广告文案质量评估方法及其装置、设备、介质、产品与流程

1.本技术涉及电商信息技术领域，尤其涉及一种广告文案质量评估方法及其 相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。


背景技术：

2.电商平台通常配置有广告投放页面，供店铺用户向广告系统投放店铺内上 架商品相对应的广告，以达到线上引流，促进商品交易额提升的目的。
3.在发布广告时，需要提供相应的广告文案。专业的文案通常能起到更好的 推广效果。现实中，无论是人工撰写的广告文案，还是机器自动生成的广告文 案，其质量都是良莠不齐。因而，服务于电商产品的广告发布需求，需要一套 合理的文案质量的评估方案，以便筛选推荐质量较高的文案，或者给予店铺用 户反馈和指导。
4.目前用于评估广告文案质量的方法，只针对文案语句本身，主要有两类： 一类是语句通顺度相关的，衡量语句是否有符合语法表达、遣词造句是否恰当、 语义是否通顺等；另一类是生成文本与目标文本的相似度相关的，衡量生成文 本与目标文本的语义相似和字符接近程度，譬如从机器翻译领域引用而来的衡 量n-gram文本重合程度指标rouge和bleu。
5.对于应用于营销活动中的广告文案，以上各种方式所获得的指标，无论其 单独还是结合应用，均无法从达成营销目的的角度出发去衡量文案质量。一条 较为优质的广告文案除了需要满足语句通顺的要求，最好还要能符合商品特性。 现有方案显然无法取得这样的效果。
6.有鉴于此，有必要摒弃传统的广告文案质量评估方案，借助技术手段提供 更为有效的解决方案。


技术实现要素：

7.本技术的目的在于解决上述问题而提供一种广告文案质量评估方法及其相 应的装置、计算机设备、计算机可读存储介质、计算机程序产品、 适应本技术的各个目的，采用如下技术方案：
8.一个方面，适应本技术的目的之一而提供一种广告文案质量评估方法，包 括：
9.获取目标商品的描述文本与广告文案；
10.确定描述文本与广告文案之间的描述相似度和推广价值度；
11.确定广告文案中语句的文本困惑度；
12.融合描述相似度、推广价值度以及文本困惑度获得广告文案的质量评分。
13.另一方面，适应本技术的目的之一而提供一种广告文案质量评估装置，包 括：
14.素材获取模块，用于获取目标商品的描述文本与广告文案；
15.第一运算模块，用于确定描述文本与广告文案之间的描述相似度和推广价 值度；
16.第二运算模块，用于确定广告文案中语句的文本困惑度；
17.综合运算模块，用于融合描述相似度、推广价值度以及文本困惑度获得广 告文案的质量评分。
18.又一方面，适应本技术的目的之一而提供的一种计算机设备，包括中央处 理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程 序以执行本技术所述的广告文案质量评估方法的步骤。
19.又一方面，适应本技术的另一目的而提供的一种计算机可读存储介质，其 以计算机可读指令的形式存储有依据所述的广告文案质量评估方法所实现的计 算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
20.又一方面，适应本技术的另一目的而提供的一种计算机程序产品，包括计 算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施 例中所述广告文案质量评估方法的步骤。
21.相对于现有技术，本技术从多个维度实现了对广告文案的质量的量化而获 得相对应的质量评分，可以用于实现广告文案的自动化选优，满足对广告文案 进行营销推广所需的质量评价的需求。具体而言，分别从描述相似度、推广价 值度、文本困惑度三个维度对广告文案的质量进行量化评价，其中，描述相似 度可以参考目标商品的描述文本，通过识别广告文案与描述文本在语义上构成 何种程度的相近似而确定；推广价值度可根据所述广告文案的语义，通过识别 广告文案在何种程度上适于推广而确定；文本困惑度可通过识别广告文案的语 句通顺程度而确定。将各个维度相对应的数据线性融合汇总，便可获得广告文 案相对应的质量评分，实现对广告文案质量的标准化评估。
22.进一步，本技术在确定描述相似度和推广价值度时，仅通过单个步骤便可 同步获得，方便采用同构的算法模型实现，其实现成本低，运算效率高，有助 于快速确定广告文案的质量评分。
附图说明
23.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中 将变得明显和容易理解，其中：
24.图1为本技术的广告文案质量评估方法的典型实施例的流程示意图。
25.图2为本技术实施例中获得描述文本和广告文案的流程示意图。
26.图3为本技术实施例中确定广告文案的描述相似度与推广价值度的流程示 意图。
27.图4为本技术示例性的分类量化模型的网络架构示意图。
28.图5为本技术实施例中分类量化模型的训练过程的流程示意图。
29.图6为本技术实施例中确定文本困惑度的流程示意图。
30.图7为本技术实施例中根据评分特征向量确定质量评分的流程示意图。
31.图8为本技术实施例中精选广告文案的流程示意图。
32.图9为本技术的广告文案质量评估装置的原理框图；
33.图10为本技术所采用的一种计算机设备的结构示意图。
具体实施方式
34.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自 始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。 下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释 为对本技术的限制。
35.本技术中所引用或可能引用到的神经网络模型，除非明文指定，既可部署 于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直 接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习 来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运 行资源。
36.本技术即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系， 否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例， 只要这种结合不背离本技术的创造精神且可满足现有技术中的需求或解决现有 技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
37.本技术的一种广告文案质量评估方法，可被编程为计算机程序产品，部署 于客户端或服务器中运行而实现，例如，本技术的示例性应用场景中，可以在 电商平台的服务器中部署实现，藉此可以通过访问该计算机程序产品运行后开 放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行 该方法。
38.请参阅图1，本技术的广告文案质量评估方法在其典型实施例中，包括如 下步骤：
39.步骤s1100、获取目标商品的描述文本与广告文案；
40.电商平台通常配备有广告系统，通过向各个线上店铺的商家用户开放相应 的广告发布接口，通过该广告发布接口获得任意店铺的商家用户向广告系统投 放的广告相对应的广告文案及广告配置信息，将其提交到广告系统自有的广告 发布渠道或第三方的广告发布渠道向公众展示。
41.本技术中，所述广告文案主要表现为文本形式，其由自然语言表述而成， 可以为任意语种的文字。每个所述店铺可以对应部署于电商平台的一个独立站 点中。每个店铺可以上架大量的商品，用户可以通过进入店铺访问其中的任意 商品的交易页面进行下单和支付等操作，从而实现电商交易。每个店铺可以向 所述的广告系统投放其店铺中任意商品相对应的商品广告，这样的商品可称为 广告商品。商家用户在发布广告过程中提供广告商品相对应的广告文案，通过 所述广告发布接口提交至所述的广告系统实现发布。对于待发布广告的广告商 品，可确定为本技术的目标广告商品，简称目标商品。
42.线上店铺的商品信息库中，存储有其上架的每个商品的商品信息，包括但 不限于商品所归属的品类标签、起主要提示作用的商品标题、起对商品进行综 合介绍或局部介绍以彰显商品的功能和/或特点的作用的详情文本、起对商品 的属性进行摘要的作用的商品属性数据等。
43.其中，商品标题一般是较为精简的词汇的组合，通常由商品特性相对应的 多个关键词构成，商品详情文本的篇幅较为详尽，从不同方面不同细节对商品 的特性展开描述。
44.所述的品类标签，是商品对应到电商平台预设的品类体系中的具体品类相 对应的标识符。具体而言，电商平台的店铺，通常均构建有商品的品类体系， 用于分门别类归纳店铺内的海量商品。所述品类体系可以是多层级分类体系， 即包含多个分类层级，每个分类层级包含多个具体品类。品类体系的构建，可 由电商平台统一提供模板，由商家用户自行修订确定。
45.本技术中，可以采用目标商品的商品信息中的各种文本用于构造描述文本， 因
而，所述描述文本包括但不限于目标商品的商品标题、详情文本、品类标签 乃至商品属性数据中的任意一种或任意多种的组合。例如，以目标商品的商品 标题及其品类标签组合为目标商品的描述文本。
46.所述广告文案中，可以借助与商品信息的文本同属相应语种的文字描述广 告商品对应的商品特性及其他广告信息。所述商品特性可以包括广告商品的名 称、品牌、特点、功能、参数、属性等有助于让观众认知该商品的任意信息。 一种实施例中，用于描述商品特性的文字内容可以是广告商品的详情文本中的 一个独立语句即广告文案，也可以是基于这样的广告文案进一步优化编辑但不 改变其主要意思的替换语句。
47.广告文案的来源，可以是商家用户提供的人工撰写提供的，也可以是套用 文案模板并添加了广告商品的商品信息中的关键词获得的，还可以是借助预设 的深度学习模型，根据广告商品的商品信息例如所述的描述文本进行语义推理 而自动生成的。
48.一种实施例中，关联于一个目标商品，可以预先提供一个或多个广告文案， 然后可以应用本技术的方法，按需针对各个广告文案确定相应的质量评分。
49.当需要为某一目标商品的广告文案确定质量评分时，便可根据预设的业务 逻辑，从该目标商品的商品信息中构造出所述的描述文本，并且逐一调用该目 标商品相对应提供的文案库中的相应广告文案，用于启动对该广告文案的质量 评分操作。
50.步骤s1200、确定描述文本与广告文案之间的描述相似度和推广价值度；
51.目标商品的描述文本，其与所述广告文案之间的关联密切程度，可以通过 两者在语义上的相似度来表征，使得相似度越高，表示所述描述文本，具体例 如前文示例中的商品标题为主，与所述广告文案更加呼应，也就更能表示相应 的广告商品的商品特性；相似度越低，表示所述广告文案与所述描述文本的呼 应程度越低，说明相对而言未能有效描述广告商品的商品特性。为便于理解， 描述文本与广告文案之间的这种基于语义之间的相似度，可称为描述相似度。
52.一种实施例中，允许为描述相似度的确定设置多个表示不同密切程度等级 的类别，可依描述相似度高低而映射到不同类别，后续方便通过类别筛选，快 速过滤部分描述相似度较低的广告文案。
53.所述描述相似度的确定，可采用神经网络模型实施，通过提取描述文本、 广告文案或其结合的特征向量来计算。所述神经网络模型优选循环神经网络模 型(rnn)，例如lstm(长短期记忆循环神经网络)、bilstm(双向长短期记忆 循环神经网络)、transformer、bert、roberta、albert、ernie、bert-wwm等。 所述神经网络模型可根据本技术所揭示的原理，可以选用adam、adamw等优化 算法中的一个，建立多任务的分类模型，预先采用足量对应的训练样本将其训 练至收敛状态，从而使得其习得根据给定的描述文本、广告文案或其结合对应 确定描述相似度的能力。
54.为此，一种实施例中，可以采用两个同构的基础神经网络模型搭建双塔模 型，通过两个基础神经网络模型分别对描述文本和广告文案提取特征向量并进 行拼接获得综合特征向量后，进一步分类映射获得映射到预设类别的分类概率 作为描述相似度；另一实施例中，可实现为采用单个基础神经网络模型利用描 述文本与广告文案的结合文本进行特征提取获得综合特征向量后做分类映射获 得映射到预设类别的分类概率作为所述的描述相似度。
55.所述描述文本与所述广告文案之间的推广价值度，主要用于表征该广告文 案是否适于推广，推广价值度越高，表示相应的广告文案能为广告商品的推广 带来更高的信息贡献价值，推广价值度越低，则表示广告文案为广告商品的推 广带来的信息贡献价值也相应越低。
56.所述推广价值度的确定，同理可采用神经网络模型实施，通过提取描述文 本、广告文案或其结合的特征向量来计算，所述神经网络模型优选循环神经网 络模型(rnn)，例如lstm(长短期记忆循环神经网络)、bilstm(双向长短期 记忆循环神经网络)、transformer、bert、roberta、albert、ernie、bert
‑ꢀ
wwm等。所述神经网络模型可根据本技术所揭示的原理，可以选用adam、 adamw等优化算法中的一个，建立多任务的分类模型，预先采用足量对应的训 练样本将其训练至收敛状态，从而使得其习得根据给定的描述文本、广告文案 或其结合对应确定推广价值度的能力。
57.为此，一种实施例中，可以采用两个同构的基础神经网络模型搭建双塔模 型，通过两个基础神经网络模型分别对描述文本和广告文案提取特征向量并进 行拼接获得综合特征向量后，进一步分类映射获得映射到预设类别的分类概率 作为推广价值度；另一实施例中，可实现为采用单个基础神经网络模型利用描 述文本与广告文案的结合文本进行特征提取获得综合特征向量后做分类映射获 得映射到预设类别的分类概率作为所述的推广价值度。
58.根据以上关于描述相似度和推广价值度的实现原理可以理解，描述相似度 和推广价值度的确定，既可以分别实现，也可以同构实现，因而在一种实施例 中可以同步确定所述的描述相似度和推广价值度，从而提升描述相似度和推广 价值度的确定效率。由此可知，描述相似度与推广价值度可以基于相同的模型 架构来确定，因而，一种实施例中，计算描述相似度和推广价值度的神经网络 模型架构，基于单一神经网络模型架构进行处理，但在最后获得描述文本与广 告文案的综合特征向量后，将其分成两个支路，分别进行基于描述相似度和推 广价值度的分类映射，获得相应的相似度和推广价值度即可。
59.不难理解，这样的模型架构可以通过联合训练至收敛状态来实现制备，使 其习得根据给定的描述文本和广告文案同步确定出两者相对应的描述相似度和 推广价值度的能力即可。在联合训练的过程中，适应性采用描述相似度和推广 价值度对应的监督标签对各个支路计算损失值，再以两个支路的损失值的和值 对整个模型架构实施梯度更新即可。由此可见，对于联合输入的描述文本和广 告文案，可以一次性同步确定出两者之间的描述相似度和推广价值度，从而确 定出所述广告文案与所述描述文本的语义密切程度，以及所述广告文案适于投 放广告的可推广程度。
60.为了使所述描述相似度能够实现对描述文本和广告文案之间的语义关联密 切程度的表征，可以使用预标注的训练样本对相应的神经网络模型实施训练， 由人工根据训练样本中的描述文本和广告文案之间的实际关联而设定对应的监 督标签即可。
61.同理，为了使所述推广价值度能够实现对广告文案的可推广程度进行表征， 也可预先对所述训练样本进行人工标注，根据相应的训练样本对应的广告文案 是否带有能够满足消费者所关注的一些收益之类的信息给定相应的监督标签即 可。
62.至此可知，针对目标商品相对应的任一广告文案，均可根据以上原理，通 过与所述描述文本相联合，确定出每个广告文案相对应的描述相似度和推广价 值度。
63.步骤s1300、确定广告文案中语句的文本困惑度；
64.文本困惑度可以用于评价语句是否通顺，因而，可以基于文本困惑度量化 表示广告文案是否符合语法表达要求、遣词造句是否得当、语义是否通顺等。 一个实施例中，对于广告文案存在多个独立语句的情况，可以不考虑其分句的 事实，将其中的各个独立语句直接拼接在一起，作为单独的一个语句进行量化 确定广告文案中语句在整体上的文本困惑度。另一实施例中，可以针对广告文 案中的各个语句，分别独立确定各个独立语句的文本困惑度，然后将所有语句 的文本困惑度求取均值作为广告文案中语句的整体上的文本困惑度。
65.一个实施例中，为了确定给定的语句的文本困惑度，可以采用预训练的因 果语言模型(causal language modeling，clm)实施。因果语言模型 (causal language model)，是跟掩码语言模型相对的语言模型，跟 transformer机制中的解码器很相似，因果语言模型采用了对角掩蔽矩阵，使 得每个token只能看到在它之前的token信息，而看不到在它之后的token， 模型的训练目标是根据在这之前的token来预测下一个位置的token。通常是 根据概率分布来计算词之间组合的出现概率，因果语言模型根据所有之前的 token信息来预测当前时刻token，所以可以很直接地应用到文本生成任务中。 可以理解为encoder-decoder的模型结果使用了完整的transformer结构，但 是因果语言模型则只用到transformer的decoder结构(同时去掉transformer 中间的encoder-decoder attention，因为没有encoder的结构)。
66.由此，可将广告文案的语句的词元进行词嵌入之后获得的嵌入向量序列化 地输入因果训练模型中进行逐步解码，获得其中各个词元相对应的预测概率， 将这些词元的预测概率相乘的结果作为所述语句的文本困惑度，能够在一定程 度上反映广告文案的语句的合法性和合理性。不难理解，广告文案的文本困惑 度越低，广告广西便越是符合语法和表达习惯。
67.步骤s1400、融合描述相似度、推广价值度以及文本困惑度获得广告文案 的质量评分。
68.获得所述广告文案的描述相似度similar、推广价值度value以及文本困惑 度perplexity之后，便可对这些数据进行线性融合，获得一个综合的结果，作 为所述广告文案的质量评分score。
69.一个实施例中，可以从第一分类空间和第二分类空间各自的特定类别中取 值用于分别指示描述相似度和推广价值度，例如采用第一分类空间中表征描述 文本与广告文案最为相似的类别的分类概率作为描述相似度，采用第二分类空 间中表征广告文案具有推广价值的类别的分类概率作为推广价值度，因而，描 述价值度和推广价值度均是定值，此时，可以通过匹配预设权重进行加权求和 的方式，将以上数据融合为质量评分，示例性的公式如下：
[0070][0071]
其中，ω1、ω2、ω3为预设权重，由于本实施例中可以直接用于衡量描述 相似度和推广价值度的特定类别中取值，similar、value、perplexity已预先 归一化至[0,1]的置信区间，故以系数1/3求均值进一步将最终的质量评分归 一化至[0,1]的数值区间，以使质量
评分更为直观。
[0072]
另一实施例中，可以预先建立起线性融合模型作为评分器，采用多个广告 文案经过上述过程生成其各自的描述相似度、推广价值度、文本困惑度，可保 留第一分类空间、第二分类空间各自的概率分布表示为向量形式，同理，文本 困惑度也可表示为向量形式，然后经人工标注的方式，将可采纳用于投放广告 的广告文案标记为正样本，将不采纳用于投放广告的广告文案标记为负样本， 然后，将描述相似度、推广价值度、文本困惑度一起转换为向量表示，输入该 线性融合模型进行二分类判别迭代训练获得每个广告文案的分类结果，以其相 应的样本类型即正样本或负样本计算交叉熵损失，根据损失值进行梯度更新， 直至将线性融合模型训练于收敛为止，便可使线性融合模型习得根据一个广告 文案的描述相似度、推广价值度、文本困惑度的向量表示确定出其映射到二分 类空间的两个类别相对应的分类概率，其中映射到正样本相对应的类别的分类 概率，便可直接用作广告文案相对应的质量评分。
[0073]
所述线性融合模型可以是logistics分类器、感知机、线性可分支持向量 机等任意一种。该模型的判别函数为f，预测结果表示为：
[0074]
pred(label
accept
) ＝f(ω1*label
match
+ω2*label
promote
+ω3*perplexity+bias)
[0075]
其中，label
match
是与描述相似度对应的第一分类空间的各个类别的概率 分布，label
promote
是与推广价值度相对应的第二分类空间的各个类别的概率 分布，perplexity直接使用文本困惑度，label
accept
表示线性融合模型中正样 本相对应的分类，ω1、ω2、ω3、bias为可学习权重，其在线性融合模型的训练 过程中被不断修正，在训练至收敛状态后固化。
[0076]
使用线性融合模型确定广告文案的质量评分，由于综合考虑了描述相似度、 推广价值度以及文本困惑度在深层语义，故所获得的质量评分具有综合各种因 素的考量，例如当第一分类空间存在多于三个类别时，能够充分考虑三个类别 的概率分布情况之后确定出所述的质量评分，因而，所获得的质量评分更具综 合量化能力。
[0077]
可见，存在多种方式可以实现描述相似度、推广价值度以及文本困惑度的 融合，均可获得质量评分，实现对广告文案的质量的综合评估。
[0078]
相对于现有技术，本技术从多个维度实现了对广告文案的质量的量化而获 得相对应的质量评分，可以用于实现广告文案的自动化选优，满足对广告文案 进行营销推广所需的质量评价的需求。具体而言，分别从描述相似度、推广价 值度、文本困惑度三个维度对广告文案的质量进行量化评价，其中，描述相似 度可以参考目标商品的描述文本，通过识别广告文案与描述文本在语义上构成 何种程度的相近似而确定；推广价值度可根据所述广告文案的语义，通过识别 广告文案在何种程度上适于推广而确定；文本困惑度可通过识别广告文案的语 句通顺程度而确定。将各个维度相对应的数据线性融合汇总，便可获得广告文 案相对应的质量评分，实现对广告文案质量的标准化评估。
[0079]
进一步，本技术在确定描述相似度和推广价值度时，仅通过单个步骤便可 同步获得，方便采用同构的算法模型实现，其实现成本低，运算效率高，有助 于快速确定广告文案的质量评分。
[0080]
在本技术任意实施例的基础上，请参阅图2，所述步骤s1100、获取目标 商品的描述文本与广告文案，包括：
[0081]
步骤s1110、接收广告发布请求，确定其中指定的目标商品及广告文案；
[0082]
当独立站点的商家用户需要为其线上店铺的上架商品发布广告时，可以调 用电商平台提供的广告发布编辑页面，在其中指定目标商品以及输入广告文案， 所述广告文案可以是商家用户自行创作的，也可以是通过电商平台或者第三方 提供的广告文案创作模型根据该目标商品的商品信息自动生成的，然后，执行 确认操作，触发一个相应的广告发布请求，在该请求中封装所述目标商品及广 告文案对应的数据，例如目标商品的sku或spu，以及广告文案的文本字符串。 服务器接收到该广告发布请求后，便可解析该请求获知目标商品和广告文案。
[0083]
步骤s1120、从线上店铺的商品信息库中提取目标商品的商品标题和品类 标签，将两者拼接为描述文本；
[0084]
针对所述广告发布请求指定的目标商品，可以从商家用户的线上店铺的商 品信息库中进行对应调用，获取其中属于目标商品的商品信息，本实施例中， 可只获取目标商品的商品信息中的商品标题和品类标签，其中商品标题由于一 般表述了商品的重要卖点特征，而品类标签则能够缩小目标商品所适应的范围， 将所述商品标题和品类标签直接前后拼接为描述文本，便可使描述文本具有在 文字层面表示商品的独特性的能力。品类标签和商品标题中可以始终遵守一定 的拼接顺序而构成相应的描述文本，例如，按照品类标签在前、商品标题在后 的顺序进行拼接。
[0085]
步骤s1130、完成对所述描述文本和广告文案的格式预处理。
[0086]
为便于提升语义表达能力，考虑到描述文本的商品标题及广告文案中可能 存在一些不必要的干扰信息，因而，可以对广告文案和描述文本进行格式化预 处理，可采用的预处理方式包括但不限于：去除停用词、去除标点符号、修正 明显错别字、去除表情符号、去除html标签等等任意一项或任意多项。
[0087]
根据以上实施例可以理解，适应商家用户的即时需要，允许商家用户自行 提交广告文案启动质量评分过程，使本技术所实现的质量评分功能能够满足用 户即时需求，丰富电商平台的后端服务，提升对商家用户的服务体验。
[0088]
在本技术任意实施例的基础上，请参阅图3，所述步骤s1200、确定描述 文本与广告文案之间的描述相似度和推广价值度，包括：
[0089]
步骤s1210、将描述文本与单个广告文案构造为句对，转换为句对向量；
[0090]
目标商品的描述文本与单个广告文案可以构成句对，然后转换为向量表示 的形式，用于确定描述相似度和推广价值度。对于存在多个广告文案的情况， 可通过将所述描述文本分别与各个广告文案对应建立句对的方式，确定出每个 句对的向量表示，再针对各个句对的向量表示进行个别确定描述相似度和推广 价值度。
[0091]
实现对句对的向量表示，可适应本技术用于确定描述相似度和推广价值度 的神经网络模型的输入要求而定。本实施例中，预建模一个分类量化模型来实 施描述相似度和推广价值度的计算，其要求将每个句对转换为句对向量的形式 进行输入。所述分类量化模型的主干模型以bert为例，适应bert模型执行预 测下一句任务的需要，可在句对中添加相应的分类任务标签[cls]和章节标签 [sep]，其句对向量的表示形式如：
[0092]
[cls]描述文本[sep]广告文案
[0093]
在以上示例性的句对向量中，描述文本和广告文案被通过分词切分为多个 词元，
且参照bert模型对应的词表获得嵌入向量，从而实现向量化表示。
[0094]
步骤s1220、将句对向量输入预训练至收敛状态的分类量化模型，获得该 句对向量映射到第一分类空间中表征不同匹配程度的各个类别的分类概率和映 射到第二分类空间中表征是否适于推广的类别的分类概率；
[0095]
本实施例的分类量化模型如图4所示，其包括文本特征提取模型和两个分 类器，文本特征提取模型采用本技术前文所称的任意神经网络模型来实现，例 如bert，将由描述文本和广告文案构成的句对处理而成的句对向量输入所述文 本特征提取模型进行特征抽取，提取出深层语义信息，获得相应的综合特征向 量，然后将该综合特征向量分别输入两个分类器进行分类映射，两个分类器分 别映射出所述广告文案相对应的描述相似度和推广价值度。
[0096]
所述分类量化模型事先被采用相应预设的数据集中的训练样本训练至收敛 状态，使其习得为输入的句对向量同步确定其相对应的描述相似度和推广价值 度的能力即可。
[0097]
所述分类量化模型中，第一分类器可以为多分类器。第一分类器相对应的 第一分类空间，可以根据句对中描述文本与广告文案的匹配程度划分匹配等级 而设置对应的多个类别，一般是三个以上的类别，各个类别对应表征描述文本 与广告文案之间的语义密切等级，并且，每个类别经分类所得的分类概率，可 以用于表示描述文本与广告文案之间的描述相似度。
[0098]
示例而言，第一分类空间的类别可以设置为三个，分别表示描述文本与广 告文案完全不相关、部分相关、密切相关，借此可以建立广告文案与商品标题 的匹配程度label
match
的分类评分标准：
[0099]
label
match
＝0，为表征完全不相关的第一类别，表示广告文案不能有效 表示广告商品的商品特性，譬如：商品售后、打折促销、工作方式原理、产品 养护、物流运输等。
[0100]
label
match
＝1，为表征部分相关的第二类别，首先广告文案能够有效表 示商品特性，然后，满足情况1：广告文案表述的是商品的基本功能但不是核 心的卖点；和/或，满足情况2：广告文案的表述和广告商品的商品特征部分匹 配。
[0101]
label
match
＝2，为表征密切相关的第三类别，广告文案完全符合商品特 征，并且能够很恰当很充分地表达出商品的核心卖点。
[0102]
所述分类量化模型中，第二分类器可以为二分类器。第二分类器相对应的 第二分类空间，可以根据句对中描述文本和广告文案是、否适于投放广告实现 营销推广目的而设置对应的两个类别，每个类别经分类所得的分类概率，可以 作为表征是否适于推广相对应之间的推广价值度。
[0103]
示例而言，第二分类空间的类别可以设置为两个，分别表示描述文本和广 告文案，主要是广告文案，是否具有对消费者用户的吸引力，也即适合或不适 合用于营销推广。据此，可以建立广告文案对商品的可推广程度label
promote
的分类评分标准：
[0104]
label
promote
＝1，表示广告文案非常适合作为营销推广的文案，是从商品 可以带来的收益、商品使用场景、功能详细参数说明，这三个角度中的一个以 上的角度，来介绍商品的功能卖点。
[0105]
label
promote
＝0，表示不满足label
promote
＝1的广告文案。
[0106]
需要指出的是，所述的商品特征，主要是指商品的卖点特性，即具有吸引 消费者用户购买相应商品的信息参考价值的商品描述内容。
[0107]
当分类量化模型根据综合特征向量映射至两个分类空间获得各个分类空间 相应的分类概率后，便可以从这些分类概率中确定广告文案的描述相似度和推 广价值度。
[0108]
步骤s1230、将第一分类空间的表征所述句对向量中的描述文本与广告文 案相匹配的类别的分类概率，确定为广告文案的描述相似度；
[0109]
根据前文所述，分类量化模型设置有多个类别，当一个句对的综合特征向 量经过第一分类器处理获得其映射到各个类别的分类概率时，一种实施例中， 确定其中一个类别作为参照，例如将表示完全相关的类别作为参照，被参照的 类别的分类概率便可直接作为该句对中的广告文案相对应的描述相似度，以便 通过简便的方式确定质量评分。另一实施例中，将第一分类空间的各个分类概 率转换为向量表示的形式，以便综合表示广告文案的描述相似度，方便后续通 过线性融合模型确定质量评分。
[0110]
步骤s1240、将第二分类空间的表征所述句对向量中的广告文案适于推广 的类别的分类概率，确定为广告文案的推广价值度。
[0111]
根据前文所述，一种实施例中，当一个句对的综合特征向量经过第二分类 器处理获得其映射到各个类别的分类概率时，只需取其正向结果相对应的类别， 例如前文示例中label
promote
＝1相对应的分类概率，即可作为其相应的推广价 值度，以便通过简便的方式确定质量评分。另一实施例中，将第二分类空间的 各个分类概率转换为向量表示的形式，以便综合表示广告文案的推广价值度， 方便后续通过线性融合模型确定质量评分。
[0112]
通过将每个广告文案与描述文本构成句对，逐一将每个句对输入分类量化 模型中，便可同步确定出每个广告文案相对应的描述相似度和推广价值度，将 每个广告文案与其描述相似度、推广价值度对应建立映射关系，确定映射关系 数据，后续便可直接调用。
[0113]
根据以上实施例，可以看出，借助同一神经网络模型便可同步确定每个广 告文案相对应的描述相似度和推广价值度，其中的描述相似度可以用于表征该 广告文案是否与描述文本中的商品标题的卖点密切相关，推广价值度可以用于 表征广告文案是否适于推广，不难理解，根据两者的结合，便可更为有效地表 示每个广告文案用于广告推广的评分维度，后续可以据此有效量化出广告文案 的质量评分。
[0114]
在本技术任意实施例的基础上，请参阅图5，所述步骤s1220、将句对向 量输入预训练至收敛状态的分类量化模型之前，包括：
[0115]
步骤s2100、调用预设的数据集中的单个训练样本输入分类量化模型，每 个训练样本关联设置第一标签和第二标签，且包括从同一历史商品广告中获得 的样本描述文本和样本广告文案，第一标签用于指示所述样本描述文本与样本 广告文案之间的多种匹配程度相对应的类别，第二标签用于指示所述样本广告 文案是否适于推广相对应的类别；
[0116]
请继续参考图3所示的所述分类量化模型，如前文所述，其对应设置有两 个分支，以便将其文本特征提取模型获得的综合特征映射输出至两个分类器中 确定描述相似度和推广价值度。这两个分类器相对应的第一分类空间、第二分 类空间，与前文实施例的示例同理，分别设置多个类别和两个分类。
[0117]
为了训练这样的分类量化模型，使其能够有效求取每个广告文案相对应的 描述相似度和推广价值度，本实施例中，预备一个数据集，用于对其实施迭代 训练，将其训练至
收敛而获得其相应的能力。
[0118]
所述的数据集包括足以将该分类量化模型训练至收敛的训练样本，所述训 练样本按照前文所揭示的原理而构造，也即，每个训练样本中，会包括商品的 品类标签、商品标题构成的样本描述文本，同时包括从该商品的广告文案中提 取的一个样本广告文案，将该样本描述文本与样本广告文案组成句对，即构造 出一个训练样本。用于构造训练样本的信息所属的商品，一个实施例中，采用 曾在广告系统中投放过广告的商品，即历史广告商品。
[0119]
为了对训练过程实施监督，每个训练样本对应两个分类器的输出而提供两 个监督标签，所述监督标签可以是人工标注的标签，分别包括第一标签和第二 标签。第一标签对应第一分类器而提供，用于监督第一分类器的结果，其指示 训练样本中广告文案在第一分类空间中所应匹配的类别；第二标签对应第二分 类器而提供，用于监督第二分类器的结果，其指示训练样本中广告文案在第二 分类空间中所应匹配的类别。一个实施例中，在进行人工标注时，可由标注者 根据广告文案所起的信息贡献价值做主观评估，确定出其相应的第一标签和第 二标签；另一实施例中，可以根据相应的广告文案与描述文本中的商品标题的 特征向量之间的数据距离而确定第一标签，可以根据相应的历史广告商品的广 告所取得的广告成效数据的优劣而确定所述的第二标签。
[0120]
第一分类空间和第二分类空间的类别结构，可以在训练之前预先设置。例 如按照前文实施例中设置的label
match
和label
promote
。
[0121]
步骤s2200、由分类量化模型提取所述训练样本的深层语义信息，根据该 深层语义信息同步执行两路分类映射，分别映射至第一分类空间和第二分类空 间，获得第一分类空间和第二分类空间中各个类别相对应的分类概率作为分类 结果；
[0122]
如前所述，分类量化模型通过其内部的文本特征提取模型提取输入其中的 训练样本的句对向量的深层语义信息，获得其相应的综合特征向量，然后，该 综合特征向量分别进入第一分类器和第二分类器相对应的支路，在每个分类器 中经过内部的全连接层对应相应的分类空间进行分类映射至相应的输出层，由 输出层根据预设的分类函数例如softmax计算出其映射到各个类别相对应的分 类概率。从而，第一分类空间、第二分类空间均可获得其各个类别相对应的分 类概率。
[0123]
步骤s2300、根据第一标签计算第一分类空间的分类结果的交叉熵损失而 获得的第一损失值，根据第二标签计算第二分类空间的分类结果的交叉熵损失 而获得第二损失值，将第一损失值和第二损失值汇总为模型损失值；
[0124]
为了使分类量化模型收敛，需要针对第一分类空间和第二分类空间的分类 结果计算损失值。具体而言，使用训练样本相对应的第一标签，根据第一标签 计算第一分类空间的分类结果相对应的第一损失值，同理，使用训练样本相对 应的第二标签，根据第二标签计算第二分类空间的分类结果相对应的第二损失 值。由此可见，两个标签分别用于计算两个分类器的分类结果的损失值，实施 分别监督。
[0125]
为了实现联合训练，在获得第一损失值和第二损失值的基础上，进一步， 为第一损失值和第二损失值匹配预设权重进行求和，也即求取两者的加权和值 实现损失值的汇总，获得汇总后的模型损失值。至此不难理解，通过追求模型 损失值最小化，便可将分类量化模型不断训练至收敛状态。
[0126]
步骤s2400、根据所述模型损失值判断分类量化模型是否收敛，当未收敛 时，对分
类量化模型实施梯度更新，继续调用下一训练样本迭代训练，直至达 到收敛。
[0127]
为了控制分类量化模型的训练过程，提供一个预设阈值，将每个训练样本 相对应的模型损失值与该预设阈值进行比较，当模型损失值达至该预设阈值时， 表征模型已经收敛，可以终止对模型的迭代训练，将其投入推理阶段使用。当 模型损失值未达到该预设阈值时，表明模型未收敛，因而，可以根据该模型损 失值对模型反向传播，实现模型各环节权重的梯度更新，使模型进一步逼近收 敛，然后，继续从数据集中调用下一训练样本实施对模型的下一迭代的训练。 以此类推，直至模型被训练至收敛状态为止。
[0128]
根据以上的实施例可知，通过在训练阶段提供确定训练样本的描述相似度、 推广价值度相对应的第一标签和第二标签，对分类量化模型实施联合训练，在 训练过程中分别预测出用于表示描述相似度、推广价值度相对应的分类结果的 损失值，并最终汇总计算模型损失值，追求模型损失值的最小化，由此实现让 模型能够同步地为句对确定其相应的描述相似度和推广价值度，使模型具有给 出句对中的广告文案的使用价值的量化数据的作用。本实施例中，数据集中训 练样本的取材可从电商平台及广告系统中获取，易于批量制备，训练效率较高。
[0129]
在本技术任意实施例的基础上，请参阅图6，所述步骤s1300、确定广告 文案中语句的文本困惑度，包括：
[0130]
步骤s1310、对广告文案分词获得其中各个词元，构造各个词元的嵌入向 量；
[0131]
对广告文案进行分词，可以使用多种已知方式实施，包括n-gram、基于词 袋模型的算法等均可，从而将广告文案切分成多个词元，然后对各个词元进行 词嵌入，获得相应的嵌入向量。
[0132]
步骤s1320、将所述词元的嵌入向量序列化输入预训练至收敛的文本困惑 度推理模型进行自回归解码，获得各个词元相对应的概率分布；
[0133]
本实施例中，采用本技术所述的预训练至收敛状态的因果语言模型作为文 本困惑度推理模型，用于计算广告文案的文本困惑度，为此，将广告文案的词 元相对应的嵌入向量，有序地输入所述所述文本困惑度推理模型，通过模型内 的解码器进行自回归解码，获得各个词元相对应的概率分布。
[0134]
具体而言，文本困惑度推理模型根据给定的嵌入向量序列s的前k个词，预 测第k+1个词，即求第k+1个词w
k+1
出现的概率的公式为：
[0135]
p(w
k+1
|w1,w2,
…
wk)
[0136]
步骤s1330、将各个词元的概率分布融合后作为广告文案的文本困惑度。
[0137]
根据文本困惑度推理模型的原理可知，由n个词构成的语句的预测概率为：
[0138]
p(w1w2…wk+1
…
wn) ＝p(w1)/p(w2|w1)
…
p(w
k+1
|w1,w2,
…
wk)
…
p(wn|w1,w2,
…wn-1
)
[0139]
文本困惑度基于语句的预测概率进行表示，预测概率高的语句相应的困惑 度较低，可见文本困惑度能够在一定程度上反映文本的合法性和合理性。由此， 可将文本困惑度ppl的计算公式表示为：
[0140][0141]
上述公式可以进一步由文本困惑度推理模型预测的语句s的交叉熵h(s)来 表达，于是有：
[0142][0143]
可见，本实施例采用预训练好的gpt-2模型，依次预测广告文案对应的词 序列中的每个词的概率分布，可以得到预测过程中的交叉熵损失，经过指数变 换，即是广告文案对应的文本困惑度，非常高效。
[0144]
在本技术任意实施例的基础上，请参阅图7，所述步骤s1400、融合描述 相似度、推广价值度以及文本困惑度获得广告文案的质量评分，包括：
[0145]
步骤s1410、将第一分类空间各类别的分类概率构造为表征描述相似度的 第一向量，将第二分类空间各类别的分类概率构造为表征推广价值度的第二向 量，将文本困惑度构造为第三向量；
[0146]
第一分类空间获得的映射到其中各个类别的分类概率，可以直接转换为第 一向量的向量表示，例如，按照0、1、2三个类别的概率表示为 [0.81,0.12,0.07]，同理，第二分类空间获得的映射到其中各个类别的分类概 率，也同理可转换为第二向量的向量表示，例如，按照0，1两个类别的概率 表示为[0.95,0.05]，文本困惑度可以直接采用前文获得的结果构造第三向量， 例如所述的ppl(s)，其向量表示形式如[0.98]。
[0147]
步骤s1420、将第一、第二、第三向量构造为评分特征向量；
[0148]
将第一向量、第二向量、第三向量直接有序拼接在一起，便可获得线性融 合模型实施评分所需的评分特征向量，结合前例，其获得的评分特征向量表示 形式如[0.81,0.12,0.07,0.95,0.05,0.98]。
[0149]
步骤s1430、将评分特征向量输入预建模的线性融合模型加权计算出广告 文案的质量评分。
[0150]
然后，将所述的评分特征向量输入本技术预建模的线性融合模型，由该模 型匹配预学习权重进行加权计算，最终输出映射到二分类空间的两个类别的分 类概率，其中正向类别相对应的分类概率，便是广告文案的质量评分。
[0151]
在对线性融合模型建模时，选取若干个历史广告商品相对应的广告文案， 按照本技术前文各实施例的方法，确定出每个广告文案相对应的评分指标，即 包括描述相似度、推广价值度、文本困惑度，这些评分指标将作为输入线性融 合模型的输入相对应的训练样本。对于每个训练样本，可采用人工标注的方式， 根据其广告文案是否能被采纳用于发布广告而设置其监督标签labelaccept， 当广告文案适合用于发布广告时，设置其监督标签label
accetp
＝1，否则，设 置其监督标签label
accetp
＝0，由此完成对各个训练样本的标注。
[0152]
实施训练时，将所述训练样本按照前文的过程构造为评分特征向量，输入 线性融合模型，并采用其相应的监督标签对模型的输出结果实施监督训练，将 线性融合模型训练至收敛状态即可。
[0153]
根据以上实施例可知，直接将本技术的分类量化模型和文本困惑度推理模 型所获得的结果相结合便可直接接入本技术的线性融合模型中确定出广告文案 的质量评分，构成一个完整的评分系统，不难看出，本技术获得的网络架构具 有高效准确确定广告文案的质量评分的作用。
[0154]
在本技术任意实施例的基础上，请参阅图8，所述步骤s1400、融合描述 相似度、推广价值度以及文本困惑度获得广告文案的质量评分之后，包括：
[0155]
步骤s1500、调用所述目标商品的下一广告文案迭代计算出该广告文案的 质量评分，直至目标商品相对应的广告文案均确定出质量评分；
[0156]
无论是用户通过广告发布请求提交的多个广告文案，还是电商平台自行针 对一个文案库中的多个广告文案实施质量评分，均需通过将目标商品的描述文 本与每一个广告文案相结合形成句对进行处理，以获得句对中的广告文案的质 量评分。因此，当同一目标商品对应具有多个广告文案时，按照本技术前文实 施例所展现的过程，可以获得单个广告文案的质量评分。对于目标商品的其他 广告文案，可以在确定出一个广告文案的质量评分之后，调用下一广告文案与 描述文本构造句对，迭代调用本技术确定质量评分的过程，确定出下一广告文 案的质量评分，以此类推，直至目标商品的所有广告文案均获得其相应的质量 评分。
[0157]
步骤s1600、按照质量评分对目标商品的所有广告文案进行排序，选取质 量评分最高的广告文案作为有效广告文案，生成目标商品相对应的广告配置信 息；
[0158]
当目标商品相对应的各个广告文案均具有质量评分之后，便可根据质量评 分对各个广告文案进行排序，然后选取质量评分最高的广告文案作为有效广告 文案，根据广告系统的广告发布接口的入参要求，构成出广告配置信息，通常， 广告配置信息中包含目标商品的部分商品信息，例如商品标题、商品访问页面 的链接、商品图片等，还包含所述的有效广告文案的文本字符串。
[0159]
步骤s1700、将所述广告配置信息提交至广告系统提供的广告发布接口， 完成目标商品的广告发布。
[0160]
获得所述广告配置信息后，调用广告系统提供的广告发布接口，将该广告 配置信息通过该广告发布接口传输给广告系统，便可由广告系统执行广告发布 流程，最终实现为目标商品发布包含所述有效广告文案为展示内容的商品广告。
[0161]
根据本实施例可以看出，本技术可用于实现对多个广告文案的择优发布， 为广告的发布智能匹配最优的广告文案，可以提升商品广告的质量，确保商品 广告能够为线上店铺有效引流。
[0162]
请参阅图9，适应本技术的目的之一而提供一种广告文案质量评估装置， 是对本技术的广告文案质量评估方法的功能化体现，该装置包括：素材获取模 块1100、第一运算模块1200、第二运算模块1300，以及综合运算模块1400。 其中：所述素材获取模块1100，用于获取目标商品的描述文本与广告文案；所 述第一运算模块1200，用于确定描述文本与广告文案之间的描述相似度和推广 价值度；所述第二运算模块1300，用于确定广告文案中语句的文本困惑度；所 述综合运算模块1400，用于融合描述相似度、推广价值度以及文本困惑度获得 广告文案的质量评分。
[0163]
在本技术任意实施例的基础上，所述素材获取模块1100，包括：请求接收 单元，用于接收广告发布请求，确定其中指定的目标商品及广告文案；描述构 造单元，用于从线上店铺的商品信息库中提取目标商品的商品标题和品类标签， 将两者拼接为描述文本；格式处理单元，用于完成对所述描述文本和广告文案 的格式预处理。
[0164]
在本技术任意实施例的基础上，所述第一运算模块1200，包括：句对构造 单元，用于将描述文本与单个广告文案构造为句对，转换为句对向量；分类量 化单元，用于将句对向量输入预训练至收敛状态的分类量化模型，获得该句对 向量映射到第一分类空间中表
征不同匹配程度的各个类别的分类概率和映射到 第二分类空间中表征是否适于推广的类别的分类概率；相似度确定单元，用于 将第一分类空间的表征所述句对向量中的描述文本与广告文案相匹配的类别的 分类概率，确定为广告文案的描述相似度；价值度确定单元，用于将第二分类 空间的表征所述句对向量中的广告文案适于推广的类别的分类概率，确定为广 告文案的推广价值度。
[0165]
在本技术任意实施例的基础上，先于所述分类量化单元的运行，包括：样 本调用单元，用于调用预设的数据集中的单个训练样本输入分类量化模型，每 个训练样本关联设置第一标签和第二标签，且包括从同一历史商品广告中获得 的样本描述文本和样本广告文案，第一标签用于指示所述样本描述文本与样本 广告文案之间的多种匹配程度相对应的类别，第二标签用于指示所述样本广告 文案是否适于推广相对应的类别；训练预测单元，用于由分类量化模型提取所 述训练样本的深层语义信息，根据该深层语义信息同步执行两路分类映射，分 别映射至第一分类空间和第二分类空间，获得第一分类空间和第二分类空间中 各个类别相对应的分类概率作为分类结果；损失计算单元，用于根据第一标签 计算第一分类空间的分类结果的交叉熵损失而获得的第一损失值，根据第二标 签计算第二分类空间的分类结果的交叉熵损失而获得第二损失值，将第一损失 值和第二损失值汇总为模型损失值；迭代处理单元，用于根据所述模型损失值 判断分类量化模型是否收敛，当未收敛时，对分类量化模型实施梯度更新，继 续调用下一训练样本迭代训练，直至达到收敛。
[0166]
在本技术任意实施例的基础上，所述第二运算模块1300，包括：分词编码 单元，用于对广告文案分词获得其中各个词元，构造各个词元的嵌入向量；序 列解码单元，用于将所述词元的嵌入向量序列化输入预训练至收敛的文本困惑 度推理模型进行自回归解码，获得各个词元相对应的概率分布；文本困惑度确 定单元，用于将各个词元的概率分布融合后作为广告文案的文本困惑度。
[0167]
在本技术任意实施例的基础上，所述综合运算单元，包括：特征变换单元， 用于将第一分类空间各类别的分类概率构造为表征描述相似度的第一向量，将 第二分类空间各类别的分类概率构造为表征推广价值度的第二向量，将文本困 惑度构造为第三向量；向量构造单元，用于将第一、第二、第三向量构造为评 分特征向量；融合计算单元，用于将评分特征向量输入预建模的线性融合模型 加权计算出广告文案的质量评分。
[0168]
在本技术任意实施例的基础上，后于所述综合运算单元的运行，包括：遍 历评分模块，用于调用所述目标商品的下一广告文案迭代计算出该广告文案的 质量评分，直至目标商品相对应的广告文案均确定出质量评分；排序择优模块， 用于按照质量评分对目标商品的所有广告文案进行排序，选取质量评分最高的 广告文案作为有效广告文案，生成目标商品相对应的广告配置信息；广告发布 模块，用于将所述广告配置信息提交至广告系统提供的广告发布接口，完成目 标商品的广告发布。
[0169]
为解决上述技术问题，本技术实施例还提供计算机设备。如图10所示， 该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器 和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数 据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令 被处理器执行时，可使得处理器实现一种商品搜索类目识别方法。该计算机设 备的处理器用于提供计算和控制能力，支撑整个计算机设
备的运行。该计算机 设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时， 可使得处理器执行本技术的广告文案质量评估方法。该计算机设备的网络接口 用于与终端连接通信。本领域技术人员可以理解，图10中示出的结构，仅仅 是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上 的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部 件，或者组合某些部件，或者具有不同的部件布置。
[0170]
本实施方式中处理器用于执行图9中的各个模块及其子模块的具体功能， 存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用 于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术 的广告文案质量评估装置中执行所有模块/子模块所需的程序代码及数据，服 务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0171]
本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被 一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的广 告文案质量评估方法的步骤。
[0172]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程 序/指令被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
[0173]
本领域普通技术人员可以理解实现本技术上述实施例方法中的全部或部分 流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储 于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施 例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑ꢀ
only memory，rom)等计算机可读存储介质，或随机存储记忆体(randomaccess memory，ram)等。
[0174]
综上所述，本技术可以实现对广告文案进行标准化的质量评估，确定其质 量评分，进一步可以实现对广告文案的优选，提升商品广告的发布效率，达到 为线上店铺有效吸引用户流量的效果。