原生广告插播方法和装置制造方法及图纸

本发明专利技术实施例公开了一种原生广告插播方法和装置，涉及计算机技术领域。其中，该方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。本发明专利技术提供的原生广告插播方法，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现了更优的原生广告插播效果。

Native advertisement inserting methods and devices

An embodiment of the invention discloses a native advertisement interpolation method and device, which relates to the field of computer technology. Among them, the method includes: training to be a predictor of the probability of each candidate spots containing advertisements were estimated based on the estimated value; the preset threshold is greater than the candidate advertising spots result from the candidate spam filtering; insert the remaining results in selected display advertising results. The present invention provides native advertising spots, can further reduce the damage to the user experience, and can meet the demand of the dynamic adjustment of advertising position, so as to achieve better effect of native advertising spots.

【技术实现步骤摘要】
原生广告插播方法和装置
本专利技术涉及计算机
，尤其涉及一种原生广告插播方法和装置。
技术介绍
原生广告是近几年兴起的一种广告样式，其以尽可能小地伤害用户体验为前提，与原生信息流高度融合。例如，在电商等购物类应用中，原生广告会是一条商品搜索结果；在微博、微信等社交应用中，原生广告会是一则微博或者是朋友圈的一则说说。如何在原生信息流中插入原生广告是一个复杂的研究课题。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有的原生广告插播方法对于用户体验的量化指标限制不是特别明确，无法有效评估不同插播结果对用户体验的影响；同时，现有的原生广告插播方法大多基于固定的广告位次进行插播，无法满足动态调整广告位次的需求，进而造成原生广告插播效果不理想。
技术实现思路
有鉴于此，本专利技术实施例提供一种原生广告插播方法和装置，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现更优的原生广告插播效果。为实现上述目的，根据本专利技术实施例的一个方面，提供了一种原生广告插播方法。本专利技术实施例的原生广告插播方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。可选地，所述方法还包括：基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从未插入广告的搜索展示记录中提取的特征数据。可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA、MN以使损失函数取得极小值。可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA以使函数取得极大值。可选地，所述方法还包括：在所述根据第二对抗优化方式对深度神经网络进行训练的步骤之前，基于第二训练样本训练销售额(GMV)预估网络；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。可选地，所述方法还包括：将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。为实现上述目的，根据本专利技术实施例的另一方面，提供了一种原生广告插播装置。本专利技术实施例的原生广告插播装置包括：预估模块，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；过滤模块，用于将预估值大于预设阈值的候选广告插播结果滤除；选取模块，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。可选地，所述装置还包括：训练模块，用于基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从没插入广告的搜索展示记录中提取的特征数据。可选地，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第一对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA、MN以使损失函数取得极小值。可选地，所述训练模块基于第一训练样本和第二训练样本对深度神经网络进行训练包括：根据第二对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA以使函数取得极大值。可选地，所述训练模块还用于：基于第二训练样本训练销售额(GMV)预估网络；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。可选地，所述装置还包括：生成模块，用于将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。为实现上述目的，根据本专利技术实施例的再一个方面，提供了一种服务器。本专利技术实施例的服务器，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例的原生广告插播方法。为实现上述目的，根据本专利技术实施例的又一个方面，提供了一种计算机可读介质。本专利技术实施例的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本专利技术实施例的原生广告插播方法。上述专利技术中的一个实施例具有如下优点或有益效果：在本专利技术实施例中，通过预估器对“候选广告插播结果包含广告的概率”这一用户体验的量化指标进行预估，能够有效评估不同候选广告插播结果对用户体验的影响；通过将预估值大于预设阈值的候选广告插播结果滤除，并从过滤剩下的候选广告插播结果中选取待展示的广告插播结果，能够进一步减少原生广告插播对用户体验的伤害，同时能够满足动态调整广告位次的原生广告插播需求。进而，通过以上步骤，能够实现更优的原生广告插播效果。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本专利技术，不构成对本专利技术的不当限定。其中：图1是根据本专利技术一个实施例的原生广告插播方法的主要步骤示意图；图2是根据本专利技术另一实施例的原生广告插播方法的主要步骤示意图；图3是根据本专利技术实施例的深度网络映射器的结构示意图；图4是根据本专利技术实施例的深度网络辨别器的结构示意图；图5是根据本专利技术实施例的GMV预估网络的结构示意图；图6是根据本专利技术一个实施例的原生广告插播装置的主要模块示意图；图7是根据本专利技术另一实施例的原生广告插播装置的主要模块示意图本文档来自技高网...

【技术保护点】
一种原生广告插播方法，其特征在于，所述方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。

【技术特征摘要】
1.一种原生广告插播方法，其特征在于，所述方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从未插入广告的搜索展示记录中提取的特征数据。3.根据权利要求2所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA、MN以使损失函数取得极小值。4.根据权利要求2或3所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，其中，V(D,MA,MN)代表损失函数；D代表深度网络辨别器函数；MA代表用于映射第一训练样本的深度网络映射器函数；MN代表用于映射第二训练样本的深度网络映射器函数，并且MN在所述对抗优化中保持不变；x代表训练样本；x～PA(x)代表第一训练样本服从的分布；x～PN(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化MA以使函数取得极大值。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：在所述根据第二对抗优化方式对深度神经网络进行训练的步骤之前，基于第二训练样本训练销售额(GMV)预估网络；将训练得到的GMV预估网络的最后一层去除，并将去除最后一层的GMV预估网络作为第二对抗优化方式中的MN。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：将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果。7.一种原生广告插播装置，其特征在于，所述装置包括：预估模块，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；过滤模块，用于将预估值...

【专利技术属性】
技术研发人员：赵夕炜，徐夙龙，江雪，胡景贺，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11