一種視頻匹配廣告的方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及互聯(lián)網(wǎng)、模式識(shí)別技術(shù)領(lǐng)域，特別是涉及一種視頻匹配廣告的方法及 裝置。
【背景技術(shù)】
[0002] 目前，在線廣告作為互聯(lián)網(wǎng)最具利潤(rùn)的商業(yè)模式隨之迅猛發(fā)展，在廣告投放過程 中，需要針對(duì)不同的視頻向用戶投放與之相匹配的廣告，也就是說，針對(duì)不同的視頻向用戶 進(jìn)行個(gè)性化的廣告投放，這樣能夠明顯提高商家的經(jīng)濟(jì)效益。
[0003]在現(xiàn)有的技術(shù)中，為視頻匹配廣告采用的方式是：利用廣告和視頻描述中的詞語 重合進(jìn)行語義匹配。
[0004] 但是，由于視頻網(wǎng)站編輯視頻時(shí)通常僅添加對(duì)視頻的節(jié)目?jī)?nèi)容的描述，而對(duì)于廣 告的描述多數(shù)是關(guān)注廣告中所代言的產(chǎn)品信息，當(dāng)視頻描述與相關(guān)的廣告描述中沒有詞語 重合時(shí)，就不會(huì)為該視頻投放該廣告。例如：視頻A的視頻描述中有"蘋果手機(jī)"，廣告a的 描述中沒有"蘋果手機(jī)"而有"iPhone"的情況下，就不會(huì)將視頻A與廣告a匹配。因此，會(huì) 使得非常多的視頻無法匹配相關(guān)的廣告，導(dǎo)致視頻匹配廣告的召回率（或查全率）不高。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實(shí)施例的目的在于提供一種視頻匹配廣告的方法及裝置，以提高視頻匹配 廣告的召回率。
[0006]為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種視頻匹配廣告的方法，該方法包括：
[0007]獲得待匹配廣告的視頻的視頻描述，從廣告庫中獲得候選廣告的廣告描述；
[0008]按照預(yù)設(shè)規(guī)則，對(duì)所述視頻描述和所述廣告描述進(jìn)行分詞處理，得到視頻描述分 詞和廣告描述分詞；
[0009]將所述視頻描述分詞和廣告描述分詞輸入至預(yù)先建立的視頻廣告匹配度預(yù)測(cè)模 型；
[0010] 所述的視頻廣告匹配度預(yù)測(cè)模型，根據(jù)分詞與分布式特征向量的對(duì)應(yīng)關(guān)系，獲得 視頻描述分詞和廣告描述分詞的分布式特征向量；所述分詞與分布式特征向量的對(duì)應(yīng)關(guān) 系，是通過對(duì)視頻描述、廣告描述以及外部語料進(jìn)行訓(xùn)練獲得的；
[0011] 所述的視頻廣告匹配度預(yù)測(cè)模型，將所述視頻描述分詞和所述廣告描述分詞的分 布式特征向量輸入至模型中的多層卷積神經(jīng)網(wǎng)絡(luò)，得到所述待匹配廣告的視頻與候選廣告 的匹配值；所述多層卷積神經(jīng)網(wǎng)絡(luò)，是依據(jù)廣告點(diǎn)擊率的提升度進(jìn)行訓(xùn)練獲得的；
[0012] 若所述匹配值大于預(yù)設(shè)的匹配度閾值，則所述待匹配廣告的視頻與候選廣告相匹 配。
[0013] 較佳的，所述將所述視頻描述分詞和所述廣告描述分詞的分布式特征向量輸入至 模型中的多層卷積神經(jīng)網(wǎng)絡(luò)，得到所述待匹配廣告的視頻與候選廣告的匹配值的步驟，包 括：
[0014] II、所述多層卷積神經(jīng)網(wǎng)絡(luò)中的一維卷積神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的所述視頻描述分 詞和廣告描述分詞的分布式特征向量進(jìn)行一維卷積運(yùn)算，得到視頻描述分詞和廣告描述分 詞的分布式特征一維擴(kuò)展向量，輸出至第一最大池化層；
[0015] 12、所述第一最大池化層，對(duì)輸入的分布式特征一維擴(kuò)展向量，通過下采樣算法進(jìn) 行數(shù)據(jù)壓縮，得到第一最大池化層二維向量，輸出至第一二維卷積神經(jīng)網(wǎng)絡(luò)層；
[0016] 13、所述第一二維卷積神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的第一最大池化層二維向量，通過二維 卷積運(yùn)算，得到與輸入向量維度相同的多個(gè)二維卷積神經(jīng)網(wǎng)絡(luò)層二維向量；用激活函數(shù)對(duì) 所述多個(gè)二維卷積神經(jīng)網(wǎng)絡(luò)層二維向量中每個(gè)元素進(jìn)行計(jì)算，獲得相同數(shù)量的多個(gè)計(jì)算后 的二維向量，輸出至與其相連的下一中間最大池化層；
[0017] 14:所述下一中間最大池化層，對(duì)輸入的多個(gè)計(jì)算后的二維向量，通過下采樣算法 進(jìn)行數(shù)據(jù)壓縮，得到中間最大池化層二維向量，輸出至與其相連的下一中間二維神經(jīng)網(wǎng)絡(luò) 層；
[0018] 15 :所述下一中間二維神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的中間最大池化層二維向量，通過二維 卷積運(yùn)算，得到與輸入向量維度相同的多個(gè)中間二維卷積神經(jīng)網(wǎng)絡(luò)層二維向量，用激活函 數(shù)對(duì)所述多個(gè)中間二維卷積神經(jīng)網(wǎng)絡(luò)層二維向量中每個(gè)元素進(jìn)行計(jì)算，獲得相同數(shù)量的多 個(gè)計(jì)算后的二維向量，判斷獲得的多個(gè)計(jì)算后的二維向量，是否為1X1的二維向量，如果 是，則執(zhí)行步驟16 ;否則輸出至與其相連的下一中間最大池化層，返回步驟14 ;
[0019] 16 :將得到的全部向量的元素生成一個(gè)一維的目標(biāo)向量；
[0020] 17:采用預(yù)設(shè)的算法對(duì)獲得的目標(biāo)向量進(jìn)行運(yùn)算，得到視頻描述和廣告描述的匹 配值。
[0021] 較佳的，所述分詞與分布式特征向量的對(duì)應(yīng)關(guān)系，是通過對(duì)視頻描述、廣告描述以 及外部語料，采用非監(jiān)督式訓(xùn)練方法訓(xùn)練獲得的。
[0022] 較佳的，所述采用非監(jiān)督式訓(xùn)練方法訓(xùn)練的過程包括：
[0023]a:獲得視頻描述、廣告描述或外部語料中的一段文字描述；
[0024] b:對(duì)所述文字描述進(jìn)行分詞處理，得到N個(gè)描述分詞；
[0025]c:將所述N個(gè)描述分詞映射為N個(gè)長(zhǎng)度為m的一維連續(xù)特征向量；
[0026] d:對(duì)前N-1個(gè)長(zhǎng)度為m的一維連續(xù)特征向量進(jìn)行加權(quán)平均運(yùn)算，得到一個(gè)預(yù)測(cè)向 量；
[0027]e:當(dāng)利用所述預(yù)測(cè)向量預(yù)測(cè)第N個(gè)描述分詞時(shí)，判斷預(yù)測(cè)分詞與實(shí)際第N個(gè)描述 分詞預(yù)測(cè)誤差率是否低于預(yù)設(shè)的預(yù)測(cè)閾值：
[0028] 如果是，分布式特征訓(xùn)練結(jié)束，所述的N個(gè)一維連續(xù)特征向量為所述N個(gè)描述分詞 所對(duì)應(yīng)的N個(gè)分布式特征向量；如果否，利用反向傳播算法調(diào)整所述N個(gè)一維連續(xù)特征向 量，得到新的N個(gè)長(zhǎng)度為m的一維連續(xù)特征向量，繼續(xù)執(zhí)行步驟d和步驟e。
[0029] 較佳的，依據(jù)廣告點(diǎn)擊率的提升度進(jìn)行訓(xùn)練獲得多層卷積神經(jīng)網(wǎng)絡(luò)的步驟，包 括：
[0030] f:從多層卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本中獲取一個(gè)樣本視頻廣告對(duì)的樣本視頻描述、 樣本廣告描述以及所述樣本視頻廣告對(duì)的廣告點(diǎn)擊率提升度L;
[0031] g:按照所述預(yù)設(shè)規(guī)則，對(duì)所述樣本視頻描述和樣本廣告描述進(jìn)行分詞處理，得到 樣本視頻描述分詞和樣本廣告描述分詞；
[0032] h:對(duì)所述樣本視頻描述分詞和所述樣本廣告描述分詞進(jìn)行分布式特征訓(xùn)練，分別 得到樣本視頻描述分詞和樣本廣告描述分詞的樣本分布式特征向量，其中，所述樣本視頻 描述分詞和樣本廣告描述分詞的樣本分布式特征向量為多層卷積神經(jīng)網(wǎng)絡(luò)的輸入；
[0033] i:多層卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的樣本視頻描述分詞和樣本廣告描述分詞的樣本分 布式特征向量進(jìn)行訓(xùn)練，得到樣本視頻描述和樣本廣告描述的樣本匹配值L';
[0034] j:判斷L'和L的誤差范圍是否低于預(yù)設(shè)的樣本訓(xùn)練誤差閾值：
[0035] 如果是，多層卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)束，確定每層神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元的權(quán)值 如果否，利用反向傳播算法調(diào)整每層神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的權(quán)值《，然后，繼續(xù)執(zhí)行步驟 f至步驟j。
[0036]較佳的，所述步驟i，包括：
[0037] il:所述多層卷積神經(jīng)網(wǎng)絡(luò)中的一維卷積神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的所述樣本視頻描 述分詞和樣本廣告描述分詞的樣本分布式特征向量進(jìn)行一維卷積運(yùn)算，得到樣本視頻描述 分詞和樣本廣告描述分詞的樣本分布式特征一維擴(kuò)展向量，輸出至第一最大池化層；
[0038] i2:所述第一最大池化層，對(duì)輸入的樣本分布式特征一維擴(kuò)展向量，通過下采樣算 法進(jìn)行數(shù)據(jù)壓縮，得到第一最大池化層樣本二維向量，輸出至第一二維卷積神經(jīng)網(wǎng)絡(luò)層；
[0039]i3:所述第一二維卷積神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的第一最大池化層樣本二維向量，通過 二維卷積運(yùn)算，得到與輸入向量維度相同的多個(gè)二維卷積神經(jīng)網(wǎng)絡(luò)層樣本二維向量；用激 活函數(shù)對(duì)所述多個(gè)二維卷積神經(jīng)網(wǎng)絡(luò)層樣本二維向量中每個(gè)元素進(jìn)行計(jì)算，獲得相同數(shù)量 的多個(gè)計(jì)算后的樣本二維向量，輸出至與其相連的下一中間最大池化層；
[0040] i4:所述下一中間最大池化層，對(duì)輸入的多個(gè)計(jì)算后的樣本二維向量，通過下采樣 算法進(jìn)行數(shù)據(jù)壓縮，得到中間最大池化層樣本二維向量，輸出至與其相連的下一中間二維 神經(jīng)網(wǎng)絡(luò)層；
[0041] i5 :所述下一中間二維神經(jīng)網(wǎng)絡(luò)層，對(duì)輸入的中間最大池化層樣本二維向量，通過 二維卷積運(yùn)算，得到與輸入向量維度相同的多個(gè)中間二維卷積神經(jīng)網(wǎng)絡(luò)層樣本二維向量， 用激活函數(shù)對(duì)所述多個(gè)中間二維卷積神經(jīng)網(wǎng)絡(luò)層樣本二維向量中每個(gè)元素進(jìn)行計(jì)算，獲得 相同數(shù)量的多個(gè)計(jì)算后的樣本二維向量，判斷獲得的多個(gè)計(jì)算后的樣本二維向量，是否為 1X1的二維向量，如果是，則執(zhí)行步驟i6;否則輸出至與其相連的下一中間最大池化層，返 回步驟i4;
[0042] i6 :將得到的全部向量的元素生成一個(gè)一維的樣本目標(biāo)向量；
[0043] i7:采用預(yù)設(shè)的算法對(duì)獲得的樣本目標(biāo)向量進(jìn)行運(yùn)算，得到樣本視頻描述和樣本 廣告描述的樣本匹配值L'。
[0044] 較佳的，所述廣告點(diǎn)擊率的提升度，為：
[0045]
[0046] 其中，ctr(ad，vide())為目標(biāo)廣告在目標(biāo)視頻上的點(diǎn)擊率，ctrad為目標(biāo)廣告在全部視 頻上的平均點(diǎn)擊率，ctrvide。為目標(biāo)視頻上的全部廣告的平均點(diǎn)擊率。
[0047] 較佳的，所述激活函數(shù)為：ReLU函數(shù)，為：
[0048]
[0049] 其中，Xi為二維卷積神經(jīng)網(wǎng)絡(luò)層的輸入，y」為二維卷積神經(jīng)網(wǎng)絡(luò)層的輸出，《 u為 所述激活函數(shù)所處的每層神經(jīng)網(wǎng)絡(luò)中神經(jīng)元權(quán)值向量中的元素，是連接輸入i和輸出j的 權(quán)值。
[0050] 較佳的，所述預(yù)設(shè)的算法為：
[0051]
[0052] 其中，x為輸入向量，y為視頻廣告的匹配值，《為每層神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的權(quán)值 向量，《與x具有相同的維度。
[0053] 為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種視頻匹配廣告的裝置，該裝置包括：
[0054] 視頻廣告描述獲得模塊，用于獲得待匹配廣告的視頻的視頻描述，從廣告庫中獲 得候選廣告的廣告描述；
[0055] 視頻廣告描述分詞處理模塊，用于按照預(yù)設(shè)規(guī)則，對(duì)所述視頻描述和所述廣告描 述進(jìn)行分詞處理，得到視頻描述分詞和廣告描述分詞；
[0056] 視頻廣告匹配度預(yù)測(cè)模型輸入模塊，用于將所述視頻描述分詞和廣告描述分詞輸 入至預(yù)先建立的視頻廣告匹配度預(yù)測(cè)模型；
[0057] 視頻廣告分布式特征獲得模塊，用于在所述的視頻廣告匹配度預(yù)測(cè)模型中，根據(jù) 分詞與分布式特征向量的對(duì)應(yīng)關(guān)系，獲得視頻描述分詞和廣告描述分詞的分布式特征向 量；所述分詞與分布式特征向量的對(duì)應(yīng)關(guān)系，是通過對(duì)視頻描述、廣告描述以及外部語料進(jìn) 行訓(xùn)練獲得的；
[0058] 視頻廣告匹配度預(yù)測(cè)模型輸出模塊，用于在所述的視頻廣告匹配度預(yù)測(cè)模型中， 將所述視頻描述分詞和所述廣告描述分詞的分布式特征向量輸入至模型中的多層卷積神 經(jīng)網(wǎng)絡(luò)，得到所述待匹配廣告的視頻與候選廣告的匹配值；所述多層卷積神經(jīng)網(wǎng)絡(luò)，是依據(jù) 廣告點(diǎn)擊率的提升度進(jìn)行訓(xùn)練獲得的；
[0059] 視頻廣告匹配判斷模塊，若所述匹配值大于預(yù)設(shè)的匹配度閾值，則所述待匹配廣 告的視頻與候選廣告相匹配。
[0060] 較佳的，所述視頻廣告匹配度預(yù)測(cè)模型輸出模塊，包括：
[0061] 分布式特征向量輸入子模塊，用于將所述視頻描述分詞和所述廣告描述分詞的分 布式特征向量輸入至模型中的多層卷積神經(jīng)網(wǎng)絡(luò)中的一維卷積神經(jīng)網(wǎng)絡(luò)層；
[0062] -維卷積神經(jīng)網(wǎng)絡(luò)層處理子模塊，用于對(duì)輸入一維卷積神經(jīng)網(wǎng)絡(luò)層的所述視頻描 述分詞和廣告描述分詞的分布式特征向量進(jìn)行一維卷積運(yùn)算，得到視頻頻描分詞和廣告頻 描分詞的分布式特征一維擴(kuò)展向量，輸出至第一最大池化層；
[0063] 第一最大池化層處理子模塊，用于對(duì)輸入所述第一最大池化層的分布式特征一維 擴(kuò)展向量，通過下