[发明专利]一种视频匹配广告的方法及装置

权利要求书

1.一种视频匹配广告的方法，其特征在于，该方法包括：

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；

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；

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；

所述的视频广告匹配度预测模型，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；

所述的视频广告匹配度预测模型，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，所述广告点击率的提升度为视频与广告的匹配值；所述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′；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ω；其中，L为样本视频广告对应的广告点击率的提升度；

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。

2.根据权利要求1所述的方法，其特征在于：所述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的步骤，包括：

I1、所述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，得到视频描述分词和广告描述分词的分布式特征一维扩展向量，输出至第一最大池化层；

I2、所述第一最大池化层，对输入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；

I3、所述第一二维卷积神经网络层，对输入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；

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1×1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目标向量；

I7：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。

3.根据权利要求1所述的方法，其特征在于：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，采用非监督式训练方法训练获得的。

4.根据权利要求3所述的方法，其特征在于：所述采用非监督式训练方法训练的过程包括：

a：获得视频描述、广告描述或外部语料中的一段文字描述；

b：对所述文字描述进行分词处理，得到N个描述分词；

c：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；

d：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；

e：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，继续执行步骤d和步骤e。