广告投放选品方法及其装置、设备、介质与流程

1.本技术涉及电商技术领域，尤其涉及一种广告投放选品方法及其相应的装置、计算机设备、计算机可读存储介质。


背景技术：

2.商品广告以促进产品的销售为目的，通过向目标受众介绍有关商品信息，突出商品的特性，引起目标受众和潜在消费者对相应商品的关注。它力求直接和即时的广告效果，在目标受众的心目中留下美好的产品形象，从而为提高产品的市场占有率，为最终实现企业的目标打好基础。
3.传统技术中，通常借助广告投放后的商品的历史广告成效数据，例如广告的广告支出回报率，设置一个阈值，根据是否大于阈值相应标注训练样本，以该训练样本构成的训练集训练分类模型，使其能够预测出商品能够被选为广告投放的商品的概率。可见，如此实现的技术方案，严重依赖历史广告成效数据，然而，一般而言，电商平台中持有丰富历史广告成效数据的商家用户毕竟是少数，大多数的商家用户持有的历史广告成效数据并不多甚至很少，其中大量的新商家用户或是未投放过广告的商家用户更是没有历史广告成效数据，因而传统的技术方案不具有普遍适应性，无法满足大多数商家用户的广告投放需求。
4.为了实现适用于普遍的广告投放场景的技术方案，本技术人做出相应的探索。


技术实现要素：

5.本技术的首要目的在于解决上述问题至少之一而提供一种广告投放选品方法及其相应的装置、计算机设备、计算机可读存储介质。
6.为满足本技术的各个目的，本技术采用如下技术方案：
7.适应本技术的目的之一而提供的一种广告投放选品方法，包括如下步骤：
8.响应线上店铺的广告选品请求，获取线上店铺的商品数据库中各个备选商品的标题文本，所述线上店铺运行于电商平台的独立站点中；
9.从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品；
10.根据第三方目标广告商品预采集的广告投放数据计算出其投放评分，以每个备选商品相对应的多个第三方目标广告商品的投放评分，确定各个备选商品的参考评分；
11.根据各个备选商品的参考评分优选出多个备选商品推送给线上店铺。
12.进一步的实施例中，从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品的步骤中，包括如下步骤：
13.从预采集的第三方广告商品中，对应每个备选商品检索出与其标题文本描述相似的多个第三方广告商品的标题文本；
14.针对每个备选商品及其对应的多个第三方广告商品的标题文本，采用预先训练至收敛后的文本编码模型提取各个标题文本的深层语义特征，获得每个备选商品相对应的备
选语义向量，以及各个第三方广告商品相对应的第三方语义向量；
15.计算出每个备选语义向量与其对应的各个第三方语义向量之间的相似度评分；
16.根据所述相似度评分，对应每个备选商品从其对应的多个第三方广告商品中，确定出满足预设条件的部分第三方广告商品作为第三方目标广告商品。
17.进一步的实施例中，所述文本编码模型的训练过程，包括如下步骤：
18.获取预备的训练集中的单个训练样本，所述训练集中的各个训练样本包含商品的标题文本、第三方广告商品的标题文本及监督标签，所述训练样本标注的监督标签表征训练样本的第三方广告商品的标题文本是否与商品的标题文本描述相似；
19.由文本编码模型对训练样本中的各个标题文本提取文本语义特征后，经预测模块预测出所述训练样本对应的相似度评分；
20.根据所述训练样本相对应的监督标签计算所述相似度评分的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。
21.进一步的实施例中，根据第三方目标广告商品预采集的广告投放数据计算出其投放评分的步骤中，包括如下步骤：
22.获取第三方目标广告商品预采集的广告投放数据，所述广告投放数据包含评论信息、点赞数、收藏数、广告投放时长；
23.根据广告投放数据计算出行为评分和反馈评分，所述行为评分根据点赞数、收藏数以及广告投放时长确定，所述反馈评分根据所述评价信息确定；
24.对所述行为评分实施归一化，将相应的归一化结果与所述反馈评分相加实施归一化，获得所述第三方目标广告商品的投放评分。
25.进一步的实施例中，根据广告投放数据计算出行为评分和反馈评分的步骤中，包括如下步骤：
26.采用预先训练至收敛的情感分析模型确定出所述广告投放数据中属于好评类型的评论信息；
27.计算出所述好评类型的评价信息占所有评论信息相对应的数量占比，采用平滑算法处理该数量占比，获得反馈评分；
28.计算广告投放信息中的点赞数和收藏数的和值除以广告投放时长，获得相应的行为评分。
29.进一步的实施例中，采用平滑算法处理该数量占比，获得反馈评分，包括如下步骤：
30.获取近期预设时长内每个预设间隔时长的所述第三方目标广告商品的评论信息，计算出每个预设间隔时长的评论信息中好评类型的评论信息的数量占比；
31.根据每个预设间隔时长对应的数量占比，采用极大似然算法求出预设的第一平滑参数及第二平滑参数；
32.根据所述第一平滑参数及第二平滑参数调整当前的数量占比，获得所述调整后的数量占比作为反馈评分。
33.进一步的实施例中，以每个备选商品相对应的多个第三方目标广告商品的投放评分，确定各个备选商品的参考评分，包括：针对每个备选商品相对应的多个第三方目标广告
商品，对应每个第三方目标广告商品的相似度评分乘上投放评分相加求均值，确定出各个备选商品的参考评分。
34.另一方面，适应本技术的目的之一而提供的一种广告投放选品装置，包括请求响应模块、相似确定模块、评分确定模块及评分优选模块，其中：请求响应模块，用于响应线上店铺的广告选品请求，获取线上店铺的商品数据库中各个备选商品的标题文本，所述线上店铺运行于电商平台的独立站点中；相似确定模块，用于从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品；评分确定模块，用于根据第三方目标广告商品预采集的广告投放数据计算出其投放评分，以每个备选商品相对应的多个第三方目标广告商品的投放评分，确定各个备选商品的参考评分；评分优选模块，用于根据各个备选商品的参考评分优选出多个备选商品推送给线上店铺。
35.进一步的实施例中，所述相似确定模块，包括：相似检索子模块，用于从预采集的第三方广告商品中，对应每个备选商品检索出与其标题文本描述相似的多个第三方广告商品的标题文本；向量化表示子模块，用于针对每个备选商品及其对应的多个第三方广告商品的标题文本，采用预先训练至收敛后的文本编码模型提取各个标题文本的深层语义特征，获得每个备选商品相对应的备选语义向量，以及各个第三方广告商品相对应的第三方语义向量；相似度检索子模块，用于计算出每个备选语义向量与其对应的各个第三方语义向量之间的相似度评分；目标确定子模块，用于根据所述相似度评分，对应每个备选商品从其对应的多个第三方广告商品中，确定出满足预设条件的部分第三方广告商品作为第三方目标广告商品。
36.进一步的实施例中，所述向量化表示子模块中所述文本编码模型的训练过程，包括如下步骤：训练样本获取模块，用于获取预备的训练集中的单个训练样本，所述训练集中的各个训练样本包含商品的标题文本、第三方广告商品的标题文本及监督标签，所述训练样本标注的监督标签表征训练样本的第三方广告商品的标题文本是否与商品的标题文本描述相似；评分预测模块，用于由文本编码模型对训练样本中的各个标题文本提取文本语义特征后，经预测模块预测出所述训练样本对应的相似度评分；迭代训练模块，用于根据所述训练样本相对应的监督标签计算所述相似度评分的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。
37.进一步的实施例中，所述评分确定模块，包括：广告投放数据获取子模块，用于获取第三方目标广告商品预采集的广告投放数据，所述广告投放数据包含评论信息、点赞数、收藏数、广告投放时长；反馈评分及行为评分确定子模块，用于根据广告投放数据计算出行为评分和反馈评分，所述行为评分根据点赞数、收藏数以及广告投放时长确定，所述反馈评分根据所述评价信息确定；投放评分获取子模块，用于对所述行为评分实施归一化，将相应的归一化结果与所述反馈评分相加实施归一化，获得所述第三方目标广告商品的投放评分。
38.进一步的实施例中，所述反馈评分及行为评分确定子模块，包括：情感分析单元，用于采用预先训练至收敛的情感分析模型确定出所述广告投放数据中属于好评类型的评论信息；反馈评分计算及处理单元，用于计算出所述好评类型的评价信息占所有评论信息相对应的数量占比，采用平滑算法处理该数量占比，获得反馈评分；行为评分计算单元，用
于计算广告投放信息中的点赞数和收藏数的和值除以广告投放时长，获得相应的行为评分。
39.进一步的实施例中，所述反馈评分计算及处理单元，包括：历史的数量占比计算子单元，用于获取近期预设时长内每个预设间隔时长的所述第三方目标广告商品的评论信息，计算出每个预设间隔时长的评论信息中好评类型的评论信息的数量占比；平滑参数求取子单元，用于根据每个预设间隔时长对应的数量占比，采用极大似然算法求出预设的第一平滑参数及第二平滑参数；数量占比调整子单元，用于根据所述第一平滑参数及第二平滑参数调整当前的数量占比，获得所述调整后的数量占比作为反馈评分。
40.进一步的实施例中，所述评分确定模块，包括：参考评分确定子模块，用于针对每个备选商品相对应的多个第三方目标广告商品，对应每个第三方目标广告商品的相似度评分乘上投放评分相加求均值，确定出各个备选商品的参考评分。
41.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投放选品方法的步骤。
42.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投放选品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。
43.本技术的技术方案存在多方面优势，包括但不限于如下各方面：
44.本技术一方面克服了电商平台的历史广告数据稀疏的缺点，可以无需依赖线上店铺自身的历史广告数据，而利用与线上店铺内的备选商品相似的第三方广告商品的广告投放数据，确定出可作为备选商品的决策参考的参考评分，由此，即可根据参考评分优选出线上店铺内的备选商品，推荐给线上店铺，辅助广告选品。
45.另一方面，本技术的技术方案方便高效实现且实现成本低廉可预期，解决了电商广告选品现存的技术痛点，适用于普遍的广告投放场景。
附图说明
46.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：
47.图1为本技术的广告投放选品方法的典型实施例的流程示意图；
48.图2为本技术的实施例中基于标题文本之间的描述相似性确定出第三方目标广告商品的流程示意图；
49.图3为本技术的实施例中文本编码模型的训练过程的示意图；
50.图4为本技术的实施例中获得第三方目标广告商品的投放评分的示意图；
51.图5为本技术的实施例中获得反馈评分和行为评分的流程示意图；
52.图6为本技术的一种实施例中获得反馈评分的流程示意图；
53.图7为本技术的广告投放选品装置的原理框图；
54.图8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
55.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。
56.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
57.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
58.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personal communications service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobile internet device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
59.本技术所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
60.需要指出的是，本技术所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一
台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本技术的网络部署方式的实施方式。
61.本技术的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
62.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。
63.本技术所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本技术的技术方案所调用即可。
64.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
65.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。
66.本技术的一种广告投放选品方法，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。
67.请参阅图1，本技术的广告投放选品方法，在其典型实施例中，包括如下步骤：
68.步骤s1100、响应线上店铺的广告选品请求，获取线上店铺的商品数据库中各个备选商品的标题文本，所述线上店铺运行于电商平台的独立站点中；
69.本技术应用场景中的电商平台，主要表现为跨境电商平台，其允许每个线上店铺运行与相对应的独立站点中，向公众用户开放服务。公众用户可以通过各种渠道访问该线上店铺的页面，该些渠道包括但不限于线上店铺的内建页面、社交媒体信息展示页面等，公众用户可以通过关于这些渠道的链接直达所述线上店铺的相应页面。
70.电商平台的服务器机群集中维护平台下全量的线上店铺的后台运营信息，为这些线上店铺提供各种标准化服务，包括但不限于本技术的广告投放选品服务。在提供本技术的广告投放选品服务时，允许各个线上店铺通过启动电商平台为调用为广告投放选品服务封装的接口，来实现在该线上店铺中启用广告投放选品服务，从而，当线上店铺的商家用户发起广告选品请求时，可以通过广告投放选品服务为该线上店铺获取广告选品推荐列表，向该线上店铺推送展示该广告选品推荐列表，提供广告选品参考。
71.线上店铺可自行维护自身的商品数据库，以存储商品的商品信息，所述商品信息包含但不限于商品图片、标题文本、详情文本等，使得电商平台能够根据商品信息在页面上展示相对应的商品。
72.线上店铺的商家用户可在其客户端展示的电商平台提供广告投放选品服务相关的页面上操作，例如触控页面上相关的控件，在客户端触发生成广告选品请求，进而，客户端将广告选品请求提交至电商服务平台的服务器，以获取相应的广告选品推荐列表。
73.服务器接收所述广告选品请求，对其进行响应，获取所述线上店铺的商品数据库中各个商品的标题文本，将各个商品视为广告选品的备选商品。
74.步骤s1200、从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品；
75.可预先从多种广告发布处采集足量的发布广告的第三方广告商品的广告信息，所述广告发布处包含第三方电商独立站点、社交媒体、搜索引擎等，所述广告信息包含广告投放数据，以及标题文本。
76.对于广告投放数据而言，消费者用户可通过第三方广告商品发布的广告，到达第三方广告商品的展示页面，在页面上消费者用户可对第三方广告商品实施点赞、收藏等行为，购买了第三方广告商品的消费者用户还可以反馈评论，所述点赞和收藏行为和好评类型的评论信息反映消费者用户一定程度的喜欢第三方广告商品，即表示第三方广告商品取得的广告投放成效，据此，可相应采集出所述第三方广告商品的广告投放数据，其中包含评论信息、点赞数、收藏数、广告投放时长，从而后续可根据所述广告投放数据计算出相应的投放评分，以其表征第三方广告商品的广告投放成效。
77.将各个第三方广告商品关联其广告投放数据及标题文本进行存储以备后续调用。
78.一般而言，标题文本通常包含商品品牌、商品品名、基本属性(材质/功能/特征)或规格参数(型号/颜色/尺寸/规格/用途/货号)等文本描述信息，功能上根据标题文本的描述能够识别出相应的商品。据此，可基于第三方广告商品的标题文本与备选商品的标题文本之间的描述相似性即描述的相似度，相应判断第三方广告商品与备选商品是否相似，将与备选商品相似的第三方广告商品作为第三方目标广告商品，从而从预采集的多个第三方广告商品中，为每个备选商品确定出相对应的多个第三方目标广告商品。
79.可采用深度学习模型基于第三方广告商品的标题文本的深层语义特征与备选商品的标题文本的深层语义特征相对应的向量化表示，可以理解，所述向量化表示是以量化的数值表征标题文本描述的语义特征，由此，可以两者的向量化表示之间的相似度表征所述第三方广告商品与备选商品之间的描述相似性，所述深度学习模型可为nlp(natural language processing)领域中适用于提取文本语义特征的基于深层语义学习的网络模型，具体采用开源框架sentence transformers，它提供了大量的预先训练至收敛的transformer模型，譬如：bert、roberta、xlm-roberta、mpnet。
80.步骤s1300、根据第三方目标广告商品预采集的广告投放数据计算出其投放评分，以每个备选商品相对应的多个第三方目标广告商品的投放评分，确定各个备选商品的参考评分；
81.获取每个备选商品相对应的多个第三方目标广告商品的广告投放数据，根据各个广告投放数据分别计算出对应的第三方目标广告商品的行为评分和反馈评分。为了便于论述，以下针对单个第三方目标广告商品展开：
82.所述行为评分根据广告投放数据中的点赞数、收藏数以及广告投放时长确定，一种实施例中，可量化出单位时间内的点赞数和收藏数，即以点赞数和收藏数的和值除以广
告投放时长实施量化，所得的量化结果作为行为评分。较佳的实施例中，可量化出单位时间内的点赞数，以及量化出单位时间内的收藏数，即以点赞数除以广告时长实施量化，以及以收藏数除以广告时长实施量化，进而两者量化结果分别匹配相应的预设权重进行加权再求和，例如，单位时间内的点赞数匹配的权重是0.4，单位时间内的收藏数匹配的权重是0.6，所得的和值作为行为评分。
83.所述反馈评分根据广告投放数据中的评价信息确定，一种实施例中，确定评论信息中好评类型的评论信息占总量的数量占比作为反馈评分。较佳的实施例中，在确定评论信息中好评类型的评论信息占总量的数量占比的基础上，采用贝叶斯平滑算法根据所述评论信息对应的第三方目标广告商品在其历史广告投放时的评论信息，针对当前的所述数量占比确定出相应的调整参数，以该调整参数对所述数量占比实施平滑处理，获得平滑后的数量占比作为反馈评分。所述调整参数的确定，由后续部分实施例进一步揭示，本步骤暂且按下不表。
84.对所述行为评分及反馈评分实施格式化处理，以将两者统一到相同的值域，所述格式化处理可采用归一化算法将两者统一到相同的[0-1]的值域，可以理解，反馈评分本身的值域便是[0-1]因而无需进行归一化，只需针对行为评分采取归一化算法即可，所述归一化算法可由领域技术人员按需采取截尾、分箱、对数变换、min-max标准化、中心标准化等中任一种实现。
[0085]
基于上述，便可根据每个备选商品相对应的多个第三方目标广告商品的广告投放数据，得出相应的行为评分和反馈评分，继而将相应的行为评分和反馈评分相加再实施归一化获得投放评分，进一步，可以理解，备选商品与其对应的第三方目标广告商品之间的相似度评分，表征对于备选商品而言，该第三方目标广告商品的可参考程度，因此，为每个备选商品求取其相对应的多个第三方目标广告商品的投放评分，乘上相应的相似度评分的均值，计算出各个备选商品的参考评分。针对单个备选商品的参考评分计算，示范性举例公式如下：
[0086][0087]
其中：rank为备选商品的参考评分、score
i_release
为备选商品对应的第三方目标广告商品的投放评分、i
similarity
为备选商品与其对应的第三方目标广告商品的相似度、n为备选商品相对应的第三方目标广告商品的个数。
[0088]
步骤s1400、根据各个备选商品的参考评分优选出多个备选商品推送给线上店铺。
[0089]
根据各个备选商品的参考评分从高到低的顺序，对各个备选商品进行排序，以选取出排序靠前的多个备选商品，且以当前排序构建广告选品推荐列表，将该广告选品推荐列表推送给所述广告选品请求对应的线上店铺操作的客户端，以在客户端上展示广告选品推荐列表，应答广告选品请求。至此，线上店铺的商家用户便可参考广告选品推荐列表进行广告投放选品。
[0090]
根据本技术的典型实施例可以知晓，本技术的技术方案存在多方面优势，包括但不限于如下各方面：
[0091]
本技术一方面克服了电商平台的历史广告数据稀疏的缺点，可以无需依赖线上店铺自身的历史广告数据，而利用与线上店铺内的备选商品相似的第三方广告商品的广告投
放数据，确定出可作为备选商品的决策参考的参考评分，由此，即可根据参考评分优选出线上店铺内的备选商品，推荐给线上店铺，辅助广告选品。
[0092]
另一方面，本技术的技术方案方便高效实现且实现成本低廉可预期，解决了电商广告选品现存的技术痛点，适用于普遍的广告投放场景。
[0093]
请参阅图2、进一步的实施例中，步骤s1200、从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品的步骤中，包括如下步骤：
[0094]
步骤s1210、从预采集的第三方广告商品中，对应每个备选商品检索出与其标题文本描述相似的多个第三方广告商品的标题文本；
[0095]
可采用现有开源的基于elasticsearch实现的搜索引擎，从预采集的第三方广告商品中，根据每个备选商品的标题文本检索出与其描述大致相似的相对应的多个第三方广告商品的标题文本，一般而言，所述搜索引擎采用n-gram分词算法对每个备选商品的标题文本，以及所有的第三方广告商品的标题文本进行分词获得相应的分词文本，进一步，采用bm25算法计算每个备选商品的分词文本分别与各个第三方广告商品的分词文本之间的表征描述相似的相似度，从而为每个备选商品召回相似度较高的多个第三方广告商品的标题文本，所述多个可由本领域技术人员按需设置，推荐的20个。可见，上述实现能够快速从大量的第三方广告商品的标题文本中，粗筛出与相应的备选商品的标题文本描述大致相似的少量的第三方广告商品的标题文本。
[0096]
步骤s1220、针对每个备选商品及其对应的多个第三方广告商品的标题文本，采用预先训练至收敛后的文本编码模型提取各个标题文本的深层语义特征，获得每个备选商品相对应的备选语义向量，以及各个第三方广告商品相对应的第三方语义向量；
[0097]
进一步，从每个备选商品检索出与其标题文本描述基本相似的多个第三方广告商品的标题文本中，采用预先训练至收敛的神经网络模型基于每个备选商品及其对应的多个第三方广告商品的标题文本的描述的语义特征实施精筛。
[0098]
所述文本编码模型为双塔bert模型，其中两个分支的bert模型的结构和权重相同。对每个备选商品及其对应的多个第三方广告商品的标题文本，以每个备选商品的标题文本分别与其对应的各个第三方广告商品的标题文本构成数据对，示范性举例，某个备选商品的标题文本对应的20个第三方广告商品的标题文本，即构成20个数据对，每个数据对包含所述备选商品的标题文本及其对应的20个中的一个第三方广告商品的标题文本。
[0099]
将所述各个数据对中的备选商品的标题文本、第三方广告商品的标题文本分别输入至双塔bert模型的两个分支，分别对标题文本进行分词获得相应的分词文本，对分词文本进行编码，提取出表征分词文本中各个分词描述的语义特征，拼接构成相应的标题文本的深层语义特征，获得相应的向量化表示所述深层语义特征的每个备选商品相对应的备选语义向量，以及各个第三方广告商品相对应的第三方语义向量。
[0100]
步骤s1230、计算出每个备选语义向量与其对应的各个第三方语义向量之间的相似度评分；
[0101]
可采用任意一种向量距离算法实施，包括但不限于余弦相似度算法、欧氏距离算法、皮尔逊相关系数算法、杰卡德系数算法等等任意一种，计算出每个备选语义向量与其对应的各个第三方语义向量之间的向量距离作为相似度评分。
[0102]
步骤s1240、根据所述相似度评分，对应每个备选商品从其对应的多个第三方广告商品中，确定出满足预设条件的部分第三方广告商品作为第三方目标广告商品。
[0103]
根据所述相似度评分从高到低的顺序，对每个备选语义向量对应的各个第三方语义向量进行排序，获得排序靠前的多个第三方语义向量相对应的第三方广告商品，推荐的所述多个为3个，当然本领域技术人员亦可按需设置，针对每个备选语义向量对应的备选商品，便可确定出每个备选商品相对应的多个所述第三方广告商品作为第三方目标广告商品。
[0104]
针对上述步骤s1230-1240，一种实施例中，可将每个备选语义向量映射关联其对应的各个第三方语义向量构建向量集存储进faiss库中，进一步，将该向量集进行预处理和封装成一个索引文件(index file)进行存储后，便可以所述每个备选语义向量作为faiss的输入，根据每个备选语义向量与其对应的各个第三方语义向量之间的相似度，为每个备选语义向量召回与其相似度较高的多个第三方语义向量，推荐的所述多个为3个，当然本领域技术人员亦可按需设置，由此，对应每个备选商品，都能确定出与其相对应的备选语义向量相似度较高的多个第三方语义向量相对应的第三方广告商品作为第三方目标广告商品。所述faiss(facebook ai similarity search)能够针对高维空间中的海量数据(稠密向量)，提供了高效且可靠的相似性聚类和检索方法，可支持十亿级别向量的搜索，是近似近邻搜索库。
[0105]
本实施例中，针对每个备选商品，通过搜索引擎从大量的第三方广告商品中快速粗筛出，与相应的备选商品的标题文本描述大致相似的多个第三方广告商品的标题文本，进而根据采用预先训练至收敛的文本编码模型基于各个标题文本描述的语义特征，计算出每个备选商品与其对应的各个第三方目标广告的相似度评分，再从所述多个第三方广告商品中精筛出部分第三方广告商品作为第三方目标广告商品。
[0106]
请参阅图3、进一步的实施例中，步骤s1220、所述文本编码模型的训练过程，包括如下步骤：
[0107]
步骤s1221、获取预备的训练集中的单个训练样本，所述训练集中的各个训练样本包含商品的标题文本、第三方广告商品的标题文本及监督标签，所述训练样本标注的监督标签表征训练样本的第三方广告商品的标题文本是否与商品的标题文本描述相似；
[0108]
电商平台的线上店铺，通过均有构建商品的品类体系，用于分门别类归纳线上店铺内的海量商品，即各个商品都有其对应的品类。所述品类体系可以是多层分类体系，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。
[0109]
可从一个或多个线上店铺的商品数据库中，相应获取商品的品类体系中的各个品类相对应的足量商品的标题文本，具体数量可由本领域技术人员按需设置。采用参考步骤s1210，从预采集的第三方广告商品中，对应每个所述商品检索出与其标题文本描述大致相似的多个第三方广告商品的标题文本，进一步，采用人工标注，判断各个第三方广告商品的标题文本与其对应的商品的标题文本描述是否相似而相应标注监督标签，例如描述相似标注监督标签为1，描述不相似标注监督标签为0。以各个第三方广告商品的标题文本关联其对应的商品的标题文本及监督标签，构建各个训练样本，以所有的训练样本构建成训练集。
[0110]
步骤s1222、由文本编码模型对训练样本中的各个标题文本提取文本语义特征后，
经预测模块预测出所述训练样本对应的相似度评分；
[0111]
所述文本编码模型为双塔bert模型，其中两个分支的bert模型的结构相同，且两个分支的bert模型的权重共享。
[0112]
将训练样本中的商品的标题文本、第三方广告商品的标题文本分别输入至双塔bert模型的两个分支，分别对标题文本进行分词获得相应的分词文本，对分词文本进行编码，提取出表征分词文本中各个分词描述的语义特征，拼接构成相应的标题文本的深层语义特征，获得相应的向量化表示所述深层语义特征的商品相对应的商品语义向量，以及第三方广告商品相对应的第三方语义向量。
[0113]
可采用任意一种向量距离算法实施，包括但不限于余弦相似度算法、欧氏距离算法、皮尔逊相关系数算法、杰卡德系数算法等等任意一种，计算出每个商品语义向量与其对应的各个第三方语义向量之间的向量距离作为相似度评分。
[0114]
步骤s1223、根据所述训练样本相对应的监督标签计算所述相似度评分的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。
[0115]
调用预设的交叉熵损失函数，此处可由本领域技术人员根据先验知识或实验经验灵活变通设置，基于根据所述训练样本相对应的监督标签计算所述相似度评分的交叉熵损失值，当该损失值达到预设阈值时，表明模型已被训练至收敛状态，从而可以终止模型训练；损失值未达到预设阈值时，表明模型未收敛，于是根据该损失值对模型实施梯度更新，通常通过反向传播修正模型各个环节的权重参数以使模型进一步逼近收敛，然后，继续调用所述训练集中的下一样本数据对该模型实施迭代训练，直至该模型被训练至收敛状态为止。
[0116]
本实施例中，采用精准标注的监督标签的训练样本对文本编码模型进行监督训练，使得模型在训练至收敛后，能够基于向其两个分支分别输入的标题文本相对应的深层语义特征进行预测，精准地预测表征两个标题文本之间的相似度。
[0117]
请参阅图4、进一步的实施例中，步骤s1300、根据第三方目标广告商品预采集的广告投放数据计算出其投放评分的步骤中，包括如下步骤：
[0118]
步骤s1310、获取第三方目标广告商品预采集的广告投放数据，所述广告投放数据包含评论信息、点赞数、收藏数、广告投放时长；
[0119]
针对每个备选商品相对应的多个第三方目标广告商品，获取各个第三方目标广告商品预采集的广告投放数据。为了便于论述，以下针对单个第三方目标广告商品展开：
[0120]
具体而言，消费者用户可通过第三方广告商品发布的广告，到达第三方广告商品的展示页面，在页面上消费者用户可对第三方广告商品实施点赞、收藏等行为，购买了第三方广告商品的消费者用户还可以反馈评论，所述点赞和收藏行为和好评类型的评论信息反映消费者用户一定程度的喜欢第三方广告商品，即表示第三方广告商品取得的广告投放成效，据此，可相应采集出所述第三方广告商品的广告投放数据，其中包含评论信息、点赞数、收藏数、广告投放时长，从而后续可根据所述广告投放数据计算出相应的投放评分，以其表征第三方广告商品的广告投放成效。
[0121]
步骤s1320、根据广告投放数据计算出行为评分和反馈评分，所述行为评分根据点赞数、收藏数以及广告投放时长确定，所述反馈评分根据所述评价信息确定；
[0122]
所述行为评分根据广告投放数据中的点赞数、收藏数以及广告投放时长确定，一种实施例中，可量化出单位时间内的点赞数和收藏数，即以点赞数和收藏数的和值除以广告投放时长实施量化，所得的量化结果作为行为评分。较佳的实施例中，可量化出单位时间内的点赞数，以及量化出单位时间内的收藏数，即以点赞数除以广告时长实施量化，以及以收藏数除以广告时长实施量化，进而两者量化结果分别匹配相应的预设权重进行加权再求和，例如，单位时间内的点赞数匹配的权重是0.4，单位时间内的收藏数匹配的权重是0.6，所得的和值作为行为评分。
[0123]
所述反馈评分根据广告投放数据中的评价信息确定，一种实施例中，确定评论信息中好评类型的评论信息占总量的数量占比作为反馈评分。较佳的实施例中，在确定评论信息中好评类型的评论信息占总量的数量占比的基础上，采用贝叶斯平滑算法根据所述评论信息对应的第三方目标广告商品在其历史广告投放时的评论信息，针对当前的所述数量占比确定出相应的调整参数，以该调整参数对所述数量占比实施平滑处理，获得平滑后的数量占比作为反馈评分，所述调整参数的确定，由后续部分实施例进一步揭示，本步骤暂且按下不表。
[0124]
步骤s1330、对所述行为评分实施归一化，将相应的归一化结果与所述反馈评分相加实施归一化，获得所述第三方目标广告商品的投放评分。
[0125]
对所述行为评分及反馈评分实施格式化处理，以将两者统一到相同的[0-1]的值域，可以理解，反馈评分本身的值域便是[0-1]因而无需进行归一化，只需针对行为评分采取归一化算法即可，所述归一化算法可由领域技术人员按需采取截尾、分箱、对数变换、min-max标准化、中心标准化等中任一种实现。
[0126]
进一步，将归一化后的行为评分与所述反馈评分相加，再次实施归一化，获得所述第三方目标广告商品的投放评分。
[0127]
基于上述步骤s1310-s1330，便可根据每个备选商品相对应的多个第三方目标广告商品的广告投放数据，计算出相应的投放评分。
[0128]
本实施例中，能够实现简便高效地得出相应的量化数值作为投放评分，精准反映第三方目标广告商品的广告投放成效。
[0129]
请参阅图5、进一步的实施例中，步骤s1320、根据广告投放数据计算出行为评分和反馈评分的步骤中，包括如下步骤：
[0130]
步骤s1321、采用预先训练至收敛的情感分析模型确定出所述广告投放数据中属于好评类型的评论信息；
[0131]
一般而言，用户购买电商平台内上架的商品后，可对商品进行反馈，评论相关的评论信息，所述评论信息为文本，然而通常评论信息通常被标注其对应的类型，所述类型包含但不限于好评类型、差评类型，据此，可采集电商平台内足量的上架商品的好评类型的评论信息及差评类型的评论信息，以其对应的类型标注相应的监督标签，例如好评类型标注的监督标签为1，差评类型标注的监督标签为0。进而以各个评论信息关联其对应的监督标签作为训练样本，构建出训练集。
[0132]
可采用fasttext模型作为所述情感分析模型，调用训练集中的单个训练样本输入至fasttext模型中提取出训练样本的分类特征，所述分类特征表征训练样本的评论信息所属的类型，获得向量化表示所述分类特征的分类编码向量，采用分类函数对所述分类编码
向量进行线性转换映射至预设的分类空间，获得被映射的分类空间的分类概率，所述分类函数可为sigmoid、softmax等，本领域技术人员可按需选取实现，所述预设的分类空间包含正类空间及负类空间，所述正类空间表征好评类型，所述负类空间表征差评类型。进一步，根据所述训练样本相对应的监督标签计算所述分类概率的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。可以理解，在模型被训练至收敛后，便可习得能够确定向其输入的标题文本所属的类型的能力。
[0133]
基于上述，可预先制备训练至收敛的情感分析模型。
[0134]
采用预先训练至收敛的情感分析模型，向其输入所述广告投放数据中的所有评论信息，针对单个评论信息而言，提取出评论信息相对应的分类特征，获得向量化表示所述分类特征的分类编码向量，采用分类函数对所述分类编码向量进行线性转换映射至预设的分类空间，获得被映射的分类空间作为所述评论信息所属的类型。如此，便可确定出每个评论信息所属的类型，根据每个评论信息所属的类型，即可从所有评论信息中确定出属于好评类型的评论信息。
[0135]
步骤s1322、计算出所述好评类型的评价信息占所有评论信息相对应的数量占比，采用平滑算法处理该数量占比，获得反馈评分；
[0136]
统计出所述广告投放数据中属于好评类型的评论信息的数量，以及所有评论信息的数量，计算好评类型的评论信息的数量除以所有评论信息的数量，获得数量占比，采用贝叶斯平滑算法根据所述评论信息对应的第三方目标广告商品在其历史广告投放时的评论信息，针对当前的所述数量占比确定出相应的调整参数，以该调整参数对所述数量占比实施平滑处理，获得平滑后的数量占比作为反馈评分。
[0137]
步骤s1323、计算广告投放信息中的点赞数和收藏数的和值除以广告投放时长，获得相应的行为评分。
[0138]
示范性举例公式如下：
[0139][0140]
其中：score
behavior
为行为评分、c
click
为点击数、c
collect
为收藏数、t为广告投放时长。
[0141]
参考上述行为评分计算公式，即可计算出相应的第三方目标广告商品的行为评分。
[0142]
本实施例中，根据第三方目标广告商品的广告投放数据，准确量化出相应的行为评分及反馈评分，使得能够以量化数值精准地表征第三方目标广告的广告投放成效。
[0143]
请参阅图6、进一步的实施例中，步骤s1322、采用平滑算法处理该数量占比，获得反馈评分，包括如下步骤：
[0144]
步骤s13221、获取近期预设时长内每个预设间隔时长的所述第三方目标广告商品的评论信息，计算出每个预设间隔时长的评论信息中好评类型的评论信息的数量占比；
[0145]
以当前获取所述第三方目标广告商品的评论信息作为当前时间戳，进一步，预先设定距离当前时间戳的时长作为近期预设时长，例如3个月，预先设定对应在该预设时长内的每个间隔时长作为预设间隔时长，例如一周，所述近期预设时长及预设间隔时长相对应
的具体时间，可由本领域技术人员按需设定。
[0146]
近期为时3个月内，每隔一周获取一次所述第三方目标广告商品的评论信息，调用预先训练至收敛的情感分析模型确定每周的评论信息中的好评类型的评论信息的数量，据此，针对每周的评论信息，计算出好评类型的评论信息的数量除以评论信息的总量，获得每周的评论信息中好评类型的评论信息的数量占比。
[0147]
步骤s13222、根据每个预设间隔时长对应的数量占比，采用极大似然算法求出预设的第一平滑参数及第二平滑参数；
[0148]
本领域技术人员应该知晓，为了使得当前的数量占比更接近于相应的第三方目标广告商品正常的数量占比，可采用贝叶斯平滑算法，以相应的第三方目标广告商品的以往的多个数量占比，即所述每个预设间隔时长对应的数量占比，利用最大拟然算法求取贝叶斯算法所需预设的α即所述第一调整参数、β即所述第二调整参数，之后，便可以求取所得的第一调整参数及所述第二调整参数对当前的数量占比进行平滑调整，使得当前的数量占比更接近于真实的数量占比，提升置信度和准确度。
[0149]
对第三方目标广告商品的以往每周对应的数量占比，采用极大似然算法便可拟合出贝叶斯算法所需预设的α即所述第一调整参数、β即所述第二调整参数。
[0150]
步骤s13223、根据所述第一平滑参数及第二平滑参数调整当前的数量占比，获得所述调整后的数量占比作为反馈评分。
[0151]
示范性公式举例如下：
[0152][0153]
其中：score
connent
为反馈评分、α为第一调整参数、β为第二调整参数、c为评论信息中好评类型的评论信息的数量、l为评论信息的总数。
[0154]
参考上述反馈评分计算公式，即可以历史数量占比拟合的α、β对相应的第三方目标广告商品的当前的数量占比进行平滑调整，计算出调整后的数量占比作为反馈评分。
[0155]
本实施例中，通过第三方目标广告商品的历史的广告投放数据，应用贝叶斯算法对当前第三方目标广告商品的数量占比进行平滑调整，获得调整后的数量占比作为相应的第三方目标广告商品的反馈评分。可见，贝叶斯平滑调整后的数量占比更接近客观事实，提升了置信度和准确度。
[0156]
请参阅图7，适应本技术的目的之一而提供的一种广告投放选品装置，是对本技术的广告投放选品方法的功能化体现，该装置包括请求响应模块1100、相似确定模块1200、评分确定模块1300及评分优选模块1400，其中：请求响应模块1100，用于响应线上店铺的广告选品请求，获取线上店铺的商品数据库中各个备选商品的标题文本，所述线上店铺运行于电商平台的独立站点中；相似确定模块1200，用于从预采集的第三方广告商品中，基于标题文本之间的描述相似性，确定出每个备选商品相对应的多个第三方目标广告商品；评分确定模块1300，用于根据第三方目标广告商品预采集的广告投放数据计算出其投放评分，以每个备选商品相对应的多个第三方目标广告商品的投放评分，确定各个备选商品的参考评分；评分优选模块1400，用于根据各个备选商品的参考评分优选出多个备选商品推送给线上店铺。
[0157]
进一步的实施例中，所述相似确定模块1200，包括：相似检索子模块，用于从预采
集的第三方广告商品中，对应每个备选商品检索出与其标题文本描述相似的多个第三方广告商品的标题文本；向量化表示子模块，用于针对每个备选商品及其对应的多个第三方广告商品的标题文本，采用预先训练至收敛后的文本编码模型提取各个标题文本的深层语义特征，获得每个备选商品相对应的备选语义向量，以及各个第三方广告商品相对应的第三方语义向量；相似度检索子模块，用于计算出每个备选语义向量与其对应的各个第三方语义向量之间的相似度评分；目标确定子模块，用于根据所述相似度评分，对应每个备选商品从其对应的多个第三方广告商品中，确定出满足预设条件的部分第三方广告商品作为第三方目标广告商品。
[0158]
进一步的实施例中，所述向量化表示子模块中所述文本编码模型的训练过程，包括如下步骤：训练样本获取模块，用于获取预备的训练集中的单个训练样本，所述训练集中的各个训练样本包含商品的标题文本、第三方广告商品的标题文本及监督标签，所述训练样本标注的监督标签表征训练样本的第三方广告商品的标题文本是否与商品的标题文本描述相似；评分预测模块，用于由文本编码模型对训练样本中的各个标题文本提取文本语义特征后，经预测模块预测出所述训练样本对应的相似度评分；迭代训练模块，用于根据所述训练样本相对应的监督标签计算所述相似度评分的损失值，在该模型损失值未达到预设阈值时对该模型实施权重更新，并继续调用其他训练样本实施迭代训练直到模型收敛。
[0159]
进一步的实施例中，所述评分确定模块1300，包括：广告投放数据获取子模块，用于获取第三方目标广告商品预采集的广告投放数据，所述广告投放数据包含评论信息、点赞数、收藏数、广告投放时长；反馈评分及行为评分确定子模块，用于根据广告投放数据计算出行为评分和反馈评分，所述行为评分根据点赞数、收藏数以及广告投放时长确定，所述反馈评分根据所述评价信息确定；投放评分获取子模块，用于对所述行为评分实施归一化，将相应的归一化结果与所述反馈评分相加实施归一化，获得所述第三方目标广告商品的投放评分。
[0160]
进一步的实施例中，所述反馈评分及行为评分确定子模块，包括：情感分析单元，用于采用预先训练至收敛的情感分析模型确定出所述广告投放数据中属于好评类型的评论信息；反馈评分计算及处理单元，用于计算出所述好评类型的评价信息占所有评论信息相对应的数量占比，采用平滑算法处理该数量占比，获得反馈评分；行为评分计算单元，用于计算广告投放信息中的点赞数和收藏数的和值除以广告投放时长，获得相应的行为评分。
[0161]
进一步的实施例中，所述反馈评分计算及处理单元，包括：历史的数量占比计算子单元，用于获取近期预设时长内每个预设间隔时长的所述第三方目标广告商品的评论信息，计算出每个预设间隔时长的评论信息中好评类型的评论信息的数量占比；平滑参数求取子单元，用于根据每个预设间隔时长对应的数量占比，采用极大似然算法求出预设的第一平滑参数及第二平滑参数；数量占比调整子单元，用于根据所述第一平滑参数及第二平滑参数调整当前的数量占比，获得所述调整后的数量占比作为反馈评分。
[0162]
进一步的实施例中，所述评分确定模块1300，包括：参考评分确定子模块，用于针对每个备选商品相对应的多个第三方目标广告商品，对应每个第三方目标广告商品的相似度评分乘上投放评分相加求均值，确定出各个备选商品的参考评分。
[0163]
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8所示，计算机设备
的内部结构示意图。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广告投放选品方法。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投放选品方法。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8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。
[0164]
本实施方式中处理器用于执行图7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投放选品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。
[0165]
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投放选品方法的步骤。
[0166]
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(random access memory，ram)等。
[0167]
综上所述，本技术全程无需依赖线上店铺自身的广告投放数据，而是借助相匹配的第三方的广告投放数据即可评估出该线上店铺各个备选商品对应的参考评分，具备普遍适应性，能够满足大多数商家用户的广告投放需求。
[0168]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0169]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。