一种视频匹配广告的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及互联网、模式识别技术领域，特别是涉及一种视频匹配广告的方法及 装置。
【背景技术】
[0002] 目前，在线广告作为互联网最具利润的商业模式随之迅猛发展，在广告投放过程 中，需要针对不同的视频向用户投放与之相匹配的广告，也就是说，针对不同的视频向用户 进行个性化的广告投放，这样能够明显提高商家的经济效益。
[0003]在现有的技术中，为视频匹配广告采用的方式是：利用广告和视频描述中的词语 重合进行语义匹配。
[0004] 但是，由于视频网站编辑视频时通常仅添加对视频的节目内容的描述，而对于广 告的描述多数是关注广告中所代言的产品信息，当视频描述与相关的广告描述中没有词语 重合时，就不会为该视频投放该广告。例如：视频A的视频描述中有"苹果手机"，广告a的 描述中没有"苹果手机"而有"iPhone"的情况下，就不会将视频A与广告a匹配。因此，会 使得非常多的视频无法匹配相关的广告，导致视频匹配广告的召回率（或查全率）不高。
【发明内容】
[0005]本发明实施例的目的在于提供一种视频匹配广告的方法及装置，以提高视频匹配 广告的召回率。
[0006]为达到上述目的，本发明实施例公开了一种视频匹配广告的方法，该方法包括：
[0007]获得待匹配广告的视频的视频描述，从广告库中获得候选广告的广告描述；
[0008]按照预设规则，对所述视频描述和所述广告描述进行分词处理，得到视频描述分 词和广告描述分词；
[0009]将所述视频描述分词和广告描述分词输入至预先建立的视频广告匹配度预测模 型；
[0010] 所述的视频广告匹配度预测模型，根据分词与分布式特征向量的对应关系，获得 视频描述分词和广告描述分词的分布式特征向量；所述分词与分布式特征向量的对应关 系，是通过对视频描述、广告描述以及外部语料进行训练获得的；
[0011] 所述的视频广告匹配度预测模型，将所述视频描述分词和所述广告描述分词的分 布式特征向量输入至模型中的多层卷积神经网络，得到所述待匹配广告的视频与候选广告 的匹配值；所述多层卷积神经网络，是依据广告点击率的提升度进行训练获得的；
[0012] 若所述匹配值大于预设的匹配度阈值，则所述待匹配广告的视频与候选广告相匹 配。
[0013] 较佳的，所述将所述视频描述分词和所述广告描述分词的分布式特征向量输入至 模型中的多层卷积神经网络，得到所述待匹配广告的视频与候选广告的匹配值的步骤，包 括：
[0014] II、所述多层卷积神经网络中的一维卷积神经网络层，对输入的所述视频描述分 词和广告描述分词的分布式特征向量进行一维卷积运算，得到视频描述分词和广告描述分 词的分布式特征一维扩展向量，输出至第一最大池化层；
[0015] 12、所述第一最大池化层，对输入的分布式特征一维扩展向量，通过下采样算法进 行数据压缩，得到第一最大池化层二维向量，输出至第一二维卷积神经网络层；
[0016] 13、所述第一二维卷积神经网络层，对输入的第一最大池化层二维向量，通过二维 卷积运算，得到与输入向量维度相同的多个二维卷积神经网络层二维向量；用激活函数对 所述多个二维卷积神经网络层二维向量中每个元素进行计算，获得相同数量的多个计算后 的二维向量，输出至与其相连的下一中间最大池化层；
[0017] 14:所述下一中间最大池化层，对输入的多个计算后的二维向量，通过下采样算法 进行数据压缩，得到中间最大池化层二维向量，输出至与其相连的下一中间二维神经网络 层；
[0018] 15 :所述下一中间二维神经网络层，对输入的中间最大池化层二维向量，通过二维 卷积运算，得到与输入向量维度相同的多个中间二维卷积神经网络层二维向量，用激活函 数对所述多个中间二维卷积神经网络层二维向量中每个元素进行计算，获得相同数量的多 个计算后的二维向量，判断获得的多个计算后的二维向量，是否为1X1的二维向量，如果 是，则执行步骤16 ;否则输出至与其相连的下一中间最大池化层，返回步骤14 ;
[0019] 16 :将得到的全部向量的元素生成一个一维的目标向量；
[0020] 17:采用预设的算法对获得的目标向量进行运算，得到视频描述和广告描述的匹 配值。
[0021] 较佳的，所述分词与分布式特征向量的对应关系，是通过对视频描述、广告描述以 及外部语料，采用非监督式训练方法训练获得的。
[0022] 较佳的，所述采用非监督式训练方法训练的过程包括：
[0023]a:获得视频描述、广告描述或外部语料中的一段文字描述；
[0024] b:对所述文字描述进行分词处理，得到N个描述分词；
[0025]c:将所述N个描述分词映射为N个长度为m的一维连续特征向量；
[0026] d:对前N-1个长度为m的一维连续特征向量进行加权平均运算，得到一个预测向 量；
[0027]e:当利用所述预测向量预测第N个描述分词时，判断预测分词与实际第N个描述 分词预测误差率是否低于预设的预测阈值：
[0028] 如果是，分布式特征训练结束，所述的N个一维连续特征向量为所述N个描述分词 所对应的N个分布式特征向量；如果否，利用反向传播算法调整所述N个一维连续特征向 量，得到新的N个长度为m的一维连续特征向量，继续执行步骤d和步骤e。
[0029] 较佳的，依据广告点击率的提升度进行训练获得多层卷积神经网络的步骤，包 括：
[0030] f:从多层卷积神经网络的训练样本中获取一个样本视频广告对的样本视频描述、 样本广告描述以及所述样本视频广告对的广告点击率提升度L;
[0031] g:按照所述预设规则，对所述样本视频描述和样本广告描述进行分词处理，得到 样本视频描述分词和样本广告描述分词；
[0032] h:对所述样本视频描述分词和所述样本广告描述分词进行分布式特征训练，分别 得到样本视频描述分词和样本广告描述分词的样本分布式特征向量，其中，所述样本视频 描述分词和样本广告描述分词的样本分布式特征向量为多层卷积神经网络的输入；
[0033] i:多层卷积神经网络对输入的样本视频描述分词和样本广告描述分词的样本分 布式特征向量进行训练，得到样本视频描述和样本广告描述的样本匹配值L';
[0034] j:判断L'和L的误差范围是否低于预设的样本训练误差阈值：
[0035] 如果是，多层卷积神经网络模型训练结束，确定每层神经网络中的神经元的权值 如果否，利用反向传播算法调整每层神经网络中神经元的权值《，然后，继续执行步骤 f至步骤j。
[0036]较佳的，所述步骤i，包括：
[0037] il:所述多层卷积神经网络中的一维卷积神经网络层，对输入的所述样本视频描 述分词和样本广告描述分词的样本分布式特征向量进行一维卷积运算，得到样本视频描述 分词和样本广告描述分词的样本分布式特征一维扩展向量，输出至第一最大池化层；
[0038] i2:所述第一最大池化层，对输入的样本分布式特征一维扩展向量，通过下采样算 法进行数据压缩，得到第一最大池化层样本二维向量，输出至第一二维卷积神经网络层；
[0039]i3:所述第一二维卷积神经网络层，对输入的第一最大池化层样本二维向量，通过 二维卷积运算，得到与输入向量维度相同的多个二维卷积神经网络层样本二维向量；用激 活函数对所述多个二维卷积神经网络层样本二维向量中每个元素进行计算，获得相同数量 的多个计算后的样本二维向量，输出至与其相连的下一中间最大池化层；
[0040] i4:所述下一中间最大池化层，对输入的多个计算后的样本二维向量，通过下采样 算法进行数据压缩，得到中间最大池化层样本二维向量，输出至与其相连的下一中间二维 神经网络层；
[0041] i5 :所述下一中间二维神经网络层，对输入的中间最大池化层样本二维向量，通过 二维卷积运算，得到与输入向量维度相同的多个中间二维卷积神经网络层样本二维向量， 用激活函数对所述多个中间二维卷积神经网络层样本二维向量中每个元素进行计算，获得 相同数量的多个计算后的样本二维向量，判断获得的多个计算后的样本二维向量，是否为 1X1的二维向量，如果是，则执行步骤i6;否则输出至与其相连的下一中间最大池化层，返 回步骤i4;
[0042] i6 :将得到的全部向量的元素生成一个一维的样本目标向量；
[0043] i7:采用预设的算法对获得的样本目标向量进行运算，得到样本视频描述和样本 广告描述的样本匹配值L'。
[0044] 较佳的，所述广告点击率的提升度，为：
[0045]
[0046] 其中，ctr(ad，vide())为目标广告在目标视频上的点击率，ctrad为目标广告在全部视 频上的平均点击率，ctrvide。为目标视频上的全部广告的平均点击率。
[0047] 较佳的，所述激活函数为：ReLU函数，为：
[0048]
[0049] 其中，Xi为二维卷积神经网络层的输入，y」为二维卷积神经网络层的输出，《 u为 所述激活函数所处的每层神经网络中神经元权值向量中的元素，是连接输入i和输出j的 权值。
[0050] 较佳的，所述预设的算法为：
[0051]
[0052] 其中，x为输入向量，y为视频广告的匹配值，《为每层神经网络中神经元的权值 向量，《与x具有相同的维度。
[0053] 为达到上述目的，本发明实施例公开了一种视频匹配广告的装置，该装置包括：
[0054] 视频广告描述获得模块，用于获得待匹配广告的视频的视频描述，从广告库中获 得候选广告的广告描述；
[0055] 视频广告描述分词处理模块，用于按照预设规则，对所述视频描述和所述广告描 述进行分词处理，得到视频描述分词和广告描述分词；
[0056] 视频广告匹配度预测模型输入模块，用于将所述视频描述分词和广告描述分词输 入至预先建立的视频广告匹配度预测模型；
[0057] 视频广告分布式特征获得模块，用于在所述的视频广告匹配度预测模型中，根据 分词与分布式特征向量的对应关系，获得视频描述分词和广告描述分词的分布式特征向 量；所述分词与分布式特征向量的对应关系，是通过对视频描述、广告描述以及外部语料进 行训练获得的；
[0058] 视频广告匹配度预测模型输出模块，用于在所述的视频广告匹配度预测模型中， 将所述视频描述分词和所述广告描述分词的分布式特征向量输入至模型中的多层卷积神 经网络，得到所述待匹配广告的视频与候选广告的匹配值；所述多层卷积神经网络，是依据 广告点击率的提升度进行训练获得的；
[0059] 视频广告匹配判断模块，若所述匹配值大于预设的匹配度阈值，则所述待匹配广 告的视频与候选广告相匹配。
[0060] 较佳的，所述视频广告匹配度预测模型输出模块，包括：
[0061] 分布式特征向量输入子模块，用于将所述视频描述分词和所述广告描述分词的分 布式特征向量输入至模型中的多层卷积神经网络中的一维卷积神经网络层；
[0062] -维卷积神经网络层处理子模块，用于对输入一维卷积神经网络层的所述视频描 述分词和广告描述分词的分布式特征向量进行一维卷积运算，得到视频频描分词和广告频 描分词的分布式特征一维扩展向量，输出至第一最大池化层；
[0063] 第一最大池化层处理子模块，用于对输入所述第一最大池化层的分布式特征一维 扩展向量，通过下