Fugu-MT 論文翻訳(概要): TSI: an Ad Text Strength Indicator using Text-to-CTR and Semantic-Ad-Similarity

論文の概要: TSI: an Ad Text Strength Indicator using Text-to-CTR and Semantic-Ad-Similarity

arxiv url: http://arxiv.org/abs/2108.08226v1
Date: Wed, 18 Aug 2021 16:24:40 GMT
ステータス: 処理完了
システム内更新日: 2021-08-19 14:35:13.539106
Title: TSI: an Ad Text Strength Indicator using Text-to-CTR and Semantic-Ad-Similarity
Title（参考訳）: TSI: Text-to-CTR と Semantic-Ad-Similarity を用いた広告テキスト強度指標
Authors: Shaunak Mishra, Changwei Hu, Manisha Verma, Kevin Yen, Yifan Hu and Maxim Sviridenko
Abstract要約: i)入力広告テキストのクリックスルーレート(CTR)を予測し、(ii)類似の既存の広告をフェッチして入力広告の周辺に近づき、その周辺で予測されたCTRを比較して、入力広告が強いか弱いかを判断する。広告テキストの改善の提案として、TSIは近隣の優れた広告(より高い予測CTR)の匿名化バージョンを示す。
参考スコア（独自算出の注目度）: 16.10904771281746
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Coming up with effective ad text is a time consuming process, and particularly challenging for small businesses with limited advertising experience. When an inexperienced advertiser onboards with a poorly written ad text, the ad platform has the opportunity to detect low performing ad text, and provide improvement suggestions. To realize this opportunity, we propose an ad text strength indicator (TSI) which: (i) predicts the click-through-rate (CTR) for an input ad text, (ii) fetches similar existing ads to create a neighborhood around the input ad, (iii) and compares the predicted CTRs in the neighborhood to declare whether the input ad is strong or weak. In addition, as suggestions for ad text improvement, TSI shows anonymized versions of superior ads (higher predicted CTR) in the neighborhood. For (i), we propose a BERT based text-to-CTR model trained on impressions and clicks associated with an ad text. For (ii), we propose a sentence-BERT based semantic-ad-similarity model trained using weak labels from ad campaign setup data. Offline experiments demonstrate that our BERT based text-to-CTR model achieves a significant lift in CTR prediction AUC for cold start (new) advertisers compared to bag-of-words based baselines. In addition, our semantic-textual-similarity model for similar ads retrieval achieves a precision@1 of 0.93 (for retrieving ads from the same product category); this is significantly higher compared to unsupervised TF-IDF, word2vec, and sentence-BERT baselines. Finally, we share promising online results from advertisers in the Yahoo (Verizon Media) ad platform where a variant of TSI was implemented with sub-second end-to-end latency.
Abstract（参考訳）: 効果的な広告テキストを作るのは時間を要するプロセスであり、特に広告経験の少ない中小企業にとっては難しい。未熟な広告主が貧弱な広告テキストで搭乗すると、広告プラットフォームは、低パフォーマンスな広告テキストを検出し、改善提案を提供する機会を得る。この機会を実現するために,広告テキスト強度指標 (TSI) を提案する。 (i) 入力広告テキストのクリックスルーレート (CTR) を予測し, (ii) 類似の既存の広告をフェッチして入力広告の周辺に近づき、 (iii) 入力広告が強いか弱いかを判断するために, 近隣の予測されたCTRと比較する。さらに、広告テキストの改善の提案として、TSIは近隣の優れた広告(高い予測CTR)の匿名化バージョンを示す。 i)広告テキストに関連するインプレッションやクリックに基づいて学習したBERTベースのテキスト・ツー・CTRモデルを提案する。広告キャンペーン設定データから弱いラベルを用いて訓練した文-BERTに基づくセマンティック・アド・シミュラリティモデルを提案する。オフライン実験により、私たちのBERTベースのテキスト・ツー・CTRモデルは、単語のベースラインと比較して、コールドスタート(新しい)広告主のためのCTR予測AUCにおいて、大幅に上昇することを示した。さらに, 類似広告検索のセマンティック・テクスチュアル・類似性モデルでは, 0.93 の精度@1 (同一商品カテゴリから広告を取得する場合) を達成し, 教師なし TF-IDF, word2vec, sentence-BERT のベースラインに比べて有意に高い値を示した。最後に、Yahoo(Verizon Media)広告プラットフォームの広告主による有望なオンライン結果を共有します。

関連論文リスト

Spotting AI's Touch: Identifying LLM-Paraphrased Spans in Text [61.22649031769564]
我々は、新しいフレームワーク、パラフレーズテキストスパン検出(PTD)を提案する。 PTDは、テキスト内でパラフレーズ付きテキストを識別することを目的としている。パラフレーズ付きテキストスパン検出のための専用データセットであるPASTEDを構築した。
論文参考訳（メタデータ） (2024-05-21T11:22:27Z)
AdSEE: Investigating the Impact of Image Style Editing on Advertisement Attractiveness [25.531489722164178]
本稿では,広告画像のセマンティック編集がオンライン広告の人気に影響を与えるか,あるいは変化させるかを検討する。そこで我々は,StyleGANに基づく顔のセマンティック編集と広告画像へのインバージョンを導入し,GANベースの顔の潜在表現をクリックレートに寄与させるクリックレート予測器を訓練した。 5日間にわたって行われたオンラインA/Bテストでは、AdSEE編集サンプルのクリックスルー率の増加が、オリジナルの広告のコントロールグループと比較された。
論文参考訳（メタデータ） (2023-09-15T04:52:49Z)
Long-Term Ad Memorability: Understanding & Generating Memorable Ads [54.23854539909078]
広告の記憶可能性に関する大規模な研究は行われていない。 276のブランドをカバーする1749の参加者と2205の広告からなる,最初の記憶可能性データセットであるLAMBDAをリリースする。
論文参考訳（メタデータ） (2023-09-01T10:27:04Z)
Boost CTR Prediction for New Advertisements via Modeling Visual Content [55.11267821243347]
広告の視覚的内容を利用してCTR予測モデルの性能を向上させる。過去に蓄積された履歴的ユーザ・アドインタラクションに基づいて,各ビジュアルIDの埋め込みを学習する。 Baiduオンライン広告のCTR予測モデルにビジュアルIDを埋め込んだ後、広告の平均CTRは1.46%改善し、総料金は1.10%増加した。
論文参考訳（メタデータ） (2022-09-23T17:08:54Z)
Persuasion Strategies in Advertisements [68.70313043201882]
我々は,説得戦略の広範な語彙を導入し,説得戦略を付加した最初の広告画像コーパスを構築した。次に,マルチモーダル学習による説得戦略予測のタスクを定式化する。我々は、Fortune-500社の1600件の広告キャンペーンについて、現実世界でケーススタディを実施している。
論文参考訳（メタデータ） (2022-08-20T07:33:13Z)
CREATER: CTR-driven Advertising Text Generation with Controlled Pre-Training and Contrastive Fine-Tuning [14.912117221662054]
本稿では,CTRによる広告テキスト生成手法であるCREATERを提案し,高品質なユーザレビューに基づいて広告テキストを生成する。 CTRの目的を取り入れるために、我々のモデルはコントラスト学習を伴うオンラインA/Bテストデータから学習し、より高いCTRを得る広告テキストを生成することを奨励する。産業データセットの実験は、CREATERが現在のアプローチよりも大幅に優れていることを示している。
論文参考訳（メタデータ） (2022-05-18T14:17:04Z)
VisualTextRank: Unsupervised Graph-based Content Extraction for Automating Ad Text to Image Search [6.107273836558503]
意味論的に類似した広告を用いて入力広告テキストを拡大するための教師なし手法としてVisualTextRankを提案する。 VisualTextRankは、グラフベースのコンテキスト抽出に関する以前の作業に基づいて構築されている。簡易版によるオンラインテストは、ストックイメージ検索の使用率が28.7%増加した。
論文参考訳（メタデータ） (2021-08-05T16:47:21Z)
Auditing for Discrimination in Algorithms Delivering Job Ads [70.02478301291264]
我々は,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる、広告配信における歪の区別です。第2に,他の要因と資格の違いによって説明可能なスクリューを区別する監査手法を開発する。第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。
論文参考訳（メタデータ） (2021-04-09T17:38:36Z)
Efficient Optimal Selection for Composited Advertising Creatives with Tree Structure [24.13017090236483]
視覚的に楽しめる広告クリエイティビティは、製品のクリックスルーレート(CTR)を増加させる可能性がある。ツリー構造に基づいたアダプティブで効率的な広告クリエイティブセレクションフレームワークを提案します。ツリー構造に基づいて、トンプソンサンプリングは動的プログラミングに適応され、最大のCTRを持つ潜在的な広告クリエイティブの効率的な探索につながります。
論文参考訳（メタデータ） (2021-03-02T03:39:41Z)
An Empirical Study of In-App Advertising Issues Based on Large Scale App Review Analysis [67.58267006314415]
われわれは,App StoreとGoogle Playの広告関連ユーザフィードバックに関する大規模分析を行った。広告関連レビュー36,309件の統計分析から,利用者は使用中のユニーク広告数や広告表示頻度を最も気にしていることがわかった。いくつかの広告イシュータイプは、他の広告イシューよりも開発者によって迅速に対処される。
論文参考訳（メタデータ） (2020-08-22T05:38:24Z)
Learning to Create Better Ads: Generation and Ranking Approaches for Ad Creative Refinement [26.70647666598025]
i)新しい広告テキストを生成すること、(ii)新しい広告テキストにキーフレーズを推奨すること、(iii)画像タグ(画像中のオブジェクト)を推奨すること。複数の広告主が実施したA/Bテストに基づいて、劣悪な広告クリエイティブと優良な広告クリエイティブのペアワイズな例を作成します。また、Yahoo Geminiの広告プラットフォームからのデータを使って、実験から広く適用可能な洞察を共有しています。
論文参考訳（メタデータ） (2020-08-17T16:46:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。