[发明专利]一种广告投放方法及系统

说明书

本发明实施例提供一种广告投放方法及系统，所述方法包括：确定用户搜索文本中每个词的权重值；根据所述搜索文本中每个词的权重值与预先确定的广告行业对应的广告商业概念的索引词及索引词的权重值，确定所述搜索文本与广告商业概念的相关度；根据所述搜索文本与广告商业概念的相关度确定所述搜索文本对应的广告行业并进行广告投放。本技术方案根据搜索文本以及全面准确的概念模型进行针对性的广告投放，实现了精准的广告投放。

技术领域

本发明属于互联网广告领域，具体涉及一种广告投放方法及系统。

背景技术

随着移动互联网的发展，用户增长变得缓慢，流量红利逐渐到了一个瓶颈，如何精细化运营、进一步提升流量使用率是各互联网公司面临的一个问题。在微博普搜场景中，搜索结果与搜索词有强相关性，如果融入搜索词和广告的相关性，那么在搜索结果页面投放广告可以保证搜索流广告的效果及搜索场景体验。而如何关联搜索词和广告需要理解搜索词文本的内容，这是属于自然语言理解技术的一个研究课题。

将搜索词分类到对应的广告类别这个问题通常作为一个多类别文本分类问题来研究，作为一个监督学习任务首先要有大量的标注好的训练数据，然后用这些训练数据训练一个文本分类模型。训练数据包括用户的搜索文本以及对应的广告行业类别标签，比如搜索文本“电视剧月上重火”对应的广告行业类别为“文化娱乐”。传统的文本分类方法是采用N元模型n-gram特征来提取搜索词中的特征，然后输入到分类器如支持向量机SVM(Support Vector Machine)来对文本进行分类。随着深度学习的发展，文本分类方法也不断演进，以卷积神经网络CNN(Convolutional Neural Networks)、循环神经网络RNN(Recurrent Neural Networks)、注意力Attention机制为代表的神经网络方法可以自动特征提取，实现端到端的学习。当前在公开数据集上文本分类效果最好是BERT模型，BERT模型是Google在2018年提出的，它采用Transformer作为基础结构。模型分为两阶段来完成，首先在大量的公开数据如维基百科中无监督训练得到初始模型参数，然后再将模型应用在特定的下游任务如文本分类任务中，进一步fine-tuning模型。在SST-2(Stanford SentimentTreebank)等文本分类任务上取得94.9％的准确率，是当前最佳(state-of-the-art)的方案。

然而在现有技术中，对于如何匹配网络中搜索文本自身的特点进行广告投放仍然存在着模型构建的准确度、覆盖范围是否全面等问题。

发明内容

本发明实施例提供一种广告投放方法及系统，根据搜索文本以及全面准确的概念模型进行针对性的广告投放。

为实现上述目的，一方面，本发明实施例提供了一种广告投放方法，所述方法包括：

确定用户搜索文本中每个词的权重值；

根据所述搜索文本中每个词的权重值与预先确定的广告行业对应的广告商业概念的索引词及索引词的权重值，确定所述搜索文本与广告商业概念的相关度；

根据所述搜索文本与广告商业概念的相关度确定所述搜索文本对应的广告行业并进行广告投放。

另一方面，本发明实施例提供了一种广告投放系统，所述系统包括：

搜索文本信息确定单元，用于确定用户搜索文本中每个词的权重值；

相关度确定单元，用于根据所述搜索文本中每个词的权重值与预先确定的广告行业对应的广告商业概念的索引词及索引词的权重值，确定所述搜索文本与广告商业概念的相关度；

广告投放单元，用于根据所述搜索文本与广告商业概念的相关度确定所述搜索文本对应的广告行业并进行广告投放。

上述技术方案具有如下有益效果：