一种农产品推广广告的生成方法和系统与流程

一种农产品推广广告的生成方法和系统
分案说明
1.本技术是针对申请日为2021年06月22日、申请号为2021106950258、发明名称为“一种自动确定农产品的营销内容的方法和系统”的中国申请提出的分案申请。
技术领域
2.本说明书涉及农业技术领域，特别涉及一种农产品推广广告的生成方法和系统。


背景技术：

3.随着经济的发展和生活水平的提高，人们越来越关注饮食健康。因此，人们在购买农产品的过程中越来越注重农产品的品质。在实际情况中，仅依靠农产品的外观并不能完全反映农产品的品质或品种，而针对不同品质或不同品种的农产品生成对应的营销内容(例如，广告)可以提高农产品的销量和用户的购物体验。
4.因此，有必要提供一种自动确定农产品的营销内容的方法和系统，以基于不同的农产品展示不同的广告。


技术实现要素：

5.本说明书实施例之一提供一种农产品推广广告的生成方法。所述方法包括：基于用户输入的关键词，确定候选农产品；判断所述候选农产品是否属于预设农产品，所述预设农产品为易人工制造品质假象的农产品；响应于不是，则展示与所述候选农产品匹配的第一预设广告；响应于是，则基于机器学习模型处理所述候选农产品的相关信息，对所述候选农产品的目标真实度进行评估；响应于所述目标真实度满足第一预设条件，确定所述候选农产品在各个生长阶段的生长形态图像和当前形态图像各自的推广标签；基于第一预设广告和所述推广标签，生成并展示第二预设广告。
6.本说明书实施例之一提供一种农产品推广广告的生成系统，所述系统包括：第一确定模块，用于基于用户输入的关键词，确定候选农产品；判断模块，用于判断所述候选农产品是否属于预设农产品，所述预设农产品为易人工制造品质假象的农产品；第一展示模块，用于响应于不是，则展示与所述候选农产品匹配的第一预设广告；第二展示模块，用于响应于是，则基于机器学习模型处理所述候选农产品的相关信息，对所述候选农产品的目标真实度进行评估；第二确定模块，用于响应于所述目标真实度满足第一预设条件，确定所述候选农产品在各个生长阶段的生长形态图像和当前形态图像各自的推广标签；生成模块，用于基于第一预设广告和所述推广标签，生成第二预设广告；第三展示模块，用于展示所述第二预设广告。
7.本说明书实施例之一提供一种农产品推广广告的生成装置，所述装置包括处理器以及存储器，所述存储器用于存储指令，所述处理器用于执行所述指令，以实现如前任一项所述的自动确定农产品的营销内容的方法对应的操作。
8.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指
令，所述计算机指令被处理器执行时，实现如前任一项所述的农产品推广广告的生成方法对应的操作。
附图说明
9.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
10.图1是根据本说明书一些实施例所示的自动确定农产品的营销内容的方法的示例性流程图；
11.图2是根据本说明书一些实施例所示的对候选农产品的真实情况进行评估的示例性流程图；
12.图3是根据本说明书一些实施例所示的机器学习模型的结构示意图；
13.图4是根据本说明书一些实施例所示的生成第二预设广告的示例性流程图；以及
14.图5是根据本说明书一些实施例所示的自动确定农产品的营销内容的系统的模块图。
具体实施方式
15.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
16.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
17.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
18.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
19.图1是根据本说明书一些实施例所示的自动确定农产品的营销内容的方法的示例性流程图。如图1所示，流程100可以包括下述步骤。
20.步骤102，基于用户输入的关键词，确定候选农产品。在一些实施例中，步骤102可以由第一确定模块510执行。
21.在一些实施例中，关键词可以是用户输入用于查询农产品的词汇。农产品可以包括但不限于瓜、果、和蔬菜。例如，西瓜、西红柿、玉米、白菜等。在一些实施例中，用户可以通
过终端设备的应用程序输入关键词。在一些实施例中，终端设备可以包括能够实现通信和/或数据传输的设备。在一些实施例中，终端设备可以包括但不限于以下的一种或多种：销售终端、手机、平板电脑和笔记本电脑等。在一些实施例中，关键词的输入方式可以包括但不限于以下的一种或多种组合：文本、音频和图像。
22.在一些实施例中，候选农产品可以是基于用户输入的关键词搜索到的农产品，以供用户选择。候选农产品的数量可以包括一个或多个。在一些实施例中，当候选农产品的数量包括多个时，多个候选农产品可以为相同或不同的品种。例如，用户输入的关键词为“番茄”，则候选农产品可以包括但不限于以下的一种或多种：本地番茄、外地番茄和圣女果等。又例如，用户输入的关键词为“海南水果”，则候选农产品可以包括但不限于以下的一种或多种：椰子、菠萝和荔枝等。
23.步骤104，判断所述候选农产品是否属于预设农产品。在一些实施例中，步骤104可以由判断模块520执行。
24.在一些实施例中，预设农产品可以根据实际需求进行灵活设置。在一些实施例中，预设农产品可以包括但不限于：易人工制造品质假象的农产品。可以理解的，在该预设农产品的生长过程中，可以通过预设人为干预(例如，人为添加催红素等)，使农产品的外观呈现较佳品质，从而制造出品质佳的假象。在一些实施例中，预设农产品可以包括但不限于西红柿和/或西瓜等。
25.步骤106，响应于不是，则展示与所述候选农产品匹配的第一预设广告。该步骤可以由第一展示模块530执行。
26.在一些实施例中，第一预设广告可以是与候选农产品匹配的广告。在一些实施例中，不同的候选农产品可以匹配不同的第一预设广告。在一些实施例中，数据库和/或存储设备中可以预先存储有与不同农产品匹配的第一预设广告。在一些实施例中，当判断模块520判断出候选农产品不属于预设农产品时，第一展示模块530可以从数据库和/或存储设备中调用并展示与该候选农产品匹配的第一预设广告。
27.在一些实施例中，第一预设广告的展示方式可以包括以下的一种或多种组合：文本、音频、图像和视频等。在一些实施例中，第一预设广告的展示方式可以基于用户设置和/或用户信息确定。在一些实施例中，用户信息可以包括但不限于以下的一种或多种组合：年龄、性别、职业和偏好等。例如，用户设置为视频展示，则第一预设广告的展示方式为视频。又例如，用户设置为图像展示、用户偏好为视频展示，则第一预设广告的展示方式可以包括图像和/或视频。
28.步骤108，响应于是，则基于机器学习模型处理所述候选农产品的相关信息，对所述候选农产品的真实情况进行评估，并展示与评估结果匹配的第二预设广告。在一些实施例中，步骤108可以由第二展示模块540执行。
29.在一些实施例中，机器学习模型可以是预先训练好的模型。训练好的机器学习模型可以处理候选农产品的相关信息，对候选农产品的真实情况进行评估，得到评估结果。在一些实施例中，机器学习模型可以包括一个或多个预先训练好的模型。在一些实施例中，机器学习模型可以包括以下的一种或多种组合：神经网络(nn)、卷积神经网络(cnn)和循环神经网络(rnn)等。关于机器学习模型的具体细节可以参见图2和图3及其相关描述，在此不再赘述。
30.在一些实施例中，候选农产品的相关信息可以与候选农产品的生长过程和/或当前形态相关。在一些实施例中，候选农产品的相关信息至少可以包括以下的一种或多种：候选农产品在各个生长阶段的环境数据、候选农产品在各个生长阶段的生长形态图像、以及候选农产品的当前形态图像等。关于候选农产品的相关信息的具体细节可以参见图2及其相关描述，在此不再赘述。
31.在一些实施例中，候选农产品的真实情况可以反映农产品的至少一种真实信息。例如，可以反映农产品的在生长过程中是否存在预设人为干预、实际的成熟度、和实际的甜度等。实际的成熟度是指农产品当前真正的成熟度。实际的成熟度可能与农产品呈现的成熟度不同。实际的甜度是指农产品当前真正的甜度。实际的甜度可能与农产品呈现的甜度不同。例如，农产品被催熟或被催红等，使得呈现的甜度或成熟度与实际不符。在一些实施例中，候选农产品的真实情况的评估结果可以通过数值表示。在一些实施例中，候选农产品的真实情况的评估结果可以通过目标真实度表示。关于目标真实度的具体细节可以参见图2及其相关描述，在此不再赘述。
32.在一些实施例中，第二预设广告可以是与评估结果匹配的广告。在一些实施例中，第二预设广告可以是与目标真实度匹配的广告。在一些实施例中，处理设备可以基于目标真实度和/或与目标真实度相关的信息，调整第一预设广告，以生成第二预设广告。关于生成第二预设广告的具体细节可以参见图4及其相关描述，在此不再赘述。
33.在一些实施例中，第二预设广告的展示方式与第一预设广告类似，具体可参见上述步骤106及其相关描述，在此不再赘述。
34.在一些实施例中，处理设备可以基于目标真实度满足第一预设条件，生成并展示第二预设广告。第一预设条件可以根据实际需求进行具体设置。在一些实施例中，第一预设条件可以包括但不限于：目标真实度大于预设阈值。在一些实施例中，预设阈值可以根据实际情况进行具体设置。例如，0.9和0.95等。
35.在一些实施例中，处理设备可以基于目标真实度满足第二预设条件，向目标对象发送警示信息。在一些实施例中，第二预设条件可以根据实际需求进行具体设置。第二预设条件可以包括但不限于：目标真实度小于预设阈值。预设阈值可参上述描述，在此不再赘述。
36.在一些实施例中，目标对象可以是终端设备和/或终端设备的应用程序的管理人员。例如，商家和任何具备管理权限的人员等。在一些实施例中，警示信息可以包括多种形式。例如，鸣笛、亮灯、语音播报和文本显示等。在本说明书的一些实施例中，通过警示信息可以及时提醒相关管理人员(例如，商家)对应的候选农产品的真实度过低，便于管理人员确定是否继续销售或上架该农产品，从而避免消费者购买到品质不合规的农产品，提升用户的购物体验。
37.在说明书的一些实施例中，通过对属于预设农产品的候选农产品进行真实情况评估，并基于评估结果展示对应的第二预设广告，可以根据评估结果实时调整与该候选农产品对应的第一预设广告，从而优化第一预设广告，以在该候选农产品的品质合规的情况下提高其销量。
38.图2是根据本说明书一些实施例所示的对候选农产品的真实情况进行评估的示例性流程图。如图2所示，该流程200可以包括下述步骤202和204。在一些实施例中，步骤202和
步骤204可以由第二展示模块540执行。
39.步骤202，利用所述机器学习模型，至少对所述候选农产品在各个生长阶段的环境数据、所述候选农产品在所述各个生长阶段的生长形态图像、以及所述候选农产品的当前形态图像进行处理，得到所述候选农产品的目标真实度。
40.在一些实施例中，农产品的各个生长阶段至少可以包括发芽期、幼苗期、开花期和结果期等。在一些实施例中，环境数据可以包括影响候选农产品生长的因素。在一些实施例中，环境数据至少可以包括光照强度、氧气浓度、生长温度和土壤成分等。在一些实施例中，可以通过传感器监测获取光照强度、氧气浓度和生长温度。例如，通过光照传感器监测光照强度，通过氧控传感器监测氧气浓度、通过温控传感器监控生长温度等。在一些实施例中，可以通过检测部门对土壤进行检测，获取土壤成分。
41.在一些实施例中，候选农产品在各个生长阶段的生长形态图像可以是指候选农产品在发芽期、幼苗期、开花期和结果期的外观图像。在一些实施例中，候选农产品的当前形态图像可以是指候选农产品的当前外观图像。在一些实施例中，可以通过具备摄像和/或拍照功能的设备获取生长形态图像和当前形态图像。例如，照相机、摄像机和摄像头等。
42.关于机器学习模型的部分细节可以参见上述步骤108及其相关描述。在一些实施例中，机器学习模型可以是一个模型，例如，神经网络(nn)、卷积神经网络(cnn)或循环神经网络(rnn)等。通过该模型可以对候选农产品的所有相关信息进行处理，得到候选农产品的目标真实度。在一些实施例中，可以通过多个携带有标签的第一训练样本训练得到该机器学习模型。在一些实施例中，第一训练样本至少可以包括样本农产品在各个生长阶段的环境数据、样本农产品在所述各个生长阶段的生长形态图像、以及样本农产品的当前形态图像。在一些实施例中，标签可以表征样本农产品的目标真实度。在一些实施例中，标签可以通过人工线上标注生成。例如，人工对样本农产品的目标真实度进行定义，生成对应的标签。在一些实施例中，标签可以通过线上获取到的样本农产品的好评度生成。例如，好评度与目标真实度之间有预设对应关系，获得样本农产品的好评度后，基于该预设对应关系，可以生成对应的目标真实度的标签。在一些实施例中，好评度可以包括历史用户对农产品做出的评价。具体的，可以基于多个第一训练样本迭代更新初始机器学习模型的参数，以使模型的损失函数满足预设条件，例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的机器学习模型。
43.在一些实施例中，目标真实度至少可以反映：候选农产品的生长过程中是否存在预设人为干预、候选农产品实际的成熟度、以及候选农产品实际的甜度。在一些实施例中，预设人为干预可以根据实际需求进行具体设置。在一些实施例中，预设人为干预可以是干预农产品的自然生长过程的人为操作。例如，预设农产品为易人工制造品质假象的农产品，则预设人为干预至少可以包括人为添加催红素等。
44.在一些实施例中，目标真实度可以与候选农产品的生长过程中是否存在预设人为干预的可能性负相关，即目标真实度越低，该候选农产品的生长过程中越可能存在预设人为干预。在一些实施例中，目标真实度可以与候选农产品实际的成熟度和实际的甜度正相关，即目标真实度越高，该候选农产品的成熟度和甜度越高。
45.步骤204，将所述目标真实度确定为所述候选农产品的所述评估结果。
46.在一些实施例中，机器学习模型可以由多个模型组成，进而通过多个模型对候选
农产品的相关信息分别进行处理，确定目标真实度。图3是根据本说明书一些实施例所示的机器学习模型的结构示意图。如图3所示，机器学习模型可以包括第一预测模型和第二预测模型。
47.在一些实施例中，第一预测模型和第二预测模型可以是预先训练好的机器学习模型。训练好的第一预测模型可以对候选农产品在各个生长阶段的环境数据和候选农产品的当前形态图像进行处理，得到候选农产品的当前真实度。训练好的第二预测模型可以对候选农产品在各个生长阶段的环境数据和候选农产品在各个生长阶段的生长形态图像进行处理，得到候选农产品的在各个生长阶段的真实度。关于第一预测模型和第二预测模型的训练可以参见后文相关描述，在此不再赘述。
48.在一些实施例中，第一预测模型至少可以包括第一卷积神经网络层、循环神经网络层和第一全连接层。在一些实施例中，第一预测模型的处理可以包括：利用第一卷积神经网络层对候选农产品的当前形态图像进行处理，得到农产品的当前形态图像特征；利用循环神经网络层对候选农产品在各个生长阶段的所述环境数据进行处理，得到农产品的生长特征，农产品的生长特征可以代表农产品整体的生长特征；利用第一全连接层对当前形态图像特征和农产品的生长特征进行处理，得到所述当前真实度。循环神经网络适用于处理时间序列类型的数据，通过采用循环神经网络可以更好的处理各个生长阶段的环境数据，得到更准确的生长特征。
49.在一些实施例中，第二预测模型至少可以包括第二卷积神经网络层、第二全连接层和第三全连接层。第二预测模型的处理可以包括：利用第二卷积神经网络层对候选农产品在所述各个生长阶段的生长形态图像进行处理，得到各个生长阶段的图像特征；利用第二全连接层对候选农产品在各个生长阶段的环境数据进行处理，得到各个生长阶段的生长特征；利用第三全连接层对各个生长阶段的图像特征和各个生长阶段的生长特征进行处理，得到各个生长阶段的真实度。
50.在一些实施例中，可以单独训练第一预测模型和第二预测模型。具体的，在一些实施例中，可以通过多个携带有标签的第二训练样本训练得到第一预测模型。在一些实施例中，第二训练样本至少可以包括样本农产品在各个生长阶段的环境数据和样本农产品的当前形态图像，标签可以表征样本农产品的当前真实度。在一些实施例中，标签可以通过人工标注获得。具体的，可以基于多个第二训练样本迭代更新初始第一预测模型的参数，以使模型的损失函数满足预设条件，例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的第一预测模型。关于第二预测模型的训练方式与第一预测模型类似，在此不再赘述。
51.在一些实施例中，在第一预测模型和第二预测模型的训练过程中，两者可以共享参数。例如，在一些实施例中，第一预测模型和第二预测模型中的卷积神经网络层和/或全连接层可以共享参数。具体的，第一卷积神经网络层和第二卷积神经网络层可以共享参数；第三全连接层和第一全连接层可以共享参数。通过共享参数，在对第一卷积神经网络层进行参数更新时，第二卷积神经网络层中的参数也会同步更新，以实现模型的参数共享。可以理解的，第一全连接层和第三全连接层的共享参数同理，在此不再赘述。通过第一预测模型和第二预测模型的共享参数，减少了模型训练时的参数，提高模型训练效率。
52.在一些实施例中，可以联合训练第一预测模型和第二预测模型。可以理解的，由第
一预测模型和第二预测模型组成的机器学习模型可以通过端到端训练得到。同样的，在一些实施例中，可以通过前述多个携带有标签的第一训练样本，训练得到由第一预测模型和第二预测模型组成的机器学习模型。关于第一训练样本训练得到该机器学习模型的具体细节可以参见上述步骤202及其相关描述，在此不再赘述。通过对由第一预测模型和第二预测模型组成的机器学习模型进行端到端训练，即第一预测模型和第二预测模型进行联合训练，可以降低机器学习模型的训练复杂度，提高机器学习模型的训练效率，同时训练过程中模型可以学习到更多的特征情况，使得模型可以处理更复杂的现实情况。
53.在一些实施例中，可以融合当前真实度和各个生长阶段的真实度，确定目标真实度。在一些实施例中，融合至少可以包括加权求和、和/或加权求平均等。在一些实施例中，当前真实度和各个生长阶段的真实度均有其对应的权重。在一些实施例中，权重可以根据人为设置，例如，开花期的真实度和结果期的真实度权重更高，为0.8。在一些实施例中，权重还可以基于其他方式确定。在一些实施例中，可以基于候选农产品的类型确定权重。例如，a类型的候选农产品可以在幼苗期对其进行预设人为干预，则幼苗期的真实度较低，可以将幼苗期的真实度的权重设置为较小值，例如，0.1。又例如，b类型的候选农产品可以在发芽期对其进行预设人为干预，则发芽期的真实度较低，可以将发芽期的真实度的权重设置为较小值，例如，0.05。通过农产品的类型确定权重，可以在确定目标真实度时着重考虑预设人为干预，进而保证可能具备有预设人为干预的候选农产品的真实度的有效性，提高最终目标真实度的准确性。
54.图4是根据本说明书一些实施例所示的生成第二预设广告的示例性流程图。如图4所示，该流程400可以包括下述步骤。
55.步骤402，确定所述候选农产品在所述各个生长阶段的所述生长形态图像、和所述候选农产品的所述当前形态图像各自的推广标签。在一些实施例中，步骤402可由第二确定模块570执行。
56.关于候选农产品在各个生长阶段的生长形态图像和候选农产品的当前形态图像的具体细节可以参见上述步骤202及其相关描述，在此不再赘述。
57.在一些实施例中，推广标签可以用于表征图像展示的优先程度和/或力度，其至少可以反映是否展示该图像、展示该图像的顺序、和/或展示该图像的时长等。在一些实施例中，推广标签至少可以包括推广指数，推广指数与目标真实度正相关。可以理解的，推广指数越高，目标真实度越高。
58.在本说明书的一些实施例中，由于推广指数与目标真实度正相关，因此，推广指数越高的图像的目标真实度越高，提高了目标真实度高的图像展示的优先程度和/或力度，使消费者更全面直观的了解目标真实度高的候选农产品，进而提高了该候选农产品的销量。
59.在一些实施例中，可以获取用户的特征信息；利用第三预测模型对用户的特征信息进行处理，确定推广标签。在一些实施例中，用户的特征信息至少可以包括但不限于以下的一种或多种：用户的历史行为和用户信息等。在一些实施例中，用户的历史行为至少可以包括但不限于以下的一种或多种：用户历史购买的农产品、用户历史浏览的农产品、用户历史评论的农产品、和用户历史点赞的农产品等。关于用户信息的具体细节可以参见上述步骤106及其相关描述，在此不再赘述。
60.在一些实施例中，第三预测模型可以包括神经网络模型(nn)。在一些实施例中，可
以通过多个携带有标签的第三训练样本训练得到第三预测模型。在一些实施例中，第三训练样本至少可以包括样本用户的特征信息，标签可以表征样本农产品在各个生长阶段的生长形态图像和候选农产品的当前形态图像的推广指数。具体的，可以基于多个第三训练样本迭代更新初始第三预测模型的参数，以使模型的损失函数满足预设条件，例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的第三预测模型。
61.在一些实施例中，在利用第三预测模型对用户的特征信息进行处理，确定推广指数(即推广标签)后，可以通过真实度对推广指数进行调整。在一些实施例中，可以通过当前真实度和/或各个生长阶段的真实度，对候选农产品的当前形态图像和/或候选农产品在各个生长阶段的生长形态图像各自的推广标签进行加权运算，以得到各自调整后的推广指数。例如，真实度越大，设置的权重越大。由此可知，通过基于真实度(例如，当前真实度和/或各个生长阶段的真实度)对推广指数进行调整，使得该真实度与推广指数(即推广标签)正相关。由于目标真实度基于各个生长阶段的真实度和当前真实度确定，进而推广指数(即推广标签)与目标真实度正相关。
62.在一些实施例中，第三预测模型还可以通过多个携带有标签的第四训练样本训练得到，第四训练样本至少可以包括样本农产品在各个生长阶段的生长形态图像、和样本农产品的当前形态图像，标签可以表征样本农产品的目标真实度。具体的，该第三预测模型的训练方式与上述相同，在此不再赘述。在本说明书的一些实施例中，可以通过将目标真实度和该第三预测模型输出的推广指数的差异作为损失函数，训练得到第三预测模型，由此可知，推广指数(即推广标签)和目标真实度正相关。
63.在一些实施例中，在利用第三预测模型确定推广指数时，模型的输入除了用户的历史行为和用户信息以外，还可以包括目标真实度。在说明书的一些实施例，第一预测模型、第二预测模型和第三预测模型可以通过端到端训练得到。关于端到端训练的具体细节可以参见上述步骤204及其相关描述，在此不再赘述。
64.在本说明书的一些实施例中，通过用户的特征信息确定推广标签，可以使图像的推广标签更符合用户的偏好，例如，用户职业是农业研究人员，则可能生长形态图像的推广指数更高，从而提高更符合用户需求的图像的展示优先程度和力度，提高候选农产品的销量和用户的购物体验。
65.步骤404，基于所述第一预设广告和所述推广标签，生成所述第二预设广告。在一些实施例中，步骤404可由生成模块580执行。
66.关于第一预设广告的具体细节可以参见上述步骤106及其相关描述，在此不再赘述。在一些实施例中，第一预设广告至少可以包括候选农产品在各个生长阶段的生长形态图像和候选农产品的当前形态图像。在一些实施例中，可以基于推广指数对第一预设广告的内容进行调整，生成第二预设广告。在一些实施例中，可以基于推广指数利用多种方式对第一预设广告的内容进行调整。例如，在一些实施例中，可以将第一预设广告中推广指数小于预设阈值的图像进行删除或隐藏。在一些实施例中，可以将第一预设广告中推广指数小于预设阈值的图像进行最后播放。在一些实施例中，预设阈值可以根据实际需求进行具体设置，例如，0.5和0.6等。
67.在本说明书的一些实施例中，通过删除第一预设广告中推广指数小于预设阈值的
图像，可以直接避免用户观看该图像，进而避免用户对候选农产品的不满。通过最后展示第一预设广告中推广指数小于预设阈值的图像，可以在一定程度上避免用户注意该图像，间接避免用户对候选农产品的不满。
68.在一些实施例中，可以确定推广指数满足预设要求的目标图像；基于目标图像对第二预设广告进行调整，并展示调整后的第二预设广告。在一些实施例中，第二预设广告由第一预设广告生成。第二预设广告至少可以包括以下的一张或多张图像：候选农产品在各个生长阶段的生长形态图像和候选农产品的当前形态图像。在一些实施例中，目标图像可以是第二预设广告中推广指数满足预设要求的图像，可以理解的，该目标图像可以属于候选农产品在各个生长阶段的生长形态图像和/或候选农产品的当前形态图像。在一些实施例中，预设要求可以根据实际需求进行具体设置。例如，预设要求可以是推广指数大于预设阈值。关于预设阈值可参前文描述，在此不再赘述。
69.在一些实施例中，可以基于目标图像对第二预设广告进行多种调整。例如，在一些实施例中，可以基于目标图像的预设顺序，利用预设增加规则增加新的素材。在一些实施例中，新的素材可以是与目标图像相关或无关的其他图像。
70.在一些实施例中，目标图像的预设顺序可以根据候选农产品的生长过程确定。在一些实施例中，目标图像的预设顺序可以是各个生长阶段的生长形态图像至当前形态图像，即目标图像的预设顺序可以是：发芽期图像、幼苗期图像、开花期图像、结果期图像、当前形态图像。在一些实施例中预设增加规则可以预先人为设定。在一些实施例中，预设增加规则可以是增加与目标图像相关的对比图，例如，若目标图像为发芽期图像，则预设增加规则可以是增加发芽期的生长对比图，例如，基于每间隔五天采集的至少两张发芽期图像，确定对应的生长对比图。通过添加新的素材可以增加目标图像的真实性的可靠程度，提高用户对图像真实性的认可度。
71.在一些实施例中，可以基于目标图像，确定第二预设广告中与目标图像的相似度满足预设阈值的其他图像，对其他图像进行处理，以实现第二预设广告的调整。在一些实施例中，对其他图像进行的处理可以包括以下的一种或多种组合：添加音乐、放大图像和延长展示时间。在一些实施例中，还可以对添加的新素材进行以下的一种或多种处理：添加音乐、放大图像和延长展示时间。
72.在一些实施例中，可以对目标图像进行预设处理，以实现对第二预设广告的调整。在一些实施例中，预设处理可以包括但不限于：添加音乐、放大图像和延长展示时间等。例如，若目标图像为结果期图像，则当第二预设广告播放至结果期图像时，可以执行以下一种或多种预设处理：添加音乐、放大该结果期图像和延长结果期图像的展示时间(例如，延长至15s)。通过对目标图像进行预设处理，可以引起用户的重视，使用户更加了解真实度高的图像，进而提高候选农产品的销量。
73.图5是根据本说明书一些实施例所示的自动确定农产品的营销内容的系统的模块图。
74.如图5所示，该系统500可以包括第一确定模块510、判断模块520、第一展示模块530、第二展示模块540、第三展示模块550、发送模块560、第二确定模块570和生成模块580。
75.第一确定模块510可以用于基于用户输入的关键词，确定候选农产品。
76.判断模块520可以用于判断候选农产品是否属于预设农产品。
77.第一展示模块530可以用于响应于不是，则展示与候选农产品匹配的第一预设广告。
78.第二展示模块540可以用于响应于是，则基于机器学习模型处理所述候选农产品的相关信息，对所述候选农产品的真实情况进行评估，并展示与评估结果匹配的第二预设广告。在一些实施例中，第二展示模块540可以进一步用于利用所述机器学习模型，至少对所述候选农产品在各个生长阶段的环境数据、所述候选农产品在所述各个生长阶段的生长形态图像、以及所述候选农产品的当前形态图像进行处理，得到所述候选农产品的目标真实度；将所述目标真实度确定为所述候选农产品的所述评估结果。
79.第三展示模块550可以用于基于所述目标真实度满足第一预设条件，生成并展示所述第二预设广告。
80.发送模块560可以用于基于所述目标真实度满足第二预设条件，向目标对象发送警示信息。
81.第二确定模块570可以用于确定所述候选农产品在所述各个生长阶段的所述生长形态图像、和所述候选农产品的所述当前形态图像各自的推广标签。
82.生成模块580可以用于基于所述第一预设广告和所述推广标签，生成所述第二预设广告。
83.应当理解，图5所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
84.需要注意的是，以上对于自动确定农产品的营销内容的系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图5中披露的第一确定模块510、判断模块520、第一展示模块530、第二展示模块540、第三展示模块550、发送模块560、第二确定模块570和生成模块580可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，判断模块520、第一展示模块530可以是两个模块，也可以是一个模块同时具有判断功能和展示功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
85.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所
以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
86.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
87.此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
88.计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
89.本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
90.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
91.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
92.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
93.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
94.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。