CN114997921A - 广告文案推荐方法及其装置、设备、介质、产品 - Google Patents

Abstract

本申请公开一种广告文案推荐方法及其装置、设备、介质、产品，所述方法包括：获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。本申请能够快速精准地召回用于推荐的广告所需的卖点文案，方便用户参考而自行创作卖点文案。

Description

广告文案推荐方法及其装置、设备、介质、产品

技术领域

本申请涉及电商信息技术领域，尤其涉及一种广告文案推荐方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。

背景技术

广告投放过程包含三个核心组成部分：选品、定向和创意。其中选品部分是挑选合适的商品进行广告投放；定向主要是确定合适受众人群进行广告投放；创意决定了展示给受众人群何种广告内容。三者相辅相成，缺一不可，共同决定了广告投放的成功与否。文字是一种基础的信息传播方式，这致使广告文案成为广告创意中的主要一环。但在真实的实践场景下，会有以下问题：

1.针对不同的商品，需要耗费大量的人力和实践进行广告文案的创作，颇为不便。

2.创作人员写作水平的不同，会导致创作出的文案良莠不齐，进而影响整体的广告投放效果。

3.广告文案的核心是商品卖点，但现存的商品种类繁多，创作人员在对商品不熟悉的情况下，很容易出现对商品的卖点把握不准确的情况，进而影响广告文案的质量。

传统技术中，基于seq2seq模型生成广告文案的方法，该方法通过编码器对待投放广告商品的商品信息进行特征提取和编码，然后借助解码器对提取的商品特征进行广告文案的逐字生成。采用该方法生成的广告文案的通顺度、长度、内容质量难以保证。

发明内容

本申请的首要目的在于解决上述问题至少之一而提供一种广告文案推荐方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。

为满足本申请的各个目的，本申请采用如下技术方案：

适应本申请的目的之一而提供的一种广告文案推荐方法，包括如下步骤：

获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；

根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；

以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；

根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

进一步的实施例中，获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息的步骤之前，还包括如下步骤：

根据预设比例选取电商平台中各个商品类别对应的部分商品作为类别商品；

根据类别商品对应的关键词文本，匹配出电商平台的广告文案库和/或第三方平台的广告文案库中的卖点文案，所述关键词文本从相应的类别商品的商品信息中预先提取；

构建商品卖点库，用于存储所述卖点文案、关键词文本、商品类别之间的映射关系数据。

深化的实施例中，根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集的步骤中，包括如下步骤：

通过粗粒度第一通道召回商品卖点库中与所述目标商品的商品类别相对应的卖点文案；

通过粗粒度第二通道召回商品卖点库中与所述目标商品的文本信息相匹配的关键词文本所对应的卖点文案；

通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案。

进一步的实施例中，计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤中，包括如下步骤：

通过预设的分词算法预处理所述目标商品的文本信息，获得相应的分词文本；

通过词向量算法对所述分词文本和商品卖点库中的关键词文本进行向量编码，获得相应的目标编码向量和关键编码向量；

调用预设的相似度函数计算所述目标编码向量和关键编码向量之间的向量相似度；

确定满足预设条件的向量相似度的关键编码向量对应的关键词文本，召回商品卖点库中的该关键词文本对应的卖点文案。

扩展的实施例中，通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤之后，还包括如下步骤：

根据所述向量相似度相应为所述召回的卖点文案进行排序，构建粗排序文本集；

选取粗排序文本集中排序靠前的卖点文案推送给第二类用户。

进一步的实施例中，所述神经网络模型的训练过程，包括如下步骤：

从预设的数据集中调用单个训练样本对所述神经网络模型实施训练，所述训练样本包括预处理广告商品的文本信息及其对应的卖点文案；

提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征；

采用二分类函数计算所述深层语义特征的是否属于同一语句相对应的分类概率，作为表征所述卖点文案是否为所述文本信息的下一句相对应的语义相似评分；

根据所述训练样本相对应的监督标签计算所述语义相似评分对应的交叉熵损失值，依据该交叉熵损失值对模型实施梯度更新直至该模型收敛。

扩展的实施例中，根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给用户的步骤之后，还包括如下步骤：

根据所述语义相似度评分相应为所述候选文本集中的卖点文案进行排序，构建第一排序文本集；

选取第一排序文本集中排序靠前的卖点文案作为细粒度召回的卖点文案，将该些卖点文案推送给第一类用户。

适应本申请的目的之一而提供的一种广告文案推荐装置，包括：信息获取模块、粗粒度召回模块、评分计算模块以及细粒度召回模块，其中，信息获取模块，用于获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；粗粒度召回模块，用于根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；评分计算模块，用于以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；细粒度召回模块，用于根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

进一步的实施例中，所述信息获取模块之前，还包括：比例选取模块，用于根据预设比例选取电商平台中各个商品类别对应的部分商品作为类别商品；匹配卖点文案模块，用于根据类别商品对应的关键词文本，匹配出电商平台的广告文案库和/或第三方平台的广告文案库中的卖点文案，所述关键词文本从相应的类别商品的商品信息中预先提取；构建商品卖点库模块，用于构建商品卖点库，用于存储所述卖点文案、关键词文本、商品类别之间的映射关系数据。

深化的实施例中，所述粗粒度召回模块，包括：第一通道召回子模块，用于通过粗粒度第一通道召回商品卖点库中与所述目标商品的商品类别相对应的卖点文案；第二通道召回子模块，用于通过粗粒度第二通道召回商品卖点库中与所述目标商品的文本信息相匹配的关键词文本所对应的卖点文案；第三通道召回子模块，用于通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案。

进一步的实施例中，所述第三通道召回子模块，包括：分词预处理单元，用于通过预设的分词算法预处理所述目标商品的文本信息，获得相应的分词文本；向量编码单元，用于通过词向量算法对所述分词文本和商品卖点库中的关键词文本进行向量编码，获得相应的目标编码向量和关键编码向量；计算相似度单元，用于调用预设的相似度函数计算所述目标编码向量和关键编码向量之间的向量相似度；召回卖点文案单元，用于确定满足预设条件的向量相似度的关键编码向量对应的关键词文本，召回商品卖点库中的该关键词文本对应的卖点文案。

扩展的实施例中，所述第三通道召回子模块之后，还包括：粗排序子模块，用于根据所述向量相似度相应为所述召回的卖点文案进行排序，构建粗排序文本集；二类用户推送子模块，用于选取粗排序文本集中排序靠前的卖点文案推送给第二类用户。

进一步的实施例中，所述评分计算模块中所述神经网络模型的训练过程，包括：实施训练子模块，用于从预设的数据集中调用单个训练样本对所述神经网络模型实施训练，所述训练样本包括预处理广告商品的文本信息及其对应的卖点文案；特征提取子模块，用于提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征；分类预测子模块，用于采用二分类函数计算所述深层语义特征的是否属于同一语句相对应的分类概率，作为表征所述卖点文案是否为所述文本信息的下一句相对应的语义相似评分；损失计算子模块，用于根据所述训练样本相对应的监督标签计算所述语义相似评分对应的交叉熵损失值，依据该交叉熵损失值对模型实施梯度更新直至该模型收敛。

扩展的实施例中，所述细粒度召回模块，还包括：第一排序模块，用于根据所述语义相似度评分相应为所述候选文本集中的卖点文案进行排序，构建第一排序文本集；一类用户推送模块，用于选取第一排序文本集中排序靠前的卖点文案作为细粒度召回的卖点文案，将该些卖点文案推送给第一类用户。

本申请的技术方案存在多方面优势，包括但不限于如下各方面：

首先，通过粗粒度多通道召回商品卖点库中的卖点文案，快速缩小召回的规模，粗筛锁定部分卖点文案构造候选集，在此基础上，再借助神经网络模型细粒度剖析卖点文案与所述文本信息，确定对应的语义相似程度并量化出相应的语义相似评分，进而可根据语义相似度评分择优召回候选文案集中的卖点文案，实现精筛确定最终的卖点文案。可见，在粗筛的基础上进行精筛，大大提升执行效率，并且仍能保证召回的准确性。

其次，细粒度召回的卖点文案能够有效辅助用户创作其投放广告的商品所使用的文案，降低创作门槛，使得用户可通过借鉴多个与其商品高度相关的卖点文案激发创作灵感，而创作出自己的文案。

此外，本申请借助单个神经网络模型，联合卖点文案和商品信息中的文本信息为输入，一次性获得两者的语义相似评分，从而方便根据语义相似评分精选卖点文案，无需复杂的网络架构即可实现高效匹配，有利于降低神经网络模型的训练成本和提升匹配效率。

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为本申请的广告文案推荐方法的典型实施例的流程示意图；

图2为本申请实施例中构建商品卖点库的流程示意图；

图3为本申请实施例中粗粒度多通道召回的流程示意图；

图4为本申请实施例中根据向量相似度召回的流程示意图；

图5为本申请实施例中向第二类用户推送的流程示意图；

图6为本申请实施例中神经网络模型的训练流程的流程示意图；

图7为本申请实施例中向第一类用户推送的流程示意图；

图8为本申请的广告文案推荐装置的原理框图；

图9为本申请所采用的一种计算机设备的结构示意图。

具体实现方式

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***)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global PositioningSystem，全球定位***)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。

本申请的一种广告文案推荐方法，可被编程为计算机程序产品，部署于服务器中运行而实现，例如在本申请的电商平台应用场景中，一般部署在服务器中实施，藉此可以通过访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。

请参阅图1，本申请的广告文案推荐方法在其典型实施例中，包括如下步骤：

步骤S1100、获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；

在电商平台的应用场景中，每一个商品可视为一个相对独立的单个信息单元，即每个商品都有其对应的商品信息，由电商平台的线上店铺的商家用户负责发布和维护，且可提供给消费者用户进行浏览和下单等。所述的线上店铺可以是独立站点，独立站点独立维护自身线上店铺的商品的商品数据库。

所述商品类别通常选择适当的商品基本特征作为分类标志，逐次归纳为若干个范围更小、特质更趋一致的子集合体(类目)，例如大、中、小类等等，从而使该范围内所述商品得以明确区分与体系化的过程，示范性举例，商品类别可分多层级从顶层到末层体现为如下类别路径：衣服、上衣、短袖；饮料、咖啡、速溶。

所述文本信息，泛指一切关联于所述商品存储的且适于以文本形式提供的商品描述信息，包括但不限于所述商品的商品标题、商品属性数据、商品详情文本、商品画像标签等任意一项或多项。在用途上，所述商品描述信息一般用于描述所述商品的卖点、材质、用法、功能、型号等等任意具体信息。

通常当线上店铺的商家用户需要发布某一目标商品时，可在电商平台提供的相应的商品发布页面中录入所述目标商品相对应的商品信息，然后将其提交至电商平台的后台服务器，由该服务器接收并存储至商品数据库中。

一种实施例中，可通过电商平台为访问线上店铺的商品数据库而封装的接口来访问该商品数据库，获取目标商品的商品信息中的商品标题及其商品详情文本，将其两者拼接在一起构成所述的文本信息。另一实施例中，可以进一步获取所述目标商品的商品标题、商品详情文本中的关键词，用作所述的文本信息，所述关键词可以是目标商品的卖点对应的文本。

步骤S1200、根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；

所述卖点文案为以文本形式阐述商品的卖点，用于广告投放以吸引用户下单购买，可以理解，所述卖点通常指的是告诉用户向其投放广告的商品所具备的什么功能，以及购买使用该商品后能够满足用户的什么心理，和/或给他们带来什么实际作用。一种实施例中，可根据电商平台的各个商品类别选取相对应的卖点文案，所述选取可通过人工或人工智能的方式实现，所述卖点文案可从电商平台中的用户历史投放的广告中摘取或是从第三方平台中投放的广告中摘取，示范性举例，商品类别为服装-上衣-短袖，其对应的卖点文案为“这是一款可爱的短袖，珍珠装饰冰淇淋印花，青春减龄，穿着修身舒适，亲肤性强，百搭，轻松搭配即可出门”；商品类别为文具-笔-钢笔，其对应的卖点文案为“风格简约显气质，书写流畅，便携带”。

一种实施例中，根据所述目标商品的商品类别粗粒度单通道召回商品卖点库中的卖点文案，具体而言，将所述目标商品的商品类别与商品卖点库中的卖点文案对应的商品类别进行配对，以精准配对为准则，快速召回所述目标商品的商品类别对应的卖点文案。此外，根据所述目标商品的文本信息粗粒度单通道召回商品卖点库中的卖点文案，具体而言，采用分词算法对所述文本信息进行分词，获得相应的分词文本，将该些分词文本与卖点文案进行精准和/或模糊匹配，匹配卖点文案中出现全部或大部分该些分词文本的卖点文案，将其召回。将上述两个粗粒度单通道召回的卖点文案归集构成候选文案集。

步骤S1300、以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；

一种实施例中，在预先训练至收敛的神经网络模型中，对所述每个卖点文案及文本信息进行编码，获得相对应的高维的文案编码向量及文本编码向量，示范性举例所述神经网络模型为Bert，在Bert中所述每个卖点文案及文本信息通过3个嵌入层tokenembedding、segment embedding和position embedding编码后，获得相对应的高维的文本编码向量及文本编码向量。进一步，在Bert中对所述文案编码向量及文本编码向量进行特征提取，提取出相应的文案语义特征及文本语义特征，采用预设的相似度函数计算出文案语义特征与文本语义特征之间的语义相似度作为所述语义相似度评分，可以理解，语义相似度评分表征每个卖点文案与所述文本信息之间的语义相近程度，不拘泥于用词的完全相同，着重于语义上表达的一致性。所述相似度函数可由本领域技术人员按需实现。

步骤S1400、根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

不难理解，所述语义相似度评分是通过比对候选文案集中的每个卖点文案与所述文本信息相对应的细粒度的语义特征，从而计算出卖点文案与文本信息之间的语义相似度。据此，以所述候选集中的卖点文案相对应的语义相似度评分进行细粒度召回，召回获得其中语义相似度评分最高的卖点文案，将其推送给第一类用户，一个实施例中，所述第一类用户为电商平台的会员用户，电商平台的服务器可通过获取用户的唯一标识码查询会员数据库，查看该用户是否充值而成为充值用户，确认存在该用户的充值记录或相应的充值标识，即可确定该用户为第一类用户。

根据本申请的典型实施例可以知晓，本申请的技术方案存在多方面优势，包括但不限于如下各方面：

首先，通过粗粒度多通道召回商品卖点库中的卖点文案，快速缩小召回的规模，粗筛锁定部分卖点文案构造候选集，在此基础上，再借助神经网络模型细粒度剖析卖点文案与所述文本信息，确定对应的语义相似程度并量化出相应的语义相似评分，进而可根据语义相似度评分择优召回候选文案集中的卖点文案，实现精筛确定最终的卖点文案。可见，在粗筛的基础上进行精筛，大大提升执行效率，并且仍能保证召回的准确性。

其次，细粒度召回的卖点文案能够有效辅助用户创作其投放广告的商品所使用的文案，降低创作门槛，使得用户可通过借鉴多个与其商品高度相关的卖点文案激发创作灵感，而创作出自己的文案。

此外，本申请借助单个神经网络模型，联合卖点文案和商品信息中的文本信息为输入，一次性获得两者的语义相似评分，从而方便根据语义相似评分精选卖点文案，无需复杂的网络架构即可实现高效匹配，有利于降低神经网络模型的训练成本和提升匹配效率。

请参阅图2，进一步的实施例中，步骤S1100、获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息的步骤之前，还包括如下步骤：

步骤S1000、根据预设比例选取电商平台中各个商品类别对应的部分商品作为类别商品；

可根据电商平台中的各个商品类别对应的商品的数量相对应的设置所述预设比例，例如为数量较多的商品对应设置较小的比例，为数量较少的商品对应设置较大的比例。由此，根据预设比例乘上各个商品类别对应的商品数量确定选取的商品数量，继而根据各个商品类别对应选取的商品数量，选出对应的部分商品作为类别商品。

步骤S1010、根据类别商品对应的关键词文本，匹配出电商平台的广告文案库和/或第三方平台的广告文案库中的卖点文案，所述关键词文本从相应的类别商品的商品信息中预先提取；

进一步，可通过电商平台为商品数据库封装的接口的访问该商品数据库，获取类别商品对应的商品信息中的文本信息，所述文本信息，泛指一切关联于所述商品存储的且适于以文本形式提供的商品描述信息，包括但不限于所述商品的商品标题、商品属性数据、商品详情文本、商品画像标签等任意一项或多项。据此，可通过人工或人工智能的方式，预先提取类别商品的文本信息对应的关键词文本，示范性举例，类别商品的文本信息中商品标题为“潮牌碳素磨毛t恤短袖男纯棉百搭青少年运动休闲冰淇淋印花半袖宽松”，其对应的关键词文本可为“宽松/潮/休闲/百搭/冰淇淋印花”；类别商品的文本信息中商品标题为“潮牌自制春季高级质感鳄鱼纹PU皮夹克男女国潮新款宽松情侣外套”，其对应的关键词文本可为“鳄鱼纹/PU皮/国潮/宽松/高级质感/白色”。当然，文本信息不局限于商品标题，可结合更丰富的文本信息，提取出对应的以精炼的文本表述卖点的关键词文本。

一种实施例中，可通过预封装的数据接口访问电商平台的广告文案库和/或广第三方平台的广告文案库获取其中的卖点文案，将类别商品对应的关键词文本与该些卖点文案进行匹配，进而通过人工或人工智能筛选出与关键词文本语义高度接近的卖点文案。示范性举例，关键词文本为“宽松/潮/休闲/百搭/冰淇淋印花”，其对应的卖点文案为“这是一款可爱的短袖，珍珠装饰冰淇淋印花，青春减龄，穿着修身舒适，亲肤性强，百搭，轻松搭配即可出门”；关键词文本为“鳄鱼纹/PU皮/国潮/宽松/高级质感/白色”，其对应的卖点文案为“潮搭必备单品皮衣，超有质感的鳄鱼纹皮衣，白色中和了皮衣的冲击感，甜酷又时髦，更加日常百搭，PU皮面料耐脏好打理”。所述数据接口可由电商平台的软件工程人员预先实现，或第三方平台提供。

步骤S1020、构建商品卖点库，用于存储所述卖点文案、关键词文本、商品类别之间的映射关系数据。

建立卖点文案、关键词文本、商品类别三者之间的映射关联关系，获得三元组形式构成的映射关系数据，使得便于后续可根据关键词文本或商品类别以其对应的映射关联关系获得相应的卖点文案，进一步，构造商品卖点库存储该映射关系数据。

本实施例中，一方面，通过按比例选出电商平台中各个商品类别对应的类别商品，既保障商品卖点库中的卖点文案的多样性和广泛性，又保证商品卖点库中的卖点文案充足且不冗余。另一方面，通过提炼出类别商品对应的卖点的关键词文本，获得与关键词文本语义相匹配的卖点文案，实现精准匹配。

请参阅图3，深化的实施例中，步骤S1200、根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集的步骤中，包括如下步骤：

步骤S1210、通过粗粒度第一通道召回商品卖点库中与所述目标商品的商品类别相对应的卖点文案；

所述粗粒度第一通道为类别召回，其表现形式可为方法函数、接口等。一种实施例中，调用类别召回方法函数，对所述目标商品的商品类别与商品卖点库中的商品类别实施精准匹配，获得相匹配的商品卖点库中的商品类别映射关联的卖点文案，返回该卖点文案作为召回结果。

步骤S1220、通过粗粒度第二通道召回商品卖点库中与所述目标商品的文本信息相匹配的关键词文本所对应的卖点文案；

所述粗粒度第二通道为文本召回，其表现形式可为方法函数、接口等。一种实施例中，调用文本召回方法函数，对所述目标商品的文本信息与商品卖点库中的关键词文本实施模糊匹配，若关键词文本绝大部分能够出现在目标商品的文本信息中，即视为相匹配，获得相匹配的关键文本映射关联的卖点文案，返回该卖点文案作为召回结果。

步骤S1230、通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案。

所述粗粒度第三通道为泛化召回，其表现形式可为方法函数、接口等。

一种实施例中，调用泛化召回方法函数，采用N-gram模型对目标商品的文本信息实施分词预处理，进一步，采用词向量算法对预处理后的目标商品的文本信息和商品卖点库中的各个关键词文本实施编码，获得相对应的高维的文本编码向量和各个关键编码向量，采用相似度函数计算所述文本编码向量与各个关键编码向量之间相对应的向量距离作为所述向量相似度，选取向量相似度满足预设阈值的关键词文本，获得其映射关联的卖点文案，返回该卖点文案作为召回结果。所述相似度函数、词向量算法，可由本领域技术人员根据先验知识或实验数据灵活变通实现。所述预设阈值，可由本领域技术人员根据实际业务所需设置。

本实施例中，通过粗粒度多通道召回商品卖点库中的卖点文案，其中，粗粒度第一通道召回采用精准匹配方式，以及粗粒度第二通道召回采用模糊匹配方式，能够实现快速召回，另外，粗粒度第三通道召回通过对文本信息及各个关键词文本实施编码，进而计算编码后的文本编码向量和各个关键编码向量之间的向量距离作为向量相似度，据此再选取出相应的卖点文案，可见一定程度上保证泛化性，能够提升召回的准确率。

请参阅图4，进一步的实施例中，步骤S1230、计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤中，包括如下步骤：

步骤S1231、通过预设的分词算法预处理所述目标商品的文本信息，获得相应的分词文本；

所述预设的分词算法为jieba(俗称“结巴”)，所述jieba支持三种分词模式：精确模式、全模式和搜索引擎模式，本领域技术人员可按实际业务所需选取实现。

一种实施例中，采用jieba分词算法的搜索引擎模式对所述目标商品的文本信息进行分词，获得相应的分词文本。本领域技术人员可以理解，精准模式为对文本信息实施最精准的切分，切分出相应的分词文本，能够实现该分词文本中不存在冗余数据，然而所述搜索引擎模式在所述精确模式的基础上，对分词文本中的长词再次进行切分，使得分词文本的颗粒度更细，有助于提升后续的召回率。

步骤S1232、通过词向量算法对所述分词文本和商品卖点库中的关键词文本进行向量编码，获得相应的目标编码向量和关键编码向量；

可以理解，所述关键词文本由相应的各个关键词组成，因此无需再对该关键词文本进行分词。

所述词向量算法为one-hot(独热编码)。通过one-hot对所述分词文本和商品卖点库中的关键词文本进行向量编码，具体而言，使用词寄存器来对所述分词文本及关键词文本中的词进行相对应的编码，每个词都有它独立的寄存器位，并且在任意时候，其中只有一位有效，即保证分词文本或关键词文本中对应的单个词只有1位处于状态1，其他的都是0。据此，获得相应的目标编码向量和关键编码向量。

步骤S1233、调用预设的相似度函数计算所述目标编码向量和关键编码向量之间的向量相似度；

所述相似度函数可为余弦相似度算法、欧氏距离算法、皮尔逊相关系数算法、闵可夫斯基距离算法、马氏距离算法、杰卡德系数算法等等，本领域技术人员可任选一种实施，只要能够计算出所述向量相似度即可。一种实施例中，调用预先相似度算法计算所述目标编码向量和关键编码向量之间的向量距离作为向量相似度，所述向量相似度越接近于1表征所述文本信息与所述关键词文本表述差距越小，越接近于0表征所述文本信息与所述关键词文本表述差距越大。

步骤S1234、确定满足预设条件的向量相似度的关键编码向量对应的关键词文本，召回商品卖点库中的该关键词文本对应的卖点文案。

确定满足预设阈值的向量相似度的关键编码向量对应的关键词文本，从商品卖点库中获得该关键词文本映射关联的卖点文案作为召回结果。所述预设阈值，可由本领域技术人员根据实际业务所需设置。

本实施例中，通过采用jieba算法对目标商品的文本信息进行分词，获得细粒度的分词文本，能够助于提升后续的召回率。

请参阅图5，扩展的实施例中，步骤S1230、通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤之后，还包括如下步骤：

步骤S1240、根据所述向量相似度相应为所述召回的卖点文案进行排序，构建粗排序文本集；

根据所述召回的卖点文案对应的向量相似度，从高到低的顺序对该些卖点文案进行排序，构建粗排序文本集。

步骤S1250、选取粗排序文本集中排序靠前的卖点文案推送给第二类用户。

选取粗排序文本集中排序靠前的卖点文案例如排序前3的卖点文案，将该些卖点文本推送给第二类用户，所述第二类用户为普通用户，电商平台的服务器可通过获取用户的唯一标识码查询用户数据库，查看该用户是否注册而成为注册用户，确认存在该用户的账号记录或相应的注册标识，即可确定该注册用户为第二类用户。

本实施例中，通过对卖点文案进行排序，再选取排序靠前的卖点文案，能够实现快速择优。提供与目标商品的文本信息用词高度相似的卖点文案给普通用户，从而实现为不同级别的用户提供不同程度的服务功能，能够辅助用户创作，降低创作门槛。

请参阅图6，进一步的实施例中，步骤S1300中所述神经网络模型的训练过程，包括如下步骤：

步骤S1310、从预设的数据集中调用单个训练样本对所述神经网络模型实施训练，所述训练样本包括预处理广告商品的文本信息及其对应的卖点文案；

所述广告商品为投放过广告的商品，其对应的文本信息泛指一切关联于所述商品存储的且适于以文本形式提供的商品描述信息，包括但不限于所述商品的商品标题、商品属性数据、商品详情文本、商品画像标签等任意一项或多项。在用途上，所述商品描述信息一般用于描述所述商品的卖点、材质、用法、功能、型号等等任意具体信息。此外，所述卖点文案为广告商品投放广告时，所使用的卖点文案。所述广告商品的文本信息即其对应的卖点文案，可通过人工采集或网页数据摘取获得。

采用Bert的CLS(首位标识符)及SEP(分句标识符)相应的标注广告商品的文本信息及其对应的卖点文案，以完成对其两者的预处理，将该预处理后的单个数据作为所述单个训练样本。据此处揭示，相应的构建数据集中的各个训练样本。

此外，可为训练样本设置相应的监督标签，使得所述神经网络模型根据该监督标签进行监督训练，进行二分类预测。所述监督标签为表征训练样本包含的广告商品的文本信息及其对应的卖点文案两者之间是否语义相似相对应的监督标签，可通过人工判断所述语义是否相似，相似则监督标签为1，不相似则监督标签为0。

步骤S1320、提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征；

所述神经网络模型为Bert，一种实施例中，采用bert的NSP模块(下一句任务)提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征，具体而言，根据所述分句标识符辨识训练样本中的文本信息和卖点文案，相应提取其两者对应的上下文语义信息即两者之间的存在语义上相关联的信息作为所述深层语义特征。

步骤S1330、采用二分类函数计算所述深层语义特征的是否属于同一语句相对应的分类概率，作为表征所述卖点文案是否为所述文本信息的下一句相对应的语义相似评分；

进一步，将所述深层语义特征输入至全连接层进行线性转换，将其映射至二分类空间，该二分类空间包含正类空间，其表征所述训练样本的文本信息及其对应的卖点文案语义相似，以及负类空间，其表征所述训练样本的文本信息及其对应的卖点文案语义不相似。一种实施例中，所述二分类函数为sigmod函数，采用sigmod函数计算该深层语义特征映射至二类空间的正类空间对应预测的概率作为所述是否属于同一句相对应分类概率，可以理解，所述分类概率为NSP任务的输出结果，其能够表征所述卖点文案是否为所述文本信息的下一句，即所述卖点文案是否与所述文本信息语义相似，因此，该分类概率可视为语义相似评分。

步骤S1340、根据所述训练样本相对应的监督标签计算所述语义相似评分对应的交叉熵损失值，依据该交叉熵损失值对模型实施梯度更新直至该模型收敛。

调用预设的损失函数，此处可由本领域技术人员根据先验知识或实验经验灵活变通设置，基于所述监督标签计算所述预测的概率的交叉熵损失对应的损失值，当该损失值达到预设阈值时，表明模型已被训练至收敛状态，从而可以终止模型训练；损失值未达到预设阈值时，表明模型未收敛，于是根据该损失值对模型实施梯度更新，通常反向传播修正模型各个环节的权重参数以使模型进一步逼近收敛，然后，继续调用所述数据集中的下一样本数据对该模型实施迭代训练，直至该模型被训练至收敛状态为止。

本实施例中，揭示了bert模型的NSP模块实现的语义相似度评分计算的训练过程，可以看出，在所述数据集的样本数据和监督标签训练下，所述模型具备能够根据商品的文本信息和卖点文案，即可快速计算出相应的语义相似度评分的能力，从而确保后续能够服务于商品的文本信息与卖点文案对应的语义相似度评分计算，大大提升计算的精准度和效率。

请参阅图7，扩展的实施例中，步骤S1400、根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给用户的步骤之后，还包括如下步骤：

步骤S1500、根据所述语义相似度评分相应为所述候选文本集中的卖点文案进行排序，构建第一排序文本集；

根据所述候选文本集中的卖点文案对应的语义相似度评分，从高到低的顺序对该些卖点文案进行排序，构建第一排序文本集。

步骤S1600、选取第一排序文本集中排序靠前的卖点文案作为细粒度召回的卖点文案，将该些卖点文案推送给第一类用户。

选取粗排序文本集中排序靠前的卖点文案例如排序前3的卖点文案，将该些卖点文本推送给第一类用户，所述第一类用户为会员用户，电商平台的服务器可通过获取用户的唯一标识码查询会员数据库，查看该用户是否充值而成为充值用户，确认存在该用户的充值记录或相应的充值标识，即可确定该充值用户为第一类用户。

本实施例中，通过对卖点文案进行排序，再选取排序靠前的卖点文案，能够实现快速择优。提供与目标商品的文本信息语义表达高度相似的卖点文案给会员用户，能够辅助用户创作，降低创作门槛。

请参阅图8，适应本申请的目的之一而提供的一种广告文案推荐装置，是对本申请的广告文案推荐方法的功能化体现，该装置包括：包括：信息获取模块1100、粗粒度召回模块1200、评分计算模块1300以及细粒度召回模块1400，其中，信息获取模块1100，用于获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；粗粒度召回模块1200，用于根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；评分计算模块1300，用于以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；细粒度召回模块1400，用于根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

进一步的实施例中，所述信息获取模块1100之前，还包括：比例选取模块，用于根据预设比例选取电商平台中各个商品类别对应的部分商品作为类别商品；匹配卖点文案模块，用于根据类别商品对应的关键词文本，匹配出电商平台的广告文案库和/或第三方平台的广告文案库中的卖点文案，所述关键词文本从相应的类别商品的商品信息中预先提取；构建商品卖点库模块，用于构建商品卖点库，用于存储所述卖点文案、关键词文本、商品类别之间的映射关系数据。

深化的实施例中，所述粗粒度召回模块1200，包括：第一通道召回子模块，用于通过粗粒度第一通道召回商品卖点库中与所述目标商品的商品类别相对应的卖点文案；第二通道召回子模块，用于通过粗粒度第二通道召回商品卖点库中与所述目标商品的文本信息相匹配的关键词文本所对应的卖点文案；第三通道召回子模块，用于通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案。

进一步的实施例中，所述第三通道召回子模块，包括：分词预处理单元，用于通过预设的分词算法预处理所述目标商品的文本信息，获得相应的分词文本；向量编码单元，用于通过词向量算法对所述分词文本和商品卖点库中的关键词文本进行向量编码，获得相应的目标编码向量和关键编码向量；计算相似度单元，用于调用预设的相似度函数计算所述目标编码向量和关键编码向量之间的向量相似度；召回卖点文案单元，用于确定满足预设条件的向量相似度的关键编码向量对应的关键词文本，召回商品卖点库中的该关键词文本对应的卖点文案。

扩展的实施例中，所述第三通道召回子模块之后，还包括：粗排序子模块，用于根据所述向量相似度相应为所述召回的卖点文案进行排序，构建粗排序文本集；二类用户推送子模块，用于选取粗排序文本集中排序靠前的卖点文案推送给第二类用户。

进一步的实施例中，所述评分计算模块1300中所述神经网络模型的训练过程，包括：实施训练子模块，用于从预设的数据集中调用单个训练样本对所述神经网络模型实施训练，所述训练样本包括预处理广告商品的文本信息及其对应的卖点文案；特征提取子模块，用于提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征；分类预测子模块，用于采用二分类函数计算所述深层语义特征的是否属于同一语句相对应的分类概率，作为表征所述卖点文案是否为所述文本信息的下一句相对应的语义相似评分；损失计算子模块，用于根据所述训练样本相对应的监督标签计算所述语义相似评分对应的交叉熵损失值，依据该交叉熵损失值对模型实施梯度更新直至该模型收敛。

扩展的实施例中，所述细粒度召回模块1400，还包括：第一排序模块，用于根据所述语义相似度评分相应为所述候选文本集中的卖点文案进行排序，构建第一排序文本集；一类用户推送模块，用于选取第一排序文本集中排序靠前的卖点文案作为细粒度召回的卖点文案，将该些卖点文案推送给第一类用户。

为解决上述技术问题，本申请实施例还提供计算机设备。如图9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***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***、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种广告文案推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本申请的广告文案推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9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8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文案推荐装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本申请还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本申请任一实施例的广告文案推荐方法的步骤。

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，本申请通过在粗粒度召回的基础上进行细粒度召回卖点文案，实现快速精准召回，而且该卖点文案能够方便用户参考而自行创作卖点文案。

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)

1.一种广告文案推荐方法，其特征在于，包括如下步骤：

获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；

根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；

以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；

根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

2.根据权利要求1所述的广告文案推荐方法，其特征在于，获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息的步骤之前，还包括如下步骤：

根据预设比例选取电商平台中各个商品类别对应的部分商品作为类别商品；

根据类别商品对应的关键词文本，匹配出电商平台的广告文案库和/或第三方平台的广告文案库中的卖点文案，所述关键词文本从相应的类别商品的商品信息中预先提取；

构建商品卖点库，用于存储所述卖点文案、关键词文本、商品类别之间的映射关系数据。

3.根据权利要求1所述的广告文案推荐方法，其特征在于，根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集的步骤中，包括如下步骤：

通过粗粒度第一通道召回商品卖点库中与所述目标商品的商品类别相对应的卖点文案；

通过粗粒度第二通道召回商品卖点库中与所述目标商品的文本信息相匹配的关键词文本所对应的卖点文案；

通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案。

4.根据权利要求3所述的广告文案推荐方法，其特征在于，计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤中，包括如下步骤：

通过预设的分词算法预处理所述目标商品的文本信息，获得相应的分词文本；

通过词向量算法对所述分词文本和商品卖点库中的关键词文本进行向量编码，获得相应的目标编码向量和关键编码向量；

调用预设的相似度函数计算所述目标编码向量和关键编码向量之间的向量相似度；

确定满足预设条件的向量相似度的关键编码向量对应的关键词文本，召回商品卖点库中的该关键词文本对应的卖点文案。

5.根据权利要求3所述的广告文案推荐方法，其特征在于，通过粗粒度第三通道计算所述目标商品的文本信息与商品卖点库中的各个关键词文本两者对应的向量之间的向量相似度，召回商品卖点库中向量相似度满足预设条件的关键词文本所对应的卖点文案的步骤之后，还包括如下步骤：

根据所述向量相似度相应为所述召回的卖点文案进行排序，构建粗排序文本集；

选取粗排序文本集中排序靠前的卖点文案推送给第二类用户。

6.根据权利要求1所述的广告文案推荐方法，其特征在于，所述神经网络模型的训练过程，包括如下步骤：

从预设的数据集中调用单个训练样本对所述神经网络模型实施训练，所述训练样本包括预处理广告商品的文本信息及其对应的卖点文案；

提取所述训练样本的文本信息及其对应的卖点文案的深层语义特征；

采用二分类函数计算所述深层语义特征的是否属于同一语句相对应的分类概率，作为表征所述卖点文案是否为所述文本信息的下一句相对应的语义相似评分；

根据所述训练样本相对应的监督标签计算所述语义相似评分对应的交叉熵损失值，依据该交叉熵损失值对模型实施梯度更新直至该模型收敛。

7.根据权利要求1所述的广告文案推荐方法，其特征在于，根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给用户的步骤之后，还包括如下步骤：

根据所述语义相似度评分相应为所述候选文本集中的卖点文案进行排序，构建第一排序文本集；

选取第一排序文本集中排序靠前的卖点文案作为细粒度召回的卖点文案，将该些卖点文案推送给第一类用户。

8.一种广告文案推荐装置，其特征在于，包括：

信息获取模块，用于获取目标商品的商品信息中的商品类别及文本信息，所述文本信息包括所述目标商品的商品描述信息；

粗粒度召回模块，用于根据所述商品类别及文本信息粗粒度多通道召回商品卖点库中的卖点文案构成候选文案集；

评分计算模块，用于以所述候选文案集中每个卖点文案匹配所述文本信息为输入，采用预先训练至收敛的神经网络模型计算所述卖点文案与所述文本信息对应的语义相似评分；

细粒度召回模块，用于根据所述语义相似评分细粒度召回所述候选文案集中的卖点文案，获得细粒度召回的卖点文案推送给第一类用户。

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