[发明专利]一种智能广告插播方法、装置及服务器

权利要求书

1.一种智能广告插播方法，其特征在于，所述方法包括：

获取插播对象，所述插播对象为视频；

获取插播对象的音频信息；

在预设的广告库中查询与所述音频信息匹配的广告，包括：将音频信息分割为子音频；从所述子音频中选取目标子音频，组成音频集；将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；根据所述模型输出的匹配结果，获取与匹配结果对应的广告，在构建模型时，预设有广告ID列表，设置模型输出参数与广告的对应关系，即模型输出结果为广告ID号，再对照广告ID列表，确定对应的广告视频；

根据匹配结果，将广告在所述视频中插播，包括保存广告视频与对应的子音频，根据子音频确定其在视频中的位置，在该位置插播该广告；

其中，从所述子音频中选取目标子音频包括：聚类子音频，得到多个聚类，选取距离聚类中心最近的子音频作为目标子音频，包括：对于音频集 X={x1,x2,…,xn}，n为子音频个数，设拟划分为 k 个聚类V={v1,v2,…,vk }，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复，直至聚类中心不再变化，算法终止，聚类得到k个差异比较大的音频类，进而将每个音频类中离聚类中心最近的一个或多个子音频作为目标子音频，其中，若聚类中心本身就是子音频，则聚类中心的子音频即为目标子音频。

2.根据权利要求1所述的方法，其特征在于，还包括预先训练所述匹配深度神经网络，包括：

获取音频集样本数据，所述音频集样本数据标记有匹配类型；

采用随机梯度下降法最小化损失函数；

通过音频集样本数据及完成最小化的损失函数，对所述匹配深度神经网络进行训练，得到模型。

3.根据权利要求2所述的方法，其特征在于，所述采用随机梯度下降法最小化损失函数包括：

根据神经网络的所有权重和损失函数，采用反向传播法得到损失函数的梯度；

根据所述梯度，采用随机梯度下降法，更新神经网络的权重；

将更新的权重进行预设次数的迭代，以最小化损失函数。

4.一种智能广告插播装置，其特征在于，所述装置包括：

插播对象模块，用于获取插播对象，所述插播对象为视频；

音频模块，用于获取插播对象的音频信息；

查询模块，用于在预设的广告库中查询与所述音频信息匹配的广告，包括：分割子模块，用于将音频信息分割为子音频；音频集子模块，用于从所述子音频中选取目标子音频，组成音频集；网络模型子模块，用于将所述音频集输入匹配深度神经网络模型，以查找广告库中匹配的广告；第二获取子模块，用于根据所述模型输出的匹配结果，获取与匹配结果对应的广告，在构建模型时，预设有广告ID列表，设置模型输出参数与广告的对应关系，即模型输出结果为广告ID号，再对照广告ID列表，确定对应的广告视频；

插播模块，用于根据匹配结果，将广告在所述视频中插播，包括保存广告视频与对应的子音频，根据子音频确定其在视频中的位置，在该位置插播该广告；

其中，音频集子模块从所述子音频中选取目标子音频包括：聚类子音频，得到多个聚类，选取距离聚类中心最近的子音频作为目标子音频，包括：对于音频集 X={x1,x2,…,xn}，n为子音频个数，设拟划分为 k 个聚类V={v1,v2,…,vk }，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类，一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，这个过程将不断重复，直至聚类中心不再变化，算法终止，聚类得到k个差异比较大的音频类，进而将每个音频类中离聚类中心最近的一个或多个子音频作为目标子音频，其中，若聚类中心本身就是子音频，则聚类中心的子音频即为目标子音频。