[發明專利]投放信息質量預測模型訓練方法、信息投放方法及裝置

在審

• 申請號: 202011565379.2
• 申請日: 2020-12-25
• 公開（公告）號: CN114693320A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 李俊杰;肖嚴;趙惜墨
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N20/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種投放信息質量預測模型訓練方法，其特征在于，包括：

獲取多項已投放信息，以及每項已投放信息在初始投放階段的回傳數據；

基于所述每項已投放信息在初始投放階段的回傳數據，確定每項已投放信息的樣本屬性；所述樣本屬性包括正樣本和負樣本；其中，具有正樣本屬性的已投放信息的質量分均高于具有負樣本屬性的已投放信息的質量分；

確定每項已投放信息的素材特征，其中所述素材特征包括封面特征、文本特征和視頻幀特征；

基于各項已投放信息的封面特征、文本特征、視頻幀特征，以及各項已投放信息的樣本屬性，對預設機器學習模型進行訓練，得到投放信息質量預測模型。

2.根據權利要求1所述的投放信息質量預測模型訓練方法，其特征在于，所述在初始投放階段的回傳數據包括在初始投放階段的轉化數據以及在初始投放階段的播放時長數據；

所述基于所述每項已投放信息在初始投放階段的回傳數據，確定每項已投放信息的樣本屬性包括：

判斷每項已投放信息在初始投放階段的轉化數據是否大于第一閾值，或者對每項已投放信息在初始投放階段的轉化數據和播放時長數據進行處理得到處理結果，判斷所述處理結果是否大于第二閾值；

若是，確定已投放信息的樣本屬性為正樣本；

若否，確定已投放信息的樣本屬性為負樣本。

3.根據權利要求2所述的投放信息質量預測模型訓練方法，其特征在于，所述在初始投放階段的播放時長數據包括對每項已投放信息的播放時長大于預設時長的概率；

所述對每項已投放信息在初始投放階段的轉化數據和播放時長數據進行處理得到處理結果，判斷所述處理結果是否大于第二閾值包括：

計算每項已投放信息的轉化數據與對所述每項已投放信息的播放時長大于預設時長的概率的第一乘積；

判斷所述第一乘積是否大于所述第二閾值；

或者，

基于各項已投放信息的轉化數據對各項已投放信息進行降序排序，得到第一排序列表；

基于各項已投放信息的播放時長大于預設時長的概率對各項已投放信息進行降序排序，得到第二排序列表；

對于每項已投放信息，從所述第一排序表中確定第一排序值，從所述第二排序表中確定第二排序值，計算所述第一排序值與所述第二排序值的第二乘積；

判斷所述第二乘積是否大于所述第二閾值。

4.根據權利要求1所述的投放信息質量預測模型訓練方法，其特征在于，所述確定每項已投放信息的素材特征包括：

提取每項已投放信息的視頻封面圖，基于所述視頻封面圖生成每項已投放信息的封面特征；

對每項已投放信息中包含的文本信息進行識別，生成第一文本信息；對每項已投放信息中包含的音頻信息進行識別，生成第二文本信息；基于每項已投放信息的第一文本信息和第二文本信息生成每項已投放信息的文本特征；

對每項已投放信息按幀進行劃分，得到與每項已投放信息對應的視頻幀集合，基于所述視頻幀集合生成每項已投放信息的視頻幀特征。

5.根據權利要求1所述的投放信息質量預測模型訓練方法，其特征在于，所述基于各項已投放信息的封面特征、文本特征、視頻幀特征，以及各項已投放信息的樣本屬性，對預設機器學習模型進行訓練，得到投放信息質量預測模型包括：

根據各項已投放信息的封面特征、文本特征和視頻幀特征，分別生成各項已投放信息的封面特征編碼信息、文本特征編碼信息和視頻幀特征編碼信息；

基于各項已投放信息的封面特征編碼信息、文本特征編碼信息和視頻幀特征編碼信息，以及各項已投放信息的樣本屬性，對預設機器學習模型進行訓練，得到所述投放信息質量預測模型。