基于深度学习的广告展示方法和装置制造方法及图纸

本申请提出一种基于深度学习的广告展示方法和装置，该基于深度学习的广告展示方法包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。该方法能够展示与播放的视频内容相关的广告，并且能够减少人工操作。

【技术实现步骤摘要】

本申请涉及网络
，尤其涉及一种基于深度学习的广告展示方法和装置。
技术介绍
随着网络技术的普及，越来越多的用户通过网络观看视频。在通过网络向用户播放视频的同时，通常也会展示广告。相关技术中，一种方式是在视频播放之前将预先设定的广告播放给用户，这种方式播放的广告内容通常不能与视频内容相关。为了解决相关性问题，另一种方式是在视频播放的同时，播放与视频内容相关的广告，这种视频内容与广告的关联性是通过编辑人员以人工方式预先关联的。但是，这种方式需要大量的人工操作。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请的一个目的在于提出一种基于深度学习的广告展示方法，该方法可以展示与播放的视频内容相关的广告，并且能够减少人工操作。本申请的另一个目的在于提出一种基于深度学习的广告展示装置。为达到上述目的，本申请第一方面实施例提出的基于深度学习的广告展示方法，包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。本申请第一方面实施例提出的基于深度学习的广告展示方法，通过视频和广告匹配模型确定与视频内容相关的广告，可以播放与视频内容相关的广告，并且不需要大量的人工关联操作，减少人工操作。为达到上述目的，本申请第二方面实施例提出的基于深度学习的广告展示装置，包括：采样模块，用于对视频内容进行图片采样，得到视频图片序列；确定模块，用于根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示模块，用于展示所述广告。本申请第二方面实施例提出的基于深度学习的广告展示装置，通过视频和广告匹配模型确定与视频内容相关的广告，可以播放与视频内容相关的广告，并且不需要大量的人工关联操作，减少人工操作。本申请实施例还提出了一种基于深度学习的广告展示装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。本申请实施例还提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器被执行时，使得终端能够执行一种基于深度学习的广告展示方法，所述方法包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。本申请实施例还提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行一种基于深度学习的广告展示方法，所述方法包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。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是本申请一个实施例提出的基于深度学习的广告展示方法的流程示意图；图2是本申请另一个实施例提出的基于深度学习的广告展示方法的流程示意图；图3是本申请实施例中构造训练数据的方法的流程示意图；图4是本申请实施例中一种RNN结构的示意图；图5是本申请一个实施例提出的基于深度学习的广告展示装置的结构示意图；图6是本申请另一个实施例提出的基于深度学习的广告展示装置的结构示意图。具体实施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模块或具有相同或类似功能的模块。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，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。如上所示，在展示与视频内容相关的广告时，相关技术中采用人工关联的方式，但是，这种方式需要大量的人工操作。为了解决这一问题，本申请将深度学习引入到广告展示领域。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。图1是本申请一个实施例提出的基于深度学习的广告展示方法的流程示意图。如图1所示，本实施例的方法包括：S11：对视频内容进行图片采样，得到视频图片序列。其中，视频内容是指待播放的视频内容，如一部电影、一部电视剧剧集等。视频内容具体可以包括网络视频内容，即通过网络播放的视频内容。网络可以是个人电脑(PersonalComputer，PC)接入的互联网，或者，也可以是移动设备(如手机或平板电脑)接入的移动互联网，相应的，网络视频内容可以在PC上播放或者在移动设备上播放。对视频内容进行图片采样时，可以以预设时间段对整个视频内容进行切分，得到切分后的多个时间段，在每个时间段内选取一张视频图片作为相应时间段对应的视频图片，将切分后的所有时间段对应的视频图片组成视频图片序列。预设时间段例如为0.5秒。每个时间段内的视频图片选取时，可以采用随机选取一张的方式，或者，也可以采用已有或将来出现的图片采样算法。S12：根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成。视频和广告匹配模型可以在播放视频内容之前预先生成，具体流程可以参见后续描述。视频和广告匹配模型的输入是视频图片序列，输出是与输入对应的广告信息，广告信息具体可以是已有广告类别中每种广告类别的概率值。例如，视频图片序列中包括T张视频图片，已有广告类别共有M种，则视频和广告匹配模型的输入节点为T个，每个输入节点对应一张视频图片；视频和广告匹配模型的输出节点也为T个，分别与一张视频图片对应；每个输出节点的输出为一个向量，向量的维度为M，向量的每个元素为M种广告类别中每种广告类别的概率值。因此，在采用得到视频图片序列后，可以将视频图片序列作为视频和广告匹配模型的输入，模型的每个输出就是视频图片序列中每张视频图片对应的每种广告类别的概率值组成的向量。在确定出视频图片序列中各个视频图片对应的向量后，可以对应每张视频图片，在向量中概率值最大的广告类别中选择一个广告作为相应的视频图片对应的广告，视频图片序列中所有视频图片对应的广告可以组成视频图片序列对应的广告序列。或者，在确定出视频图片序列中各个视频图片对应的向量后，可以在所有视频图片对应的向量中选择概率值较大的N(N为预设值，为1或大于1的自然数)个概率值，并在选择出的每个概率值对应的广告类别中选择一个广告作为视频图片序列对应的广告(共有N个)。上述流程中，在广告类别中选择广告可以采用随机方式或者采用其他方式进行。S13：展示所述广告。展示广告可以本文档来自技高网...

【技术保护点】
一种基于深度学习的广告展示方法，其特征在于，包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。

【技术特征摘要】
1.一种基于深度学习的广告展示方法，其特征在于，包括：对视频内容进行图片采样，得到视频图片序列；根据已生成的视频和广告匹配模型，确定与所述视频图片序列对应的广告，所述视频和广告匹配模型基于深度学习训练生成；展示所述广告。2.根据权利要求1所述的方法，其特征在于，还包括：训练生成视频和广告匹配模型，所述训练生成视频和广告匹配模型，包括：从已有的视频和广告日志库中获取训练数据，所述视频和广告日志库用于存储训练数据，所述训练数据根据已有的包含字幕的视频内容构造得到；确定模型结构；根据所述训练数据和所述模型结构进行训练，生成视频和广告匹配模型。3.根据权利要求2所述的方法，其特征在于，还包括：构造训练数据，并将训练数据存储到视频和广告日志库中，所述构造训练数据包括：将收集的各个包含字幕的视频内容分别作为当前视频内容，并对应各个当前视频内容执行：对当前视频内容进行采样，得到视频图片序列；提取视频图片序列中各个视频图片的字幕，并采用文本串相似度匹配方式，确定与提取出的字幕匹配的广告，作为各个视频图片匹配的广告；根据各个视频图片匹配的广告确定各个视频图片对应的广告信息，并将视频图片序列及对应的广告信息序列作为一组训练数据，所述广告信息序列由视频图片序列中各个视频图片对应的广告信息组成。4.根据权利要求2所述的方法，其特征在于，所述模型结构包括：深度学习网络结构。5.根据权利要求4所述的方法，其特征在于，所述深度学习网络结构包括：RNN结构。6.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据和所述模型结构进行训练，生成视频和广告匹配模型，包括：根据所述训练数据和所述模型结构确定损失函数，所述损失函数中的参数包括模型参数；采用基于梯度的优化算法最小化损失函数，以确定出模型参数，其中采用BPTT算法计算参数的梯度；在模型参数确定后，得到具有所述模型参数和所述模型结构的视频和广告匹配模型。7.一种基于深度学...

【专利技术属性】
技术研发人员：张军，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11