用于生成信息的方法和装置制造方法及图纸

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取用户使用终端输入的文字信息；获取与文字信息语义相关的图片；将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。该实施方式实现了生成点击率。

Methods and devices used to generate information

The application embodiment discloses a method and device for generating information. A specific implementation of the method includes obtaining text information from the user's terminal input; obtaining pictures related to the semantic meaning of the text information; input the text information and pictures into the pre trained click rate prediction model and get the click rate, in which the click rate prediction model is used to characterize text information, pictures and clicks. The corresponding relationship between rates. The implementation method realizes the generated click rate.

【技术实现步骤摘要】
用于生成信息的方法和装置
本申请实施例涉及计算机
，具体涉及互联网
，尤其涉及用于生成信息的方法和装置。
技术介绍
互联网针对搜索关键字，广泛使用了图片搭配文本的展示形式，而不再是局限于单纯文字形式。由于搜索关键词往往有多个图片作为备选可以出图，选择展现其中哪一张图片是配图的核心问题。
技术实现思路
本申请实施例提出了用于生成信息的方法和装置。第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取用户使用终端输入的文字信息；获取与文字信息语义相关的图片；将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。在一些实施例中，该点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。在一些实施例中，该点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。在一些实施例中，该点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。在一些实施例中，该方法还包括：确定点击率是否在预设阈值范围内；响应于确定点击率在预设阈值范围内，将图片推送到上述终端。第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：文字信息获取单元，配置用于获取用户使用终端输入的文字信息；图片获取单元，配置用于获取与文字信息语义相关的图片；信息生成单元，配置用于将文字信息和图片输入至预先训练的点击率预测模型，得到点击率，其中，点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。在一些实施例中，上述点击率预测模型通过以下步骤训练得到:获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；将多个样本图片中的每个样本图片和与多个样本图片中的每个样本图片相关的文字信息作为输入，将多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。在一些实施例中，该点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，卷积神经网络用于对所输入的图片进行特征提取图片特征向量以输出图片特征向量，第一深度神经网络用于对所输入的文字信息进行特征提取文字特征向量以输出文字特征向量，第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。在一些实施例中，点击率预测模型通过以下步骤训练得到：获取多个样本图片、与多个样本图片中的每个样本图片相关的文字信息以及多个样本图片中的每个样本图片的点击率；基于机器学习方法，将样本图片作为卷积神经网络的输入，将文字信息作为第一深度神经网络的输入，将卷积神经网络输出的图片特征向量和第一深度神经网络输出的文字特征向量作为第二深度神经网络的输入，将多个样本图片中的每个样本图片的点击率作为第二深度神经网络的输出，对卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。在一些实施例中，该装置还包括：确定单元，配置用于确定点击率是否在预设阈值范围内；推送单元，配置用于响应于确定点击率在预设阈值范围内，将图片推送到上述终端。第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于生成信息的方法，通过获取用户使用终端输入的文字信息，而后获取与文字信息语义相关的图片，之后将文字信息和图片输入至预先训练的点击率预测模型，通过点击率预测模型对文字信息和图片进行特征提取及运算，得到点击率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的用于生成信息的方法的一个实施例的流程图；图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如搜索类应用、图像处理类应用、即时通讯类应用等等。终端设备101、102、103可以是具有显示屏并且支持文字信息输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文字信息进行处理的文字信息处理服务器。文字信息处理服务器可以对与文字信息语义相关的图片进行点击率预测等处理，生成点击率。需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。应理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。继续参考图2，示出了根据本申请的用于生成信本文档来自技高网...

【技术保护点】
1.一种用于生成信息的方法，包括：获取用户使用终端输入的文字信息；获取与所述文字信息语义相关的图片；将所述文字信息和所述图片输入至预先训练的点击率预测模型，得到点击率，其中，所述点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。

【技术特征摘要】
1.一种用于生成信息的方法，包括：获取用户使用终端输入的文字信息；获取与所述文字信息语义相关的图片；将所述文字信息和所述图片输入至预先训练的点击率预测模型，得到点击率，其中，所述点击率预测模型用于表征文字信息、图片与点击率之间的对应关系。2.根据权利要求1所述的方法，其中，所述点击率预测模型通过以下步骤训练得到：获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；将所述多个样本图片中的每个样本图片和与所述多个样本图片中的每个样本图片相关的文字信息作为输入，将所述多个样本图片中的每个样本图片的点击率作为输出，训练得到点击率预测模型。3.根据权利要求1所述的方法，其中，所述点击率预测模型包括卷积神经网络、第一深度神经网络和第二深度神经网络，其中，所述卷积神经网络用于对所输入的图片进行特征提取以输出图片特征向量，所述第一深度神经网络用于对所输入的文字信息进行特征提取以输出文字特征向量，所述第二深度神经网络用于表征图片特征向量、文字特征向量与图片的点击率的对应关系。4.根据权利要求3所述的方法，其中，所述点击率预测模型通过以下步骤训练得到：获取多个样本图片、与所述多个样本图片中的每个样本图片相关的文字信息以及所述多个样本图片中的每个样本图片的点击率；基于机器学习方法，将所述样本图片作为所述卷积神经网络的输入，将所述文字信息作为所述第一深度神经网络的输入，将所述卷积神经网络输出的图片特征向量和所述第一深度神经网络输出的文字特征向量作为所述第二深度神经网络的输入，将所述多个样本图片中的每个样本图片的点击率作为所述第二深度神经网络的输出，对所述卷积神经网络、第一深度神经网络和第二深度神经网络进行训练，得到点击率预测模型。5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：确定所述点击率是否在预设阈值范围内；响应于确定所述点击率在预设阈值范围内，将所述图片推送到所述终端。6.一种用于生成信息的装置，所述装置包括：文字信息获取单元，配置用于获取用户使用终端输入的文字信息；图片获取单元，配置用于获取与所述文字信息语义相关的图片；信息生成单元，配置用于将所述文字信息和所述图片输入...

【专利技术属性】
技术研发人员：刘霄，李旭斌，孙昊，文石磊，丁二锐，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11