ACLMay, 2022

基于 CTR 的广告文案生成：具有控制的预训练和对比微调

PDF
TL;DR本研究提出了一种基于用户评论的 CTR 驱动广告文本生成方法，该方法使用在线 A/B 测试数据进行对比学习以达到生成更高 CTR 的广告文本的目的，并针对低资源问题设计了自定义自监督目标。实验结果表明，该方法显著优于当前的方法，并在主要在线度量标准上带来提升。
advertisingctrtext generationuser reviewsonline a/b testing
发现论文，激发创造
  • 一种稳定扩散模型的点击率创新生成流程

    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

  • 不添加，不错过：从预选文本片段中有效地生成保留内容

    我们通过增强内容保留限制，改进了已有的基线模型，并利用 GPT-4 精馏方法大幅提高银标注训练数据的质量，从而在满足摘要生成式任务需求的情况下，提供了一个可靠的 CTR 模型。

    Oct, 2023

  • 再看 CTR 预测：关注全部需求吗？

    本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。

    May, 2021

  • BERT4CTR: 将预训练语言模型与非文本特征结合的高效框架用于 CTR 预测

    提出一种新的 BERT4CTR 框架，利用 Uni-Attention 机制在处理多模态输入和 CTR 预测中通过降维的方式从非文本和文本特征之间获得交互信息，并在训练和推断中保持低时间成本，实验证明其在公共和商业数据上显著优于现有框架。

    Aug, 2023

  • CL4CTR: 用于 CTR 预测的对比学习框架

    本文提出了一种基于自监督学习的 Click-Through Rate (CTR) 预测框架 (CL4CTR)，采用三种自监督学习信号作为特征表征学习的正则化项以提高 CTR 预测性能，并在四个数据集上实验证明其与各种代表性基线相比具有卓越的性能和兼容性。

    Dec, 2022

  • Click: 带有序列似然对比学习的可控文本生成

    本文提出了一种名为 “Click” 的可控文本生成方法，不需要修改模型架构，利用序列似然的对比损失和新颖的似然排名策略，能够在有毒语言、情感倾向和文本重复等方面相比其他控制型生成模型有更好的性能。

    Jun, 2023

  • ClickPrompt：CTR 模型是将语言模型用于 CTR 预测的强大提示生成器

    本研究提出了一个新的模型无关框架（ClickPrompt），通过将 CTR 模型与预训练语言模型结合，旨在同时建模语义知识和协同知识，解决 CTR 估计的推理效率问题。实验证明 ClickPrompt 相较于现有基准模型具有显著的效果。

    Oct, 2023

  • 使用多任务条件注意力网络进行转化预测，支持创作有效的广告创意

    本研究提出一个新框架，通过多任务学习，条件注意力和注意强调来支持创建高性能广告文案，并提高其准确预测广告转换率的能力。

    May, 2019

  • 深度时空神经网络用于点击率预测

    本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

    Jun, 2019

  • 面向开放域创造力和公平性的可控文本生成

    本文介绍了一些控制文本生成的方法以增强语言生成模型的创造力和公平性，包括层级生成和约束解码，并应用于故事、诗歌、比喻语言的创意生成，以及减少生成模型的社会偏见。

    Sep, 2022