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

该论文介绍了一种在分割目标受众群体并在线实验中解决数字广告匹配问题的上下文强化学习算法，并在中国电商平台JD.com上实现

Jul, 2019

本文提出了一种基于混合bandit模型的视觉优先级别判定方法，用于在电子商务中推荐商品创意设计，以提高CTR，通过实验表明该方法的有效性。

Feb, 2021

数字广告中的创意优化对用户满意度有重要影响，本研究介绍了一种基于生成模型和用户兴趣的创意生成方法（GCO）以及使用稳定扩散外推架构的个性化广告创意模型（AdBooster），通过实验证明AdBooster生成的创意相对于默认产品图片更具相关性，具有提高用户参与度的潜力。

Sep, 2023

利用可接受的交换采样技术，本研究结合机器学习系统和文本描述生成具有新颖性和惊喜的组合对象图像，通过交换文本嵌入的列向量来构建新的组合图像，并使用适当的CLIP距离管理可接受的区域，最终选择最有潜力的对象图像。

Oct, 2023

介绍了一个名为COLE的分层生成框架，用于将简单的意图提示转化为高质量的平面设计，并支持根据用户输入进行灵活编辑，通过分解任务、合作模型和整合结果，提供了生成可靠性的显著提升。

Nov, 2023

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

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

通过将神经网络编码的熵用于比较图像集合之间的多样性，我们提出了一种无需基准知识且易于计算的方法来评估协同创作系统生成的内容的多样性。通过比较两个预训练网络的选择与我们想要评估的多样性概念的关系，我们还讨论了这些度量在交互系统中的概念生成、模型评估以及计算创造力的更广泛应用。

Mar, 2024

通过微调预训练的 LXMERT 模型，我们提出了一种新颖的方法将应用程序图像与搜索词进行匹配，相对于 CLIP 模型和基于 Transformer 模型用于搜索词和 ResNet 模型用于图像的基准线，我们显著提高了匹配准确性。在两组标签上评估我们的方法：给定应用程序的广告主关联（图像，搜索词）对和人类对于（图像，搜索词）对的相关性。对于广告主关联的事实，我们的方法达到 0.96 的 AUC 分数，相对于基于 Transformer+ResNet 的基准线和微调 CLIP 模型提高了 8% 和 14%。对于人工标记的事实，我们的方法达到 0.95 的 AUC 分数，相对于基于 Transformer+ResNet 的基准线和微调 CLIP 模型提高了 16% 和 17%。

Feb, 2024