训练广告创意生成模型、生成广告创意的方法及相关装置

摘要

本申请公开了一种训练广告创意生成模型、生成广告创意的方法及相关装置，训练广告创意生成模型方法包括：将用户的查询文本和对应的点击文本作为问答型训练文本；识别查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；通过第一实体词、第一商品类别、第一商品特征和问答型训练文本，训练预设文本生成网络获得广告创意生成模型。生成广告创意方法包括：获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；将第二实体词、第二商品类别和第二商品特征输入上述广告创意生成模型，生成目标商品的第二问答型广告创意。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种训练广告创意生成模型、生成广告创意的方法及相关装置。

背景技术

随着互联网技术的不断发展，用户在使用互联网服务的过程中，也在不断地接收到各种各样的广告；大量的广告导致用户对广告逐渐变得麻木，从而导致广告的点击率也相应下降。为了提升广告的点击率，可以将商品的商品特征结合符合用户日常习惯的一问一答形式，生成商品的问答型广告创意。

现有技术中，一般是基于模板生成商品的问答型广告创意。具体地，先针对商品所属的领域，构建对应的问答型广告创意模板；再针对不同商品，对该问答型广告创意模板中某些内容进行替换，即可生成对应的问答型广告创意。

但是，上述现有技术中不同领域对应的问答型广告创意模板均需要人工构建，不同领域对应的问答型广告创意模板之间的迁移性较差；且同一领域的不同商品采用特定的问答型广告创意模板，导致同一领域的不同商品的问答型广告创意较为单一、新颖性差。

发明内容

有鉴于此，本申请提供一种训练广告创意生成模型、生成广告创意的方法及相关装置，不需要人工构建模板，也无需人工构建训练数据，即可获得适用于各种各样商品的广告创意生成模型；利用该广告创意生成模型生成的不同商品的问答型广告创意较为多样化、富有新颖性。

第一方面，本申请实施例提供了一种训练广告创意生成模型的方法，该方法包括：

获取用户的查询文本和对应的点击文本生成问答型训练文本；

识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征；

基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

可选的，所述基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型，包括：

将所述第一实体词、所述第一商品类别、所述第一商品特征输入所述预设文本生成网络，生成第一问答型广告创意；

基于所述第一问答型广告创意、所述问答型训练文本和预设损失函数，调整所述预设文本生成网络的参数；

将训练完成的预设文本生成网络作为所述广告创意生成模型。

可选的，还包括：

挖掘所述点击文本中商品的第一核心商品特征；

基于所述第一核心商品特征筛选所述第一商品特征，获得筛选后的第一商品特征；

对应地，所述基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型，包括：

基于所述第一实体词、所述第一商品类别、所述筛选后的第一商品特征和所述问答型训练文本，训练所述预设文本生成网络获得所述广告创意生成模型。

可选的，所述预设文本生成网络具体为生成式预训练语言GPT模型。

第二方面，本申请实施例提供了一种生成广告创意的方法，利用上述第一方面中任一项所述的广告创意生成模型，所述方法包括：

获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；

将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型；

生成所述目标商品的第二问答型广告创意。

可选的，还包括：

基于目标用户或目标用户群体的兴趣，确定所述第二商品特征的权重；

基于所述第二商品特征的权重，筛选所述第二商品特征，获得筛选后的第二商品特征，其中，所述筛选后的第二商品特征的数量小于所述第二商品特征的数量；

对应地，所述将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型包括：

将所述第二实体词、所述第二商品类别和所述筛选后的第二商品特征输入所述广告创意生成模型。

可选的，所述基于所述第二商品特征的权重筛选所述第二商品特征，获得筛选后的第二商品特征，具体为：

基于所述第二商品特征的权重，选取大于等于预设权重的所述权重对应的所述第二商品特征作为所述筛选后的第二商品特征。

可选的，所述基于所述第二商品特征的权重筛选所述第二商品特征，获得筛选后的第二商品特征，包括：

按照所述第二商品特征的权重，由大到小排序所述第二商品特征；

选取排序后的前N个所述第二商品特征作为所述筛选后的第二商品特征，N为正整数。

可选的，还包括：

判断所述第二问答型广告创意是否满足预设广告创意指标；

若是，将所述第二问答型广告创意确定为所述目标商品的目标问答型广告创意。

可选的，所述预设广告创意指标包括文本通顺指标、逻辑合理指标和/或合法性指标，所述合法性指标包括法律法规指标和/或敏感信息指标。

第三方面，本申请实施例提供了一种训练广告创意生成模型的装置，所述装置包括：

获取单元，用于获取用户的查询文本和对应的点击文本生成问答型训练文本；

识别单元，用于识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征；

训练单元，用于基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

可选的，所述训练单元包括：

生成子单元，用于将所述第一实体词、所述第一商品类别、所述第一商品特征输入所述预设文本生成网络，生成第一问答型广告创意；

调整子单元，用于基于所述第一问答型广告创意、所述问答型训练文本和预设损失函数，调整所述预设文本生成网络的参数；

作为子单元，用于将训练完成的预设文本生成网络作为所述广告创意生成模型。

可选的，所述装置还包括：

挖掘单元，用于挖掘所述点击文本中商品的第一核心商品特征；

第一筛选单元，用于基于所述第一核心商品特征筛选所述第一商品特征，获得筛选后的第一商品特征；

对应地，所述训练单元用于：

基于所述第一实体词、所述第一商品类别、所述筛选后的第一商品特征和所述问答型训练文本，训练所述预设文本生成网络获得所述广告创意生成模型。

可选的，所述预设文本生成网络具体为生成式预训练语言GPT模型。

第四方面，本申请实施例提供了一种生成广告创意的装置，利用上述第一方面中任一项所述的广告创意生成模型，所述装置包括：

获得单元，用于获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；

输入单元，用于将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型；

生成单元，用于生成所述目标商品的第二问答型广告创意。

可选的，所述装置还包括：

第一确定单元，用于基于目标用户或目标用户群体的兴趣，确定所述第二商品特征的权重；

第二筛选单元，用于基于所述第二商品特征的权重筛选所述第二商品特征，获得筛选后的第二商品特征，其中，所述筛选后的第二商品特征的数量小于所述第二商品特征的数量；

对应地，所述输入单元用于：

将所述第二实体词、所述第二商品类别和所述筛选后的第二商品特征输入所述广告创意生成模型。

可选的，所述第二筛选单元具体用于：

基于所述第二商品特征的权重，选取大于等于预设权重的所述权重对应的所述第二商品特征作为所述筛选后的第二商品特征。

可选的，所述第二筛选单元包括：

排序子单元，用于按照所述第二商品特征的权重，由大到小排序所述第二商品特征；

选取子单元，用于选取排序后的前N个所述第二商品特征作为所述筛选后的第二商品特征，N为正整数。

可选的，所述装置还包括：

判断单元，用于判断所述第二问答型广告创意是否满足预设广告创意指标；

第二确定单元，用于若是，将所述第二问答型广告创意确定为所述目标商品的目标问答型广告创意。

可选的，所述预设广告创意指标包括文本通顺指标、逻辑合理指标和/或合法性指标，所述合法性指标包括法律法规指标和/或敏感信息指标。

第五方面，本申请实施例提供了一种用于训练广告创意生成模型的装置，所述装置包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取用户的查询文本和对应的点击文本生成问答型训练文本；

识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征；

基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

第六方面，本申请实施例提供了一种用于生成广告创意的装置，利用上述第一方面中任一项所述的广告创意生成模型，所述装置包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；

将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型；

生成所述目标商品的第二问答型广告创意。

第七方面，本申请实施例提供了一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如上述第一方面中任一项所述的训练广告创意生成模型的方法。

第八方面，本申请实施例提供了一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得装置执行如上述第二方面中任一项所述的生成广告创意的方法。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，将用户的查询文本和对应的点击文本作为问答型训练文本；识别查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；通过第一实体词、第一商品类别、第一商品特征和问答型训练文本，训练预设文本生成网络获得广告创意生成模型。由此可见，将搜索场景下的查询文本和对应的点击文本处理后得到训练数据，并训练预设文本生成网络得到广告创意生成模型；该方式充分挖掘了海量的查询文本中第一实体词、第一实体词对应的第一商品类别、点击文本中商品的第一商品特征，与对应的问答型训练文本之间的关联信息，使得广告创意生成模型适用于各种各样商品。

此外，获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；将第二实体词、第二商品类别和第二商品特征输入上述广告创意生成模型，生成目标商品的第二问答型广告创意。基于上述广告创意生成模型的特性，使得其在生成问答型广告创意时更加灵活；因此，利用该广告创意生成模型生成的不同商品的问答型广告创意较为多样化、富有新颖性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种训练广告创意生成模型的方法的流程示意图；

图3为本申请实施例提供的一种训练广告创意生成模型的框架示意图；

图4为本申请实施例提供的一种生成广告创意的方法的流程示意图；

图5为本申请实施例提供的一种训练广告创意生成模型的装置的结构示意图；

图6为本申请实施例提供的一种生成广告创意的装置的结构示意图；

图7为本申请实施例提供的一种用于训练广告创意生成模型或生成广告创意的装置的结构示意图；

图8为本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了提升广告的点击率，需要将商品的商品特征结合符合用户日常习惯的一问一答形式，生成商品的问答型广告创意。目前，一般是基于模板生成商品的问答型广告创意；具体地，先针对商品所属的领域，构建对应的问答型广告创意模板；再针对不同商品，对该问答型广告创意模板中某些内容进行替换，即可生成对应的问答型广告创意。但是，上述现有技术中不同领域对应的问答型广告创意模板均需要人工构建，不同领域对应的问答型广告创意模板之间的迁移性较差；且同一领域的不同商品采用特定的问答型广告创意模板，导致同一领域的不同商品的问答型广告创意较为单一、新颖性差。

为了解决这一问题，在本申请实施例中，将用户的查询文本和对应的点击文本作为问答型训练文本；识别查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；通过第一实体词、第一商品类别、第一商品特征和问答型训练文本，训练预设文本生成网络获得广告创意生成模型。即，将搜索场景下的查询文本和对应的点击文本处理后得到训练数据，并训练预设文本生成网络得到广告创意生成模型；该方式充分挖掘了海量的查询文本中第一实体词、第一实体词对应的第一商品类别、点击文本中商品的第一商品特征，与对应的问答型训练文本之间的关联信息，使得广告创意生成模型适用于各种各样商品。

此外，获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；将第二实体词、第二商品类别和第二商品特征输入上述广告创意生成模型，生成目标商品的第二问答型广告创意。基于上述广告创意生成模型的特性，使得其在生成问答型广告创意时更加灵活；因此，利用该广告创意生成模型生成的不同商品的问答型广告创意较为多样化、富有新颖性。

举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中，该场景包括用户终端101和处理器102。各个用户通过用户终端101进行大量搜索情况下，即，各个用户通过用户终端101输入文本进行搜索并点击展示的某个或某些文本的情况下；处理器102采用本申请实施例提供的训练广告创意生成模型的具体实施方式，获得广告创意生成模型并存储。用户通过用户终端101将目标商品发送至处理器102，处理器102采用本申请实施例提供的生成广告创意的具体实施方式，得到目标商品的问答型广告创意。

首先，在上述应用场景中，虽然将本申请实施方式的动作描述由处理器102执行，但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

其次，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中训练广告创意生成模型、生成广告创意的方法及相关装置的具体实现方式。

参见图2，示出了本申请实施例中一种训练广告创意生成模型的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：获取用户的查询文本和对应的点击文本生成问答型训练文本。

由于基于模板生成商品的问答型广告创意的方式中，针对商品所属的每个领域均需要构建对应的问答型广告创意模板，不同领域对应的问答型广告创意模板之间的迁移性较差；且同一领域的不同商品采用特定的问答型广告创意模板，导致同一领域的不同商品的问答型广告创意较为单一、新颖性差。因此，在本申请实施例中，为了避免人工构建问答型广告创意模板，可以通过机器学习的方式，训练得到一个适用于各种各样商品的广告创意生成模型，用于生成各种各样商品的问答型广告创意。

为了训练得到上述广告创意生成模型，首先需要获得训练数据；考虑到上述广告创意生成模型的目的是生成各种各样商品的问答型广告创意，则需要获得问答型训练文本。为了避免人工构建问答型训练文本，基于各个用户在日常生活中的搜索行为，可以获取用户输入的用于搜索的文本作为查询文本，以及用户点击展示的某个或某些文本作为该查询文本对应的点击文本，从而生成一问一答形式的文本作为问答型训练文本。

作为一种示例，用户输入的用于搜索的文本为“什么色号的口红好看？”，用户点击展示的文本为“全新兰蔻唇膏_152新色来袭”；则查询文本为“什么色号的口红好看？”，该查询文本对应的点击文本为“全新兰蔻唇膏_152新色来袭”；生成的问答型训练文本为“问：什么色号的口红好看？；答：全新兰蔻唇膏_152新色来袭”。

步骤202：识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征。

在步骤201得到问答型训练文本之后，还需要获得训练数据中除问答型训练文本之外的其他训练数据；具体是指查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；其中，商品特征用于表征商品的卖点，即，商品的属性、特性等等。因此，在步骤201之后，还需要识别查询文本和点击文本，以得到上述其他训练数据；具体的识别方式例如可以是语义理解方式、知识图谱方式等等，在此不再一一详细描述。

作为一种示例，在上述示例的基础上，查询文本“什么色号的口红好看？”中第一实体词为“实体词＝口红”，第一实体词“口红”对应的第一商品类别为“商品类别＝化妆品”；点击文本“全新兰蔻唇膏_152新色来袭”中商品的第一商品特征为“品牌＝兰蔻”、“型号＝152”。

步骤203：基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

在步骤201得到问答型训练文本，步骤202得到第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征之后，表示已获得训练数据。在此基础上，通过该训练数据可以训练预先设定的文本生成网络，即，预设文本生成网络；充分挖掘查询文本中第一实体词、第一实体词对应的第一商品类别、点击文本中商品的第一商品特征，与对应的问答型训练文本之间的关联信息，经过海量的训练数据进行多次迭代训练，即可得到广告创意生成模型，该广告创意生成模型适用于各种各样商品。

在步骤203具体实施时，首先，需要将第一实体词、第一商品类别、第一商品特征输入预设文本生成网络，该预设文本生成网络可以生成一个问答形式的文本并输出，作为第一问答型广告创意；然后，需要利用损失函数计算第一问答型广告创意与问答型训练文本的损失，以调整预设文本生成网络的参数；进行多次迭代训练，直至到达预设迭代训练次数或者预设文本生成网络收敛结束训练，将训练完成的预设文本生成网络作为广告创意生成模型。因此，在本申请实施例一种可选的实施方式中，步骤203例如可以包括以下步骤：

步骤A：将所述第一实体词、所述第一商品类别、所述第一商品特征输入所述预设文本生成网络，生成第一问答型广告创意；

步骤B：基于所述第一问答型广告创意、所述问答型训练文本和预设损失函数，调整所述预设文本生成网络的参数；

步骤C：将训练完成的预设文本生成网络作为所述广告创意生成模型。

作为一种示例，如图3所示的一种训练广告创意生成模型的框架示意图，在上述示例的基础上，将第一实体词为“实体词＝口红”、第一商品类别为“商品类别＝化妆品”、第一商品特征为“品牌＝兰蔻”、“型号＝152”输入预设文本生成网络，生成第一问答型广告创意；基于第一问答型广告创意、问答型训练文本“问：什么色号的口红好看？；答：全新兰蔻唇膏_152新色来袭”和预设损失函数，调整预设文本生成网络的参数；将训练完成的预设文本生成网络作为广告创意生成模型。

需要注意的是，预设文本生成网络例如可以是生成式预训练语言(英文：Generative Pre-Training，缩写：GPT)模型、BERT(英文：Bidirectional EncoderRepresentation from Transformers)模型、ELMO(英文：Deep contextualized wordrepresentations)模型、长短期记忆网络(英文：Long-Short Term Memory，缩写：LSTM)或者指针网络(英文：Pointer network，缩写：PN)。其中，GPT模型在文本生成上表现更优，其生成的文本在上下文连贯性和情感表达上都超过了人们对目前阶段的语言模型的预期；将其设定为预设文本生成网络，相较于BERT模型、ELMO模型、LSTM和PN等其他文本生成模型效果更佳。因此，在本申请实施例一种可选的实施方式中，所述预设文本生成网络具体为生成式预训练语言GPT模型。

此外，考虑到步骤202识别到的点击文本中商品的第一商品特征可能存在该商品的非核心商品特征，非核心商品特征用于训练预设文本生成网络得到广告创意生成模型，可能使得该广告创意生成模型的效果不佳。因此，在本申请实施例中，还可以通过其他来源等挖掘点击文本中商品的第一核心商品特征，利用该第一核心商品特征筛选上述第一商品特征，以便过滤其中非核心商品特征；基于此，在训练预设文本生成网络得到广告创意生成模型时，可以采用筛选后的第一商品特征，使得训练得到的广告创意生成模型的效果更佳。

即，在本申请实施例一种可选的实施方式中，在步骤202之后、步骤203之前，例如还可以包括以下步骤：

步骤D：挖掘所述点击文本中商品的第一核心商品特征。

步骤E：基于所述第一核心商品特征筛选所述第一商品特征，获得筛选后的第一商品特征。

在上述说明的基础上，对应地，所述步骤203例如可以包括：基于所述第一实体词、所述第一商品类别、所述筛选后的第一商品特征和所述问答型训练文本，训练所述预设文本生成网络获得所述广告创意生成模型。具体实施参见上述步骤A至步骤C，只是利用筛选后的第一商品特征替换第一商品特征，在此不再赘述。

通过本实施例提供的各种实施方式，将用户的查询文本和对应的点击文本作为问答型训练文本；识别查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；通过第一实体词、第一商品类别、第一商品特征和问答型训练文本，训练预设文本生成网络获得广告创意生成模型。由此可见，将搜索场景下的查询文本和对应的点击文本处理后得到训练数据，并训练预设文本生成网络得到广告创意生成模型；该方式充分挖掘了海量的查询文本中第一实体词、第一实体词对应的第一商品类别、点击文本中商品的第一商品特征，与对应的问答型训练文本之间的关联信息，使得广告创意生成模型适用于各种各样商品。

在上述实施例的基础上，由于训练得到的广告创意生成模型用于生成各种各样商品的问答型广告创意；因此，将任意一个商品作为目标商品，可以先获得该目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；再将该数据输入该广告创意生成模型，即可生成一个问答形式的文本并输出，作为目标商品的第二问答型广告创意。该目标商品的第二问答型广告创意相较于现有技术中基于模板生成的目标商品的问答型广告创意，更富有新颖性。

参见图4，示出了本申请实施例中另一种生成广告创意的方法的流程示意图。在本实施例中，利用上述实施例所述的广告创意生成模型，所述方法例如可以包括以下步骤：

步骤401：获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词。

步骤402：将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型。

步骤403：生成所述目标商品的第二问答型广告创意。

需要说明的是，考虑到生成的目标商品的第二问答型广告创意需要推荐给不同用户或者不同用户群体，而不同用户的兴趣不同，其关注的商品特征的侧重也不同；同理，不同用户群体的兴趣不同，其关注的商品特征的侧重也不同。因此，在本申请实施例中，将任意一个用户作为目标用户，或者，将任意一个用户群体作为目标用户群体，还可以根据目标用户或目标用户群体的兴趣，对上述第二商品特征设定不同的权重，第二商品特征的权重表示目标用户或目标用户群体对第二商品特征的感兴趣程度；通过第二商品特征的权重从第二商品特征中筛选部分第二商品特征，筛选后的第二商品特征更符合目标用户或目标用户群体的兴趣。基于此，在利用广告创意生成模型生成目标商品的第二问答型广告创意时，可以采用筛选后的第二商品特征，使得生成的目标商品的第二问答型广告创意更加符合目标用户或目标用户群体的兴趣，从而进一步提高广告的点击率。

即，在本申请实施例一种可选的实施方式中，在所述步骤401之后、所述步骤402之前，例如还可以包括以下步骤：

步骤F：基于目标用户或目标用户群体的兴趣，确定所述第二商品特征的权重。

步骤G：基于所述第二商品特征的权重，筛选所述第二商品特征，获得筛选后的第二商品特征，其中，所述筛选后的第二商品特征的数量小于所述第二商品特征的数量；

本申请实施例中，至少可以通过以下两种实施方式执行步骤G：

第一种可选的步骤G的实施方式中，第二商品特征的权重越大表示目标用户或目标用户群体对第二商品特征越感兴趣，第二商品特征的权重越小表示目标用户或目标用户群体对第二商品特征越不感兴趣；为了通过权重区分目标用户或目标用户群体对第二商品特征是否感兴趣，可以预先设定一个权重作为预设权重，表征目标用户或目标用户群体感兴趣的下限，则从第二商品特征中，需要过滤掉权重小于预设权重的第二商品特征，筛选权重大于等于预设权重的第二商品特征，作为筛选后的第二商品特征。因此，在本申请实施例一种可选的实施方式中，所述步骤G例如具体可以为：基于所述第二商品特征的权重，选取大于等于预设权重的所述权重对应的所述第二商品特征作为所述筛选后的第二商品特征。

第二种可选的步骤G的实施方式中，第二商品特征的权重越大表示目标用户或目标用户群体对第二商品特征越感兴趣，第二商品特征的权重越小表示目标用户或目标用户群体对第二商品特征越不感兴趣；为了展示目标用户或目标用户群体对第二商品特征感兴趣的排序，针对第二商品特征，依据其权重的大小，由大到小排序第二商品特征，在排序后选取排序后的前N个第二商品特征，作为筛选后的第二商品特征。因此，在本申请实施例一种可选的实施方式中，所述步骤G例如可以包括以下步骤：

步骤G1：按照所述第二商品特征的权重，由大到小排序所述第二商品特征；

步骤G2：选取排序后的前N个所述第二商品特征作为所述筛选后的第二商品特征，N为正整数。

由上述说明可知，对应地，所述步骤402例如可以包括：将所述第二实体词、所述第二商品类别和所述筛选后的第二商品特征输入所述广告创意生成模型。

还需要说明的是，在步骤402生成目标商品的第二问答型广告创意之后，考虑到生成的第二问答型广告创意是否能够实际应用于广告中，还可以预先设定与广告创意相关的一个或者多个指标，作为预设广告创意指标；需要判断第二问答型广告创意是否满足预设广告创意指标，只有满足的情况下，才能将该第二问答型广告创意作为目标商品的目标问答型广告创意。因此，在本申请实施例一种可选的实施方式中，在所述步骤402之后，例如还可以包括以下步骤：

步骤H：判断所述第二问答型广告创意是否满足预设广告创意指标；若是，执行步骤I。

其中，考虑到生成的第二问答型广告创意实际应用于广告中，该第二问答型广告创意需要具备文本通顺、逻辑合理、合法性等等特性，而合法性表示的是符合法律法规、敏感信息等要求。因此，在本申请实施例一种可选的实施方式中，所述预设广告创意指标包括文本通顺指标、逻辑合理指标和/或合法性指标，所述合法性指标包括法律法规指标和/或敏感信息指标。

步骤I：将所述第二问答型广告创意确定为所述目标商品的目标问答型广告创意。

通过本实施例提供的各种实施方式，获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；将第二实体词、第二商品类别和第二商品特征输入上述广告创意生成模型，生成目标商品的第二问答型广告创意。基于上述广告创意生成模型的特性，使得其在生成问答型广告创意时更加灵活；因此，利用该广告创意生成模型生成的不同商品的问答型广告创意较为多样化、富有新颖性。

参见图5，示出了本申请实施例中一种训练广告创意生成模型的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

获取单元501，用于获取用户的查询文本和对应的点击文本生成问答型训练文本；

识别单元502，用于识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征；

训练单元503，用于基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

在本申请实施例一种可选的实施方式中，所述训练单元503包括：

生成子单元，用于将所述第一实体词、所述第一商品类别、所述第一商品特征输入所述预设文本生成网络，生成第一问答型广告创意；

调整子单元，用于基于所述第一问答型广告创意、所述问答型训练文本和预设损失函数，调整所述预设文本生成网络的参数；

作为子单元，用于将训练完成的预设文本生成网络作为所述广告创意生成模型。

在本申请实施例一种可选的实施方式中，所述装置还包括：

挖掘单元，用于挖掘所述点击文本中商品的第一核心商品特征；

第一筛选单元，用于基于所述第一核心商品特征筛选所述第一商品特征，获得筛选后的第一商品特征；

对应地，所述训练单元503用于：

基于所述第一实体词、所述第一商品类别、所述筛选后的第一商品特征和所述问答型训练文本，训练所述预设文本生成网络获得所述广告创意生成模型。

在本申请实施例一种可选的实施方式中，所述预设文本生成网络具体为生成式预训练语言GPT模型。

通过本实施例提供的各种实施方式，将用户的查询文本和对应的点击文本作为问答型训练文本；识别查询文本中第一实体词、第一实体词对应的第一商品类别，以及点击文本中商品的第一商品特征；通过第一实体词、第一商品类别、第一商品特征和问答型训练文本，训练预设文本生成网络获得广告创意生成模型。由此可见，将搜索场景下的查询文本和对应的点击文本处理后得到训练数据，并训练预设文本生成网络得到广告创意生成模型；该方式充分挖掘了海量的查询文本中第一实体词、第一实体词对应的第一商品类别、点击文本中商品的第一商品特征，与对应的问答型训练文本之间的关联信息，使得广告创意生成模型适用于各种各样商品。

参见图6，示出了本申请实施例中一种生成广告创意的装置的结构示意图。在本实施例中，利用上述实施例所述的广告创意生成模型，所述装置例如具体可以包括：

获得单元601，用于获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；

输入单元602，用于将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型；

生成单元603，用于生成所述目标商品的第二问答型广告创意。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第一确定单元，用于基于目标用户或目标用户群体的兴趣，确定所述第二商品特征的权重；

第二筛选单元，用于基于所述第二商品特征的权重筛选所述第二商品特征，获得筛选后的第二商品特征，其中，所述筛选后的第二商品特征的数量小于所述第二商品特征的数量；

对应地，所述输入单元602用于：

将所述第二实体词、所述第二商品类别和所述筛选后的第二商品特征输入所述广告创意生成模型。

在本申请实施例一种可选的实施方式中，所述第二筛选单元具体用于：

基于所述第二商品特征的权重，选取大于等于预设权重的所述权重对应的所述第二商品特征作为所述筛选后的第二商品特征。

在本申请实施例一种可选的实施方式中，所述第二筛选单元包括：

排序子单元，用于按照所述第二商品特征的权重，由大到小排序所述第二商品特征；

选取子单元，用于选取排序后的前N个所述第二商品特征作为所述筛选后的第二商品特征，N为正整数。

在本申请实施例一种可选的实施方式中，所述装置还包括：

判断单元，用于判断所述第二问答型广告创意是否满足预设广告创意指标；

第二确定单元，用于若是，将所述第二问答型广告创意确定为所述目标商品的目标问答型广告创意。

在本申请实施例一种可选的实施方式中，所述预设广告创意指标包括文本通顺指标、逻辑合理指标和/或合法性指标，所述合法性指标包括法律法规指标和/或敏感信息指标。

通过本实施例提供的各种实施方式，获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；将第二实体词、第二商品类别和第二商品特征输入上述广告创意生成模型，生成目标商品的第二问答型广告创意。基于上述广告创意生成模型的特性，使得其在生成问答型广告创意时更加灵活；因此，利用该广告创意生成模型生成的不同商品的问答型广告创意较为多样化、富有新颖性。

图7是根据一示例性实施例示出的一种用于训练广告创意生成模型或生成广告创意的装置700的框图。例如，装置700可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置700可以包括以下一个或多个组件：处理组件702，存储器704，电源组件706，多媒体组件708，音频组件710，输入/输出(I/O)的接口712，传感器组件714，以及通信组件716。

处理组件702通常控制装置700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理部件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。

存储器704被配置为存储各种类型的数据以支持在设备700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件706为装置700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与为装置700生成、管理和分配电力相关联的组件。

多媒体组件708包括在所述装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相互关联的持续时间和压力。在一些实施例中，多媒体组件708包括一个前置摄像头和/或后置摄像头。当设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风(MIC)，当装置700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。

I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件714包括一个或多个传感器，用于为装置700提供方面的状态评估。例如，传感器组件714可以检测到设备700的打开/关闭状态，组件的相对定位，例如所述组件为装置700的显示器和小键盘，传感器组件714还可以检测装置700或装置700一个组件的位置改变，用户与装置700接触的存在或不存在，装置700方位或加速/减速和装置700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由装置700的处理器720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种训练广告创意生成模型的方法，所述方法包括：

获取用户的查询文本和对应的点击文本生成问答型训练文本；

识别所述查询文本中第一实体词、所述第一实体词对应的第一商品类别，以及所述点击文本中商品的第一商品特征；

基于所述第一实体词、所述第一商品类别、所述第一商品特征和所述问答型训练文本，训练预设文本生成网络获得广告创意生成模型。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种生成广告创意的方法，所述方法包括：

获得目标商品的第二商品类别、第二商品特征和商品信息中第二实体词；

将所述第二实体词、所述第二商品类别和所述第二商品特征输入所述广告创意生成模型；

生成所述目标商品的第二问答型广告创意。

图8是本申请实施例中服务器的结构示意图。该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。

服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，一个或一个以上键盘856，和/或，一个或一个以上操作系统841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本说明书中实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。