多媒体内容的投放方法、装置、计算机设备和介质与流程

1.本公开涉及互联网技术领域，尤其涉及一种多媒体内容的投放方法、装置、计算机设备和介质。


背景技术：

2.随着互联网的快速发展，互联网多媒体内容的投放成为了投放各种多媒体内容的主要方式，但是面对数量庞大的受众群体，漫无目的地投放多媒体内容，将会导致低转化、高成本的问题。因此亟需一种多媒体内容的投放的平台，为各投放用户确定适合的多媒体内容的投放方案，使得多媒体内容能准确到达目标受众，减少无用的曝光。
3.现有的多媒体内容的投放方法一般是根据投放用户设定的参数和投放目标，人工制定投放策略，通过操作不同平台和渠道上(例如搜索、推荐、展示以及语音等)的投放系统来手工优化效果，从而达到投放目标，但是该方法耗时长、效率低且需要大量人力资源，无法为各投放用户确定准确的投放方法。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种多媒体内容的投放方法、装置、计算机设备和介质。
5.第一方面，本公开提供了一种多媒体内容的投放方法，包括：
6.获取目标多媒体内容的投放用户的类型、投放参数以及投放目标；
7.根据所述投放用户的类型、所述投放参数以及所述投放目标，将所述投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数；
8.将所述每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案；
9.基于所有子投放方案，得到所述投放用户对应的总投放方案。
10.可选的，所述根据所述投放用户的类型、所述投放参数以及所述投放目标，将所述投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数，包括：
11.查询历史投放记录表中与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的所有历史投放方案；
12.获取各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数；
13.根据所有历史子投放目标以及对应的历史子投放参数，确定将所述投放目标分解后得到的多个子投放目标，以及各子投放目标对应的子投放参数。
14.可选的，所述方法还包括：
15.若所述历史投放记录表中查询不到与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的历史投放方案，则基于相应的分解算法将所述投放目标分解成多个子投放目标；
16.结合所述投放参数，确定各子投放目标对应的子投放参数。
17.可选的，所述投放模型通过以下方式训练得到：
18.获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征以及投放渠道特征；
19.将所述投放用户的特征、所述多媒体内容特征以及所述投放渠道特征作为训练样本；
20.将所述训练样本输入至深度学习算法中进行训练，得到各投放效果类型分别对应的投放模型，其中，投放效果类型与所述子投放目标对应。
21.可选的，所述获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征，包括：
22.从已公开的数据中抽取与投放用户相关的分类标签、用户数量以及用户评价信息，得到目标数据；
23.根据数据清洗规则以及相应的算法对所述目标数据进行处理，得到所述投放用户的特征；
24.根据关键词抽取方法、语义相关度方法以及分类模型方法中的至少一种，确定所述多媒体内容特征。
25.可选的，获取投放渠道特征，包括：
26.获取各投放渠道中包含的内容，并将所述内容通过分类器进行分类，得到分类结果，根据所述分类结果确定所述各投放渠道对应的分数；
27.确定所述各投放渠道中包含的内容话题和流量；
28.获取使用所述各投放渠道的用户的历史使用数据以及用户授权的用户信息，根据加权方法对所述历史使用数据以及用户信息进行计算，得到所述各投放渠道对应的用户群体画像；
29.根据所述各投放渠道对应的分数、所述内容话题和流量以及所述用户群体画像，得到所述投放渠道特征。
30.可选的，所述方法还包括：
31.获取各子投放方案对应的投放效果；
32.若所述各子投放方案中至少一个子投放方案对应的投放效果未达到预期投放效果，则调整所述各子投放方案对应的子投放参数，得到调整后的子投放参数；
33.将所述每个子投放目标以及对应的调整后的子投放参数输入至预先训练好的投放模型中，得到新的子投放方案。
34.第二方面，本公开提供了一种多媒体内容的投放装置，包括：
35.参数获取模块，用于获取目标多媒体内容的投放用户的类型、投放参数以及投放目标；
36.目标分解模块，用于根据所述投放用户的类型、所述投放参数以及所述投放目标，将所述投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数；
37.第一确定模块，用于将所述每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案；
38.第二确定模块，用于基于所有子投放方案，得到所述投放用户对应的总投放方案。
39.可选的，目标分解模块，具体用于：
40.查询历史投放记录表中与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的所有历史投放方案；
41.获取各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数；
42.根据所有历史子投放目标以及对应的历史子投放参数，确定将所述投放目标分解后得到的多个子投放目标，以及各子投放目标对应的子投放参数。
43.可选的，目标分解模块，还具体用于：
44.若所述历史投放记录表中查询不到与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的历史投放方案，则基于相应的分解算法将所述投放目标分解成多个子投放目标；
45.结合所述投放参数，确定各子投放目标对应的子投放参数。
46.可选的，所述投放模型通过以下方式训练得到：
47.获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征以及投放渠道特征；
48.将所述投放用户的特征、所述多媒体内容特征以及所述投放渠道特征作为训练样本；
49.将所述训练样本输入至深度学习算法中进行训练，得到各投放效果类型分别对应的投放模型，其中，投放效果类型与所述子投放目标对应。
50.可选的，所述获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征，包括：
51.从已公开的数据中抽取与投放用户相关的分类标签、用户数量以及用户评价信息，得到目标数据；
52.根据数据清洗规则以及相应的算法对所述目标数据进行处理，得到所述投放用户的特征；
53.根据关键词抽取方法、语义相关度方法以及分类模型方法中的至少一种，确定所述多媒体内容特征。
54.可选的，获取投放渠道特征，包括：
55.获取各投放渠道中包含的内容，并将所述内容通过分类器进行分类，得到分类结果，根据所述分类结果确定所述各投放渠道对应的分数；
56.确定所述各投放渠道中包含的内容话题和流量；
57.获取使用所述各投放渠道的用户的历史使用数据以及用户授权的用户信息，根据加权方法对所述历史使用数据以及用户信息进行计算，得到所述各投放渠道对应的用户群体画像；
58.根据所述各投放渠道对应的分数、所述内容话题和流量以及所述用户群体画像，得到所述投放渠道特征。
59.可选的，上述装置还包括：
60.效果获取模块，用于获取各子投放方案对应的投放效果；
61.调整模块，用于若所述各子投放方案中至少一个子投放方案对应的投放效果未达
到预期投放效果，则调整所述各子投放方案对应的子投放参数，得到调整后的子投放参数；
62.新方案确定模块，用于将所述每个子投放目标以及对应的调整后的子投放参数输入至预先训练好的投放模型中，得到新的子投放方案。
63.第三方面，本公开还提供了一种计算机设备，包括：
64.一个或多个处理器；
65.存储装置，用于存储一个或多个程序，
66.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本公开实施例中的任一种所述的多媒体内容的投放方法。
67.第四方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例中的任一种所述的多媒体内容的投放方法。
68.本公开实施例提供的技术方案与现有技术相比具有如下优点：首先获取目标多媒体内容的投放用户的类型、投放参数以及投放目标，接着根据投放用户的类型、投放参数以及投放目标，将投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数，然后将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案，最后基于所有子投放方案，得到投放用户对应的总投放方案，通过上述方法能够为投放用户确定出准确的投放方法，有利于多媒体内容的投放以及优化投放效果。
附图说明
69.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
70.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
71.图1是本公开实施例提供的一种多媒体内容的投放方法的流程示意图；
72.图2是本公开实施例提供的另一种多媒体内容的投放方法的流程示意图；
73.图3是本公开实施例提供的一种多媒体内容的投放装置的结构示意图；
74.图4是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
75.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
76.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
77.图1是本公开实施例提供的一种多媒体内容的投放方法的流程示意图。本实施例可适用于为多媒体内容(例如：广告视频、广告图片以及广告文字等)的投放用户确定投放方案的情况。本实施例方法可由多媒体内容的投放装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于计算机设备中。如图1所示，该方法具体包括如下：
78.s110，获取目标多媒体内容的投放用户的类型、投放参数以及投放目标。
79.其中，目标多媒体内容可以理解为待投放的利用计算机把文字材料、影像资料、音频及视频等媒体信息处理后的内容。投放用户可以理解为要将目标多媒体内容在一些渠道或者平台上进行投放的用户。投放用户的类型可以包括个人或者企业等。投放参数可以包括投放预算，即投放金额。投放目标可以理解为投放用户设置的在目标多媒体内容投放之后所达成的具体目标，该目标可以为激活量、注册量、付费量以及下单量等，例如，200个下载量或者100个成交量等。
80.由于有各种因素会影响投放方案以及投放效果，因此为了能够制定出准确的投放方案，需要获取与投放用户相关的一些参数，投放用户的类型不同时，对应的需求可能会不同，例如，有的投放用户的需求是注册登录量，有的投放用户的需求是下单付费量等。同时，投放参数会影响投放成本，投放目标是投放用户的最终需求。因此，在确定投放方案之前，需要获取目标多媒体内容的投放用户的类型、投放参数以及投放目标。
81.s120，根据投放用户的类型、投放参数以及投放目标，将投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数。
82.其中，子投放目标可以理解为：为了实现投放目标所要预先完成的子目标。子投放参数可以理解为：为每个子投放目标分别确定的投放金额。
83.在获取到目标多媒体内容的投放用户的类型、投放参数以及投放目标之后，根据投放用户的类型、投放参数以及投放目标，通过预先设置的规则或者相应的分解算法可以将投放目标分解成多个子投放目标，分解之后，通过实现子投放目标进而实现投放目标，同时在分解得到多个子投放目标之后，还需要为每个子投放目标分别确定对应的子投放参数，具体可以为每个子投放目标分别确定对应的子投放金额。
84.示例性的，假设某投放用户的投目标为在自己应用中的成交量增加100个，那么通过预先设置的规则或者相应的分解算法可以将该投放目标分解为三个子投放目标，即：5000个下载量、4000个激活量以及优化成交数目，同时在投放参数的基础上，分别为这三个子投放目标分别确定对应的子投放参数。
85.s130，将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案。
86.其中，投放模型可以理解为通过深度学习算法预先训练好的能够制定出推荐投放方案的模型。
87.将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，能够得到每个子投放目标所对应的子投放方案，子投放方案中可以包括在哪些渠道或者平台进行目标多媒体内容的投放，以及各渠道或者平台相应的投放参数比例。
88.s140，基于所有子投放方案，得到投放用户对应的总投放方案。
89.在得到每个子投放目标对应的子投放方案之后，基于所有子投放方案，将所有子投放方案进行汇总之后，就得到了投放用户所对应的总投放方案。
90.由于本实施例中子投放方案中包括了在多个渠道或者平台进行目标多媒体内容的投放，以及各渠道或者平台相应的投放参数比例，因此总投放方案中也涉及到了多个渠道或者平台以及不同渠道或者平台相应的投放参数比例，相对于现有技术而言，本实施例中投放方案更加多元化和准确，且无需耗费大量时间和人力资源。
91.在本实施例中，首先获取目标多媒体内容的投放用户的类型、投放参数以及投放目标，接着根据投放用户的类型、投放参数以及投放目标，将投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数，然后将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案，最后基于所有子投放方案，得到投放用户对应的总投放方案，通过上述方法能够为投放用户确定出准确的投放方法，有利于多媒体内容的投放以及优化投放效果。
92.在本实施例中，可选的，所述投放模型通过以下方式训练得到：
93.获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征以及投放渠道特征；
94.将所述投放用户的特征、所述多媒体内容特征以及所述投放渠道特征作为训练样本；
95.将所述训练样本输入至深度学习算法中进行训练，得到各投放效果类型分别对应的投放模型，其中，投放效果类型与所述子投放目标对应。
96.其中，投放用户的特征可以包括投放用户的名称、投放用户的类型以及投放用户的知名度等。多媒体内容特征可以包括待投放内容的类型以及待投放内容的热度等。投放渠道特征可以包括投放渠道的类型以及投放渠道的用户群体等。深度学习算法可以包括：卷积神经网络算法、深度信任网络算法以及堆栈自编码网络算法等，本实施例不做具体限制。投放效果类型可以理解为目标多媒体内容的投放过程的优化效果，例如，优化下载数目、优化激活数目、优化下单数目等，投放效果类型与子投放目标相对应。
97.本实施例中，可以通过网络或者已公开数据获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征以及投放渠道特征，将投放用户的特征、多媒体内容特征以及投放渠道特征作为训练样本输入至深度学习算法中进行训练，当训练效果达到预期之后结束训练，就得到了针对各投放效果类型的投放模型，便于后续根据投放模型，为每个子投放目标确定对应的子投放方案，以及最终得到总投放方案。同时，上述方法相对于现有技术中人工制定投放策略而言，准确率高、效率高且节省时间和人力。
98.在本实施例中，可选的，所述获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征，包括：
99.从已公开的数据中抽取与投放用户相关的分类标签、用户数量以及用户评价信息，得到目标数据；
100.根据数据清洗规则以及相应的算法对所述目标数据进行处理，得到所述投放用户的特征；
101.根据关键词抽取方法、语义相关度方法以及分类模型方法中的至少一种，确定所述多媒体内容特征。
102.其中，用户数量可以为使用投放用户的相应产品的用户的数量。用户评价信息可以为使用投放用户的相应产品的用户对产品的反馈信息。
103.具体的，从网络或者其他资料中已公开的数据中抽取出与投放用户相关的分类标签、用户数量以及用户评价信息，能够得到目标数据。由于目标数据格式可能不统一，且包含的信息比较多，通过数据清洗规则以及相应的特征算法对该目标数据进行处理，之后就能够得到投放用户的特征。同时，根据关键词抽取方法、语义相关度方法以及分类模型方法
中的至少一种，对多媒体内容进行分析，能够得到多媒体内容特征。
104.本实施例中，通过上述方法能够扩充训练样本，增加训练样本的丰富性。
105.在本实施例中，可选的，获取投放渠道特征，包括：
106.获取各投放渠道中包含的内容，并将所述内容通过分类器进行分类，得到分类结果，根据所述分类结果确定所述各投放渠道对应的分数；
107.确定所述各投放渠道中包含的内容话题和流量；
108.获取使用所述各投放渠道的用户的历史使用数据以及用户授权的用户信息，根据加权方法对所述历史使用数据以及用户信息进行计算，得到所述各投放渠道对应的用户群体画像；
109.根据所述各投放渠道对应的分数、所述内容话题和流量以及所述用户群体画像，得到所述投放渠道特征。
110.具体的，投放渠道多种多样，例如各种应用程序，各种网站以及商场等，因此在投放渠道较多的情况下需要确定那个投放渠道更优，具体可以从网络中获取各投放渠道中包含的内容，例如投放渠道评价，并将该内容通过分类器进行分类，得到分类结果，根据分类结果中包含的评价好坏通过相应的打分机制对投放渠道进行打分，能够确定各投放渠道对应的分数，该分数能够用于表征该投放渠道的优劣。此外，还需要确定各投放渠道中包含的内容话题和流量，从而确定哪些投放渠道使用率比较高、客户比较多。同时，还要获取使用各投放渠道的用户的历史使用数据以及用户授权的用户信息，根据加权方法对历史使用数据以及用户信息进行计算，得到各投放渠道对应的用户群体画像，从而能够确定每个投放渠道分别对应的用户群体的特征。根据各投放渠道对应的分数、内容话题和流量以及用户群体画像，汇总后得到投放渠道特征。
111.本实施例中，通过上述方法能够全面的以及多方位的对投放渠道进行了解，汇总出全面的投放渠道特征，将该投放渠道特征作为训练样本更真实，也更符合具体情况，避免因为训练样本不真实，造成投放模型不准确。
112.图2是本公开实施例提供的另一种多媒体内容的投放方法的流程示意图。本实施例是在上述实施例的基础上进行优化。可选的，本实施例对将投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数的过程进行详细的解释说明。如图2所示，该方法具体包括如下：
113.s210，获取目标多媒体内容的投放用户的类型、投放参数以及投放目标。
114.s220，查询历史投放记录表中与投放用户的类型和投放目标相同且与投放参数的差值小于预设阈值的所有历史投放方案。
115.其中，预设阈值可以预先设定，也可以视具体情况而定，本实施例不做具体限制。
116.具体的，通过查询网络或者其他资料中针对各种多媒体内容的历史投放记录表，可以从历史投放记录表中确定出与目标多媒体内容的投放用户的类型和投放目标相同且与投放参数的差值小于预设阈值的所有历史投放方案，这些历史投放方案能够作为投放目标分解时的参考内容。
117.s230，获取各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数。
118.其中，历史投放目标可以理解为历史投放方案中的历史投放用户设置的在其多媒
体内容投放之后所达成的目标。历史子投放目标可以理解为：为了实现历史投放目标所要预先完成的子目标。历史子投放参数可以理解为：为每个历史子投放目标分别确定的投放金额。
119.在得到历史投放方案之后，由于历史投放方案与当前目标多媒体内容的投放用户的需求类似，因此，通过历史投放方案能够获取到各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数，便于作为后续投放目标分解过程的参考。
120.s240，根据所有历史子投放目标以及对应的历史子投放参数，确定将所述投放目标分解后得到的多个子投放目标，以及各子投放目标对应的子投放参数。
121.根据所有历史子投放目标以及对应的历史子投放参数，将其中的历史子投放目标以及对应的历史子投放参数按照对应的历史投放效果设置不同的权值，进行加权平均之后，参考加权平均后的各历史子投放目标以及对应的历史子投放参数，对投放目标进行分解，就得到了分解后的多个子投放目标，以及各子投放目标对应的子投放参数。
122.s250，将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案。
123.s260，基于所有子投放方案，得到投放用户对应的总投放方案。
124.在本实施例中，首先获取目标多媒体内容的投放用户的类型、投放参数以及投放目标，接着查询历史投放记录表中与投放用户的类型和投放目标相同且与投放参数的差值小于预设阈值的所有历史投放方案，获取各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数，然后根据所有历史子投放目标以及对应的历史子投放参数，确定将所述投放目标分解后得到的多个子投放目标，以及各子投放目标对应的子投放参数，最后将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案，基于所有子投放方案，得到投放用户对应的总投放方案，通过上述将投放目标分解成多个子投放目标的方法，使得分解后得到的子投放目标更准确，从而有利于提高后续确定的总投放方案的准确性，为投放用户确定出准确的投放方法，便于多媒体内容的精准投放以及投放效果的优化。
125.在本实施例中，可选的，所述方法还包括：
126.若所述历史投放记录表中查询不到与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的历史投放方案，则基于相应的分解算法将所述投放目标分解成多个子投放目标；
127.结合所述投放参数，确定各子投放目标对应的子投放参数。
128.具体的，如果历史投放记录表中查询不到与投放用户的类型和投放目标相同且与投放参数的差值小于预设阈值的历史投放方案，此时基于相应的分解算法，例如逐级承接分解法能够将投放目标分解成多个子投放目标，分解得到多个子投放目标之后，结合投放参数，根据子投放参数之和不超过投放参数的原则，能够为各子投放目标确定对应的子投放参数。
129.本实施例中，通过分解算法将投放目标分解成多个子投放目标，简单快捷，有利于后续基于子投放目标的实现，从而实现投放目标。
130.在本实施例中，可选的，所述方法还包括：
131.获取各子投放方案对应的投放效果；
132.若所述各子投放方案中至少一个子投放方案对应的投放效果未达到预期投放效果，则调整所述各子投放方案对应的子投放参数，得到调整后的子投放参数；
133.将所述每个子投放目标以及对应的调整后的子投放参数输入至预先训练好的投放模型中，得到新的子投放方案。
134.具体的，在得到投放用户对应的总投放方案之后，按照该总投放方案进行目标多媒体内容的投放，在实际投放过程中，通过获取各子投放方案对应的投放效果，如果子投放方案中至少一个子投放方案对应的投放效果未达到预期投放效果，说明该子投放方案的投放效果可能不是特别理想，此时通过调整各子投放方案对应的子投放参数，例如，可以将投放效果未达到预期投放效果的子投放方案对应的子投放参数调整的小一些，将投放效果达到预期投放效果的子投放方案对应的子投放参数调整的大一些，通过调整之后，能够得到调整后的子投放参数，在将每个子投放目标以及对应的调整后的子投放参数输入至预先训练好的投放模型中，得到新的子投放方案，以便后续根据新的子投放方案进行目标多媒体内容的投放。
135.本实施例中，通过上述方法实时调整子投放方案，能够防止在某些渠道或者平台投入的预算多，但是未达到预期投放效果的情况，避免给投放用户造成损失，以及确保能够达到投放目标。
136.图3是本公开实施例提供的一种多媒体内容的投放装置的结构示意图；该装置配置于计算机设备中，可实现本技术任意实施例所述的多媒体内容的投放方法。该装置具体包括如下：
137.参数获取模块310，用于获取目标多媒体内容的投放用户的类型、投放参数以及投放目标；
138.目标分解模块320，用于根据所述投放用户的类型、所述投放参数以及所述投放目标，将所述投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数；
139.第一确定模块330，用于将所述每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案；
140.第二确定模块340，用于基于所有子投放方案，得到所述投放用户对应的总投放方案。
141.在本实施例中，可选的，目标分解模块320，具体用于：
142.查询历史投放记录表中与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的所有历史投放方案；
143.获取各历史投放方案中将对应的历史投放目标分解后得到的多个历史子投放目标以及各历史子投放目标对应的历史子投放参数；
144.根据所有历史子投放目标以及对应的历史子投放参数，确定将所述投放目标分解后得到的多个子投放目标，以及各子投放目标对应的子投放参数。
145.在本实施例中，可选的，目标分解模块320，还具体用于：
146.若所述历史投放记录表中查询不到与所述投放用户的类型和所述投放目标相同且与所述投放参数的差值小于预设阈值的历史投放方案，则基于相应的分解算法将所述投放目标分解成多个子投放目标；
147.结合所述投放参数，确定各子投放目标对应的子投放参数。
148.在本实施例中，可选的，所述投放模型通过以下方式训练得到：
149.获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征以及投放渠道特征；
150.将所述投放用户的特征、所述多媒体内容特征以及所述投放渠道特征作为训练样本；
151.将所述训练样本输入至深度学习算法中进行训练，得到各投放效果类型分别对应的投放模型，其中，投放效果类型与所述子投放目标对应。
152.在本实施例中，可选的，所述获取历史投放的多媒体内容中对应的投放用户的特征、多媒体内容特征，包括：
153.从已公开的数据中抽取与投放用户相关的分类标签、用户数量以及用户评价信息，得到目标数据；
154.根据数据清洗规则以及相应的算法对所述目标数据进行处理，得到所述投放用户的特征；
155.根据关键词抽取方法、语义相关度方法以及分类模型方法中的至少一种，确定所述多媒体内容特征。
156.在本实施例中，可选的，获取投放渠道特征，包括：
157.获取各投放渠道中包含的内容，并将所述内容通过分类器进行分类，得到分类结果，根据所述分类结果确定所述各投放渠道对应的分数；
158.确定所述各投放渠道中包含的内容话题和流量；
159.获取使用所述各投放渠道的用户的历史使用数据以及用户授权的用户信息，根据加权方法对所述历史使用数据以及用户信息进行计算，得到所述各投放渠道对应的用户群体画像；
160.根据所述各投放渠道对应的分数、所述内容话题和流量以及所述用户群体画像，得到所述投放渠道特征。
161.在本实施例中，可选的，上述装置还包括：
162.效果获取模块，用于获取各子投放方案对应的投放效果；
163.调整模块，用于若所述各子投放方案中至少一个子投放方案对应的投放效果未达到预期投放效果，则调整所述各子投放方案对应的子投放参数，得到调整后的子投放参数；
164.新方案确定模块，用于将所述每个子投放目标以及对应的调整后的子投放参数输入至预先训练好的投放模型中，得到新的子投放方案。
165.通过本公开实施例提供的多媒体内容的投放装置，首先获取目标多媒体内容的投放用户的类型、投放参数以及投放目标，接着根据投放用户的类型、投放参数以及投放目标，将投放目标分解成多个子投放目标，并确定各子投放目标对应的子投放参数，然后将每个子投放目标以及对应的子投放参数输入至预先训练好的投放模型中，得到对应的子投放方案，最后基于所有子投放方案，得到投放用户对应的总投放方案，通过上述方法能够为投放用户确定出准确的投放方法，有利于多媒体内容的投放以及优化投放效果。
166.本公开实施例所提供的多媒体内容的投放装置可执行本公开任意实施例所提供的多媒体内容的投放方法，具备执行方法相应的功能模块和有益效果。
167.图4是本公开实施例提供的一种计算机设备的结构示意图。如图4所示，该计算机设备包括处理器410和存储装置420；计算机设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；计算机设备中的处理器410和存储装置420可以通过总线或其他方式连接，图4中以通过总线连接为例。
168.存储装置420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本公开实施例中的多媒体内容的投放方法对应的程序指令/模块。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现本公开实施例所提供的多媒体内容的投放方法。
169.存储装置420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
170.本实施例提供的一种计算机设备可用于执行上述任意实施例提供的多媒体内容的投放方法，具备相应的功能和有益效果。
171.本公开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实现本公开实施例所提供的多媒体内容的投放方法。
172.当然，本公开实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本公开任意实施例所提供的多媒体内容的投放方法中的相关操作。
173.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本公开可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述的方法。
174.值得注意的是，上述多媒体内容的投放装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开的保护范围。
175.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除
在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
176.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。