一种广告标题重写方法、装置、设备及储存介质

摘要

本公开公开了一种广告标题重写方法、装置、设备及储存介质，该方法包括：通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板；通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板；通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题。本公开提供的广告标题重写方法可以将广告标题进行重写，并保证重写广告标题与原始广告标题之间的信息一致性。

说明书

技术领域

本发明实施例涉及计算机应用技术，尤其涉及一种广告标题重写方法、装置、设备及储存介质。

背景技术

搜索广告在广告中扮演着重要的角色搜索。当用户在线搜索一个查询时，广告推荐系统会将该查询与多个广告相匹配。然后进一步重新排列广告标题并选择与查询最相关的一个或多个。最终将所选广告嵌入搜索结果中显示。显示的广告通常由广告标题和来自其网站内容的摘要信息组成。一个用户通常从产品的广告标题而对一个产品有初步的认知。除非用户接收与被搜索对象极不相关的广告查询，否则，用户看到与搜索的查询高度相关的广告标题会很容易接受，并提起了解广告产品的兴趣。因此，将一个枯燥乏味的标题改写成一个有吸引力的标题，对搜索引擎公司是有益的。

由于大量的查询和即时的在线服务需求，人工不可能达到提供与任意查询匹配的标题的目标。而与文本生成和对话系统不同，广告标题重写对重写标题和原标题的一致性要求更高。例如，绝不允许将一个品牌的广告名称改写为另一个品牌的新名称，这可能会导致虚假广告的风险。然而，重写一个广告标题的一致性是非常重要的问题。一致性问题要求重写前后的标题在品牌、价格等预设信息上保持一致。

发明内容

本发明实施例提供一种广告标题重写方法、装置、设备及储存介质，以实现保证重写广告标题与原始广告标题之间的信息一致性。

第一方面，本发明实施例提供了一种广告标题重写方法，包括：

通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板；

通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板；

通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题。

第二方面，本发明实施例还提供了一种广告标题重写装置，包括：

标题模板转换模块，用于通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板；

重写标题模板生成模块，用于通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板；

重写标题转换模块，用于通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题。

第三方面，本发明实施例还提供了一种广告标题重写设备，所述广告标题重写设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的广告标题重写方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所提供广告标题重写方法。

本发明实施例通过将广告标题中的预设信息替换为占位符，并通过预设神经网络模型将广告标题进行重写，解决广告标题重写前后信息一致性的问题，实现保证重写广告标题与原始广告标题之间的信息一致性的效果。

附图说明

图1是本发明实施例一中的一种广告标题重写方法的流程图；

图2是本发明实施例二中的一种广告标题重写方法的流程图；

图3是本发明实施例三中的一种广告标题重写装置的结构示意图；

图4是本发明实施例四中的一种广告标题重写设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

实施例一

图1为本发明实施例一提供的一种广告标题重写方法的流程图，本实施例可适用于用户在线搜索时，向用户展示与搜索的查询相关的广告标题，并对广告标题进行重写的情况，该方法可以由广告标题重写装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：

步骤110、通过将广告标题中的预设信息替换为对应的占位符，将广告标题转换为标题模板；

其中，为了保证预设神经网络模型生成的重写标题与原始的广告标题具有信息一致性，预设神经网络模型使用标题模板代替原始的广告标题，用占位符替换广告标题中的预设信息，这里的预设信息可以是广告标题中的敏感信息，这些敏感信息如果在重写后出现信息不一致的情况，很可能会导致虚假广告。这里的敏感信息可以包括品牌、地点、目标人群和产品。可以从原始的广告标题中提取敏感信息。利用敏感信息获取对应的标题模板，然后将标题模板输入预设神经网络模型进行解码得到重写标题模板。

步骤120、通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板；

其中，对于来自搜索引擎的广告标题、广告属性键值表和查询，预设神经网络模型是用于改变原来的广告标题为更具吸引力的重写广告标题。预设神经网络模型的主干神经网络模型可以是建立在编解码器架构上的。由一个标题编码器、键值编码器、查询编码器和解码器组成。标题编码器、键值编码器、查询编码器分别用于将标题模板、广告属性键值表和查询集群转换为矩阵表示和向量表示，然后通过解码器解码，生成重写标题模板。

步骤130、通过将重写模板中的占位符替换为对应的预设信息，将重写模板转换为重写标题。

其中，在使用预设神经模型重写广告标题之前，将广告标题转换为标题模板，那么，在使用预设神经模型重写广告标题之后，需要将重写模板转换为重写标题。我们可以通过预先提取的敏感信息的键值对对重写模板进行填充，得到完整的句子，从而实现将重写模板转换为重写标题。

本实施例的技术方案，通过将广告标题中的预设信息替换为占位符，并通过预设神经网络模型将广告标题进行重写，解决广告标题重写前后信息一致性的问题，实现保证重写广告标题与原始广告标题之间的信息一致性的效果。

实施例二

图2为本发明实施例二提供的一种广告标题重写方法的流程图，本实施例在上述技术方案的基础上进一步具体化，该方法具体包括：

步骤210、若广告标题中包含品牌、地点、目标人群和产品中的至少之一，将品牌、地点、目标人群和产品分别替换为对应的第一占位符；

其中，第一占位符对应于广告属性键值表中的键值对。我们可以首先利用命名实体识别(Named Entity Recognition，NER)模型从原始的广告标题和重写标题中识别敏感信息，作为键值对。利用自行设计的广告NER标签，基于海量广告数据训练NER识别模型。通过提取出的敏感信息，我们将这些信息替换为原始的广告标题和重写标题中的占位符。具体地说，我们可以将标题中的提取值替换为其作为占位符的键。而在预设神经网络模型的训练中，可以用标题模板训练预设神经网络模型。在重写标题的过程中，由于重写标题不可用，因此只从原始的广告标题中提取敏感信息。重写标题的过程中的一个问题是，预设神经网络模型试图解码一个带有占位符的句子，但是在识别出的信息中缺少键。我们可以利用一个约束解码算法来防止预设神经网络模型解码这样一个不可解的占位符。约束解码算法使用从提取的键值表计算出的键占位符掩码。一旦没有从原始的广告标题中提取出键，预设神经网络模型就不允许解码其占位符。因此，任何由预设神经网络模型解码的标题模板都是可解析的。

步骤220、若广告标题中包含带有数字的信息，将带有数字的信息替换为第二占位符。

其中，第二占位符用于指示预设神经网络模型不对第二占位符进行解码处理。价格也是广告标题改写中的一个难题。神经网络模型无法处理像价格这样的数字，因为数字的含义因上下文而异。价格段可能是模棱两可的，因为它可能是我们预期的价格或折扣。虽然两者都与钱有关，但如果标题模板中的价格占位符被替换为实际价格或折扣，则可能导致完全不同的含义。在价格占位符中错误地放置折扣信息会导致一个虚假的广告。但是，价格/折扣信息的一个优点是，它提供了精确的信息，有助于提高广告标题的吸引力。因此，我们在原始的广告标题中保留带有数字的子内容(例如是价格/折扣)，并将带有数字的子内容插入生成的重写标题中。从经验上讲，我们发现在生成的重写标题之前插入子句并不影响流畅性。

步骤230、通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板；

步骤240、若重写模板中包含第一占位符，根据第一占位符和广告属性键值表中的键值对的对应关系，通过广告属性键值表中的键值对填充重写模板；

步骤250、若重写模板中包含第二占位符，将第二占位符对应的带有数字的信息插入重写模板。

通过占位符来保护重写标题中的信息与原始的广告标题中的信息一致，从而增加了神经网络模型的鲁棒性。

可选的，通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板，包括：

通过标题编码器生成广告标题的上下文词向量表示，并构成广告标题的矩阵表示；其中，主干神经网络模型由标题编码器f

采用序列维数上的最大池化层和线性层，根据广告标题的矩阵表示生成广告标题的向量表示；其中，广告标题的向量表示

上下文词向量

通过键值编码器将广告属性键值表的单个值编码为值的潜在表示；其中，键值编码器f

其中，l

采用序列维数上的最大池化层，根据值的潜在表示生成值的向量表示；其中，通过序列维数上的最大池化层来计算υ

注意，键值表中的值被认为是简洁的属性，应该比标题相对短，并且可以最大限度地合并以获得紧凑的含义表示，而不会丢失太多信息。

将值的向量表示与值对应的键融合成值的融合表示；其中，在计算了一个值的向量表示

通过无位置变换器，将广告属性键值表中所有值的融合表示编码成广告属性键值表的上下文键值向量表示，并构成广告属性键值表的矩阵表示；其中，融合后的融合表示通过无位置变换器被进一步编码成上下文键值向量表示

在这里，我们使用没有位置嵌入的转换器，而不是原来的转换器，因为表中的键值对是无位置的。

采用序列维数上的最大池化层，根据广告属性键值表的上下文键值表示生成广告属性键值表的向量表示；其中，正如在标题编码器中处理的那样，我们还计算键值表的向量表示

这里最大池操作是在键维度上执行的。

通过查询编码器生成用户查询的上下文词向量表示，并构成用户查询的矩阵表示；

采用序列维数上的最大池化层和线性层，根据用户查询的矩阵表示生成用户查询的向量表示；其中，查询编码器f

将广告标题的向量表示、广告属性键值表的向量表示和用户查询的向量表示相加，生成预设神经网络解码器的初始种子；可选的，预设神经网络解码器为长短期记忆人工神经网络LSTM解码器；

将广告标题的矩阵表示、广告属性键值表的矩阵表示和用户查询的矩阵表示相连接，创建存储器；

通过预设神经网络解码器，根据初始种子和存储器，生成重写标题模板。可选的，通过预设神经网络解码器，根据初始种子和存储器，生成重写标题模板，包括：通过LSTM解码器通过多跳多条注意访问存储器，根据初始种子和存储器，自回归生成重写标题模板。

其中，有了广告标题，查询，键值表的矩阵和向量表示，译码器g(·)需要生成一个高质量的新标题。这里我们选择译码器和LSTM进行快速解码。将输入的向量表示，即

同时，矩阵表示，分别是

LSTM解码器通过多跳多头注意访问存储器H，以使输出标题与输入对齐。给定种子和存储器，解码器自回归地生成重写的标题O

O

式中，T是生成标题的长度，由自回归生成过程确定。

可选的，在通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板之前，还包括：

获取在线搜索中的查询；

根据查询，从广告数据库中检索出与查询匹配的广告及对应的广告属性表；

根据查询和相匹配的广告，构造低点击率标题和高点击率标题对，其中，高点击率标题通过预设神经网络模型重写低点击率标题得到；

构造低点击率标题、广告属性表、查询和高点击率标题的数组作为重写数据；

根据在线广告是否有查询，将重写数据分为有查询数据集和无查询数据集；

采用无查询数据集训练预设神经网络模型，得到标题编码器、表格编码器和标题解码器；

创建查询编码器，并将查询编码器插入到编解码器体系结构中；

采用有查询数据集训练预设神经网络模型，以获得训练后的查询编码器，并教导标题解码器使用查询信息，以便训练得到预设神经网络模型。

其中，可以从真实的在线广告中构造有无查询的数据，并以级联的方式训练神经网络模型。将有查询的数据表示为

重写示例定义为(低点击率标题、广告属性表、查询和高点击率标题)的数组。重写数据的构造如下：

(1)从在线搜索中随机选择一个查询；

(2)根据查询结果，通过广告推荐系统从广告数据库中检索出匹配的广告标题及其属性表；

(3)在给定的查询和广告条件下，我们构造了低点击率标题和高点击率标题对，其中低点击率标题通过标题重写的神经网络模型重写为高点击率标题。

然而，在构造数据

为了更好地学习语言模型，借用了大规模预训练的思想，如BERT(BidirectionalEncoder Representation from Transformers)和GPT(Generative Pre-Training)。还通过在查询维度上边缘化样本空间来构造上游数据集

采用级联训练方法来训练神经网络模型，可以减轻数据不足的问题。

实施例三

图3为本发明实施例三提供的一种广告标题重写装置的结构示意图，本实施例提供的广告标题重写装置可以集成在广告标题重写设备中，例如后台服务器中，该装置，具体包括：

标题模板转换模块310，用于通过将广告标题中的预设信息替换为对应的占位符，将广告标题转换为标题模板；

重写标题模板生成模块320，用于通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板；

重写标题转换模块330，用于通过将重写模板中的占位符替换为对应的预设信息，将重写模板转换为重写标题。

本实施例的技术方案，通过将广告标题中的预设信息替换为占位符，并通过预设神经网络模型将广告标题进行重写，解决广告标题重写前后信息一致性的问题，实现保证重写广告标题与原始广告标题之间的信息一致性的效果。

可选的，标题模板转换模块，具体用于：

若广告标题中包含品牌、地点、目标人群和产品中的至少之一，将品牌、地点、目标人群和产品分别替换为对应的第一占位符；其中，第一占位符对应于广告属性键值表中的键值对；

若广告标题中包含带有数字的信息，将带有数字的信息替换为第二占位符；其中，第二占位符用于指示预设神经网络模型不对第二占位符进行解码处理。

可选的，重写标题转换模块，具体用于：

若重写模板中包含第一占位符，根据第一占位符和广告属性键值表中的键值对的对应关系，通过广告属性键值表中的键值对填充重写模板；

若重写模板中包含第二占位符，将第二占位符对应的带有数字的信息插入重写模板。

可选的，重写标题模板生成模块，包括：

广告标题矩阵表示单元，用于通过标题编码器生成广告标题的上下文词向量表示，并构成广告标题的矩阵表示；

广告标题向量表示单元，用于采用序列维数上的最大池化层和线性层，根据广告标题的矩阵表示生成广告标题的向量表示；

值潜在表示单元，用于通过键值编码器将广告属性键值表的单个值编码为值的潜在表示；

值向量表示单元，用于采用序列维数上的最大池化层，根据值的潜在表示生成值的向量表示；

值融合表示单元，用于将值的向量表示与值对应的键融合成值的融合表示；

键值表矩阵表示单元，用于通过无位置变换器，将广告属性键值表中所有值的融合表示编码成广告属性键值表的上下文键值向量表示，并构成广告属性键值表的矩阵表示；

键值表向量表示单元，用于采用序列维数上的最大池化层，根据广告属性键值表的上下文键值表示生成广告属性键值表的向量表示；

查询矩阵表示单元，用于通过查询编码器生成用户查询的上下文词向量表示，并构成用户查询的矩阵表示；

查询向量表示单元，用于采用序列维数上的最大池化层和线性层，根据用户查询的矩阵表示生成用户查询的向量表示；

解码器种子生成单元，用于将广告标题的向量表示、广告属性键值表的向量表示和用户查询的向量表示相加，生成预设神经网络解码器的初始种子；

存储器创建单元，用于将广告标题的矩阵表示、广告属性键值表的矩阵表示和用户查询的矩阵表示相连接，创建存储器；

重写标题单元，用于通过预设神经网络解码器，根据初始种子和存储器，生成重写标题模板。

可选的，预设神经网络解码器为长短期记忆人工神经网络LSTM解码器；

重写标题单元，具体用于：通过LSTM解码器通过多跳多条注意访问存储器，根据初始种子和存储器，自回归生成重写标题模板。

可选的，广告标题重写装置，还包括：

查询获取模块，用于在通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板之前，获取在线搜索中的查询；

广告匹配模块，用于根据查询，从广告数据库中检索出与查询匹配的广告及对应的广告属性表；

标题对构造模块，用于根据查询和相匹配的广告，构造低点击率标题和高点击率标题对，其中，高点击率标题通过预设神经网络模型重写低点击率标题得到；

重写数据构造模块，用于构造低点击率标题、广告属性表、查询和高点击率标题的数组作为重写数据；

数据分类模块，用于根据在线广告是否有查询，将重写数据分为有查询数据集和无查询数据集；

部分模型训练模块，用于采用无查询数据集训练预设神经网络模型，得到标题编码器、表格编码器和标题解码器；

查询编码器创建模块，用于创建查询编码器，并将查询编码器插入到编解码器体系结构中；

模型训练模块，用于采用有查询数据集训练预设神经网络模型，以获得训练后的查询编码器，并教导标题解码器使用查询信息，以便训练得到预设神经网络模型。

本发明实施例所提供的广告标题重写装置可执行本发明任意实施例所提供的广告标题重写方法，具备执行方法相应的功能模块和有益效果。

实施例四

下面参考图4，其示出了适于用来实现本公开实施例的广告标题重写设备400的结构示意图。本公开实施例中的广告标题重写设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的广告标题重写设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，广告标题重写设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许广告标题重写设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的广告标题重写设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种广告标题重写方法，包括：

通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板；

通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板；

通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题。

所述通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板，包括：

若所述广告标题中包含品牌、地点、目标人群和产品中的至少之一，将所述品牌、所述地点、所述目标人群和所述产品分别替换为对应的第一占位符；其中，所述第一占位符对应于所述广告属性键值表中的键值对；

若所述广告标题中包含带有数字的信息，将所述带有数字的信息替换为第二占位符；其中，所述第二占位符用于指示所述预设神经网络模型不对所述第二占位符进行解码处理。

所述通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题，包括：

若所述重写模板中包含所述第一占位符，根据所述第一占位符和所述广告属性键值表中的键值对的对应关系，通过所述广告属性键值表中的键值对填充所述重写模板；

若所述重写模板中包含所述第二占位符，将所述第二占位符对应的所述带有数字的信息插入所述重写模板。

所述通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板，包括：

通过标题编码器生成所述广告标题的上下文词向量表示，并构成所述广告标题的矩阵表示；

采用序列维数上的最大池化层和线性层，根据所述广告标题的矩阵表示生成所述广告标题的向量表示；

通过键值编码器将所述广告属性键值表的单个值编码为所述值的潜在表示；

采用序列维数上的最大池化层，根据所述值的潜在表示生成所述值的向量表示；

将所述值的向量表示与所述值对应的键融合成所述值的融合表示；

通过无位置变换器，将所述广告属性键值表中所有所述值的融合表示编码成所述广告属性键值表的上下文键值向量表示，并构成所述广告属性键值表的矩阵表示；

采用序列维数上的最大池化层，根据所述广告属性键值表的上下文键值表示生成所述广告属性键值表的向量表示；

通过查询编码器生成用户查询的上下文词向量表示，并构成所述用户查询的矩阵表示；

采用序列维数上的最大池化层和线性层，根据所述用户查询的矩阵表示生成所述用户查询的向量表示；

将所述广告标题的向量表示、所述广告属性键值表的向量表示和所述用户查询的向量表示相加，生成预设神经网络解码器的初始种子；

将所述广告标题的矩阵表示、所述广告属性键值表的矩阵表示和所述用户查询的矩阵表示相连接，创建存储器；

通过所述预设神经网络解码器，根据所述初始种子和所述存储器，生成所述重写标题模板。

所述预设神经网络解码器为长短期记忆人工神经网络LSTM解码器；

所述通过所述预设神经网络解码器，根据所述初始种子和所述存储器，生成所述重写标题模板，包括：

通过所述LSTM解码器通过多跳多条注意访问所述存储器，根据所述初始种子和所述存储器，自回归生成所述重写标题模板。

在所述通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板之前，还包括：

获取在线搜索中的查询；

根据所述查询，从广告数据库中检索出与所述查询匹配的广告及对应的广告属性表；

根据所述查询和相匹配的所述广告，构造低点击率标题和高点击率标题对，其中，所述高点击率标题通过所述预设神经网络模型重写所述低点击率标题得到；

构造低点击率标题、广告属性表、查询和高点击率标题的数组作为重写数据；

根据在线广告是否有查询，将所述重写数据分为有查询数据集和无查询数据集；

采用所述无查询数据集训练所述预设神经网络模型，得到标题编码器、表格编码器和标题解码器；

创建查询编码器，并将所述查询编码器插入到编解码器体系结构中；

采用所述有查询数据集训练所述预设神经网络模型，以获得训练后的所述查询编码器，并教导所述标题解码器使用查询信息，以便训练得到所述预设神经网络模型。

根据本公开的一个或多个实施例，提供了一种广告标题重写装置，包括：

标题模板转换模块，用于通过将广告标题中的预设信息替换为对应的占位符，将所述广告标题转换为标题模板；

重写标题模板生成模块，用于通过预设神经网络模型，根据所述标题模板、广告属性键值表和查询集群生成重写标题模板；

重写标题转换模块，用于通过将重写模板中的所述占位符替换为对应的所述预设信息，将所述重写模板转换为重写标题。

所述标题模板转换模块，具体用于：

若所述广告标题中包含品牌、地点、目标人群和产品中的至少之一，将所述品牌、所述地点、所述目标人群和所述产品分别替换为对应的第一占位符；其中，所述第一占位符对应于所述广告属性键值表中的键值对；

若所述广告标题中包含带有数字的信息，将所述带有数字的信息替换为第二占位符；其中，所述第二占位符用于指示所述预设神经网络模型不对所述第二占位符进行解码处理。

重写标题转换模块，具体用于：

若重写模板中包含第一占位符，根据第一占位符和广告属性键值表中的键值对的对应关系，通过广告属性键值表中的键值对填充重写模板；

若重写模板中包含第二占位符，将第二占位符对应的带有数字的信息插入重写模板。

重写标题模板生成模块，包括：

广告标题矩阵表示单元，用于通过标题编码器生成广告标题的上下文词向量表示，并构成广告标题的矩阵表示；

广告标题向量表示单元，用于采用序列维数上的最大池化层和线性层，根据广告标题的矩阵表示生成广告标题的向量表示；

值潜在表示单元，用于通过键值编码器将广告属性键值表的单个值编码为值的潜在表示；

值向量表示单元，用于采用序列维数上的最大池化层，根据值的潜在表示生成值的向量表示；

值融合表示单元，用于将值的向量表示与值对应的键融合成值的融合表示；

键值表矩阵表示单元，用于通过无位置变换器，将广告属性键值表中所有值的融合表示编码成广告属性键值表的上下文键值向量表示，并构成广告属性键值表的矩阵表示；

键值表向量表示单元，用于采用序列维数上的最大池化层，根据广告属性键值表的上下文键值表示生成广告属性键值表的向量表示；

查询矩阵表示单元，用于通过查询编码器生成用户查询的上下文词向量表示，并构成用户查询的矩阵表示；

查询向量表示单元，用于采用序列维数上的最大池化层和线性层，根据用户查询的矩阵表示生成用户查询的向量表示；

解码器种子生成单元，用于将广告标题的向量表示、广告属性键值表的向量表示和用户查询的向量表示相加，生成预设神经网络解码器的初始种子；

存储器创建单元，用于将广告标题的矩阵表示、广告属性键值表的矩阵表示和用户查询的矩阵表示相连接，创建存储器；

重写标题单元，用于通过预设神经网络解码器，根据初始种子和存储器，生成重写标题模板。

预设神经网络解码器为长短期记忆人工神经网络LSTM解码器；

重写标题单元，具体用于：通过LSTM解码器通过多跳多条注意访问存储器，根据初始种子和存储器，自回归生成重写标题模板。

广告标题重写装置，还包括：

查询获取模块，用于在通过预设神经网络模型，根据标题模板、广告属性键值表和查询集群生成重写标题模板之前，获取在线搜索中的查询；

广告匹配模块，用于根据查询，从广告数据库中检索出与查询匹配的广告及对应的广告属性表；

标题对构造模块，用于根据查询和相匹配的广告，构造低点击率标题和高点击率标题对，其中，高点击率标题通过预设神经网络模型重写低点击率标题得到；

重写数据构造模块，用于构造低点击率标题、广告属性表、查询和高点击率标题的数组作为重写数据；

数据分类模块，用于根据在线广告是否有查询，将重写数据分为有查询数据集和无查询数据集；

部分模型训练模块，用于采用无查询数据集训练预设神经网络模型，得到标题编码器、表格编码器和标题解码器；

查询编码器创建模块，用于创建查询编码器，并将查询编码器插入到编解码器体系结构中；

模型训练模块，用于采用有查询数据集训练预设神经网络模型，以获得训练后的查询编码器，并教导标题解码器使用查询信息，以便训练得到预设神经网络模型。

根据本公开的一个或多个实施例，提供了一种广告标题重写设备，所述广告标题重写设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例提供的广告标题重写方法。

根据本公开的一个或多个实施例，提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例提供的广告标题重写方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。