[發(fā)明專利]一種互聯(lián)網(wǎng)推廣信息的智能配圖方法及裝置

有效

• 申請?zhí)枺?/td>: 201710374160.6
• 申請日: 2017-05-24
• 公開（公告）號: CN107193962B
• 公開（公告）日: 2021-06-11
• 發(fā)明（設計）人: 楊汝濤;李枚芳
• 申請（專利權）人: 百度在線網(wǎng)絡技術(北京)有限公司
• 主分類號: G06F16/58
• 分類號: G06F16/58;G06F16/583;G06T11/60
• 代理公司: 北京鴻德海業(yè)知識產(chǎn)權代理有限公司 11412
• 代理人: 袁媛

本申請?zhí)峁┮环N互聯(lián)網(wǎng)推廣信息的智能配圖方法及裝置。本申請實施例通過獲取通用文本的通用配圖集；將所述通用文本擴展到創(chuàng)意文本；根據(jù)與所述創(chuàng)意文本的相關性，從所述通用配圖集中獲取一幅或多幅通用配圖與所述創(chuàng)意文本進行組合，生成互聯(lián)網(wǎng)推廣信息。能夠避免現(xiàn)有技術中由于互聯(lián)網(wǎng)推廣信息圖片的質(zhì)量參差不齊，存在大量低價值的圖片、圖文描述不符，極大地影響了用戶視覺上的體驗的問題，提高了圖片與文字的相關度，保證互聯(lián)網(wǎng)推廣信息的原生性。

【技術領域】

本申請涉及互聯(lián)網(wǎng)應用領域，尤其涉及一種互聯(lián)網(wǎng)推廣信息的智能配圖方法及裝置。

【背景技術】

目前，隨著社會經(jīng)濟的高速發(fā)展，互聯(lián)網(wǎng)推廣信息已經(jīng)成為了一種十分重要的商業(yè)宣傳和營銷手段，企業(yè)投放大量互聯(lián)網(wǎng)推廣信息在互聯(lián)網(wǎng)等新媒體平臺，以獲得巨大的經(jīng)濟收益。在目前的互聯(lián)網(wǎng)推廣信息領域，配圖的推廣信息是用戶比較樂意接受的一種形式，而配圖的質(zhì)量，直接影響著用戶的體驗。

現(xiàn)有的互聯(lián)網(wǎng)推廣信息中配圖質(zhì)量參差不齊，存在以下情況：

大量低價值的圖片，如圖片中含有水印、圖片中含有違反法律、社會公德或妨害公共利益的內(nèi)容，或圖片內(nèi)容存在與文字描述的不一致性，不能完整準確的體現(xiàn)文字描述的內(nèi)容。極大地影響了用戶視覺上的體驗，因而需要一種智能配圖方法，提高圖片與文字的相關度，保證互聯(lián)網(wǎng)推廣信息的原生性。

【發(fā)明內(nèi)容】

本申請的多個方面提供一種互聯(lián)網(wǎng)推廣信息的智能配圖方法及裝置，用以提高互聯(lián)網(wǎng)推廣信息的圖片文字相關度。

本申請的一方面，提供一種互聯(lián)網(wǎng)推廣信息的智能配圖方法，包括：

獲取通用文本的通用配圖集；

將所述通用文本擴展到創(chuàng)意文本；

根據(jù)與所述創(chuàng)意文本的相關性，從所述通用配圖集中獲取一幅或多幅通用配圖與所述創(chuàng)意文本進行組合，生成互聯(lián)網(wǎng)推廣信息。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述獲取通用文本的通用配圖集，包括：

對全網(wǎng)用戶的搜索日志進行分析和挖掘，得到全網(wǎng)用戶的興趣主體和/或高頻查詢詞，進行聚類及去重處理，得到候選文本；

將所述候選文本作為搜索關鍵詞在預先建立的圖片文本信息的索引中進行搜索，獲得與所述候選文本匹配的索引；

獲得與所述候選文本匹配的索引對應的圖片，將所述候選文本作為通用文本，并將所述圖片作為通用配圖；

將所有通用配圖組合為通用配圖集。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述獲取通用文本的通用配圖集，包括：

經(jīng)過人工/自動審核過濾其中不符合廣告法以及涉黃、賭博、含有水印的圖片。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述將通用文本擴展到創(chuàng)意文本，包括：

在預先訓練得到的生成觸發(fā)模型中輸入待擴展的通用文本，生成所述待擴展的通用文本對應的創(chuàng)意文本。

如上所述的方面和任一可能的實現(xiàn)方式，進一步提供一種實現(xiàn)方式，所述生成觸發(fā)模型采用以下方式預先訓練得到：

選取訓練樣本，所述訓練樣本包括通用文本與通用文本的正負創(chuàng)意文本；

獲取訓練樣本輸入至原始深層神經(jīng)網(wǎng)絡中，并根據(jù)所述原始深層神經(jīng)網(wǎng)絡基于所述訓練樣本的輸出結果，沿著最小化損失函數(shù)的方向，反向逐層更新所述原始深層網(wǎng)絡中各層的加權參數(shù)，以使得損失函數(shù)最小。