[0001] 本申请涉及数据处理的领域，尤其是涉及一种基于天气信息的目标素材的创建方法、系统及存储介质。

[0002] 网络广告是在网络平台上做的广告，是通过网络广告投放平台来利用网站上的广告横幅、文本链接或多媒体的方法，在互联网刊登或发布广告，通过网络传递到互联网用户的一种高科技广告运作方式。

[0003] 网络广告是主要的网络营销方法之一，网络营销方法可以理解为网络广告的具体表现形式，并不仅仅限于放置在网页上的各种规格的内容广告，如电子邮件广告、搜索引擎关键词广告、搜索固定排名等都可以理解为网络广告的表现形式。

[0004] 随着网络广告的发展，广告主对广告效果的要求越来越高。然而，如果向面向用户的平台直接投放广告，很难满足广告主对效果的要求。为了提升用户对广告的接收性，提升广告与不同用户的匹配程度，需要一种自动生成与不同用户相匹配的广告的方法。

[0070] 下面详细描述本申请的实施方式，实施方式的示例在附图中示出。

[0071] 在本说明书的描述中，参考术语“某些实施方式”、“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

[0072] 本申请实施例公开一种基于天气信息的目标素材的创建方法。参照图1，包括如下步骤：

[0073] 获取天气信息；

[0074] 解析天气信息得到多种天气属性；利用天气API获取的信息，解析数据，得到关键的天气属性，如温度、湿度、天气状况等。天气API是一种允许开发者在他们的应用程序或网站中获取天气信息的工具。这些API通常提供实时的天气数据，如温度、湿度、风速、风向、气压、降雨量、能见度等。

[0075] 根据天气属性匹配得到天气类型；根据天气信息，将天气分为几个类别，如晴天、雨天、雪天、多云等。

[0076] 根据天气类型使用图像生成算法生成目标图像；

[0077] 根据天气类型使用像素调节算法调节目标图像的像素属性；

[0078] 识别目标图像中的可替换图块，根据天气属性使用图块替换算法替换可替换图块；

[0079] 根据天气类型和广告主题使用文案生成算法生成文案内容；

[0080] 根据天气信息、文案内容与目标图像使用素材生成算法生成目标素材；

[0081] 推送目标素材。

[0082] 由于天气会影响不同的用户对不同广告素材的喜欢程度，通过天气信息建立模型，从而自动创建当时对应天气下，适合用户的广告素材，调整广告的文案内容、像素属性和可替换图块，从而优化广告效果。

[0083] 参照图2，图像生成算法方法一：

[0084] 基于生成器与判别器使用生成对抗网络生成目标图像；其中，生成器用于根据天气类型生成假图像；判别器用于根据判别数据从假图像中筛选出目标图像；生成对抗网络(GAN)是一种无监督学习模型，它可以生成与真实数据相似的假数据，其应用非常广泛。本文基于python，使用生成对抗网络(GAN模型)对FashionMNIST数据集中的图像，进行了生成。

[0085] (GenerativeAdversarialNetworks)，是一种生成模型，它由Goodfellow等人于2014年提出。GAN由两个神经网络组成：生成器(G)和判别器(D)。生成器用于生成假数据，判别器用于判断数据的真假。两个网络相互对抗又彼此促进，生成器生成的假数据越来越逼真，而判别器的判断能力也越来越强。最终，生成器生成的假数据足以骗过判别器，达到了生成真实数据的目的。比如在草原上，狮子为了生存，需要捕捉到斑马，就要跑得比斑马更快，而斑马为了生存，需要逃避狮子的追捕，就要跑得比狮子更快，所以狮子和斑马都会跑得越来越快。

[0086] 天气类型越多，判别数据越真即数值越高；天气类型越少，判别数据越假即数值越低。

[0087] 使用生成对抗网络GANs，根据天气类别生成相应的图像内容。图像生成的算法中，可以利用生成器用于根据天气类型生成假图像，再利用判别器从假图像中筛选出目标图像，且天气类型越多，天气状况越复杂，比如，有雨，有雪，还有风等；则判别器的判别数据越真，数值越高，因此得到的目标图像更加符合该天气类型下的图像需求。

[0088] 参照图3，图像生成算法方法二：

[0089] 基于与天气类型对应的预设的图像集，使用模板匹配法从图像集中匹配出目标图像；其中，根据天气类型的数量调节向图像集中加入预设图像的数量；根据天气类型的数量正相关设置向图像集中加入预设图像的数量，根据天气类型的变化速度正相关设置向图像集中加入预设图像的类型的量。模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

[0090] 基于与天气类型对应的预设图像集，利用模板匹配法匹配出目标图像，且天气类型的数量越多，向图像集中加入预设图像的数量越多，以及，向图像集中加入预设图像的类型的量越多，从而使得目标图像更加符合该天气类型下的图像需求，优化广告效果。

[0091] 参照图4，像素调节算法包括如下步骤：

[0092] 根据天气类型的数量正相关设置目标图像中与天气类型对应的颜色分量；

[0093] 根据获取到的用户对应的情感色彩数据，调节目标图像的亮度，情感色彩数据对应的光信息的色彩频率越低，目标图像的亮度越高；

[0094] 根据天气类型的类型的量和情感色彩数据中色彩的波长正相关设置目标图像的对比度。

[0095] 天气类型的数量越多，天气类型对应的颜色分量越多，比如，天气晴对应为红色；天气风力对应为蓝色；天气温度对应为绿色等；然后再根据获取到的用户对应的情感色彩数据，获取的方式，可以通过用户输入的情感色彩数据，或者通过用户点击对应情感的颜色等操作；然后根据用户的情感色彩数据调节目标图像的亮度，情感色彩数据对应的光信息的色彩频率越低；可见光的频率由低到高依次为：红、橙、黄、绿、蓝、靛、紫，频率越低，颜色越接近红色，显示的颜色越热烈，此时，目标图像的亮度越高，与用户行为活动越符合。此外，天气类型的类型越多，即天气状况越复杂，以及用户情感色彩数据中色彩波长越长，目标图像的对比度越大。利用图像处理库如OpenCV，根据天气类别和情感色彩，自动调整图像的色调、亮度和对比度，从而优化广告效果。Opencv

[0096] (OpenSourceComputerVisionLibrary)是一个基于开源发行的跨平台计算机视觉库，它实现了图像处理和计算机视觉方面的很多通用算法，已成为计算机视觉领域最有力的研究工具。区分两个概念：图像处理和计算机视觉的区别：图像处理侧重于“处理”图像，如增强，还原，去噪，分割等等；而计算机视觉重点在于使用计算机来模拟人的视觉，因此模拟才是计算机视觉领域的最终目标。

[0097] 参照图5，图块替换算法包括如下步骤：

[0098] 根据模板匹配法从目标图像中匹配出预设模板集中记载的可替换图块；

[0099] 根据天气属性的数量正相关设置可替换图块的钝化程度，并将调节后的可替换图块更新至目标图像中；或者，根据天气属性的数量从预设的图块库中匹配出新的可替换图块，并将新的可替换图块更新至目标图像中。

[0100] 利用图像识别和图像处理技术，识别广告图像中可替换的元素，并根据天气类别替换为相应的图像元素。将可替换图块更新至目标图像中的方式一：天气属性的数量越多，即天气的状况越复杂，则设置匹配的可替换图片的钝化程度，即钝化程度越高，具体体现为图像的模糊程度越模糊，或者图像中的棱角特征越不明显；方式二：根据天气属性的数量的多少，从预设的图块库中匹配新的可替换图块，将新的可替换图块更新至目标图像中，从而使得目标图像更加契合天气属性，优化广告效果。

[0101] 参照图6，文案生成算法包括如下步骤：

[0102] 创建多个文案模板，其中，每个文案模板对应不同的天气类别和广告主题；

[0103] 根据天气类别和广告主题基于变换器的双向编码器表示算法自动填充和生成文案内容。

[0104] 创建多个文案模板，每个模板对应不同的天气类别和广告主题。利用BERT技术，根据天气类别和广告主题，自动填充和生成文案。BERT是一种语言表示模型，BERT代表来自Transformer的双向编码器表示(BidirectionalEncoderRepresentationsfromTransformers)。BERT旨在通过联合调节所有层中的左右上下文来预训练深度双向表示。因此，只需要一个额外的输出层，就可以对预训练的BERT表示进行微调，从而为广泛的任务(比如回答问题和语言推断任务)创建最先进的模型，而无需对特定于任务进行大量模型结构的修改。

[0105] 参照图7，素材生成算法包括如下步骤：

[0106] 基于多模态学习算法整合天气信息、目标图像与文案内容而生成目标素材；

[0107] 其中包括：

[0108] 早期融合步骤：将天气信息、目标图像和文案内容拼接在一起，然后输入到预设的多特征模型中，在多特征模型的输入层进行训练；

[0109] 中期融合步骤：在多特征模型的中间层进行融合，分别训练天气信息、目标图像和文案内容的第一子模型，然后在中间层将所有第一子模型的输出融合；

[0110] 晚期融合步骤：在多特征模型的输出层进行融合，例如分别训练天气信息、目标图像和文案内容的第二子模型，然后将所有第二子模型的输出进行加权融合得到目标素材，输出目标素材。

[0111] 气信息与广告素材的整合，多模态学习：利用多模态学习方法，整合天气信息、图像和文案，生成最终的广告素材。多模态学习可以帮助系统理解天气信息与图像和文案之间的关联，以生成更为吸引人的广告素材。采用三步融合进行广告素材生成。

[0112] 早期融合(EarlyFusion)：在特征级别将不同模态的数据融合，例如将图像特征、文本特征和天气信息拼接在一起，然后输入到一个统一的模型中进行训练；早期融合也称为像素级融合，它是在图像采集后立即进行融合。该方法可以保留最多的原始数据特征，因为它在融合过程中没有对数据进行任何处理。然而，早期融合的计算量较大，对设备运行要求较高。

[0113] 中期融合(IntermediateFusion)：在模型的中间层进行融合，例如分别训练图像、文本和天气信息的模型，然后在中间层将它们的输出融合。中期融合也称为特征级融合。该方法需要对来自不同模态的数据进行特征提取，并对特征图进行融合操作后输入到目标任务中进行处理。中期融合可以有效减少模型的数据输入，并能够整合来自不同模态的深层特征。通过ROI池化的方式将二维图像和点云鸟瞰图、前视图特征整合到同一特征尺度进行融合，并构建两个子网络进行多视图区域特征融合，并在不同路径中间层中交互特征，实现了自动驾驶场景下高精度的三维物体检测。

[0114] 晚期融合(LateFusion)：在模型的输出层进行融合，例如分别训练图像、文本和天气信息的模型，然后将它们的输出进行加权融合。晚期融合也称为决策级融合。该方法针对每种模态的目标任务结果进行决策投票，比其他两种融合策略更为直观。晚期融合能够有效地促进多模态之间的协作，避免因为传感器失效而对最终任务结果造成严重影响。由于需要对不同模态的数据进行处理和任务执行，其任务完成质量受到单一模态影响较大，同时也存在计算开销大的问题。

[0115] 实时预览与调整：提供一个实时预览和调整的界面，允许用户在系统生成的广告素材基础上进行微调，以满足特定的需求。

[0116] 参照图8，素材生成算法还包括如下步骤：

[0117] 获取目标素材的生成耗时；

[0118] 根据生成耗时反相关调节目标图像的第二子模型输出内容的权重；

[0119] 计算生成耗时的变化趋势；

[0120] 根据变化趋势正相关设置文案内容的第二子模型输出内容的权重。

[0121] 目标素材的生成耗时取决于多个因素，包括素材的复杂度、生成方法、所使用的技术和硬件性能等。在早期融合中，由于需要进行像素级的融合处理，计算量较大，因此生成耗时较长。具体耗时取决于图像的大小和处理算法的效率。对于中期融合，特征提取和融合操作的复杂度会影响生成耗时。如果特征提取过程较为复杂或需要处理大量数据，生成耗时会增加。在晚期融合中，由于需要对不同模态的数据进行处理和任务执行，其任务完成质量受到单一模态影响较大，因此生成耗时较长。因此，根据系统实时性能，以生成耗时为指标，动态调整模型输出内容的权重，从而在保证内容质量的同时优化生成效率。

[0122] 参照图9，方法还包括如下步骤：

[0123] 根据多特征模型的训练结果及对应的天气特征预生成预设数量的中间素材；

[0124] 获取对应于中间素材的反馈量，根据反馈量提交天气信息的第二子模型输出内容的权重；

[0125] 其中，反馈量为外界输入或者通过在线A/B测试中间素材所得。

[0126] 根据训练模型与对应天气特征预生成对应广告素材，并随机生成学习素材，预设数量的中间素材，如可以预生成10‑20％的素材进行效果探索，用来探测实际用户效果并后期自动根据结果进行优化，通过在线A/B测试，评估不同天气信息整合策略对广告效果的影响，并收集用户反馈，以持续优化广告素材生成的方法。A/B测试(也称为拆分运行测试)是一种用户体验研究方法。它是一种随机实验，由具有A和B两个变体组成，同时运用了统计学上的假设检定。A/B测试是为web或app界面或流程制作两个(A/B)或多个版本，在同一时间维度，分别让组成成分相同(相似)的访客群组(目标人群)随机的访问这些版本，收集各群组的用户体验数据和业务数据，最后分析、评估出最好版本，正式采用。

[0127] 本申请实施例还公开一种基于天气信息的目标素材的创建系统，包括处理器，处理器中运行有上述任意一种基于天气信息的目标素材的创建方法的程序。

[0128] 本申请实施例还公开一种存储介质，存储有上述中任意一种的基于天气信息的目标素材的创建方法的程序。

[0129] 尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。