇艺世纪科技有限公司 | 多用户共用设备的场景识别方法和装置 |
| US20200097820A1 (en) * | 2017-05-16 | 2020-03-26 | Samsung Electronics Co., Ltd. | Method and apparatus for classifying class, to which sentence belongs, using deep neural network |
| CN109598527A (zh) * | 2017-09-30 | 2019-04-09 | 北京国双科技有限公司 | 广告效果分析方法及装置 |
| WO2021017679A1 (zh) * | 2019-07-26 | 2021-02-04 | 苏宁易购集团股份有限公司 | 地址信息解析方法、装置、***及数据获取方法 |
| CN110503160A (zh) * | 2019-08-28 | 2019-11-26 | 北京达佳互联信息技术有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN111259148A (zh) * | 2020-01-19 | 2020-06-09 | 北京松果电子有限公司 | 信息处理方法、装置及存储介质 |
| WO2021159640A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| WO2021169209A1 (zh) * | 2020-02-27 | 2021-09-02 | 平安科技（深圳）有限公司 | 一种基于语音及图像特征的异常行为识别方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘旭: "基于深度学习的互联网广告点击率预估方法研究", 中国优秀硕士学位论文全文数据库经济与管理科学辑, no. 12, 15 December 2018 (2018-12-15), pages 157 - 103 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
| CN110633423B (zh) | 目标账号识别方法、装置、设备及存储介质 | |
| CN112905840A (zh) | 视频处理方法、装置、存储介质及设备 | |
| CN114445813A (zh) | 一种字符识别方法、装置、设备及介质 | |
| CN111897950A (zh) | 用于生成信息的方法和装置 | |
| CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
| CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
| CN109919220B (zh) | 用于生成视频的特征向量的方法和装置 | |
| CN110851032A (zh) | 用于目标设备的显示样式调整方法和装置 | |
| CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN115209215A (zh) | 视频处理方法、装置及设备 | |
| CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
| CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
| CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
| CN114625876A (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
| CN113051933B (zh) | 模型训练方法、文本语义相似度确定方法、装置和设备 | |
| CN113988949A (zh) | 一种推广信息处理方法、装置、设备及介质、程序产品 | |
| CN112395844B (zh) | 拼音生成方法、装置和电子设备 | |
| CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
| CN111027332B (zh) | 生成翻译模型的方法和装置 | |
| CN114429629A (zh) | 图像处理方法、装置、可读存储介质及电子设备 | |
| CN116628366A (zh) | 一种落地页的处理方法及装置 | |
| CN111897951A (zh) | 用于生成信息的方法和装置 | |
| CN116974684B (zh) | 地图页面布局方法、装置、电子设备与计算机可读介质 | |
| CN118115631B (zh) | 图像生成方法、装置、电子设备和计算机可读介质 |
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 |