广告文案生成方法、装置、设备以及可读存储介质与流程
本发明涉及计算机技术领域，尤其涉及一种广告文案生成方法、装置、设备以及计算机可读存储介质。
背景技术：
广告本身是向社会大众传递信息的宣传手段，也是许多公司的重要收入来源之一，而现有的广告平台主要利用两种方式进行广告文案创作，一是基于创作者的经验进行广告文案创作，二是基于人工智能算法进行自动创作，但是，不论是依赖人工创作或者使用机器学习算法进行文案自动创作，都无法及时地知道创作出来的广告文案是否满足用户的需求，从而有可能导致创作出来的广告文案点击率过低。因此，如何提高自动生成的广告文案的点击率成为了目前亟待解决的技术问题。
技术实现要素：
本发明的主要目的在于提供一种广告文案生成方法、装置、设备和计算机存储介质，旨在提高自动生成的广告文案的点击率的技术问题。
为实现上述目的，本发明提供一种广告文案生成方法、装置、设备以及计算机可读存储介质，所述广告文案生成方法包括：
获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；
获取所述广告素材库中的各备用风格，并基于所述源风格建立各源深度神经网络模型；
获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；
基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案。
可选地，所述基于所述历史广告文案和各所述深度神经网络模型生成各备用风格对应的高级广告文案的步骤，包括：
在各所述深度神经网络模型中，对所述历史广告文案进行编码，以获取所述历史广告文案对应的向量数值编码；
基于各所述备用风格对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述基于各所述备用风格对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案的步骤，包括：
获取各所述备用风格对应的各初级数值编码；
获取所述向量数值编码和各所述初级数值编码之间的各最小化相对熵，并基于各所述最小化相对熵确定各模型参数；
基于各所述模型参数对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述基于各所述模型参数对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案的步骤包括：
基于各所述模型参数，在各所述深度神经网络模型中，获取所述向量数值编码中的目标文案词典概率分布；
基于所述目标文案词典概率分布，对各所述深度神经网络模型中的目标文案词典进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化的步骤，包括：
获取各所述源深度神经网络模型中的文案布局；
获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述文案布局进行优化。
可选地，所述获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述部分文案布局进行优化的步骤，包括：
获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型确定所述历史广告文案的预估点击率；
基于所述预估点击率对各所述部分文案布局进行优化。
可选地，所述获取所述广告素材库中的各备用风格的步骤，包括：
判断所述广告素材库中是否存在备用风格；
若在所述广告素材库中不存在目标备用风格，则自动构建所述备用风格，并自动获取所述备用风格；
若在所述广告素材库中存在备用风格，则自动获取所述备用风格。
此外，为实现上述目的，本发明还提供一种广告文案生成装置，所述广告文案生成装置包括：
获取模块，获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；
建立模块，获取所述广告素材库中的各备用风格，并基于源风格建立各源深度神经网络模型；
优化模块，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；
生成模块，基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案；
此外，为实现上述目的，本发明还提供一种广告文案生成设备；
所述广告文案生成设备包括：存储器、检测通道、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中：
所述计算机程序被所述处理器执行时实现如上所述的广告文案生成方法的步骤。
此外，为实现上述目的，本发明还提供计算机存储介质；
所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的广告文案生成方法的步骤。
本发明实施例提出的一种广告文案生成方法、装置、设备及可读存储介质，通过获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；获取所述广告素材库中的各备用风格，并基于所述源风格建立各源深度神经网络模型；获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案。通过将人工创作的历史广告文案和点击率预估模型输入到显示终端中，如广告平台，再利用深度神经网络模型进行广告文案的生成，并且在利用深度神经网络模型进行广告文案的生成之前会对深度神经网络模型进行强化学习优化，以提高生成的高级广告文案的点击率，并且当生成各个高级广告文案后，还可以对各个高级广告文案进行点击率预估，以获取目标广告文案，从而能够快速有效地获取到用户需要的目标广告文案，并且通过此方法创作出的目标广告文案即能保持历史广告文案的语义又能尽可能地最大化点击率，达到了提高自动生成的广告文案点击率的技术效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端\装置结构示意图；
图2为本发明广告文案生成方法第一实施例的流程示意图；
图3为本发明广告文案生成方法第二实施例的流程示意图；
图4为本发明广告文案生成设备一实施例的系统结构示意图；
图5为本发明广告文案生成方法中编码器-解码器工作场景示意图；
图6为本发明广告文案生成方法中点击率驱动的文案生成与分析方法的整体框架图；
图7为本发明广告文案生成方法中点击率预估模型的工作原理。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为广告文案生成设备。
如图1所示，该终端可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及广告文案生成程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的广告文案生成程序，并执行以下操作：
获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；
获取所述广告素材库中的各备用风格，并基于源风格建立各源深度神经网络模型；
获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；
基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案。
本发明提供一种广告文案生成方法，在广告文案生成方法第一实施例中，参照图2，广告文案生成方法包括以下步骤：
步骤s10，获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；
广告文案可以是广告作品的全部，包含广告作品的语音文字部分和图画部分等。在显示终端中，需要先获取历史广告文案和广告素材库，而获取历史广告文案的方式可以是用户基于自身的喜好需求，在显示终端中预存的各个广告文案信息中选择一个广告文案作为用户需要的历史广告文案，也可以是将用户自行在显示终端中自行创作的广告文案作为用户需要的历史广告文案，还可以是用户在互联网上基于自身的喜好需求选择出一篇广告文案作为用户需要的历史广告文案，在此不做限制，并当在显示终端中获取到历史广告文案后，还需要获取此历史广告文案的源风格。其中，源风格可以是此历史广告文案的行文风格、排版布局等。
步骤s20，获取所述广告素材库中的各备用风格，并基于源风格建立各源深度神经网络模型；
当在显示终端中获取到广告素材库后，还需要获取确定广告素材库中的各个广告风格，并从这些广告风格中筛选出用户需要的备用风格，并且，在广告素材库中的多个广告风格中筛选出用户需要的备用风格的数量，可以不局限于只选择一个备用风格，可以选择多个备用风格，甚至可以将广告素材库中的所有广告风格均作为备用风格。然后在根据原先获取到的历史广告文案的源风格训练生成端到端、序列到序列的各个源深度神经网络模型，即每个目标风格均有一个与之对应的源深度神经网络模型，并且每个源深度神经网络模型都是相互独立、互不关联的。其中，源深度神经网络模型的作用可以是直接根据历史广告文案生成其它风格的广告文案。
步骤s30，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；
当在显示终端中建立好各个源深度神经网络模型后，还需要获取显示终端中的点击率预估模型，并根据此点击率预估模型对各个源深度神经网络模型进行强化学习，从而获取到各个深度神经网络模型。例如，当在显示终端中已建立好一个源深度神经网络模型后，可以采用critic模型对源深度神经网络模型中给定部分文案进行点击率预估，当发现得到的点击率小于用户提前设置的某一个定值时，可以提醒源深度神经网络模型重新对该给定部分文案进行排版，直到检测出的点击率大于等于用户提前设置的定值，并在源深度神经网络模型中保留此源深度神经网络模型，即新的神经网络模型。
步骤s40，基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案；
当在显示终端中已建立好各个深度神经网络模型后，由于用户提前在显示终端中已获取到历史广告文案，各个深度神经网络模型会在保持语义的前提下自动生成各个备用风格对应的各个高级广告文案，即在显示终端中，综合所有的深度神经网络可以自动创作不同风格的高级广告文案。其中深度神经网络模型生成各高级广告文案的方式是基于编码器和解码器的结构来进行的，并且编码器仅负责广告文案的语义信息，解码器依赖于语义信息并仅负责风格信息。
例如，如图5所示，图中包含内容编码器、风格解码器、源风格语料、si风格语料、向量表示、风格变换和生成文案。其中，内容编码器和风格解码器都需要应用到递归神经网络，递归神经网络按顺序遍历一句文案，并将整句文案编码为固定长度的数值向量表示，并且，从直观上看，此数值向量表示囊括了给定文案的主要信息。首先，内容编码器利用递归神经网络将广告文案编码，然后风格解码器根据此向量编码进行解码并自动生成广告文案。
为辅助理解获取最佳广告文案的工作原理，以下用一具体例子解释说明：
例如，如图6所示，图6为点击率驱动的文案生成与分析方法的整体框架图，先通过源风格编码器对查询文案进行编码，然后根据不同风格语料训练多个深度神经网络模型，并在各个深度神经网络模型中均用解码器进行解码，如si风格解码器，并且在si风格解码器进行解码的同时，获取查询文案对应的伪文案，并将此伪文案导入critic模型，并通过点击率预估模型对critic模型中的字、整句文案等进行预估点击率，并基于此预估点击率对待生成的字、整句文案等进行优化，si风格解码器基于此critic模型的优化结果生成海量的文案方案，然后再采用点击率预估模型对各个文案方案进行排序，如文案方案1、文案方案2等，最后从这些文案方案中选出最佳文案方案进行文案推荐。
在本实施例中，通过获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；获取所述广告素材库中的各备用风格，并基于所述源风格建立各源深度神经网络模型；获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案。通过将人工创作的历史广告文案和点击率预估模型输入到显示终端中，如广告平台，再利用深度神经网络模型进行广告文案的生成，并且在利用深度神经网络模型进行广告文案的生成之前会对深度神经网络模型进行强化学习优化，以提高生成的高级广告文案的点击率，并且当生成各个高级广告文案后，还可以对各个高级广告文案进行点击率预估，以获取目标广告文案，从而能够快速有效地获取到用户需要的目标广告文案，并且通过此方法创作出的目标广告文案即能保持历史广告文案的语义又能尽可能地最大化点击率，达到了提高自动生成的广告文案点击率的技术效果。
进一步地，在本发明第一实施例的基础上，提出了本发明广告文案生成方法的第二实施例，本实施例是本发明第一实施例的步骤s30的步骤细化，参照图3，所述步骤s40包括：
步骤s41，在各所述深度神经网络模型中，对所述历史广告文案进行编码，以获取所述历史广告文案对应的向量数值编码；
步骤s42，基于各所述备用风格对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
在显示终端中，通过递归神经网络对历史广告文案按顺序遍历一句文案，并将整句文案编码为固定长度的数值向量表示，直观上来说，此数值向量表示囊括了历史广告文案的所有主要信息，然后再采用编码器对此历史广告文案的数值向量进行编码，从而获取到此历史广告文案对应的向量数值编码。并且，由于提前在显示终端中已建立好各个深度神经网络模型，而每个深度神经网络模型都可以创作出相对独立的广告文案，也就是说，不同深度神经网络模型创作出的广告文案其风格不相同，所以当在各个深度神经网络模型中对各个历史广告文案进行编码，并获取到各个向量数值编码后，又由于在各个深度神经网络模型中均有两对编码器和解码器，即历史广告文案对应的编码器和解码器，备用风格对应的编码器和解码器，固还需要在各个深度神经网络模型中，获取各备用风格对应的解码器，并在各个深度神经网络模型中采用各备用风格对应的解码器进行解码，从而生成各备用风格对应的高级广告文案。
在本实施例中，通过对历史广告文案进行编码以获取向量数值编码，并在各个深度神经网络模型中采用备用风格对应的解码器对向量数值编码进行解码，从而保证了各个深度神经网络模型生成的高级广告文案的语义的准确性。
具体地，基于各所述备用风格对各所述向量数值编码进行解码，以生成各备用风格对应的高级广告文案的步骤，包括：
步骤s44，获取各所述备用风格对应的各初级数值编码；
步骤s45，获取所述向量数值编码和各所述初级数值编码之间的各最小化相对熵，并基于各所述最小化相对熵确定各模型参数；
步骤s46，基于各所述模型参数对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
相对熵可以是kl散度(kullback-leiblerdivergence)，是描述两个概率分布p和q差异的一种方法。在将历史广告文案对应的向量数值编码分别输入到各个深度神经网络模型之后，还需要在每个深度神经网络模型中，确定各个深度神经网络模型对应的备用风格，再采用编码器确定各备用风格对应的各初级数值编码，即获取各个深度神经网络模型中备用风格语料的初级数值编码。并且，在深度神经网络模型中，为了成功地将历史广告文案的内容和风格解耦，需要在各个深度神经网络模型中，获取此历史广告文案对应的向量数值编码和初级数值编码之间的相对熵，也就是说，有多少个神经网络模型就有多少个相对熵，又由于每个深度神经网络模型生成的各不同风格的广告文案，其内容相似，所以最小化相对熵可以成功的捕捉到正确的语义信息，因此为了生成符合备用风格的广告文案，需要最小化各个深度神经网络模型中的各个相对熵。而最小化各个深度神经网络模型中的各个相对熵，需要更改深度神经网络模型中的模型参数，从而调整各个相对熵，当各个深度神经网络模型中的各个相对熵已经最小化后，还需要确定此时各个深度神经网络模型的模型参数，即各个最小化相对熵对应的各个模型参数，然后再根据各个模型参数，对各个深度神经网络模型中的向量数值编码进行解锁，以获取到各备用风格对应的高级广告文案。
在本实施例中，通过在深度神经网络模型中获取向量数值编码和初级数值编码之间的相对熵，并最小化相对熵，从而提高了生成高级广告文案的语义的准确性。
具体地，基于各所述模型参数对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案的步骤包括：
步骤s461，基于各所述模型参数，在各所述深度神经网络模型中，获取所述向量数值编码中的目标文案词典概率分布；
步骤s462，基于所述目标文案词典概率分布，对各所述深度神经网络模型中的目标文案词典进行解码，以生成各所述备用风格对应的高级广告文案。
在每个深度神经网络模型中，基于其预估点击率和最小化相对熵，获取向量数值编码中的目标文案词典概率分布，并获取此概率分布的最大值或者根据该概率分布随机采样而来的字，再生成此获取到的字，并且，后续的目标文案词典中的字均采用同样的原理，来生成各个字，直到目标文案词典中的所有字全部解码，从而生成各个备用风格对应的高级广告文案。
为辅助理解解码的工作原理，以下用一具体例子解释说明：
例如，将预训练的广告生成模型作为actor，为了生成文案，该模型将解码器的输出向量
在本实施例中，通过确定向量数值编码中的目标文案词典概率分布，来对概率最大的字进行解码，从而最大可能地提高了目标广告文案的点击率。
进一步地，在本发明第一至第二实施例任意一个的基础上，提出了本发明广告文案生成方法的第三实施例，本实施例是在本发明第一实施例的步骤s30的细化，包括：
步骤s31，获取各所述源深度神经网络模型中的部分文案布局；
步骤s32，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述部分文案布局进行优化。
在显示终端中，需要获取各个源深度神经网络模型中的部分文案布局，需要说明的是，不论在源深度神经网络模型中对文案布局如何优化，都需要保证生成的广告文案的语义信息和历史广告文案的语义信息一致。在显示终端中还需要获取点击率预估模型，并根据此点击率预估模型对各个源深度神经网络模型中的部分文案布局进行优化，直到各个源深度神经网络模型中的文案布局的预测点击率已达到用户的需求。
为辅助理解源深度神经网络模型优化的工作原理，以下用一具体例子解释说明：
例如，当点击率预测模型采用advantageactor-critic算法时，先额外建立一个critic模型来指导源深度神经网络模型进行动作决策。在时刻t，actor生成t个字的文案，而critic则根据这个不完整文案计算完整文案的预测点击率，并判断此预测点击率是否达到用户预设值，若发现已达到，则保持源深度神经网络模型不变，若没有达到，则对源深度神经网络模型进行强化学习，直到预测点击率达到用户预设值，从而获取到深度神经网络模型。
在本实施例中，通过采用点击率预估模型对源深度神经网络模型进行优化，从而提高生成广告文案的点击率，并且在保证生成广告文案语义不变的情况下，提高了用户的使用体验感。
具体地，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述部分文案布局进行优化的步骤，包括：
步骤s321，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型确定所述历史广告文案的预估点击率；
步骤s322，基于所述预估点击率对各所述部分文案布局进行优化。
在显示终端中，需要获取历史广告文案对应的伪文案，并需要将获取到的伪文案输入到点击率预估模型中，从而获取到此伪文案的预测点击率，并根据此伪文案的预测点击率确定历史广告文案的预估点击率，再根据此预估点击率对各个源深度神经网络模型中的部分文案布局进行优化，即以生成高级广告文案的最大点击率为目标对各个源深度神经网络模型进行强化学习。
为辅助理解点击率预估模型的工作原理，以下用一具体例子解释说明：
如图7所示，采用advantageactor-critic算法，以最大化生成一句文案的点击率为目标，并对深度神经网络模型进行强化学习训练，又由于目标广告文案的生成过程可以视为连续状态空间的马尔科夫决策过程，并且点击率预估模型的评价指标如用户点击率是不能直接优化的，因此可以直接将其抽象为强化学习模型。该强化学习模型将解码器产生的隐藏层空间向量
预先将生成文案的预估点击率作为奖励，并在强化学习模型中，将伪文案生成模型作为actor，并建立一个critic模型来指导文案生成模型进行动作决策，并且该critic模型可以基于给定部分文案来估计完整文案的期望奖励。
critic模型接收给定文案x＝(x1，x2，...，xl)作为输入，并根据文案生成模型得到一个伪文案
在本实施例中，通过获取历史广告文案的预估点击率，并根据此预估点击率对深度神经网络模型进行优化，从而提高了自动生成的广告文案的点击率，保障了用户的使用体验感。
进一步地，在本发明第一至第三实施例任意一个的基础上，提出了本发明广告文案生成方法的第四实施例，本实施例是在本发明第一实施例的步骤s20，获取所述广告素材库中的各目标风格的步骤的细化，包括：
步骤s21，判断所述广告素材库中是否存在备用风格；
步骤s22，若在所述广告素材库中不存在备用风格，则自动构建所述备用风格，并自动获取所述备用风格；
步骤s23，若在所述广告素材库中存在备用风格，则自动获取所述备用风格。
在获取到显示终端中的广告素材库后，还需要判断此广告素材库中是否存在用户需要的各种备用风格，当经过判断发现，在此广告素材库中不存在用户需要的各个备用风格时，可以利用分类、聚类等算法进行构建，从而获取到用户需要的备用风格。但是，当经过判断发现，在此广告素材库中存在用户需要的各个备用风格时，则可以自动获取广告素材库中的所有备用风格，需要说明的是，当用户基于自身的喜好需求判定广告素材库的备用风格较少时，也可以通过分类、聚类等算法进行构建其它备用风格，从而满足用户的需求。
在本实施例中，通过判断确定广告素材库中是否存在符合用户需求的备用风格，并当确定不存在符合用户需求的备用风格时，可以自动构建用户需要的备用风格，从而提高了其智能化效果，保障了用户的使用体验感。
此外，参照图4，本发明实施例还提出一种广告文案生成装置，所述广告文案生成装置包括：
获取模块，获取显示终端中的历史广告文案及广告素材库，并获取所述历史广告文案的源风格；
建立模块，获取所述广告素材库中的各备用风格，并基于所述源风格建立各源深度神经网络模型；
优化模块，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述源深度神经网络模型进行优化，以获取各深度神经网络模型；
生成模块，基于所述历史广告文案和各所述深度神经网络模型生成各所述备用风格对应的高级广告文案。
可选地，所述生成模块包括：
向量数值编码单元，对所述历史广告文案进行编码，以获取所述历史广告文案对应的向量数值编码；
生成单元，基于各所述备用风格对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述生成单元，包括：
目标数值编码单元，获取各所述备用风格对应的各初级数值编码；
相对熵单元，获取所述向量数值编码和各所述初级数值编码之间的各最小化相对熵，并基于各所述最小化相对熵确定各模型参数；
解码单元，基于各所述模型参数对各所述向量数值编码进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述解码单元，包括：
基于各所述模型参数，在各所述深度神经网络模型中，获取所述向量数值编码中的目标文案词典概率分布；
基于所述目标文案词典概率分布，对各所述深度神经网络模型中的目标文案词典进行解码，以生成各所述备用风格对应的高级广告文案。
可选地，所述优化模块，包括：
文案布局单元，获取各所述源深度神经网络模型中的部分文案布局；
优化单元，获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型对各所述部分文案布局进行优化。
可选地，所述优化单元，包括：
获取所述显示终端中的点击率预估模型，并基于所述点击率预估模型确定所述历史广告文案的预估点击率；
基于所述预估点击率对各所述部分文案布局进行优化。
可选地，所述建立模块，包括：
判断所述广告素材库中是否存在备用风格；
若在所述广告素材库中不存在备用风格，则自动构建所述备用风格，并自动获取所述备用风格；
若在所述广告素材库中存在备用风格，则自动获取所述备用风格。
其中，广告文案生成装置的各个功能模块实现的步骤可参照本发明广告文案生成方法的各个实施例，此处不再赘述。
本发明还提供一种终端，所述终端包括：存储器、检测通道、处理器、通信总线以及存储在所述存储器上的广告文案生成程序：
所述通信总线用于实现处理器和存储器之间的连接通信；
所述处理器用于执行所述广告文案生成程序，以实现上述广告文案生成方法各实施例的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述广告文案生成方法各实施例的步骤。
本发明计算机可读存储介质具体实施方式与上述广告文案生成方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！