一种广告配图方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种广告配图方法、装置及电子设备，该方法包括：通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；基于目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；将目标图片设置为目标广告的配图。本发明专利技术提供的广告配图方法，可以实现在线实时为广告配图，而无需人工标注，操作便捷且省时，从而可以提升广告配图的效率。

【技术实现步骤摘要】
一种广告配图方法、装置及电子设备
本专利技术涉及人工智能
，尤其涉及一种广告配图方法、装置及电子设备。
技术介绍
随着互联网技术、多媒体技术以及社会经济的高速发展，广告已经成为重要的商业宣传和营销手段，企业投放大量广告在互联网等多媒体平台，以获得巨大的经济收益。而在广告投放过程中，配置有图片的广告相比无图广告能够直观呈现更加丰富的信息，因而通过为广告配置图片可以有效提升广告的点击率。但是，目前在为广告配置图片的过程中，通常是通过人工为每一广告标注对应的一张或者多张图片，工作量大且操作繁琐，尤其是广告数量多且每一广告配置的图片数量较多时，从而导致广告配图的效率较低。可见，目前在为广告配置图片的过程中，存在广告配图的效率低的问题。
技术实现思路
本专利技术实施例提供一种广告配图方法、装置及电子设备，以解决目前在为广告配置图片的过程中，存在广告配图的效率低的问题。为解决上述问题，本专利技术实施例是这样实现的：第一方面，本专利技术实施例提供了一种广告配图方法，包括：通过广告配图过程中的历史数据训练得到对本文档来自技高网...

【技术保护点】
1.一种广告配图方法，其特征在于，包括：/n通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；/n基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；/n将所述目标图片设置为所述目标广告的配图。/n

【技术特征摘要】
1.一种广告配图方法，其特征在于，包括：
通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；
将所述目标图片设置为所述目标广告的配图。


2.根据权利要求1所述的方法，其特征在于，所述通过广告配图过程中的历史数据训练得到目标对抗DNN模型，包括：
在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；
基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；
将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。


3.根据权利要求2所述的方法，其特征在于，所述在所述历史数据中获取负样本，包括：
在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。


4.根据权利要求3所述的方法，其特征在于，所述负样本为相关性与所述正样本的相关性最接近的样本。


5.根据权利要求2所述的方法，其特征在于，所述正样本为图片被浏览过的样本。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片，包括：
基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；
将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。


7.根据权利要求6所述的方法，其特征在于，所述将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片之前，还包括：
生成所述图片数据库中每一图片的图片索引；
其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。


8.一种广告配图装置，其特征在于，包括：
模型训练模块，用于通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；
图片确定模块，用于基于所述目标对...

【专利技术属性】
技术研发人员：任峰，赵莲，范亚博，郭佳骋，阴凉，刘林，金志鹏，刘云政，唐楠，王巧华，祁小玉，
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