一种互联网推广信息的智能配图方法及装置与流程

【技术领域】

本申请涉及互联网应用领域，尤其涉及一种互联网推广信息的智能配图方法及装置。

背景技术：

目前，随着社会经济的高速发展，互联网推广信息已经成为了一种十分重要的商业宣传和营销手段，企业投放大量互联网推广信息在互联网等新媒体平台，以获得巨大的经济收益。在目前的互联网推广信息领域，配图的推广信息是用户比较乐意接受的一种形式，而配图的质量，直接影响着用户的体验。

现有的互联网推广信息中配图质量参差不齐，存在以下情况：

大量低价值的图片，如图片中含有水印、图片中含有违反法律、社会公德或妨害公共利益的内容，或图片内容存在与文字描述的不一致性，不能完整准确的体现文字描述的内容。极大地影响了用户视觉上的体验，因而需要一种智能配图方法，提高图片与文字的相关度，保证互联网推广信息的原生性。

技术实现要素：

本申请的多个方面提供一种互联网推广信息的智能配图方法及装置，用以提高互联网推广信息的图片文字相关度。

本申请的一方面，提供一种互联网推广信息的智能配图方法，包括：

获取通用文本的通用配图集；

将所述通用文本扩展到创意文本；

根据与所述创意文本的相关性，从所述通用配图集中获取一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取通用文本的通用配图集，包括：

对全网用户的搜索日志进行分析和挖掘，得到全网用户的兴趣主体和/或高频查询词，进行聚类及去重处理，得到候选文本；

将所述候选文本作为搜索关键词在预先建立的图片文本信息的索引中进行搜索，获得与所述候选文本匹配的索引；

获得与所述候选文本匹配的索引对应的图片，将所述候选文本作为通用文本，并将所述图片作为通用配图；

将所有通用配图组合为通用配图集。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取通用文本的通用配图集，包括：

经过人工/自动审核过滤其中不符合广告法以及涉黄、赌博、含有水印的图片。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将通用文本扩展到创意文本，包括：

在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成触发模型采用以下方式预先训练得到：

选取训练样本，所述训练样本包括通用文本与通用文本的正负创意文本；

获取训练样本输入至原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据与所述创意文本的相关性，从所述通用配图集中选择一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息，包括：

对所述通用配图进行语义提取，得到所述通用配图的图片特征；

对通用文本与所述通用配图的图片特征进行图文特征提取；

根据所述图文特征获取所述通用配图与创意文本的相关性并根据相关性进行排序；

将排序靠前的一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

本申请的另一方面，提供一种互联网推广信息的智能配图装置，包括获取单元、扩展单元和生成单元，其中，

所述获取单元，用于获取通用文本的通用配图集；

所述扩展单元，用于将通用文本扩展到创意文本；

所述生成单元，用于根据与所述创意文本的相关性，从所述通用配图集中选择一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取单元包括以下子单元：

候选文本获取子单元，用于对全网用户的搜索日志进行分析和挖掘，得到全网用户的兴趣主体和/或高频查询词，进行聚类及去重处理，得到候选文本；

索引获取子单元，用于将所述候选文本作为搜索关键词在预先建立的图片文本信息的索引中进行搜索，获得与所述候选文本匹配的索引；

通用配图获取子单元，用于获得与所述候选文本匹配的索引对应的图片，将所述候选文本作为通用文本，并将所述图片作为通用配图；

通用配图集组合子单元，用于将所有通用配图组合为通用配图集。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获取单元还包括审核子单元，

用于对通用配图集中的图片进行人工/自动审核，过滤其中不符合广告法以及涉黄、赌博、含有水印的图片。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述扩展单元包括创意文本扩展子单元，用于，

在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述扩展单元包括生成式触发模型训练子单元，用于，

选取训练样本，所述训练样本包括通用文本与通用文本的正负创意文本；

获取训练样本输入至原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成单元包括以下子单元：

语义提取子单元，用于利用图文相关型模型根据所述通用配图进行语义提取；

图文特征提取子单元，对通用文本与所述通用配图的图片特征进行图文特征提取；

相关性获取子单元，用于根据所述图文特征获取所述通用配图与创意文本的相关性并根据相关性进行排序；

互联网推广信息生成子单元，用于将排序靠前的一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

本申请的另一方面，提供一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一上述的方法。

本申请的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任一上述的方法。

由所述技术方案可知，本申请实施例通过获取通用文本的通用配图集；将所述通用文本扩展到创意文本；根据与所述创意文本的相关性，从通用配图集中选择的一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。能够避免现有技术中能够避免现有技术中由于互联网推广信息图片的质量参差不齐，存在大量低价值的图片、图文描述不符，极大地影响了用户视觉上的体验的问题，提高了图片与文字的相关度，保证互联网推广信息的原生性。

【附图说明】

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的互联网推广信息的智能配图方法的流程示意图；

图2为本申请另一实施例提供的互联网推广信息的智能配图装置的结构示意图；

图3为适于用来实现本发明实施例的示例性计算机系统/服务器的框图。

【具体实施方式】

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本申请一实施例提供的互联网推广信息的智能配图方法的流程示意图，如图1所示，包括以下步骤：

101、获取通用文本的通用配图集；

102、将所述通用文本扩展到创意文本；

103、根据与所述创意文本的相关性，从所述通用配图集中选择一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

其中，步骤101，具体地，通过图片搜索技术获取通用文本的通用配图，所述通用配图的集合称为通用配图集，包括以下子步骤：

201、对全网用户的搜索日志进行分析和挖掘，得到全网用户的兴趣主体和/或高频查询词，进行聚类及去重处理，得到候选文本；

202、将所述候选文本作为搜索关键词在预先建立的图片文本信息的索引中进行搜索，获得与所述候选文本匹配的索引；

203、获得与所述候选文本匹配的索引对应的图片，将所述候选文本作为通用文本，并将所述图片作为通用配图。

204、将所有通用配图组合为通用配图集。

优选的，如果未获得与所述候选文本匹配的索引，则操作结束。

在本实施例的一种实现方式中，进一步地，搜索引擎可以对该搜索引擎抓取的图片进行内容分析，获得所述图片的文本信息；对所述图片的文本信息进行整理，建立所述图片的文本信息的索引。

在本实施例的另一种实现方式中，进一步地，搜索引擎还可以对该搜索引擎抓取的图片进行内容分析和对所述图片所在网页的文本进行分析，获得所述图片的文本信息；对所述图片的文本信息进行整理，建立所述图片的文本信息的索引。

优选的，对搜索引擎抓取的图片中的物体信息、风景信息、人物信息和文字信息中的至少一种进行分析，也就是从图片内容的角度进行分析，包括但不限于分析图片中的物体信息、风景信息、人物信息和文字信息等信息中的至少一种。

优选的，对所述图片所在网页的结构化字段中的文本进行分析，所述图片所在网页的结构化字段包括所述网页的网页标题字段、图片周围的文本、对图片进行文字识别得到的文本、图片的anchor文本(链接锚文本)和/或图片属性字段。

优选的，搜索引擎对所述图片的文本信息进行切词、聚类、去重等处理。

优选的，所述通用配图集中的图片经过人工/自动审核过滤其中不符合广告法以及涉黄、赌博、含有水印的图片，以保证图片本身的质量。

优选的，自动审核是通过图像识别方法审核过滤其中涉黄、赌博、含有水印的图片，以保证图片本身的质量，例如利用皮肤颜色检测器和姿态检测器，用户或对肤色与姿态进行特征分析、特征提取与特征的相似性匹配判决图片是否为涉黄的色情图片。

本实施例中的全网用户可以包括互联网的用户，也即互联网的用户在搜索引擎或搜索装置中提交在线查询请求时，搜索引擎或搜索装置的服务器都可以生成相应的搜索日志，而本申请可以从互联网中所有搜索引擎或搜索装置的服务器收集搜索日志，得到搜索日志。

所述步骤102，具体地，选取海量的已建立对应关系的通用文本与创意文本作为训练样本对预先构建的原始深层神经网络(dnn,deepneuralnetwork)进行训练，即输入的一端可以为通用文本，输入的另一端为创意文本；深度神经网络从上述海量训练数据中学习语义知识，完成对该原始神经网络模型的训练，得到生成式触发模型(gtm，generativetrigermodel)。在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。所述创意文本涵盖通用文本的内容，并通过语义扩展将描述范围扩大。

所述生成触发模型采用以下方式预先训练得到：

301、选取训练样本；

考虑到直接标注大量的训练样本耗时巨大，且标准难以统一。在本实施例中，使用通用文本与通用文本的正负创意文本作为训练样本，即一条训练样本由一个通用文本和两个创意文本构成的pair对组成，该pair对中一个创意文本比另一个创意文本相对于该通用文本的匹配关系更好，这两个创意文本分别称之为正例和负例。即将所述训练样本具体优化为：由通用文本，以及与所述通用文本分别对应的正例创意文本以及负例创意文本构成的正负训练对。

其中，可以由人工根据不同创意文本与一个通用文本之间的匹配程度来确定与通用文本对应的正例创意文本以及负例创意文本，但是由于在训练原始深层神经网络时所需的训练样本数目较大，需要投入较大的人力成本，另外，由于不同的人的相关程度的评价标准也不同，在本实施例的一个优选的实施方式中，可以根据用户的搜索点击日志，自动确定与一个查询式对应的正例创意文本以及负例创意文本，例如，当用户输入一个通用文本进行搜索后，将用户基于搜索结果点击的网页标题作为与该通用文本对应的正例创意文本，将用户未点击的网页标题作为与该通用文本对应的负例创意文本。

302、获取训练样本输入至所述原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

在本实施例中，由于通过所述正负训练对完成对所述原始深层神经网络的训练，为了提高训练效率，优选可以构造两个完成相同的原始深层神经网络分别用于接收由通用文本、正例创意文本构成的正训练对，以及由通用文本、负例创意文本构成的负训练对，进而实现快速、实时的模型训练。

优选可以包括下述操作：

将所述通用文本以及与所述正例创意文本输入至与所述原始深层神经网络结构相同的第一网络中，并获取所述第一网络输出的第一预测值；

将所述通用文本以及与所述负例创意文本输入至与所述第一网络结构相同的第二网络中，并获取第二网络输出的第二预测值；

根据所述第一预测值、所述第二预测值以及所述正例创意文本与所述负例创意文本之间的相关性偏序，计算损失函数；

采取设定权值更新算法，沿着最小化损失函数的方向，反向逐层更新所述第一网络以及所述第二网络中各层的加权参数。

该类方法统称为bp(backpropagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如lbfgs(拟牛顿算法)，或者sgd(随机梯度下降)等，其中sgd收敛速度更快，使用较多。

与一般的深层神经网络训练的区别是：本实施例的技术方案有两个相同的网络，参数是共享的，权值的更新始终同步。

判断是否达到预先设定的训练结束条件：若是：将训练完成的所述原始深层神经网络作为所述生成触发模型；否则，返回继续进行调整。

在本实施例中，可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。

在完成生成触发模型的训练之后，还包括步骤303、在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。

例如，在完成训练后的生成触发模型中输入通用文本“厨房装修”；生成触发模型将输入的通用文本“厨房装修”生成为创意文本，如“开放式厨房装修效果图”、“2017厨房装修设计报价大全”、“整体厨房哪家好”、“厨房装修效果图专业定制橱柜”、“现代厨房装修效果图”等等。

所述步骤103具体地包括以下子步骤，

401、根据所述通用配图进行语义提取，得到所述通用配图的图片特征；

首先，对所述通用配图进行底层特征语义提取，并形成高维特征向量空间后，进行图像分割，获得所述通用配图的元素。

具体而言，所述特征包括颜色特征(例如直方图、累计直方图或局部直方图)、纹理特征(例如统计法、频谱法或结构法)、形状特征(例如面积、周长或拐点数)，以及其它有效特征。于此，为了防止某些特征权重过大，需要对上述特征进行归一化处理。同时，对这些特征进行合理的拆分、组合处理，形成高维特征向量空间。本实施例中，具体的特征提取方法、特征权重的归一化处理、特征的拆分和组合可以采用任何现有的成熟技术，然而本发明对此并不做限制。

接下来，利用提取到的高维特征向量，训练基于支持向量机(svm)的有监督的分类器，得到元素的最优分割曲面，对图像进行分割。同时，需要对获得的背景区域尤其是一些离散的小块，采用区域融合的方法，将其拼接成为一个完整的目标区域。于此，分类器也可以采用其它的机器学习模型，包括区域融合方法等，然而本发明对此并不做限制。

最后，将所述通用配图的元素进行元素识别后抽象至语义概念层，得到所述通用配图的图片特征。

具体而言，图像分割之后得到的每个独立的区域单元即为元素。元素是有具体物理意义的个体，通过元素识别，用具体的文字来说明元素的含义。具体的识别方法为，通过查询图像-文字映射关系表，key值为元素图像，采用精确匹配的图像检索方法。其中，图像-文字映射关系表通过网络自动挖掘构建，通过该方法，可以将图像转化成为文字说明。接下来，根据获取的说明文字将其抽象至语义概念层。

402、对通用文本与所述通用配图的图片特征进行图文特征提取。

403、利用预先训练得到的图文相关模型，根据所述图文特征获取所述通用配图与创意文本的相关性，并根据相关性对所述通用配图进行排序；

具体地，所述图文相关模型采用以下方式预先训练得到：

首先构建一个原始深层神经网络，该原始深层神经网络的输入为创意文本以及通用配图的图文特征，输出为该创意文本以及通用配图的图片特征之间的相关性度量值，选取训练样本对该原始深层神经网络进行训练，最终可以训练得到图文相关性模型；

所述训练样本为创意文本与相关的图片特征；获取训练样本输入至原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

通过将步骤102中扩展得的创意文本与各待排序的通用配图输入至所述图文相关性模型，可以得到各待排序的通用配图与所述创意文本之间的相关性度量值，进而基于所述相关性度量值，将各待排序的通用配图进行排序。

优选的，依据词频特性以及上下文信息对图文相关性模型的参数进行调整。

404、将排序靠前的一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

采用本实施例提供的技术方案，能够避免现有技术中由于互联网推广信息图片的质量参差不齐，存在大量低价值的图片、图文描述不符，极大地影响了用户视觉上的体验的问题，能够保证通用配图与创意文本的匹配程度，并为创意文本关联到尽可能多的通用配图。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

图2为本申请另一实施例提供的互联网推广信息的智能配图装置的结构示意图，如2所示，包括获取单元21、扩展单元22和生成单元23：

获取单元，用于获取通用文本的通用配图集；

扩展单元，用于将通用文本扩展到创意文本；

生成单元，用于根据与所述创意文本的相关性，从所述通用配图集中选择一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

所述获取单元，具体地，用于通过图片搜索技术获取通用文本的通用配图，所述通用配图的集合称为通用配图集。

所述获取单元包括以下子单元，

候选文本获取子单元，用于对全网用户的搜索日志进行分析和挖掘，得到全网用户的兴趣主体和/或高频查询词，进行聚类及去重处理，得到候选文本；

索引获取子单元，用于将所述候选文本作为搜索关键词在预先建立的图片文本信息的索引中进行搜索，获得与所述候选文本匹配的索引；

通用配图获取子单元，用于获得与所述候选文本匹配的索引对应的图片，将所述候选文本作为通用文本，并将所述图片作为通用配图；

通用配图集组合子单元，用于将所有通用配图组合为通用配图集。

优选的，如果未获得与所述候选文本匹配的索引，则操作结束。

在本实施例的一种实现方式中，进一步地，搜索引擎可以对该搜索引擎抓取的图片进行内容分析，获得所述图片的文本信息；对所述图片的文本信息进行整理，建立所述图片的文本信息的索引。

在本实施例的另一种实现方式中，进一步地，搜索引擎还可以对该搜索引擎抓取的图片进行内容分析和对所述图片所在网页的文本进行分析，获得所述图片的文本信息；对所述图片的文本信息进行整理，建立所述图片的文本信息的索引。

优选的，对搜索引擎抓取的图片中的物体信息、风景信息、人物信息和文字信息中的至少一种进行分析。也就是从图片内容的角度进行分析，包括但不限于分析图片中的物体信息、风景信息、人物信息和文字信息等信息中的至少一种。

优选的，对所述图片所在网页的结构化字段中的文本进行分析，所述图片所在网页的结构化字段包括所述网页的网页标题字段、图片周围的文本、对图片进行文字识别得到的文本、图片的anchor文本(链接锚文本)和/或图片属性字段。

优先的，搜索引擎对所述图片的文本信息进行切词、聚类、去重等处理。

优选的，所述获取单元还包括审核子单元，用于对通用配图集中的图片进行人工/自动审核，过滤其中不符合广告法以及涉黄、赌博、含有水印的图片，以保证图片本身的质量。

优选的，自动审核是通过图像识别方法审核过滤其中涉黄、赌博、含有水印的图片，以保证图片本身的质量，例如利用皮肤颜色检测器和姿态检测器，用户或对肤色与姿态进行特征分析、特征提取与特征的相似性匹配判决图片是否为涉黄的色情图片。

本实施例中的全网用户可以包括互联网的用户，也即互联网的用户在搜索引擎或搜索装置中提交在线查询请求时，搜索引擎或搜索装置的服务器都可以生成相应的搜索日志，而本申请可以从互联网中所有搜索引擎或搜索装置的服务器收集搜索日志，得到搜索日志。

所述扩展单元，具体地，用于选取海量的已建立对应关系的通用文本与创意文本作为训练样本对预先构建的原始深层神经网络(dnn,deepneuralnetwork)进行训练，即输入的一端可以为通用文本，输入的另一端为创意文本；深度神经网络从上述海量训练数据中学习语义知识，完成对该原始神经网络模型的训练，得到生成式触发模型(gtm，generativetrigermodel)。在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。所述创意文本涵盖通用文本的内容，并通过语义扩展将描述范围扩大。

所述扩展单元包括生成式触发模型训练子单元、创意文本扩展子单元；

所述生成式触发模型训练子单元用于，选取训练样本；

考虑到直接标注大量的训练样本耗时巨大，且标准难以统一。在本实施例中，使用通用文本与通用文本的正负创意文本作为训练样本，即一条训练样本由一个通用文本和两个创意文本构成的pair对组成，该pair对中一个创意文本比另一个创意文本相对于该通用文本的匹配关系更好，这两个创意文本分别称之为正例和负例。即将所述训练样本具体优化为：由通用文本，以及与所述通用文本分别对应的正例创意文本以及负例创意文本构成的正负训练对。

其中，可以由人工根据不同创意文本与一个通用文本之间的匹配程度来确定与通用文本对应的正例创意文本以及负例创意文本，但是由于在训练原始深层神经网络时所需的训练样本数目较大，需要投入较大的人力成本，另外，由于不同的人的相关程度的评价标准也不同，在本实施例的一个优选的实施方式中，可以根据用户的搜索点击日志，自动确定与一个查询式对应的正例创意文本以及负例创意文本，例如，当用户输入一个通用文本进行搜索后，将用户基于搜索结果点击的网页标题作为与该通用文本对应的正例创意文本，将用户未点击的网页标题作为与该通用文本对应的负例创意文本。

所述生成式触发模型训练子单元还用于

获取训练样本输入至所述原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

在本实施例中，由于通过所述正负训练对完成对所述原始深层神经网络的训练，为了提高训练效率，优选可以构造两个完成相同的原始深层神经网络分别用于接收由通用文本、正例创意文本构成的正训练对，以及由通用文本、负例创意文本构成的负训练对，进而实现快速、实时的模型训练。

优选可以包括下述操作：

将所述通用文本以及与所述正例创意文本输入至与所述原始深层神经网络结构相同的第一网络中，并获取所述第一网络输出的第一预测值；

将所述通用文本以及与所述负例创意文本输入至与所述第一网络结构相同的第二网络中，并获取第二网络输出的第二预测值；

根据所述第一预测值、所述第二预测值以及所述正例创意文本与所述负例创意文本之间的相关性偏序，计算损失函数；

采取设定权值更新算法，沿着最小化损失函数的方向，反向逐层更新所述第一网络以及所述第二网络中各层的加权参数。

该类方法统称为bp(backpropagation，反向传播)算法，具体的权值更新算法有各种梯度下降法，例如lbfgs(拟牛顿算法)，或者sgd(随机梯度下降)等，其中sgd收敛速度更快，使用较多。

与一般的深层神经网络训练的区别是：本实施例的技术方案有两个相同的网络，参数是共享的，权值的更新始终同步。

判断是否达到预先设定的训练结束条件：若是：将训练完成的所述原始深层神经网络作为所述生成触发模型；否则，返回继续进行调整。

在本实施例中，可以根据实际需求设定训练结束条件，例如，训练的回合数(例如，1000次，或者2000次等)或者神经网络对训练样本的总误差值等，本实施例对此并不进行限制。

创意文本扩展子单元，用于在预先训练得到的生成触发模型中输入待扩展的通用文本，生成所述待扩展的通用文本对应的创意文本。

例如，在完成训练后的生成触发模型中输入通用文本“厨房装修”；生成触发模型将输入的通用文本“厨房装修”生成为创意文本，如“开放式厨房装修效果图”、“2017厨房装修设计报价大全”、“整体厨房哪家好”、“厨房装修效果图专业定制橱柜”、“现代厨房装修效果图”等等。

所述生成单元，具体地，包括以下子单元：

语义提取子单元，用于根据所述通用配图进行语义提取，得到所述通用配图的图片特征；

首先，对所述通用配图进行底层特征语义提取，并形成高维特征向量空间后，进行图像分割，获得所述通用配图的元素。

具体而言，所述特征包括颜色特征(例如直方图、累计直方图或局部直方图)、纹理特征(例如统计法、频谱法或结构法)、形状特征(例如面积、周长或拐点数)，以及其它有效特征。于此，为了防止某些特征权重过大，需要对上述特征进行归一化处理。同时，对这些特征进行合理的拆分、组合处理，形成高维特征向量空间。本实施例中，具体的特征提取方法、特征权重的归一化处理、特征的拆分和组合可以采用任何现有的成熟技术，然而本发明对此并不做限制。

接下来，利用提取到的高维特征向量，训练基于支持向量机(svm)的有监督的分类器，得到元素的最优分割曲面，对图像进行分割。同时，需要对获得的背景区域尤其是一些离散的小块，采用区域融合的方法，将其拼接成为一个完整的目标区域。于此，分类器也可以采用其它的机器学习模型，包括区域融合方法等，然而本发明对此并不做限制。

最后，将所述通用配图的元素进行元素识别后抽象至语义概念层，得到所述通用配图的图片特征。

具体而言，图像分割之后得到的每个独立的区域单元即为元素。元素是有具体物理意义的个体，通过元素识别，用具体的文字来说明元素的含义。具体的识别方法为，通过查询图像-文字映射关系表，key值为元素图像，采用精确匹配的图像检索方法。其中，图像-文字映射关系表通过网络自动挖掘构建，通过该方法，可以将图像转化成为文字说明。接下来，根据获取的说明文字将其抽象至语义概念层。

图文特征提取子单元，对通用文本与所述通用配图的图片特征进行图文特征提取。

相关性获取子单元，用于利用预先训练得到的图文相关模型，根据所述图文特征获取所述通用配图与创意文本的相关性，并根据相关性对所述通用配图进行排序。

具体地，所述图文相关模型采用以下方式预先训练得到：

首先构建一个原始深层神经网络，该原始深层神经网络的输入为创意文本以及通用配图的图文特征，输出为该创意文本以及通用配图的图片特征之间的相关性度量值，选取训练样本对该原始深层神经网络进行训练，最终可以训练得到图文相关性模型；

所述训练样本为创意文本与相关的图片特征；获取训练样本输入至原始深层神经网络中，并根据所述原始深层神经网络基于所述训练样本的输出结果，沿着最小化损失函数的方向，反向逐层更新所述原始深层网络中各层的加权参数，以使得损失函数最小。

通过扩展得的创意文本与各待排序的通用配图输入至所述图文相关性模型，可以得到各待排序的通用配图与所述创意文本之间的相关性度量值，进而基于所述相关性度量值，将各待排序的通用配图进行排序。

优选的，依据词频特性以及上下文信息对图文相关性模型的参数进行调整。

互联网推广信息生成子单元，用于将排序靠前的一幅或多幅通用配图与所述创意文本进行组合，生成互联网推广信息。

采用本实施例提供的技术方案，能够避免现有技术中由于互联网推广信息图片的质量参差不齐，存在大量低价值的图片、图文描述不符，极大地影响了用户视觉上的体验的问题，能够保证通用配图与创意文本的匹配程度，并为创意文本关联到尽可能多的通用配图。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。