CN116503115B - 一种基于互联网游戏平台的广告资源推荐方法及*** - Google Patents

Abstract

本发明涉及计算机互联网技术领域，提供了一种基于互联网游戏平台的广告资源推荐方法及***，所述方法包括获取第一信息和阈值信息，第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息；根据阈值信息对第一信息进行筛选，得到第二信息，第二信息包括用户观看时长大于阈值信息的第一信息；根据第二信息构建广告序列，广告序列包括在预设时间段内按顺序观看的历史广告信息；对广告序列进行特征提取，得到序列中每个节点的特征信息；根据序列中每个节点的特征信息生成第一待推荐广告列表，第一待推荐广告列表包括对游戏平台用户待推荐的广告信息，本发明通过对用户进行个性化广告推荐，有效的解决了现有技术中难以实现广告精确推送的问题。

Description

一种基于互联网游戏平台的广告资源推荐方法及***

技术领域

本发明涉及计算机互联网技术领域，具体而言，涉及一种基于互联网游戏平台的广告资源推荐方法及***。

背景技术

随着个人计算机和移动手持设备的普及，游戏平台已经成为最常用的网络服务之一，因此，通过游戏平台投放互联网广告也成为越来越多的商家的选择，然而互联网广告的目的在于吸引真正有兴趣的用户，同时减少对不感兴趣的用户的干扰，现有技术一般是根据商家投入的资金来确定为平台用户多推荐该商家的广告，但是这种方法并不能实现广告的个性化推荐，并不能根据客户的需求进行精确推送，反而会增加用户对该广告的抵触感，因此亟需一种基于互联网游戏平台的广告资源推荐方法，能够实现广告的个性化推荐，减少无效推广的概率。

发明内容

本发明的目的在于一种基于互联网游戏平台的广告资源推荐方法及***，以改善上述问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一方面，本申请实施例提供了一种基于互联网游戏平台的广告资源推荐方法，所述方法包括：

获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述广告信息为视频信息；

根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息。

第二方面，本申请实施例提供了一种基于互联网游戏平台的广告资源推荐***，所述***包括：

第一获取模块，用于获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述广告信息为视频信息；

第一处理模块，用于根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

第二处理模块，用于根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

第三处理模块，用于对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

第四处理模块，用于根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息。

第三方面，本申请实施例提供了一种基于互联网游戏平台的广告资源推荐设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于互联网游戏平台的广告资源推荐方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于互联网游戏平台的广告资源推荐方法的步骤。

本发明的有益效果为：

本发明通过阈值信息对所述第一信息进行筛选，得到第二信息，根据第二信息构建广告序列，可以有效的反应出用户在任意一段时间内的兴趣，提高用户对推荐广告的响应率，再对广告序列进行特征提取，可以有效的分析出用户对感兴趣广告的特征，以便生成第一待推荐广告列表对用户进行个性化广告推荐，有效的解决了现有技术中难以实现广告精确推送的问题。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例中所述的基于互联网游戏平台的广告资源推荐方法流程示意图。

图2为本发明实施例中所述的基于互联网游戏平台的广告资源推荐***结构示意图。

图3为本发明实施例中所述的基于互联网游戏平台的广告资源推荐设备结构示意图。

图中标注：901、第一获取模块；902、第一处理模块；903、第二处理模块；904、第三处理模块；905、第四处理模块；906、第二获取模块；907、识别模块；908、第五处理模块；909、第六处理模块；9031、获取单元；9032、第一处理单元；9033、第二处理单元；9041、第三处理单元；9042、第四处理单元；9043、第五处理单元；9081、第六处理单元；9082、第七处理单元；9083、第八处理单元；800、基于互联网游戏平台的广告资源推荐设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种基于互联网游戏平台的广告资源推荐方法，可以理解的是，在本实施例中可以铺设一个场景，例如:对游戏平台用户进行个性化广告推荐的场景。

参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5，其中具体为：

步骤S1、获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述广告信息为视频信息；

可以理解的是，游戏平台作为常用的网络服务之一，通过游戏平台投放互联网广告也成为越来越多的商家的选择，因此，通过游戏平台中的数据库获取用户观看过的历史广告信息可以有效的为用户感兴趣的内容提供数据基础。

步骤S2、根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

可以理解的是，用户在使用游戏平台中可能存在误点广告的问题，因此，用过设定阈值信息过滤用户误点的情况，以确定用户真正感兴趣的广告信息，从而提高对用户推荐广告资源的精确性。

步骤S3、根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

可以理解的是，用户在一段时间内点击过的广告可以反映出该用户在这一段时间内的兴趣和爱好，相较于原始的用户特征和广告特征更能直观的反映用户的需求，为广告推荐提供更加直接、精确的信息。

可以理解的是，所述步骤S3中还包括步骤S31、步骤S32和步骤S33，其中具体为：

步骤S31、获取预设的序列长度；

步骤S32、按照观看时长对预设时间段内的第二信息进行排序，得到广告的顺序信息；

步骤S33、根据所述预设的序列长度和所述广告的顺序信息构建广告序列。

在本实施例中，这些如果广告序列数据的跨度太长，很难反映出用户在某一段时间内的需求和爱好，而且序列中的广告也较难构成关联的信息，训练出的结点向量也难以代表这些广告的真实含义，所以说需要进一步的对序列进行采样，因此预设采样的序列长度为5，预设时间段为一周，将用户在一周时间内点观看过的广告按照观看时长由长至短进行排序，得到广告的顺序信息，选取前5个广告信息构件广告序列，作为用户在该预设时间段内的需求和爱好。

步骤S4、对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

可以理解的是，所述步骤S4中还包括步骤S41、步骤S42和步骤S43，其中具体为：

步骤S41、根据所述广告序列中的每个节点，得到广告序列中每个广告对应的视频信息、文本信息和音频信息；

可以理解的是，根据广告信息获取视频信息对应的文本信息和音频信息为本领域技术人员所熟知的技术方案，故不在此赘述。

步骤S42、对一个节点中的所述视频信息进行特征提取得到第一特征向量、对一个节点中的所述文本信息进行特征提取得到第二特征向量和对一个节点中的所述音频信息进行特征提取，得到第三特征向量；

可以理解的是，将视频信息发送至三维卷积神经网络模型得到第一特征向量，第一特征向量为时空特征的表征，对文本信息和音频信息进行特征提取为本领域技术人员所熟知的技术方案，故不在此赘述，第二特征向量用于表示广告文本信息的特征，第三特征向量用于表示广告音频信息屏的特征，需要说明的是，现有技术通过采用二维卷积神经网络和卷积神经-长短时记忆网络提取视频中的特征信息，但是前者计算成本高且无法对空间和时间信息之间的相关性进行建模，后者的计算方式过度依赖空间特征造成大量的有用的时间信息丢失，因此本申请通过采用三维卷积神经网络对视频的时空信息进行提取，实现了对视频信息时空特征的精确提取。

步骤S43、将一个节点中的所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到一个节点的特征信息。

可以理解的是，将一个节点中的所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合具体为：

上式中，F为融合后的特征向量，即一个节点的特征信息，A、B、C分别为第一特征向量、第二特征向量和第三特征向量，、/>、/>分别为第一特征向量、第二特征向量和第三特征向量对应的权重系数，用于表示用于对那个维度的特征更感兴趣，需要说明的是/>、、/>可以利用注意力机制进行确定，利用注意力机制确定特征权重为本领域技术人员所熟知的技术方案，故不在此赘述。

步骤S5、根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息。

可以理解的是，序列中每个节点的特征信息包括了预设时间段内用户最感兴趣的广告具有的特征信息，基于该特征信息与游戏平台中的所有广告信息进行相似度匹配以生成第一待推荐广告列表，基于第一待推荐广告列表中的广告对游戏平台的用户进行广告推荐，实现用户个性化广告推荐，有效的解决了现有技术中难以实现广告精确推送的问题。

可以理解的是，所述步骤S5之后还包括步骤S6、步骤S7、步骤S8和步骤S9，其中具体为：

步骤S6、获取关键帧信息，所述关键帧信息包括用户观看游戏广告进行点击操作对应的视频帧；

可以理解的是，当用户在观看游戏广告进行点击操作后，表示用户对该广告进行响应，即用户对该广告有兴趣了解，因此将用户对广告进行点击操作对应的视频帧作为关键帧信息，表示用户对关键帧最为敏感。

步骤S7、利用OCR识别技术对关键帧信息进行识别，得到关键帧对应的文本信息；

可以理解的是，利用OCR识别技术对关键帧信息进行识别之前需要对其进行预处理以提高图像的质量，从而确保文本信息识别的准确率，以提高对用户进行广告推荐的精确性，其中预处理包括对图像进行二值化、拉普拉斯锐化、滤波处理等。

步骤S8、对所述关键帧对应的文本信息进行关键词提取，得到第一关键词信息；

可以理解的是，所述步骤S8中还包括步骤S81、步骤S82和步骤S83，其中具体为：

步骤S81、对所述关键帧对应的文本信息进行分词处理，得到分词处理后的文本信息；

步骤S82、利用词向量算法对所述分词处理后的文本信息进行计算，得到每个分词对应的词向量；

步骤S83、将每个所述分词对应的词向量发送至训练后的关键词提取模型，得到第一关键词信息。

在本实施例中，现有技术一般采用TF-IDF关键词提取方法对文本的关键词进行提取，但是该方法存在忽略词语间语义联系的缺点，因此，本实施例中通过对文本信息进行分词处理，再利用词向量算法将分词转换为可供计算的词向量，再利用神经网络寻找文本信息的关键词，该方法可以有效的解决现有技术存在忽略词语间语义联系的缺点，实现关键词的精确提取，需要说明的是，利用词向量算法对所述分词处理后的文本信息进行计算，得到每个分词对应的词向量为本领域技术人员所熟知的技术方案，故不在此赘述，本发明对词向量算法不做限定。

步骤S9、利用所述第一关键词信息对所述第一待推荐游戏广告列表进行筛选，得到第二待推荐游戏广告列表。

可以理解的是，将第一待推荐游戏广告列表中的每个广告信息种的文本信息进行关键词提取，得到第二关键词信息；计算第一关键词信息和第二关键词信息之间的相似度，得到相似度信息；判断相似度信息是否大于相似度阈值，其中，若小于相似度阈值，则将对应的广告信息在第一待推荐游戏广告列表中删除，直至筛选完第一待推荐游戏广告列表，得到第二待推荐游戏广告列表,需要说明的是，计算第一关键词信息和第二关键词信息之间的相似度，得到相似度信息具体为：

上式中，COS表示第一关键词信息与第二关键词信息之间的余弦值，即相似度信息，/>和/>分别表示第一关键词信息与第二关键词信息。

实施例2：

如图2所示，本实施例提供了一种基于互联网游戏平台的广告资源推荐***，所述***包括第一获取模块901、第一处理模块902、第二处理模块903、第三处理模块904和第四处理模块905，其中具体为：

第一获取模块901，用于获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述广告信息为视频信息；

第一处理模块902，用于根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

第二处理模块903，用于根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

第三处理模块904，用于对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

第四处理模块905，用于根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息。

在本公开的一种具体实施方式中，所述第二处理模块903中还包括获取单元9031、第一处理单元9032和第二处理单元9033，其中具体为：

获取单元9031，用于获取预设的序列长度；

第一处理单元9032，用于按照观看时长对预设时间段内的第二信息进行排序，得到广告的顺序信息；

第二处理单元9033，用于根据所述预设的序列长度和所述广告的顺序信息构建广告序列。

在本公开的一种具体实施方式中，所述第三处理模块904中还包括第三处理单元9041、第四处理单元9042和第五处理单元9043，其中具体为：

第三处理单元9041，用于根据所述广告序列中的每个节点，得到广告序列中每个广告对应的视频信息、文本信息和音频信息；

第四处理单元9042，用于对一个节点中的所述视频信息进行特征提取得到第一特征向量、对一个节点中的所述文本信息进行特征提取得到第二特征向量和对一个节点中的所述音频信息进行特征提取，得到第三特征向量；

第五处理单元9043，用于将一个节点中的所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到一个节点的特征信息。

在本公开的一种具体实施方式中，所述第四处理模块905之后还包括第二获取模块906、识别模块907、第五处理模块908和第六处理模块909，其中具体为：

第二获取模块906，用于获取关键帧信息，所述关键帧信息包括用户观看游戏广告进行点击操作对应的视频帧；

识别模块907，用于利用OCR识别技术对关键帧信息进行识别，得到关键帧对应的文本信息；

第五处理模块908，用于对所述关键帧对应的文本信息进行关键词提取，得到第一关键词信息；

第六处理模块909，用于利用所述第一关键词信息对所述第一待推荐游戏广告列表进行筛选，得到第二待推荐游戏广告列表。

在本公开的一种具体实施方式中，所述第五处理模块908中还包括第六处理单元9081、第七处理单元9082和第八处理单元9083，其中具体为：

第六处理单元9081，用于对所述关键帧对应的文本信息进行分词处理，得到分词处理后的文本信息；

第七处理单元9082，用于利用词向量算法对所述分词处理后的文本信息进行计算，得到每个分词对应的词向量；

第八处理单元9083，用于将每个所述分词对应的词向量发送至训练后的关键词提取模型，得到第一关键词信息。

需要说明的是，关于上述实施例中的***，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。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种基于互联网游戏平台的广告资源推荐设备，下文描述的一种基于互联网游戏平台的广告资源推荐设备与上文描述的一种基于互联网游戏平台的广告资源推荐方法可相互对应参照。

图3是根据示例性实施例示出的一种基于互联网游戏平台的广告资源推荐设备800的框图。如图3所示，该基于互联网游戏平台的广告资源推荐设备800可以包括：处理器801，存储器802。该基于互联网游戏平台的广告资源推荐设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该基于互联网游戏平台的广告资源推荐设备800的整体操作，以完成上述的基于互联网游戏平台的广告资源推荐方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于互联网游戏平台的广告资源推荐设备800的操作，这些数据例如可以包括用于在该基于互联网游戏平台的广告资源推荐设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于互联网游戏平台的广告资源推荐设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，基于互联网游戏平台的广告资源推荐设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于互联网游戏平台的广告资源推荐方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于互联网游戏平台的广告资源推荐方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于互联网游戏平台的广告资源推荐设备800的处理器801执行以完成上述的基于互联网游戏平台的广告资源推荐方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于互联网游戏平台的广告资源推荐方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于互联网游戏平台的广告资源推荐方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于互联网游戏平台的广告资源推荐方法，其特征在于，包括：

获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述历史广告信息为视频信息；

根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息；

其中，根据所述序列中每个节点的特征信息生成第一待推荐广告列表之后，还包括：

获取关键帧信息，所述关键帧信息包括用户观看游戏广告进行点击操作对应的视频帧；

利用OCR识别技术对关键帧信息进行识别，得到关键帧对应的文本信息；

对所述关键帧对应的文本信息进行关键词提取，得到第一关键词信息；

利用所述第一关键词信息对所述第一待推荐广告列表进行筛选，得到第二待推荐广告列表；

其中，对所述广告序列进行特征提取，得到序列中每个节点的特征信息，包括：

根据所述广告序列中的每个节点，得到广告序列中每个广告对应的视频信息、文本信息和音频信息；

对一个节点中的所述视频信息进行特征提取得到第一特征向量、对一个节点中的所述文本信息进行特征提取得到第二特征向量和对一个节点中的所述音频信息进行特征提取，得到第三特征向量；

将一个节点中的所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到一个节点的特征信息；

其中，将视频信息发送至三维卷积神经网络模型得到第一特征向量，第一特征向量为时空特征的表征。

2.根据权利要求1所述的基于互联网游戏平台的广告资源推荐方法，其特征在于，根据所述第二信息构建广告序列，包括：

获取预设的序列长度；

按照观看时长对预设时间段内的第二信息进行排序，得到广告的顺序信息；

根据所述预设的序列长度和所述广告的顺序信息构建广告序列。

3.根据权利要求1所述的基于互联网游戏平台的广告资源推荐方法，其特征在于，对所述关键帧对应的文本信息进行关键词提取，得到第一关键词信息，包括：

对所述关键帧对应的文本信息进行分词处理，得到分词处理后的文本信息；

利用词向量算法对所述分词处理后的文本信息进行计算，得到每个分词对应的词向量；

将每个所述分词对应的词向量发送至训练后的关键词提取模型，得到第一关键词信息。

4.一种基于互联网游戏平台的广告资源推荐***，其特征在于，包括：

第一获取模块，用于获取第一信息和阈值信息，所述第一信息包括用户观看过的游戏平台对用户推荐的历史广告信息，所述历史广告信息为视频信息；

第一处理模块，用于根据所述阈值信息对所述第一信息进行筛选，得到第二信息，所述第二信息包括用户观看时长大于所述阈值信息的第一信息；

第二处理模块，用于根据所述第二信息构建广告序列，所述广告序列包括在预设时间段内按顺序观看的历史广告信息；

第三处理模块，用于对所述广告序列进行特征提取，得到序列中每个节点的特征信息；

第四处理模块，用于根据所述序列中每个节点的特征信息生成第一待推荐广告列表，所述第一待推荐广告列表包括对游戏平台用户待推荐的广告信息；

其中，所述第四处理模块之后，还包括：

第二获取模块，用于获取关键帧信息，所述关键帧信息包括用户观看游戏广告进行点击操作对应的视频帧；

识别模块，用于利用OCR识别技术对关键帧信息进行识别，得到关键帧对应的文本信息；

第五处理模块，用于对所述关键帧对应的文本信息进行关键词提取，得到第一关键词信息；

第六处理模块，用于利用所述第一关键词信息对所述第一待推荐广告列表进行筛选，得到第二待推荐广告列表；

其中，所述第三处理模块，包括：

第三处理单元，用于根据所述广告序列中的每个节点，得到广告序列中每个广告对应的视频信息、文本信息和音频信息；

第四处理单元，用于对一个节点中的所述视频信息进行特征提取得到第一特征向量、对一个节点中的所述文本信息进行特征提取得到第二特征向量和对一个节点中的所述音频信息进行特征提取，得到第三特征向量；

第五处理单元，用于将一个节点中的所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到一个节点的特征信息；

其中，将视频信息发送至三维卷积神经网络模型得到第一特征向量，第一特征向量为时空特征的表征。

5.根据权利要求4所述的基于互联网游戏平台的广告资源推荐***，其特征在于，所述第二处理模块，包括：

获取单元，用于获取预设的序列长度；

第一处理单元，用于按照观看时长对预设时间段内的第二信息进行排序，得到广告的顺序信息；

第二处理单元，用于根据所述预设的序列长度和所述广告的顺序信息构建广告序列。

6.根据权利要求4所述的基于互联网游戏平台的广告资源推荐***，其特征在于，所述第五处理模块，包括：

第六处理单元，用于对所述关键帧对应的文本信息进行分词处理，得到分词处理后的文本信息；

第七处理单元，用于利用词向量算法对所述分词处理后的文本信息进行计算，得到每个分词对应的词向量；

第八处理单元，用于将每个所述分词对应的词向量发送至训练后的关键词提取模型，得到第一关键词信息。