本文介绍了一种新的深度神经网络模型，该模型可从图像像素和其他基本特征中一步预测图像广告的点击率，并且使用卷积层自动提取代表性的视觉特征，再通过全连接层学习非线性 CTR 特征，实证评估表明该方法是有效和高效的。

Sep, 2016

我们提出了一个新的自动化的点击率创意生成流水线（CG4CTR），旨在改进创意生成阶段的点击率。我们的贡献有 4 个方面：1）将填充模式应用于在线广告场景的创意生成任务。提出了一个自我循环生成流水线，以确保训练的收敛性。2）设计了提示模型，为不同用户群体生成个性化创意，进一步提高其多样性和质量。3）奖励模型的综合考虑图像和文本的多模态特征，以提高创意排序任务的有效性，也在自我循环流水线中起着重要作用。4）在线和离线实验中获得的显著优势验证了我们提出方法的重要性。

Jan, 2024

本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。

Feb, 2022

通过在线广告的样式编辑和吸引力增强（AdSEE）的研究，我们探讨了语义编辑对广告图像是否能够影响或改变在线广告的受欢迎程度，并通过大规模数据集的离线和在线测试验证了图像风格与广告受欢迎程度之间的关系。

Sep, 2023

通过将视频内容拆分为检测到的物体、粗糙的场景结构、物体统计和通过的注视点识别的活动物体，我们测量了每个信息通道的重要性，并发现相比于其它场景元素，通过眼动追踪识别的活动物体和场景结构更好地编码情感信息。从而得出广告情感不仅仅取决于叙述和巧妙使用语言和社交暗示，而是受到视觉信息转化的影响的研究结果。

Aug, 2018

研究搜索引擎结果页面和其中的要素对点击率和网站流量的影响，揭示 SERP 特征不仅是美学组成部分，还能强烈影响用户行为。通过模拟点击率，演示了这些要素的逐步预测能力。

May, 2023

本研究通过综述在线广告平台中利用机器学习方法的用户响应预测，提出分类方法，介绍用户数据可用性、特点以及现有挑战，并探讨相关应用和数据集，旨在分析在线广告生态系统的相关方和方法。

Jan, 2021

广告服务中的创造力是其核心和灵魂。通过 AI 生成的内容，广告商能够以最小的成本创造大量的创意内容。本文首次提出了一种用于在线平行估计广告和创意排名的新架构，以及相应的离线联合优化模型。在线架构能够进行个性化的创意建模，同时降低总体延迟。CTR 估计的离线联合模型允许广告和创意之间进行相互感知和协同优化。我们对比了两种最先进的方法进行了广泛的实验。结果表明，我们的方法在离线评估和真实世界的在线广告平台中都具有响应时间、CTR 和 CPM 方面的有效性。

Dec, 2023

本研究提出了一种利用深度学习来自动创建电子商务主页广告横幅大量个性化的方法，并通过基因算法实现了对图像内容、设计约束等因素的最优横幅布局生成，并设计了一个排名方法来帮助选择正确的横幅，其主要贡献是提高了广告横幅的个性化和大量生成的效率，同时适用于印度一家时尚电子商务企业 - Myntra 的数据。

Aug, 2019

通过研究人们在视觉设计中看和点击的位置，自动化模型预测数据可视化和图形设计中不同元素的相对重要性，并应用于自动设计重新定位和缩略图生成，并提供交互式设计工具，以提供设计过程中的即时反馈。

Aug, 2017