一种内容处理方法、装置、介质及设备与流程

1.本技术涉及机器学习领域，具体涉及一种内容处理方法、装置、介质及设备。


背景技术：

2.人工智能(ai，artificial intelligence)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理、机器学习、深度学习等几大方向。随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
3.在内容投放的应用中，传统的投放方法更强调投放流程的设计，当前也有使用基于机器学习模型的自动化投放系统。以广告为例，在互联网广告领域，广告投放方式通常有两种，一种是由投手来投放广告；另一种由机器代替投手来投放广告。机器的自动化投放无疑可以提升投放效率，但也面临如何保证投放效果的问题。


技术实现要素：

4.为了提升内容投放的效果，本技术提供了一种内容处理方法、装置、介质及设备。所述技术方案如下：
5.第一方面，本技术提供了一种内容处理方法，所述方法包括：
6.获取投放效果数据，根据所述投放效果数据得到目标用户的标识和投放效果切片数据；
7.获取操作行为数据，根据所述操作行为数据和所述目标用户的标识，得到第一行为数据和第二行为数据，其中所述第一行为数据描述所述目标用户对内容的创建行为，所述第二行为数据描述所述目标用户对内容的调整行为或所述目标用户对内容投放状态的调整行为；
8.根据所述第一行为数据进行分析，生成第一行为策略；
9.根据所述第二行为数据和所述投放效果切片数据对机器学习模型进行训练，得到第二行为学习模型，所述第二行为学习模型表征第二行为策略；
10.基于所述第一行为策略进行内容的创建，或基于所述第二行为策略进行内容的调整或进行内容投放状态的调整。
11.第二方面，本技术提供了一种内容处理装置，所述装置包括：
12.第一获取处理模块，用于获取投放效果数据，根据所述投放效果数据得到目标用户的标识和投放效果切片数据；
13.第二获取处理模块，用于获取操作行为数据，根据所述操作行为数据和所述目标用户的标识，得到第一行为数据和第二行为数据，其中所述第一行为数据描述所述目标用户对内容的创建行为，所述第二行为数据描述所述目标用户对内容的调整行为或所述目标用户对内容投放状态的调整行为；
14.第一行为策略生成模块，用于根据所述第一行为数据进行分析，生成第一行为策
略；
15.第二行为策略生成模块，用于根据所述第二行为数据和所述投放效果切片数据对机器学习模型进行训练，得到第二行为学习模型，所述第二行为学习模型表征第二行为策略；
16.内容处理模块，用于基于所述第一行为策略进行内容的创建，或基于所述第二行为策略进行内容的调整或进行内容投放状态的调整。
17.第三方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面所述的一种内容处理方法。
18.第四方面，本技术提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由所述处理器加载并执行以实现如第一方面所述的一种内容处理方法。
19.第五方面，本发明提供了提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面中提供的一种内容处理方法。
20.本技术提供的一种内容处理方法、装置、设备及存储介质，具有如下技术效果：
21.本技术提供的方案从投放效果数据出发，以优秀操作者为分析对象，学习其创建行为和调整行为。具体地，使用统计学方法从创建行为中找到优秀操作者倾向的行为模式，然后将其应用到内容创建中，提升内容的整体水平，实现更优的内容投放；同时，在内容管理方面，使用机器学习的方法对优秀操作者的调整行为建立学习模型，将投放内容的当前效果输入训练后的学习模型则可输出对应的调整操作，从而可以实现内容的高效管理。应用于广告投放领域，本技术提供的方案不仅提供自动化的广告创建能力，同时也提供推广计划、广告、创意等方面的修改能力和广告投放定向、广告启停、广告调价等方面的管理能力，提升广告的创建效率和广告的投放效果。
22.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
23.为了更清楚地说明本技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
24.图1是本技术实施例提供的一种内容处理方法的实施环境示意图；
25.图2是本技术实施例提供的一种内容处理方法的流程示意图；
26.图3是本技术实施例提供的一种应用于广告投放领域的内容处理方法的流程示意图；
27.图4是本技术实施例提供的一种根据投放效果数据得到目标投手数据的流程示意图；
28.图5是本技术实施例提供的一种根据操作行为数据和目标投手数据得到目标投手第一行为数据和目标投手第二行为数据的流程示意图；
29.图6是本技术实施例提供的一种投手根据广告投放效果进行调整的流程示意图；
30.图7是本技术实施例提供的一种深度神经网络模型的结构示意图；
31.图8是本技术实施例提供的另一种应用于广告投放领域的内容处理方法的流程示意图；
32.图9是本技术实施例提供的一种内容处理装置的示意图。
33.图10是本技术实施例提供的用于实现一种内容处理方法的设备的硬件结构示意图。
具体实施方式
34.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
35.本技术实施例提供的方案涉及人工智能的深度学习(deep learning,，dl)等技术。
36.深度学习(deep learing，dl)是机器学习(machine learning，ml)领域中一个主要的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
37.本技术实施例提供的方案可部署在云端，其中还涉及云技术等。
38.云技术(cloud technology)：是指在广域网或局域网内将硬件、软件及网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术，也可理解为基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术及应用技术等的总称，可以组成资源池，按需所用，灵活便利。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站，伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，因此云技术需要以云计算作为支撑。云计算是一种计算模式，它将计算任务分布在大量计算机构成的资源
池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。作为云计算的基础能力提供商，会建立云计算资源池平台，简称云平台，一般称为基础设施即服务(iaas，infrastructure as a service)，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(可为虚拟化机器，包含操作系统)、存储设备和网络设备。
39.在内容投放的应用中，传统的投放方法更强调投放流程的设计，当前也有使用基于机器学习模型的自动化投放系统。以广告为例，在互联网广告领域，广告投放方式通常有两种，一种是由投手来投放广告；另一种由机器代替投手来投放广告。机器的自动化投放无疑可以提升投放效率，但也面临如何保证投放效果的问题。
40.为了提升内容投放的效果，本技术实施例提供了一种内容处理方法、装置、介质及设备。下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
41.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
42.为了便于理解本技术实施例所述的技术方案及其产生的技术效果，本技术实施例对于涉及到的相关专业名词进行解释：
43.广告主：投放广告的业务主体。
44.投手：投放广告的人员，为操作广告主账号的具体人，一般为一个广告主或多个广告主服务。
45.ecpm：effective cost per mille，指的是每一千次展示可以获得的广告收入，展示的单位可以是网页、广告单元，甚至是单个广告。默认情况下，ecpm指的都是千次网页展示(pageview)收入。ecpm只是用来反映盈利能力的参数，不代表收入。
46.ocpa：optimized cost per action，优化行为出价；是一种针对效果广告的智能自动出价策略。广告主可选择特定优化目标(例如激活、下单、表单预约)，并提供期望的平均转化成本。系统会根据广告主上报的转化数据，通过机器学习来预估每一次展示的转化价值，自动出价，按点击扣费。
47.请参阅图1，其为本技术实施例提供的一种内容处理方法的实施环境示意图，如图1所示，该实施环境可以至少包括客户端01和服务器02。
48.具体的，所述客户端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、监控设备及语音交互设备等类型的设备，也可以包括运行于设备中
的软体，例如一些服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，所述客户端01可以用于记录行为数据并发送至服务器02。
49.具体的，所述服务器02可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。所述服务器02可以包括有网络通信单元、处理器和存储器等等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。具体的，所述服务器02可以用于存储投放效果数据和操作行为数据，以及根据投放效果数据和操作行为数据进行分析，生成创建行为策略和调整行为策略以用于具体内容的创建、调整和内容投放状态的调整。
50.本技术实施例还可以结合云技术实现，云技术(cloud technology)是指在广域网或局域网内将硬件、软件及网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术，也可理解为基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术及应用技术等的总称。云技术需要以云计算作为支撑。云计算是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。具体地，所述服务器02和数据库位于云端，所述服务器02可以是实体机器，也可以是虚拟化机器。
51.以下介绍本技术提供的一种内容处理方法。图2是本说明书实施例提供的一种内容处理方法的流程图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。请参照图2，本说明书实施例提供的一种内容处理方法可以包括如下步骤：
52.s100：获取投放效果数据，根据所述投放效果数据得到目标用户的标识和投放效果切片数据。
53.在本说明书实施例中，所述投放效果数据为历史投放内容的效果数据，历史投放内容的类型包括但不限于文字、图像、视频等多媒体流，如想要进行投放广告，投放内容为广告，广告可以以视频或者图文的形式显示。可以理解的是，所述投放效果数据为时间序列数据，包含了历史投放内容从开始创建、投放到终止投放全过程中的信息，如历史投放内容的内容信息、历史投放内容的操作者信息、历史投放内容所属的用户的信息、历史投放内容的点击率/转化率/播放量数据等。可以理解的是，用户为历史投放内容的操作者，目标用户为用户中满足预设条件的操作者。
54.示例性地，在目前互联网广告领域，广告投放方式主要有两种，一是由投手来投放广告，此种方式依赖于投手的经验和个人能力，二是由机器代替投手来投放广告，如机器代替投手的自动化投放，可以提升广告的投放效率，但也面临如何保证投放效果的问题。利用积累的投放效果数据和投手的操作行为数据进行学习，可以更好地提升自动化投放的效果。
55.在本说明书的一个实施例中，具体的，如图4所示，所述根据所述投放效果数据得
到目标用户的标识可以包括以下步骤：
56.s101：根据所述投放效果数据进行聚合加工和分析得到用户特征数据。
57.示例性地，参照图3，以广告投放的应用场景为例，从投手的维度对所述投放效果数据进行聚合加工，得到针对每一个投手的投放效果数据，进而根据每一个投手的投放效果数据进行分析，得到多维度的投手画像数据，所述投手画像数据即为对象特征数据。所述投手画像数据用于刻画投手的特征，可以包括但不限于账号属性、行业属性、客户重要性属性、变现能力属性、创意价值属性、ocpa策略属性和广告效果属性等。具体地，账号属性包括投手的身份标识、创建时间和所属的代理商的身份标识等；行业属性表示投手所述的行业信息，包括一级行业、二级行业、三级行业等具体信息；客户为投手服务的广告主，客户重要性属性包括广告主的预算量及排名、日均消耗及排名等；变现能力属性包括投手的日均ecpm(effective cost per mile，每一千次展示可以获得的广告收入)量等；创意价值属性包括投手使用创意的情况、各类创意的投放量等；ocpa策略属性包括投手对ocpa(optimized cost per action，优化行为出价)能力的使用情况；广告效果属性包括投手所投放的广告的点击量、曝光量、消耗、达成率、转化率等。
58.s103：根据预设的衡量指标和所述用户特征数据进行计算，根据计算结果进行排序筛选得到目标用户，获取所述目标用户的标识。
59.在本说明书的实施例中，分析样本的好坏直接影响到最终分析结果的质量，因此需要通过用户特征数据对各个用户进行评分排序，从中筛选出相对优秀的用户作为目标用户，以目标用户为正样本，通过学习目标用户的操作行为得到行为策略，能够进一步提升内容投放的效果。
60.示例性地，参照图3，以广告投放的应用场景为例，从投手中找到相对优秀的投手，进而以他们为分析样本，寻找好的行为模式。在投手画像数据的基础上，选取多个维度作为优秀投手的衡量指标，并为不同维度赋不同的权重，从而计算出每位投手的得分，以此分数进行排序，并按照预设条件筛选出优秀投手。计算公式可以如下所示：
[0061][0062]
其中，
[0063][0064]di
代表投手在第i个维度的衡量指标值，wi为第i个维度的权重。
[0065]
在本说明书的一个实施例中，示例性地，对所述投放效果数据按小时切分，得到小时级别的投放效果切片数据。
[0066]
在本说明书实施例中，需要对操作行为数据进行筛选，得到目标用户的行为数据，因此可以根据目标用户的身份标识从操作行为数据中进行提取。在另一种可行的实施方式中，当除了提取出目标用户的操作行为数据之外，还需要对目标投手的操作行为数据做进一步筛选时，所述目标用户的标识还可以包括目标用户的其他维度的特征数据。
[0067]
s200：获取操作行为数据，根据所述操作行为数据和所述目标用户的标识，得到第
一行为数据和第二行为数据，其中所述第一行为数据描述所述目标用户对内容的创建行为，所述第二行为数据描述所述目标用户对内容的调整行为或所述目标用户对内容投放状态的调整行为。
[0068]
在本说明书实施例中，针对内容的处理行为有多种类别，本说明书实施例采用第一行为和第二行为进行学习，其中第一行为是用户对内容的创建行为，第二行为是用户对内容的调整行为或用户对内容投放状态的调整行为。
[0069]
在本说明书的一个实施例中，参照图3，以广告投放的应用场景为例，在整个广告投放系统中，广告主或者投手进行的操作都会全部记录下来，形成操作行为的原始数据。原始数据从操作行为类别上来说有很多种，本说明书实施例中涉及的主要是两类：广告创建行为数据和广告修改行为数据，其中广告创建行为包括推广计划的创建、广告组的创建、广告创意的创建、广告定向的创建，广告修改行为包括但不限于推广计划的修改、广告组的修改、广告创意的修改、人群定向的修改、广告的调价、广告的启停等，一个推广计划中可以包含一个或多个广告组，一个广告组可以包含一个或多个广告，一个广告中也可以包含一个或多个创意。通过对操作行为进行分类学习，得到各类行为的行为策略，既能从内容创建时提升整体水平，从而实现更优的投放效果，也能在对内容的管理时得到有针对性的优化调整，实现对内容投放效果的进一步提升。
[0070]
在一种可行的实施方式中，具体地，如图5所示，所述根据所述操作行为数据和所述目标用户的标识，得到第一行为数据和第二行为数据可以包括以下步骤：
[0071]
s201：根据所述目标用户的标识，从所述操作行为数据中得到目标操作行为数据。
[0072]
在本说明书的一个实施例中，根据目标用户的标识从操作行为数据中提取出目标用户的操作行为数据作为目标操作行为数据。
[0073]
s203：根据所述目标操作行为数据中的操作对象和操作内容，对所述目标操作行为数据进行行为分类，得到含有行为类别标签的第一行为数据和第二行为数据。
[0074]
示例性地，以广告投放的应用场景为例，操作行为分类聚合器除了可以将所述目标操作行为数据分为第一行为数据和第二行为数据，还可以将其细分为不同的行为类别，如一级类别标签可以为创建行为或调整行为，二级类别标签可以为推广计划创建行为或推广计划调整行为，三级类别标签为广告创建行为、广告定向调整行为、广告启停行为等，本说明书对此不作具体限定。
[0075]
在一种可行的实施方式中，具体地，所述根据所述操作行为数据和所述目标用户的标识，得到第一行为数据和第二行为数据还可以包括以下步骤：
[0076]
s205：将所述第一行为数据和所述第二行为数据进行数据结构的转换、数据的修复或异常数据的过滤，得到第一行为规范数据和第二行为规范数据。
[0077]
可以理解的是，针对第一行为和第二行为采用了不同的分析方式，在不同的分析方式中数据的结构表达也会有所不同，因此可以将行为数据转化为便于后续分析的数据结构表达形式。同时，对于行为数据会有多个数据备份，当某个数据发生异常时，可采用备份数据进行校验，选取置信度较高的作为进行分析的数据，以及将第一行为规范数据和第二行为规范数据作为后续分析的数据。
[0078]
s300：根据所述第一行为数据进行分析，生成第一行为策略。
[0079]
在本说明书实施例中，对于目标用户的第一行为数据，采用统计学的分析方法，找
到目标用户所倾向的行为模式，最终得到第一行为策略。
[0080]
在一种可行的实施方式中，具体地，所述根据所述第一行为数据进行分析，生成第一行为策略可以包括以下步骤：
[0081]
s301：对所述第一行为数据进行行业、第一行为对象或目标用户的维度划分，得到第一行为划分数据。
[0082]
示例性地，以广告投放的应用场景为例，不同行业之间的广告创建行为差异较大，相同一级行业下的二级行业之间相似度较高，但也存在一些显著差异。除了从行业的维度进行切分，还可以从第一行为(创建行为)对象进行划分，如推广计划、广告、创意等，还可以对第一行为对象进行更进一步地细分，如创意中的图片、文本等。再者，还可以根据优秀投手的排名对行为数据进行划分，例如将数据划分为top20％优秀投手的创建行为数据和后80％优秀投手的创建行为数据，从而可以对比头部广告主和尾部广告主之间的行为差异。
[0083]
s303：根据所述第一行为划分数据进行统计分析，生成第一行为策略。
[0084]
示例性地，以广告投放的应用场景为例，依据行业维度进行切分得到的第一行为划分数据可以发现行业与行业之间的创建行为差异。基于根据创建行为对象维度切分后的数据，利用统计分析方法可以得到同一行业内不同创建对象的创建行为特征。在应用时，根据广告主最基础的需求信息，如广告主的行业属性，可根据第一行为策略进行推广计划、广告组、创意等的逐级创建。
[0085]
s400：根据所述第二行为数据和所述投放效果切片数据对机器学习模型进行训练，得到第二行为学习模型，所述第二行为学习模型表征第二行为策略。
[0086]
示例性地，以广告投放的应用场景为例，优秀投手之所以能够成为优秀投手，关键就在于他们能够根据广告的效果状态，及时的做出判断和调整以让广告获得更多的曝光、点击或是转化。如图6所示，投手看到广告的效果下降时基于个人经验和投放规则修改推广计划、广内或者创意等，作用到广告上，提升广告的投放效果。这个过程可被概括为：得到一个输入(广告状态)，产生一个输出(操作行为)。这正是机器学习模型所要学习的行为模式，即在什么样的输入下，得到什么样的输出。优秀投手的第二行为数据作为学习训练数据集，提供给模型，模型经过一段时间的学习，即可学会大量的行为模式。在应用时，输入即为当前广告的效果状态，输出即是对广告的操作行为，从而实现智能的广告盯盘。
[0087]
在一种可行的实施方式中，具体地，所述步骤s400可以包括以下步骤：
[0088]
s401：根据所述第二行为数据和所述投放效果切片数据得到训练数据集，所述第二行为数据和所述投放效果切片数据为时间序列数据。
[0089]
s403：采用监督学习模式，通过所述训练数据集对机器学习模型进行训练，得到第二行为学习模型。
[0090]
可选地，机器学习模型采用深度神经网络(dnn，deep neural networks)，如图7所示，深度神经网络包含输入层、多个隐藏层和输出层，并使用监督学习模式来训练模型。可以理解的是，参照图3，得到的第二行为学习模型(也即修改行为学习模型)表征了第二行为策略(也即盯盘策略)，在应用时，将内容当前的投放效果输入至模型中，即可获得对应的第二行为，包括对内容的修改或内容投放状态的调整，实现了对广告的自动化管理。
[0091]
s500：基于所述第一行为策略进行内容的创建，或基于所述第二行为策略进行内容的调整或进行内容投放状态的调整。
[0092]
在本说明书实施例提供的一个自动化投放的应用场景中，具体地，所述步骤s500可以包括以下步骤：
[0093]
s501：获取用户的内容投放需求，根据所述内容投放需求和所述第一行为策略生成目标内容，投放所述目标内容。
[0094]
可以理解的是，所述第一行为策略可以用于自动创建投放内容，根据用户的内容投放需求，如广告主的预算、投放指标、广告主的行业属性等基本信息，基于第一行为策略自动生成投放内容，实现智能自动化投放中的创建功能，提升投放效率，实现更优质内容的投放。如图8所示，在自动化投放系统中，基于创建策略也即第一行为策略创建广告，并依据自动创建的广告定向进行投放和播放。
[0095]
s503：获取所述目标内容的投放效果数据，基于所述第二行为学习模型，根据所述目标内容的投放效果数据生成所述目标内容的第二行为目标策略，根据所述第二行为目标策略调整所述目标内容或所述目标内容的投放状态。
[0096]
在本说明书实施例中，所述第二行为策略(第二行为学习模型)可以用于修改目标内容或者调整目标内容的投放状态，将目标内容当前的投放效果输入至第二行为学习模型中，经过训练的第二行为学习模型则会输出针对目标内容的第二行为目标策略，可以实现智能自动化投放中的盯盘管理功能，能够有效提升内容投放效果，控制成本偏差。如图8所示，在自动化投放系统中，基于盯盘策略也即第二行为策略(在本说明书实施例可用第二行为学习模型表征)，执行定时任务盯盘，根据查询的广告投放效果对广告进行更新。
[0097]
在另一种可行的实施方式中，还可以获取第一用户的内容投放需求或投放内容，基于所述第一行为策略得到针对所述第一用户的内容投放需求或投放内容的第一指导意见，以指导所述第一用户进行内容的创建。也即，将第一行为策略应用于内容投放的推荐系统中，为用户在创建投放内容时提供指导。
[0098]
在另一种可行的实施方式中，还可以获取第二用户的投放内容的效果数据，基于所述第二行为学习模型得到针对所述第二用户的投放内容的第二指导意见，以指导所述第二用户进行内容的调整或内容投放状态的调整。也即，将第二行为策略(第二行为学习模型)应用于内容投放管理系统中，为用户在管理投放的内容时提供指导。
[0099]
在另一种可行的实施方式中，以广告投放的应用场景为例，还可以基于第一行为策略和第二行为策略(第二行为学习模型)构建投手训练系统，反向用于指导投手。
[0100]
本技术实施例还提供了一种内容处理装置900，如图9所示，所述装置可以包括：
[0101]
第一获取处理模块910，用于获取投放效果数据，根据所述投放效果数据得到目标用户的标识和投放效果切片数据；
[0102]
第二获取处理模块920，用于获取操作行为数据，根据所述操作行为数据和所述目标用户的标识，得到第一行为数据和第二行为数据，其中所述第一行为数据描述所述目标用户对内容的创建行为，所述第二行为数据描述所述目标用户对内容的调整行为或所述目标用户对内容投放状态的调整行为；
[0103]
第一行为策略生成模块930，用于根据所述第一行为数据进行分析，生成第一行为策略；
[0104]
第二行为策略生成模块940，用于根据所述第二行为数据和所述投放效果切片数据对机器学习模型进行训练，得到第二行为学习模型，所述第二行为学习模型表征第二行
为策略。
[0105]
内容处理模块950，用于基于所述第一行为策略进行内容的创建，或基于所述第二行为策略进行内容的调整或进行内容投放状态的调整。
[0106]
在本说明书的一个实施例中，所述内容处理模块950可以包括：
[0107]
内容自动生成单元，用于获取用户的内容投放需求，根据所述内容投放需求和所述第一行为策略生成目标内容，投放所述目标内容；
[0108]
内容自动管理单元，用于获取所述目标内容的投放效果数据，基于所述第二行为学习模型，根据所述目标内容的投放效果数据生成所述目标内容的第二行为目标策略，根据所述第二行为目标策略调整所述目标内容或所述目标内容的投放状态。
[0109]
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0110]
本技术实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种内容处理方法。
[0111]
图10示出了一种用于实现本技术实施例所提供的一种内容处理方法的设备的硬件结构示意图，所述设备可以参与构成或包含本技术实施例所提供的装置或系统。如图10所示，设备10可以包括一个或多个(图中采用1002a、1002b，
……
，1002n来示出)处理器1002(处理器1002可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1004、以及用于通信功能的传输装置1006。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图10所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，设备10还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。
[0112]
应当注意到的是上述一个或多个处理器1002和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到设备10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
[0113]
存储器1004可用于存储应用软件的软件程序以及模块，如本技术实施例中所述的方法对应的程序指令/数据存储装置，处理器1002通过运行存储在存储器1004内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种内容处理方法。存储器1004可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1004可进一步包括相对于处理器1002远程设置的存储器，这些远程存储器可以通过网络连接至设备10。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。
[0114]
传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括
设备10的通信供应商提供的无线网络。在一个实例中，传输装置1006包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1006可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0115]
显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与设备10(或移动设备)的用户界面进行交互。
[0116]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于服务器之中以保存用于实现方法实施例中一种内容处理方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的一种内容处理方法。
[0117]
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
本发明实施例还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施方式中提供的方法。
[0119]
由上述本技术提供的一种内容处理方法、装置、介质及设备的实施例可见，本技术提供的方案从投放效果数据出发，以优秀操作者为分析对象，学习其创建行为和调整行为。具体地，使用统计学方法从创建行为中找到优秀操作者倾向的行为模式，然后将其应用到内容创建中，提升内容的整体水平，实现更优的内容生成、投放；同时，在内容管理方面，使用机器学习的方法对优秀操作者的调整行为建立学习模型，将投放内容的当前效果输入训练后的学习模型则可输出对应的调整操作，从而可以实现内容的自动化管理。应用于广告投放领域，本技术提供的方案不仅提供自动化的广告创建能力，同时也提供推广计划、广告、创意等方面的修改能力和广告投放定向、广告启停、广告调价等方面的管理能力，提升广告的创建效率和广告的投放效果。
[0120]
需要说明的是：上述本说明书实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0121]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0122]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读
存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0123]
以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。