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； 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； 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 ; 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； 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'。7. 根据权利要求1所述的方法，其特征在于，所述广告点击率的提升度，为：其中，ctrUd，vidOT)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，ctrvidJ%目标视频上的全部广告的平均点击率。8. 根据权利要求2或6所述的方法，其特征在于，所述激活函数为：ReLU函数，为：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，《 ^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。9. 根据权利要求2或6所述的方法，其特征在于，所述预设的算法为：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。10. -种视频匹配广告的装置，其特征在于，该装置包括： 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； 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； 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； 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； 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； 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。11. 根据权利要求10所述的装置，其特征在于：所述视频广告匹配度预测模型输出模 块，包括： 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； 一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； 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； 第一二维卷积神经网络层处理子模块，用于对输入所述第一二维卷积神经网络层的第 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第一二维向量，输出至与其相连的下一中间最大池化 层； 下一中间最大池化层处理子模块，用于对输入所述下一中间最大池化层的多个计算后 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； 下一中间二维神经网络层处理子模块，用于对输入所述下一中间二维神经网络层的中 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，则触发目标向量生成子模块；否则输出至与其相连的 下一中间最大池化层，顺序触发所述下一中间最大池化层处理子模块和下一中间二维神经 网络层处理子模块； 目标向量生成子模块，用于将得到的全部向量的元素生成一个一维的目标向量； 匹配值获得子模块，用于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。12. 根据权利要求10所述的装置，其特征在于：所述分词与分布式特征向量的对应关 系，是由非监督式训练方法训练模块通过对视频描述、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。13. 根据权利要求12所述的装置，其特征在于：所述非监督式训练方法训练模块，包 括： 文字描述获得子模块，用于获得视频描述、广告描述或外部语料中的一段文字描述； 文字描述分词处理子模块，用于对所述文字描述进行分词处理，得到N个描述分词； 特征向量映射子模块，用于将所述N个描述分词映射为N个长度为m的一维连续特征 向量； 预测向量获得子模块，用于对前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； 分词预测误差率判断子模块，用于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： 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，顺序触发所述预测向量获得子模块和分词预测 误差率判断子模块。14. 根据权利要求10所述的装置，其特征在于，所述多层卷积神经网络由神经网络训 练模块，依据广告点击率的提升度进行训练获得； 所述神经网络训练模块，包括： 样本输入子模块，用于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; 样本视频广告描述分词处理子模块，用于按照所述预设规则，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； 样本分布式特征向量获得子模块，用于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； 样本视频广告匹配度预测子模块，用于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'; 样本匹配度判断子模块，用于判断L'和L的误差范围是否低于预设的样本训练误差 阈值： 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，顺序触发样本输入 子模块至样本匹配度判断子模块。15. 根据权利要求14所述的装置，其特征在于，所述样本视频广告匹配度预测子模块， 包括： 样本分布式特征一维扩展单元，用于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 至样本第一最大池化层； 样本第一最大池化层处理单元，用于对输入样本第一最大池化层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，得到第一池化层样本二维向量，输出至样本第 一二维卷积神经网络层； 样本第一二维卷积神经网络层处理单元，用于对输入样本第一二维卷积神经网络层的 第一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，输出至与其相连的样本下 一中间最大池化层； 样本下一中间最大池化层处理单元，用于对输入样本下一中间最大池化层的多个计算 后的样本二维向量，通过下采样算法进行数据压缩，得到样本中间最大池化层样本二维向 量，输出至与其相连的样本下一中间二维神经网络层； 样本下一中间二维神经网络层处理单元，用于对输入样本下一中间二维神经网络层的 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中间样本二维向量，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，则触发样本目标生成 单元；否则输出至与其相连的样本下一中间最大池化层，顺序触发所述样本下一中间最大 池化层处理单元和样本下一中间二维神经网络层处理单元； 样本目标向量生成单元，用于将得到的全部向量的元素生成一个一维的样本目标向 量； 样本匹配值获得单元，用于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'。16. 根据权利要求10所述的装置，其特征在于，所述广告点击率的提升度，为：其中，ctrUd，vidOT)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，ctrvidJ%目标视频上的全部广告的平均点击率。17. 根据权利要求11或15所述的装置，其特征在于，所述激活函数为：ReLU函数，为：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，《 ^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。18. 根据权利要求11或15所述的装置，其特征在于，所述预设的算法为：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。
【专利摘要】本发明实施例提供的一种视频匹配广告的方法及装置，方法包括：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；对所述视频描述和所述广告描述进行分词处理；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；获得视频描述分词和广告描述分词的分布式特征向量；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；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。应用本发明实施例，避免了无法为视频匹配相关广告的缺陷，提高了视频匹配广告的召回率。
【IPC分类】G06Q30/02
【公开号】CN104992347
【申请号】CN201510338003
【发明人】童明
【申请人】北京奇艺世纪科技有限公司
【公开日】2015年10月21日
【申请日】2015年6月17日