[发明专利]原生广告插播方法和装置

权利要求书

1.一种原生广告插播方法，其特征在于，所述方法包括：

将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果；

基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；其中，所述预估器是基于第一训练样本和第二训练样本对深度神经网络进行训练得到的；所述第一训练样本包括：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本包括：从未插入广告的搜索展示记录中提取的特征数据；

将预估值大于预设阈值的候选广告插播结果滤除；

从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。

2.根据权利要求1所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，

其中，V(D,M_A,M_N)代表损失函数；D代表深度网络辨别器函数；M_A代表用于映射第一训练样本的深度网络映射器函数；M_N代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～P_A(x)代表第一训练样本服从的分布；x～P_N(x)代表第二训练样本服从的分布；

代表优化D以使损失函数取得极大值；

代表优化M_A、M_N以使损失函数取得极小值。

3.根据权利要求1或2所述的方法，其特征在于，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，

其中，V(D,M_A,M_N)代表损失函数；D代表深度网络辨别器函数；M_A代表用于映射第一训练样本的深度网络映射器函数；M_N代表用于映射第二训练样本的深度网络映射器函数，并且M_N在所述对抗优化中保持不变；x代表训练样本；x～P_A(x)代表第一训练样本服从的分布；x～P_N(x)代表第二训练样本服从的分布；

代表优化D以使损失函数取得极大值；

代表优化M_A以使函数取得极大值。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述根据第二对抗优化方式对深度神经网络进行训练的步骤之前，

基于第二训练样本训练销售额GMV预估网络；将训练得到的销售额GMV预估网络的最后一层去除，并将去除最后一层的销售额GMV预估网络作为第二对抗优化方式中的M_N。

5.一种原生广告插播装置，其特征在于，所述装置包括：

生成模块，用于将与搜索请求相关的广告和自然搜索结果进行组合，以生成候选广告插播结果；其中，所述自然搜索结果为根据所述搜索请求得到的、且不包含广告的搜索结果；

预估模块，用于基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；其中，所述预估器是基于第一训练样本和第二训练样本对深度神经网络进行训练得到的；所述第一训练样本包括：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本包括：从未插入广告的搜索展示记录中提取的特征数据；

过滤模块，用于将预估值大于预设阈值的候选广告插播结果滤除；

选取模块，用于从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练模块，用于基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器。