一种网络广告推送的方法及装置的制造方法
【专利摘要】本发明提供了一种网络广告推送的方法及装置,涉及互联网广告投放技术领域,所述方法包括:获取目标图片和位于待投放网页中的参考图片;计算参考图片和目标图片的画面相似度;若画面相似度符合预设要求,则将目标图片所对应的广告信息推送至待投放网页上的预设位置;其通过画面相似度的匹配能够实现网络广告针对图片内容来推送,避免了通过关键字/标签数据匹配推送不相关的广告信息,不仅推送精准度较高,而且能够在提升网络用户体验度的同时降低商家的投入成本。
【专利说明】
一种网络广告推送的方法及装置
技术领域
[0001]本发明涉及互联网广告投放技术领域,具体而言,涉及一种网络广告推送的方法及装置。
【背景技术】
[0002]随着互联网的快速发展,网络平台为用户提供了越来越多的便利,如在网络上进行商品、服务交易等,而如何能够使得商品、服务被其他人广为知晓,通过在网页上投放广告是一个不错的推广方式。
[0003]目前常见的网络广告投放、推送方案,主要是依据关键字/标签数据的关联或匹配度、相同或相似关系,即是通过广告的关键字/标签数据与广告媒介(如网页内容、网络图片或有关当前网页浏览者)的关键字/标签数据之间的关联匹配、相似度进行网络广告投放、推送。但是,由于上述广告投放方法本身采用的是模糊匹配方式,其精准检索、投放的难度较大,又考虑到在设置上述广告关键字的过程中存在较强的主观性或刻意性,而导致推送的信息可能并不是用户感兴趣的内容,另外,广告受众、页面浏览者的关键字/标签数据和当前页面的关键字/标签数据往往不相同,例如关注“专利申请” “云计算”等工作事务和内容的浏览者正在浏览“家居布置”或“旅游度假”等休闲消遣的网页内容时,则也会看到“专利申请”代理服务或“云服务器”促销活动等关联性低的网络广告。
[0004]发明人在研究中发现,现有的网络广告投放方法利用广告与广告媒介的关键字/标签数据的关联匹配将广告推送至对应的广告媒介,由于其无法精准的投放和推送广告,从而导致广告投入成本较高、经济收益却很低。
【发明内容】
[0005]有鉴于此,本发明的目的在于提供一种网络广告推送的方法及装置,避免了通过关键字/标签数据匹配推送不相关的广告信息,提高了推送广告信息的精准度。
[0006]第一方面,本发明实施例提供了一种网络广告推送的方法,所述方法包括:
[0007]获取目标图片和位于待投放网页中的参考图片;
[0008]计算所述参考图片和所述目标图片的画面相似度;
[0009]若所述画面相似度符合预设要求,则将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置。
[0010]结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述计算所述参考图片和所述目标图片的画面相似度,包括:
[0011 ]分别从所述参考图片和所述目标图片中提取第一特征信息和第二特征信息;
[0012]根据所述第一特征信息和所述第二特征信息,计算所述参考图片和所述目标图片的画面相似度。
[0013]结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述分别从所述参考图片和所述目标图片中提取第一特征信息和第二特征信息,包括:
[0014]使用预先获取的目标模型,分别对所述参考图片和所述目标图片进行检测,以得到所述参考图片的第一目标区域和所述目标图片的第二目标区域;
[0015]提取所述第一目标区域的第一特征信息;以及,提取所述第二目标区域的第二特征信息。
[0016]结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据所述第一特征信息和所述第二特征信息,计算所述参考图片和所述目标图片的画面相似度,包括:
[0017]使用预先获取的相似度模型,计算所述第一特征信息与所述第二特征信息的特征相似度;
[0018]根据所述特征相似度,计算所述参考图片和所述目标图片的画面相似度。
[0019]结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置,包括:
[0020]查找画面相似度高于预设相似度阈值的目标图片;
[0021]将画面相似度高于预设相似度阈值的目标图片所对应的广告信息推送至所述待投放网页上的预设位置。
[0022]结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置,包括:
[0023]按照所述画面相似度由高至低的排序顺序对所述目标图片进行排名,以生成相似度排名;
[0024]在所述相似度排名中查找排名超过预定名次的目标图片;
[0025]将排名超过预定名次的目标图片所对应的广告信息推送至所述待投放网页上的预设位置。
[0026]结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述目标模型通过如下步骤获取:
[0027]基于物体限定框的弱监督学习方法,建立包含广告投放范围内目标区域的第一组样本图片;
[0028]利用计算机视觉主体检测算法对所述第一组样本图片进行像素级别的标记,以得到第一组标记图片;
[0029]将所述第一组样本图片和所述第一组标记图片进行全卷积深度学习,得到对应于所述第一组样本图片的目标区域的特征信息;
[0030]利用致密采样的方法和孔洞滤波器对所述特征信息进行训练,得到对应于所述目标区域的目标模型。
[0031]结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第七种可能的实施方式,其中,所述相似度模型通过如下步骤获取:
[0032]获取第二组样本图片和第三组样本图片;其中,所述第二组样本图片之间具有相似设计;所述第三组样本图片之间设计差异较大;
[0033]通过共享权重的对称网络学习方法对所述第二组样本图片与所述第三组样本图片进行训练,以得到所述第二组样本图片和/或所述第三组样本图片的目标区域的相似度模型。
[0034]结合第一方面,本发明实施例提供了第一方面的第八种可能的实施方式,其中,所述方法还包括:
[0035]若所述画面相似度符合预设要求,查找画面相似度高于预设相似度阈值的参考图片或者按照所述画面相似度由高至低的排序顺序对所述参考图片进行排名,以生成相似度排名;在所述相似度排名中查找排名超过预定名次的参考图片;
[0036]将查找得到的参考图片进行过滤属性的匹配处理,以得到目标参考图片;
[0037]将目标图片所对应的广告信息推送至所述目标参考图片对应的所述待投放网页上的预设位置。
[0038]第二方面,本发明实施例还提供了一种网络广告推送的装置,所述装置包括:
[0039]获取模块,用于获取目标图片和位于待投放网页中的参考图片;
[0040]计算模块,用于计算所述获取模块获取的所述参考图片和所述目标图片的画面相似度;
[0041]推送模块,用于在判断出所述计算模块计算的所述画面相似度符合预设要求时,将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置。
[0042]本发明实施例提供的网络广告推送的方法及装置,能够根据计算的参考图片和目标图片的画面相似度,将目标图片所对应的广告信息推送至参考图片相对应的待投放网页上的预设位置,与现有技术中基于关键字/标签数据匹配的广告投放方法由于采用模糊匹配而推送不相关的广告信息、精准度较低相比,其首先获取目标图片和位于待投放网页中的参考图片,然后计算目标图片和参考图片的画面相似度,并在画面相似度符合预设要求时,将目标图片所对应的广告信息推送至待投放网页上的预设位置,通过上述画面相似度的匹配进行广告信息推送的方式使网络广告可以针对图片内容进行推送,不仅推送精准度较高,而且能够在提升网络用户体验度的同时降低商家的投入成本。
[0043]为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
【附图说明】
[0044]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。
[0045]图1示出了本发明实施例所提供的一种网络广告推送的方法流程图;
[0046]图2示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0047]图3示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0048]图4示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0049]图5示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0050]图6示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0051]图7示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0052]图8示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0053]图9示出了本发明实施例所提供的另一种网络广告推送的方法流程图;
[0054]图10示出了本发明实施例所提供的一种网络广告推送的装置的结构示意图。
[0055]主要元件符号说明:
[0056]11、获取模块;22、计算模块;33、推送模块。
【具体实施方式】
[0057]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,所描述的实施例仅仅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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
[0058]考虑到现有技术中的网络广告投放方法,利用广告与广告媒介的关键字/标签数据的关联匹配将广告推送至对应的广告媒介,由于其无法精准的投放和推送广告,从而导致广告投入成本较高、经济收益却很低。基于此,本发明实施例提供了一种网络广告推送的方法及装置,其通过画面相似度的匹配能够实现网络广告可以针对图片内容来推送,推送精准度较高,使得网络用户体验度较佳的同时也降低了商家的投入成本。
[0059]参见图1所示的本发明实施例提供的网络广告推送的方法的流程图,所述方法具体包括如下步骤:
[0060]S101、获取目标图片和位于待投放网页中的参考图片;
[0061]具体的,考虑到本发明实施例所提供的网络广告推送的方法的具体应用场景,本发明实施例提供的网络广告推送的方法需要对目标图片和参考图片分别进行获取,其中,目标图片和参考图片均可以通过数据接口或者网络爬虫的方式进行获取,从数据接口层面来讲,两者获取图片的数据接口并不相同,目标图片是从互联网网站(如天猫、亚马逊等)精确开放的数据接口进行获取,而参考图片则是从互联网网站(如腾讯)精确开放的可投放广告的数据接口进行获取,可见,获取两个图片的载体并不相同。此外,目标图片和参考图片也均可以通过网络爬虫的方式进行获取,两者均可以采用网络爬虫技术,如python实现爬虫的功能,把想要获取的源代码中的图片爬取到本地。虽然两者均可以通过爬虫进行获取,但是,和数据接口相同的是,上述两个图片是通过爬虫不同的互联网网站上的图片数据而获取的。此外,上述目标图片还可以是一定形式的传统行业的广告图片。
[0062]其中,在获取目标图片的过程中,将得到对应于该目标图片的广告信息,该广告信息至少包括:广告图片、品牌/商标、商品名称、介绍描述、价格等以及可以指向、跳转至显示上述目标图片的页面的链接/超链接。
[0063]值得说明的是,在获取参考图片和目标图片时,不仅可以通过PC电脑应用软件里面的页面/界面的相应数据接口或者对该页面/界面进行网络爬虫的方式进行图片获取;还可以通过APP手机应用程序里面的页面/界面的相应数据接口或者对该页面/界面进行网络爬虫的方式进行图片获取,本发明实施例不做具体的限制。
[0064]通过上述SlOl的操作获取到目标图片和参考图片后,通过如下S102的操作来对目标图片和参考图片进行画面相似度的计算。
[0065]S102、计算参考图片和目标图片的画面相似度;
[0066]具体的,对获取的上述参考图片和目标图片进行智能分析、挖掘,检测、识别参考图片和目标图片的目标区域,通过参考图片和目标图片的目标区域之间的特征相似度,计算参考图片和目标图片的画面相似度。
[0067]其中,考虑到本发明实施例基于对物体的检测识别,因此,上述参考图片和目标图片的目标区域是指图片内物体或者物品对应的图片区域,而特征相似度则是指目标区域对应的特征信息之间的特征相似度。上述特征信息至少包括视觉特征信息,那么,由物体或者物品的视觉特征信息的特征相似度可知物体或者物品视觉特征的相似关系,由该特征相似关系,可知对应的参考图片和目标图片的画面相似度。
[0068]S103、若画面相似度符合预设要求,则将目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0069]具体的,在得到上述画面相似度的前提下,本发明实施例所提供的网络广告推送的方法将对该画面相似度进行分析处理,得到与用户终端当前待投放网页上的参考图片的画面相似度符合预设要求的目标图片,并将符合要求的目标图片的广告信息推送至参考图片对应的待投放网页上的预设位置。
[0070]其中,上述推送可以是嵌入显示式,还可以是植入显示式,且考虑到用户的体验效果,本发明实施例优选的将上述目标图片显示在待投放网页的预设位置处,且上述推送是在接收到用户终端界面上的主动操作或者被动触发的控制指令下进行的。
[0071]其中,上述预设位置可以是待投放网页上的参考图片的显示区域,还可以是待投放网页上的参考图片的边缘旁边,本发明实施例不做具体的限制。
[0072]本发明实施例提供的网络广告推送的方法,与现有技术中基于关键字/标签数据匹配的广告投放方法由于采用模糊匹配而推送不相关的广告信息、精准度较低相比,其首先获取目标图片和位于待投放网页中的参考图片,然后计算目标图片和参考图片的画面相似度,并在画面相似度符合预设要求时,将目标图片所对应的广告信息推送至待投放网页上的预设位置,通过上述画面相似度的匹配进行广告信息推送的方式使网络广告可以针对图片内容进行推送,不仅推送精准度较高,而且能够在提升网络用户体验度的同时降低商家的投入成本。
[0073]为了更好的计算上述画面相似度,上述S102的计算过程,具体通过如下步骤实现,参见图2所示的流程图,所述方法还包括:
[0074]S201、分别从参考图片和目标图片中提取第一特征信息和第二特征信息;
[0075]考虑到在对参考图片和目标图片进行特征提取时,首先需要对参考图片和目标图片进行语义分割,然后通过语义分割的结果对参考图片和目标图片中的目标区域进行识别和特征提取,参见图3,上述特征提取的具体过程包括:
[0076]S2011、使用预先获取的目标模型,分别对参考图片和目标图片进行检测,以得到参考图片的第一目标区域和目标图片的第二目标区域;
[0077]具体的,随着大数据时代的到来,只有比较复杂的模型,或者说表达能力强的模型,才能充分发掘海量数据中蕴藏的丰富信息,所以,本发明实施例中的目标模型采用的是更强大的深度模型,以使得我们能够从大数据挖掘出更多有价值的信息和知识,且该目标模型作为一个分类器,可以对输入的图片进行分类。通过预先训练获取的上述目标模型分别对参考图片和目标图片进行语义分割,即检测、识别图片中所包含的物体,得到参考图片的第一目标区域和目标图片的第二目标区域。
[0078]S2012、提取第一目标区域的第一特征信息;以及,提取第二目标区域的第二特征
?目息O
[0079]具体的,对于得到的第一目标区域和第二目标区域所包含的图片像素进行切割和提取,以得到对应于第一目标区域的第一特征信息和对应于第二目标区域的第二特征信息。
[0080]S202、根据第一特征信息和第二特征信息,计算参考图片和目标图片的画面相似度。
[0081]为了更好的计算画面相似度,本发明实施例首先通过训练得到的相似度模型,进行上述第一目标区域和第二目标区域之间的特征相似度的计算,然后再通过特征相似度和画面相似度的对应关系,得到参考图片和目标图片之间的画面相似度,参见图4,上述画面相似度的计算过程,具体通过如下步骤实现:
[0082]S2021、使用预先获取的相似度模型,计算第一特征信息与第二特征信息的特征相似度;
[0083]具体的,利用大数据和深度学习技术,将训练样本同时输入共享权值的对称网络中,训练得到计算不同视觉特征相似度的相似度模型,该相似度模型也是深度模型,根据该相似度模型可以对输入的任意两个图片的目标区域的特征相似度进行计算。
[0084]S2022、根据特征相似度,计算参考图片和目标图片的画面相似度。
[0085]具体的,根据上述计算的第一目标区域的第一特征信息和第二目标区域的第二特征信息的特征相似度,可知,第一目标区域和第二目标区域的特征相似度越高,说明其对应的参考图片和目标图片的画面相似度越高,即是画面相似度是基于特征相似度的,指的是包含有第二目标区域的目标图片和包含有第一目标区域的参考图片内容的相似程度,并可以根据该相似程度进行目标图片的推送。
[0086]为了实现目标图片至待投放网页的推送,上述推送过程,具体通过如下步骤实现,参见图5所示的流程图,所述方法还包括:
[0087]S301、查找画面相似度高于预设相似度阈值的目标图片;
[0088]S302、将画面相似度高于预设相似度阈值的目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0089]具体的,在计算得到参考图片和目标图片的画面相似度后,首先从目标图片中查找高于预设相似度阈值的画面相似度所对应的目标图片,然后将查找得到的符合预设要求的画面相似度对应的目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0090]另外,本发明实施例所提供的网络广告推送的方法还可以对画面相似度进行排名,根据排名结果进行上述目标图片至待投放网页的推送,参见图6所示的流程图,所述方法还包括:
[0091]S401、按照画面相似度由高至低的排序顺序对目标图片进行排名,以生成相似度排名;
[0092]S402、在相似度排名中查找排名超过预定名次的目标图片;
[0093]S403、将排名超过预定名次的目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0094]具体的,根据上述计算的画面相似度由高至低的排序顺序(即是参考图片与目标图片的相似程度)对目标图片进行排名,以生成相似度排名,然后在相似度排名中查找排名超过预定名次的目标图片作为第一序列待展示广告图片,把相似程度最高的第一序列待展示广告图片作为第一待展示广告图片,以保证在网络广告推送的过程中可以根据相似度排名首先推送相关程度最高的目标图片至参考图片对应的待投放网页上,进一步提高广告推送的精准度。
[0095]在对参考图片和目标图片进行特征信息提取时,首先需要获取预先训练好的目标模型以实现对上述参考图片和目标图片的语义分割,参见图7,上述目标模型的获取过程具体包括:
[0096]S501、基于物体限定框的弱监督学习方法,建立包含广告投放范围内目标区域的第一组样本图片;
[0097]S502、利用计算机视觉主体检测算法对第一组样本图片进行像素级别的标记,以得到第一组标记图片;
[0098]S503、将第一组样本图片和第一组标记图片进行全卷积深度学习,得到对应于第一组样本图片的目标区域的特征信息;
[0099]具体的,首先基于物体限定框的弱监督学习方法,建立大规模的包含广告投放范围内目标区域的第一组样本图片;再者利用计算机视觉主体检测算法使数据库获得像素级别的标记,以得到第一组标记图片;再者将第一组样本图片和标记图片输入全卷积的深度学习网络进行学习,其中,本发明实施例中采用全卷积神经网络的卷积层代替传统的神经网络的全连接层,其中,全卷积神经网络通过权重共享和不同的卷积核对输入的图像进行卷积,可以得到一张张第一组样本图片语义分割的目标区域的特征信息。
[0100]其中,考虑到图片内容的丰富性,而用户关注的往往是图片中的某一个重点区域,所以本发明实施例中的目标区域指的是图片中物体或者物品对应的部分图片区域,且根据上述全卷积神经网络分割得到的目标区域,是支持任意规则或不规则的图片区域,分割识别的准确率较高。
[0101]S504、利用致密采样的方法和孔洞滤波器对特征信息进行训练,得到对应于目标区域的目标模型。
[0102]具体的,利用致密采样的方法和孔洞滤波器对特征信息进行训练,得到对应于目标区域的目标模型,其采用上述方法不仅可以对语义标签进行致密预测的,还可以保持网络两层之间的降采样比例不变。这主要是考虑到将传统CNN中2*2,步长也为2的最大值Pooling(池化)改为步长为I,每次这样的操作使得Pooling输出图像大小与输入相同,在网络中使用两次步长为I的Pooling,使得降采样率从32倍减少为8倍,保留了原图较多细节,但是,由此产生的问题是每个输出所对应的输入像素数量减少,则采用滤波器(以3*3的滤波器为例)后,卷积的输入由原本的6个像素减少为4个,导致输出对应的原图部分可能仅仅落在商品局部而产生误差。为了解决上述问题,本发明实施例所提供的网络广告推送的方法采用孔洞滤波器,在3*3滤波器中间插不更新权值的零值,使得滤波器大小变为5*5,而不增加需要学习的参数数目,可以保证Receptive Field(接受域)不变,将特征图谱输入升采样层,利用反卷积技术,以双线性插值为升采样初始化,训练得到每个像素对应下层像素的权重,使得网络输出图片分辨率与原始图片保持一致,且采用像素级别的Softmax损失函数对各卷积层的参数进行优化。其中每个像素的损失函数为L(i) = -log(p(g)),其中g为标记的GroundTruth类,p (g)为预测为g类的概率。
[0103]在计算参考图片的第一目标区域的第一特征信息和目标图片的第二目标区域的第二特征信息之间的特征相似度时,首先需要获取预先训练好的相似度模型以实现对上述参考图片和目标图片之间的画面相似度的计算,参见图8,上述相似度模型的获取过程具体包括:
[0104]S601、获取第二组样本图片和第三组样本图片;其中,第二组样本图片之间具有相似设计;第三组样本图片之间设计差异较大;
[0105]S602、通过共享权重的对称网络学习方法对第二组样本图片与第三组样本图片进行训练,以得到第二组样本图片和/或第三组样本图片的目标区域的相似度模型。
[0106]具体的,获取现有的携带有同类标记数据的第二组样本图片及不含有同类标记信息的第三组样本图片,即是指第二组样本图片之间具有相似设计,属于同类的设计;第三组样本图片之间设计差异较大,且与第二组样本图片属于非同类的设计。通过使用共享权重的对称网络方法对第二组样本图片与第三组样本图片进行同类或相似类的训练。其中,共享权重的部分为VGG网络,提取出4096维特征,每次将8组同类图片同时输入网络,以标记的同类为正样本,随机抽取额外2张非同类图片作为负样本,即是第二组样本图片中的部分图片作为正样本,第三组样本图片中的部分图片作为负样本,然后通过Contrastive损失函数进行上述正样本和负样本的训练,以得到第二组样本图片和/或第三组样本图片的目标区域的相似度模型,根据该相似度模型可以对输入的任意两个图片的目标区域的特征相似度进行计算。
[0107]为了节省商家的投入成本,本发明实施例所提供的网络广告推送的方法还可以根据上述画面相似度的计算,对待投放网页上的参考图片进行筛选处理,以实现目标广告信息的有的放矢,从而进一步降低商家的投入成本。参见图9,上述目标图片至筛选后的参考图片上的推送过程,通过如下步骤具体实现:
[0108]S701、若画面相似度符合预设要求,查找画面相似度高于预设相似度阈值的参考图片或者按照画面相似度由高至低的排序顺序对参考图片进行排名,以生成相似度排名;在相似度排名中查找排名超过预定名次的参考图片;
[0109]S702、将查找得到的参考图片进行过滤属性的匹配处理,以得到目标参考图片;
[0110]S703、将目标图片所对应的广告信息推送至目标参考图片对应的待投放网页上的预设位置。
[0111]具体的,在计算得到参考图片和目标图片的画面相似度后,首先通过以下两种方式从参考图片选取满足预设要求的画面相似度所对应的候选参考图片,一是直接可以从参考图片中查找高于预设相似度阈值的画面相似度所对应的候选参考图片,二是可以先根据上述计算的画面相似度由高至低的排序顺序(即是参考图片与目标图片的相似程度)对参考图片进行排名,以生成相似度排名,然后在相似度排名中查找排名超过预定名次的参考图片作为候选参考图片,然后通过过滤属性对上述候选参考图片进行挑选、标记和确定,从而得到目标参考图片,最后是将目标图片所对应的广告信息推送至该目标参考图片对应的待投放网页上的预设位置,根据不同广告商的不同需求,以对相似度较高的部分参考图片对应的待投放网页进行广告的推送,从而节省了成本。
[0112]其中,上述过滤属性可以是候选参考图片所覆盖的广告受众所在的地理区域属性和/或年龄性别属性,还可以是其他有关候选参考图片或广告受众的特征属性。
[0113]本发明实施例提供的网络广告推送的方法,与现有技术中基于关键字/标签数据匹配的广告投放方法由于采用模糊匹配而推送不相关的广告信息、精准度较低相比,其首先获取目标图片和位于待投放网页中的参考图片,然后计算目标图片和参考图片的画面相似度,并在画面相似度符合预设要求时,将目标图片所对应的广告信息推送至待投放网页上的预设位置,通过上述画面相似度的匹配进行广告信息推送的方式使网络广告可以针对图片内容进行推送,不仅推送精准度较高,而且也能在提升网络用户体验度的同时降低商家的投入成本。
[0114]本发明实施例还提供了一种网络广告推送的装置,装置用于执行上述网络广告推送的方法,参见图10,所述装置包括:
[0115]获取模块11,用于获取目标图片和位于待投放网页中的参考图片;
[0116]计算模块22,用于计算获取模块11获取的参考图片和目标图片的画面相似度;
[0117]推送模块33,用于在判断出计算模块22计算的画面相似度符合预设要求时,将目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0118]为了更好的计算上述画面相似度,上述计算模块22包括:提取单元和计算单元,其中,
[0119]提取单元,用于分别从获取模块11获取的参考图片和目标图片中提取第一特征信息和第二特征信息;
[0120]计算单元,用于根据提取单元提取的第一特征信息和第二特征信息,计算参考图片和目标图片的画面相似度。
[0121]考虑到在对参考图片和目标图片进行特征提取时,首先需要对参考图片和目标图片进行语义分割,然后通过语义分割的结果对参考图片和目标图片中的目标区域进行识别和特征提取,上述提取单元包括:检测子单元和提取子单元,其中,
[0122]检测子单元,用于使用预先获取的目标模型,分别对获取模块11获取的参考图片和目标图片进行检测,以得到参考图片的第一目标区域和目标图片的第二目标区域;
[0123]提取子单元,用于提取检测子单元检测到的第一目标区域的第一特征信息;以及,提取检测子单元检测到的第二目标区域的第二特征信息。
[0124]为了更好的计算画面相似度,本发明实施例首先通过训练得到的相似度模型,进行上述第一目标区域和第二目标区域之间的特征相似度的计算,然后再通过特征相似度和画面相似度的对应关系,得到参考图片和目标图片之间的画面相似度,上述计算单元包括:计算子单元和获取子单元,其中,
[0125]计算子单元,用于使用预先获取的相似度模型,计算提取单元提取的第一特征信息与第二特征信息的特征相似度;
[0126]生成子单元,用于根据计算子单元计算的特征相似度,计算参考图片和目标图片的画面相似度。
[0127]为了实现目标图片至待投放网页的推送,上述推送模块33包括:第一查找单元和第一推送单元,其中,
[0128]第一查找单元,用于查找计算模块22计算的画面相似度高于预设相似度阈值的目标图片;
[0129]第一推送单元,用于将第一查找单元查找得到的目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0130]另外,本发明实施例所提供的网络广告推送的装置还可以对画面相似度进行排名,根据排名结果进行上述目标图片至待投放网页的推送,所以,上述推送模块33还包括:排名单元、第二查找单元和第二推送单元,其中,
[0131]排名单元,用于按照计算模块22计算的画面相似度由高至低的排序顺序对目标图片进行排名,以生成相似度排名;
[0132]第二查找单元,用于在排名单元排名得到的相似度排名中查找排名超过预定名次的目标图片;
[0133]第二推送单元,用于将第二查找单元查到得到的目标图片所对应的广告信息推送至待投放网页上的预设位置。
[0134]在对参考图片和目标图片进行特征信息提取时,首先需要获取预先训练好的目标模型以实现对上述参考图片和目标图片的语义分割,因此,本发明实施例提供的网络广告推送的装置还包括获取目标模型的第一训练模块,该第一训练模块包括:建立单元、标记单元、学习单元和训练单元,其中,
[0135]建立单元,用于基于物体限定框的弱监督学习方法,建立包含广告投放范围内目标区域的第一组样本图片;
[0136]标记单元,用于利用计算机视觉主体检测算法对建立单元得到的第一组样本图片进行像素级别的标记,以得到第一组标记图片;
[0137]学习单元,用于将建立单元得到的第一组样本图片和标记单元得到的第一组标记图片进行全卷积深度学习,得到对应于第一组样本图片的目标区域的特征信息;
[0138]第一训练单元,用于利用致密采样的方法和孔洞滤波器对学习单元学习得到的特征信息进行训练,得到对应于目标区域的目标模型。
[0139]在计算参考图片的第一目标区域的第一特征信息和目标图片的第二目标区域的第二特征信息之间的特征相似度时,首先需要获取预先训练好的相似度模型以实现对上述参考图片和目标图片之间的画面相似度的计算,因此,本发明实施例提供的网络广告推送的装置还包括获取相似度模型的第二训练模块,该第二训练模块包括:获取单元和第二训练单元,其中,
[0140]获取单元,用于获取第二组样本图片和第三组样本图片;其中,第二组样本图片之间具有相似设计;第三组样本图片之间设计差异较大;
[0141]第二训练单元,用于通过共享权重的对称网络学习方法对获取单元获取的第二组样本图片与第三组样本图片进行训练,以得到第二组样本图片和/或第三组样本图片的目标区域的相似度模型。
[0142]为了节省商家的投入成本,本发明实施例所提供的网络广告推送的装置还可以根据上述画面相似度的计算,对待投放网页上的参考图片进行筛选处理,以实现目标广告信息的有的放矢,从而进一步降低商家的投入成本。本发明实施例所提供的网络广告推送的装置还包括筛选模块,该筛选模块包括:筛选单元和匹配单元;
[0143]筛选单元,用于在判断出计算模块22计算的画面相似度符合预设要求时,查找画面相似度高于预设相似度阈值的参考图片或者按照画面相似度由高至低的排序顺序对参考图片进行排名,以生成相似度排名;在相似度排名中查找排名超过预定名次的参考图片;
[0144]匹配单元,用于将筛选单元查找得到的参考图片进行过滤属性的匹配处理,以得到目标参考图片;
[0145]推送单元,用于将匹配单元匹配得到的目标图片所对应的广告信息推送至目标参考图片对应的待投放网页上的预设位置。
[0146]本发明实施例提供的网络广告推送的装置,其通过获取模块11获取目标图片和位于待投放网页中的参考图片,计算模块22计算目标图片和参考图片的画面相似度,并在画面相似度符合预设要求时,通过推送模块33将目标图片所对应的广告信息推送至待投放网页上的预设位置,通过上述画面相似度的匹配进行广告信息推送的方式使网络广告可以针对图片内容进行推送,不仅推送精准度较高,而且能够在提升网络用户体验度的同时降低商家的投入成本。
[0147]本发明实施例所提供的进行网络广告推送的方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
[0148]本发明实施例所提供的网络广告推送的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
[0149]在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
[0150]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0151]另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
[0152]所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0153]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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
[0154]最后应说明的是:以上所述实施例,仅为本发明的【具体实施方式】,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
【主权项】
1.一种网络广告推送的方法,其特征在于,所述方法包括: 获取目标图片和位于待投放网页中的参考图片; 计算所述参考图片和所述目标图片的画面相似度; 若所述画面相似度符合预设要求,则将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置。2.根据权利要求1所述的网络广告推送的方法,其特征在于,所述计算所述参考图片和所述目标图片的画面相似度,包括: 分别从所述参考图片和所述目标图片中提取第一特征信息和第二特征信息; 根据所述第一特征信息和所述第二特征信息,计算所述参考图片和所述目标图片的画面相似度。3.根据权利要求2所述的网络广告推送的方法,其特征在于,所述分别从所述参考图片和所述目标图片中提取第一特征信息和第二特征信息,包括: 使用预先获取的目标模型,分别对所述参考图片和所述目标图片进行检测,以得到所述参考图片的第一目标区域和所述目标图片的第二目标区域; 提取所述第一目标区域的第一特征信息;以及,提取所述第二目标区域的第二特征信息。4.根据权利要求3所述的网络广告推送的方法,其特征在于,所述根据所述第一特征信息和所述第二特征信息,计算所述参考图片和所述目标图片的画面相似度,包括: 使用预先获取的相似度模型,计算所述第一特征信息与所述第二特征信息的特征相似度; 根据所述特征相似度,计算所述参考图片和所述目标图片的画面相似度。5.根据权利要求1所述的网络广告推送的方法,其特征在于,所述将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置,包括: 查找画面相似度高于预设相似度阈值的目标图片; 将画面相似度高于预设相似度阈值的目标图片所对应的广告信息推送至所述待投放网页上的预设位置。6.根据权利要求1所述的网络广告推送的方法,其特征在于,所述将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置,包括: 按照所述画面相似度由高至低的排序顺序对所述目标图片进行排名,以生成相似度排名; 在所述相似度排名中查找排名超过预定名次的目标图片; 将排名超过预定名次的目标图片所对应的广告信息推送至所述待投放网页上的预设位置。7.根据权利要求3所述的网络广告推送的方法,其特征在于,所述目标模型通过如下步骤获取: 基于物体限定框的弱监督学习方法,建立包含广告投放范围内目标区域的第一组样本图片; 利用计算机视觉主体检测算法对所述第一组样本图片进行像素级别的标记,以得到第一组标记图片; 将所述第一组样本图片和所述第一组标记图片进行全卷积深度学习,得到对应于所述第一组样本图片的目标区域的特征信息; 利用致密采样的方法和孔洞滤波器对所述特征信息进行训练,得到对应于所述目标区域的目标模型。8.根据权利要求4所述的网络广告推送的方法,其特征在于,所述相似度模型通过如下步骤获取: 获取第二组样本图片和第三组样本图片;其中,所述第二组样本图片之间具有相似设计;所述第三组样本图片之间设计差异较大; 通过共享权重的对称网络学习方法对所述第二组样本图片与所述第三组样本图片进行训练,以得到所述第二组样本图片和/或所述第三组样本图片的目标区域的相似度模型。9.根据权利要求1所述的网络广告推送的方法,其特征在于,所述方法还包括: 若所述画面相似度符合预设要求,查找画面相似度高于预设相似度阈值的参考图片或者按照所述画面相似度由高至低的排序顺序对所述参考图片进行排名,以生成相似度排名;在所述相似度排名中查找排名超过预定名次的参考图片; 将查找得到的参考图片进行过滤属性的匹配处理,以得到目标参考图片; 将目标图片所对应的广告信息推送至所述目标参考图片对应的所述待投放网页上的预设位置。10.一种网络广告推送的装置,其特征在于,包括: 获取模块,用于获取目标图片和位于待投放网页中的参考图片; 计算模块,用于计算所述获取模块获取的所述参考图片和所述目标图片的画面相似度; 推送模块,用于在判断出所述计算模块计算的所述画面相似度符合预设要求时,将所述目标图片所对应的广告信息推送至所述待投放网页上的预设位置。
【文档编号】G06Q30/02GK105956878SQ201610260604
【公开日】2016年9月21日
【申请日】2016年4月25日
【发明人】陈冠, 刘政哲, 秦兴德
【申请人】广州出益信息科技有限公司