[发明专利]原生广告插播方法和装置

说明书

本发明实施例公开了一种原生广告插播方法和装置，涉及计算机技术领域。其中，该方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。本发明提供的原生广告插播方法，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现了更优的原生广告插播效果。

技术领域

本发明涉及计算机技术领域，尤其涉及一种原生广告插播方法和装置。

背景技术

原生广告是近几年兴起的一种广告样式，其以尽可能小地伤害用户体验为前提，与原生信息流高度融合。例如，在电商等购物类应用中，原生广告会是一条商品搜索结果；在微博、微信等社交应用中，原生广告会是一则微博或者是朋友圈的一则说说。

如何在原生信息流中插入原生广告是一个复杂的研究课题。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有的原生广告插播方法对于用户体验的量化指标限制不是特别明确，无法有效评估不同插播结果对用户体验的影响；同时，现有的原生广告插播方法大多基于固定的广告位次进行插播，无法满足动态调整广告位次的需求，进而造成原生广告插播效果不理想。

发明内容

有鉴于此，本发明实施例提供一种原生广告插播方法和装置，能进一步降低对用户体验的伤害，同时能够满足动态调整广告位次的需求，进而实现更优的原生广告插播效果。

为实现上述目的，根据本发明实施例的一个方面，提供了一种原生广告插播方法。

本发明实施例的原生广告插播方法包括：基于训练得到的预估器对每个候选广告插播结果包含广告的概率进行预估；将预估值大于预设阈值的候选广告插播结果滤除；从过滤剩下的候选广告插播结果中选取待展示的广告插播结果。

可选地，所述方法还包括：基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器；其中，所述第一训练样本为：从插入广告的搜索展示记录中提取的特征数据，所述第二训练样本为：从未插入广告的搜索展示记录中提取的特征数据。

可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第一对抗优化方式对深度神经网络进行训练，

其中，V(D,M_A,M_N)代表损失函数；D代表深度网络辨别器函数；M_A代表用于映射第一训练样本的深度网络映射器函数；M_N代表用于映射第二训练样本的深度网络映射器函数；x代表训练样本；x～P_A(x)代表第一训练样本服从的分布；x～P_N(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化M_A、M_N以使损失函数取得极小值。

可选地，所述基于第一训练样本和第二训练样本对深度神经网络进行训练，以得到所述预估器的步骤包括：根据第二对抗优化方式对深度神经网络进行训练，

其中，V(D,M_A,M_N)代表损失函数；D代表深度网络辨别器函数；M_A代表用于映射第一训练样本的深度网络映射器函数；M_N代表用于映射第二训练样本的深度网络映射器函数，并且M_N在所述对抗优化中保持不变；x代表训练样本；x～P_A(x)代表第一训练样本服从的分布；x～P_N(x)代表第二训练样本服从的分布；代表优化D以使损失函数取得极大值；代表优化M_A以使函数取得极大值。