[发明专利]一种广告配图方法、装置及电子设备

权利要求书

1.一种广告配图方法，其特征在于，包括：

通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；

基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；

将所述目标图片设置为所述目标广告的配图。

2.根据权利要求1所述的方法，其特征在于，所述通过广告配图过程中的历史数据训练得到目标对抗DNN模型，包括：

在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；

基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；

将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。

3.根据权利要求2所述的方法，其特征在于，所述在所述历史数据中获取负样本，包括：

在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。

4.根据权利要求3所述的方法，其特征在于，所述负样本为相关性与所述正样本的相关性最接近的样本。

5.根据权利要求2所述的方法，其特征在于，所述正样本为图片被浏览过的样本。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片，包括：

基于所述目标对抗DNN模型，将所述目标广告表示为第一隐层向量，以及将所述图片数据库中的图片表示为第二隐层向量；

将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片。

7.根据权利要求6所述的方法，其特征在于，所述将所述第二隐层向量与所述第一隐层向量的相关性满足第二预设条件的图片确定为所述目标图片之前，还包括：

生成所述图片数据库中每一图片的图片索引；

其中，所述目标图片为：图片索引与所述第一隐层向量匹配的图片。

8.一种广告配图装置，其特征在于，包括：

模型训练模块，用于通过广告配图过程中的历史数据训练得到对目标对抗深度神经网络DNN模型；

图片确定模块，用于基于所述目标对抗DNN模型以及目标广告，在图片数据库中确定目标图片；

配图模块，用于将所述目标图片设置为所述目标广告的配图。

9.根据权利要求8所述的装置，其特征在于，所述模型训练模块，包括：

负样本获取单元，用于在所述历史数据中获取负样本，其中，所述负样本为：与所述历史数据中标注的正样本关联的样本；

迭代单元，用于基于历史数据中的正样本和负样本，对当前的对抗DNN模型进行迭代，直至满足迭代条件时停止迭代；

模型确定单元，用于将最后迭代得到的对抗DNN模型确定为所述目标对抗DNN模型。

10.根据权利要求9所述的装置，其特征在于，所述负样本获取单元，具体用于：

在所述历史数据中，基于当前的对抗DNN模型，通过对抗训练方式生成与所述正样本关联的负样本，其中，所述负样本的相关性与所述正样本的相关性之间满足第一预设条件，所述相关性为：由样本中的广告的隐层向量和图片的隐层向量计算得到。

11.根据权利要求10所述的装置，其特征在于，所述负样本为相关性与所述正样本的相关性最接近的样本。

12.根据权利要求9所述的装置，其特征在于，所述正样本为图片被浏览过的样本。