[发明专利]基于美学特征的海报CTR预测方法及装置

说明书

本申请公开了一种基于美学特征的海报CTR预测方法及装置，本申请方法包括对海报图像分别进行多维度的特征提取，得到多种美学特征；对美学特进行处理得到每张海报图像的美学特征向量；将所有的美学特征向量与每张海报对应的点击通过率对三种监督学习模型进行训练，得到三种点击通过率预测模型，三种监督学习模型为决策树模型、随机森林模型、支持向量机SVM模型；选择其中一个预测模型确定为最终的点击通过率模型；将待预测海报图像的美学特征向量输入到最终的点击通过率模型，得到待预测海报图像的点击通过率预测结果。本申请解决现有的基于设计师主观的衡量方式对海报投放之后的表现效果不可控的，可靠性不高，并且影响投放开支的问题。

技术领域

本申请涉及电商海报设计领域，具体而言，涉及一种基于美学特征的海报CTR预测方法及装置。

背景技术

目前，互联网电商海报设计领域，设计师往往是凭借多年的从业经验给出对海报设计结果的主观评价，往往不能很好的把控海报投放之后的具体表现，比如点击率如何，转化率如何都无法给出更好的判断，而海报的点击率、转化率等指标又是电商海报效果的重要衡量指标。因此，现有的基于设计师主观的衡量方式，基本上对海报投放之后的表现效果是不可控的，可靠性不高。而广告投放的开销是巨大的，因此对于海报投放效果的不可控以及不可靠对投放开支有很大的影响。

发明内容

本申请的主要目的在于提供一种基于美学特征的海报CTR预测方法及装置，解决现有的基于设计师主观的衡量方式，基本上对海报投放之后的表现效果是不可控的，可靠性不高，并且影响投放开支的问题。

为了实现上述目的，根据本申请的第一方面，提供了一种基于美学特征的海报CTR预测方法。

根据本申请的基于美学特征的海报CTR预测方法包括：

对预设数量的海报图像分别进行多维度的特征提取，得到每张海报图像对应的多种美学特征；

分别对每张图像的多种美学特征中的类别型特征进行one-hot处理；

对于每张海报图像，将与其对应的one-hot处理后的特征与其他的美学特征进行横向合并，得到每张海报图像对应的美学特征向量；

将所有的美学特征向量与每张海报对应的点击通过率对三种监督学习模型进行训练，得到三种点击通过率预测模型，所述三种监督学习模型为决策树模型、随机森林模型、支持向量机SVM模型；

根据三种点击通过率预测模型的预测结果和真实值之间的均根方差，选择其中一个预测模型确定为最终的点击通过率模型；

将待预测海报图像对应的美学特征向量输入到最终的点击通过率模型，得到待预测海报图像的点击通过率预测结果。

可选的，所述多种美学特征包括：

基础特征、元素特征、人物特征、颜色特征、文字特征、显著性特征、风格特征、Logo特征，每种美学特征中至少包含一种特征。

可选的，在将与其对应的one-hot处理后的特征与其他的美学特征进行横向合并之前，所述方法还包括：

计算每种美学特征每种特征的方差值；

移除方差值小于预设阈值的特征。

可选的，所述将所有的美学特征向量与每张海报对应的点击通过率对三种监督学习模型进行训练，得到三种点击通过率预测模型，包括：

将所有的美学特征向量与每张海报对应的点击通过率对三种监督学习模型进行训练，得到三种点击通过率预测模型的初始模型；

分别对每种初始模型的模型参数进行调节，将使预测结果和真实值之间的均根方差最小的模型参数组合作为对应的三种点击通过率预测模型的最终参数组合；

根据每种最终参数组合确定三种点击通过率模型。