論文の概要: Long-Term Ad Memorability: Understanding & Generating Memorable Ads

• arxiv url: http://arxiv.org/abs/2309.00378v4
• Date: Sat, 20 Jul 2024 04:23:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 05:36:51.481712
• Title: Long-Term Ad Memorability: Understanding & Generating Memorable Ads
• Title（参考訳）: 長期の広告記憶可能性:記憶に残る広告の理解と生成
• Authors: Harini S I, Somesh Singh, Yaman K Singla, Aanisha Bhattacharyya, Veeky Baths, Changyou Chen, Rajiv Ratn Shah, Balaji Krishnamurthy,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.23854539909078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Marketers spend billions of dollars on advertisements, but to what end? At purchase time, if customers cannot recognize the brand for which they saw an ad, the money spent on the ad is essentially wasted. Despite its importance in marketing, until now, there has been no large-scale study on the memorability of ads. All previous memorability studies have been conducted on short-term recall on specific content types like action videos. On the other hand, the advertising industry only cares about long-term memorability, and ads are almost always highly multimodal. Therefore, we release the first memorability dataset, LAMBDA, consisting of 1749 participants and 2205 ads covering 276 brands. Running statistical tests over different participant subpopulations and ad types, we find many interesting insights into what makes an ad memorable, e.g., fast-moving ads are more memorable than those with slower scenes; people who use ad-blockers remember a lower number of ads than those who don't. Next, we present a model, Henry, to predict the memorability of a content. Henry achieves state-of-the-art performance across all prominent literature memorability datasets. It shows strong generalization performance with better results in 0-shot on unseen datasets. Finally, with the intent of memorable ad generation, we present a scalable method to build a high-quality memorable ad generation model by leveraging automatically annotated data. Our approach, SEED (Self rEwarding mEmorability Modeling), starts with a language model trained on LAMBDA as seed data and progressively trains an LLM to generate more memorable ads. We show that the generated advertisements have 44% higher memorability scores than the original ads. We release this large-scale ad dataset, UltraLAMBDA, consisting of 5 million ads. Our code and datasets are available at https://behavior-in-the-wild.github.io/memorability.
• Abstract（参考訳）: マーケターは広告に何十億ドルも費やしている。 購入時に、顧客が広告を見たブランドを認識できなければ、広告に費やされたお金は本質的に無駄になる。 マーケティングの重要性にもかかわらず、これまで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。 過去の記憶力に関する研究はすべて、アクションビデオのような特定のコンテンツタイプに関する短期的なリコールで行われている。 一方、広告業界は長期的な記憶力だけを気にしており、広告はほとんど常に非常にマルチモーダルである。 そこで,第1回記憶可能性データセットLAMBDAを公開し,参加者1749名,広告2205名が276ブランドをカバーした。 さまざまな参加者のサブポピュレーションや広告タイプに対する統計的テストを実行すると、広告を記憶可能なものにするための興味深い洞察がたくさん得られます。 次に,コンテンツの記憶可能性を予測するモデルHenryを提案する。 Henry氏は、すべての顕著な文献記憶可能性データセットで最先端のパフォーマンスを達成する。 これは、目に見えないデータセットで0ショットでより良い結果を得ることができ、強力な一般化性能を示す。 最後に、記憶可能な広告生成を意図して、自動注釈付きデータを利用して高品質な記憶可能な広告生成モデルを構築するスケーラブルな方法を提案する。 当社のアプローチであるSEED(Self rEwarding mEmorability Modeling)は,LAMBDAをシードデータとしてトレーニングした言語モデルから始まり,LLMを段階的にトレーニングして,より記憶に残る広告を生成する。 生成した広告は、元の広告よりも44%高い記憶率を示す。 この大規模広告データセットであるUltraLAMBDAは500万の広告で構成されています。 私たちのコードとデータセットはhttps://behavior-in-the-wild.github.io/memorability.orgで公開されています。

関連論文リスト

• Advertiser Content Understanding via LLMs for Google Ads Safety [9.376815457907195]
  本研究では,Large Language Models (LLM) を用いたコンテンツポリシー違反に対する広告主の意図を理解する手法を提案する。 広告、ドメイン、ターゲティング情報等からの複数の信号に基づいて広告主のコンテンツプロファイルを生成する。 最小限のプロンプトチューニングの後、我々の手法は小さなテストセットで95%の精度に達することができた。
  論文  参考訳（メタデータ） (2024-09-10T00:57:51Z)
• Discrimination through Image Selection by Job Advertisers on Facebook [79.21648699199648]
  求人広告における新たな差別手段の出現状況について検討する。 ターゲティングとデリバリーの両方を組み合わせ、求人広告画像の特定の人口層を不均等に表現したり排除したりする。 私たちはFacebook Ad Libraryを使って、このプラクティスの有病率を実証しています。
  論文  参考訳（メタデータ） (2023-06-13T03:43:58Z)
• Problematic Advertising and its Disparate Exposure on Facebook [15.667983888666312]
  我々はFacebookを調査し、問題のあるオンライン広告の理解における重要なギャップを調査する。 高齢者や少数民族の広告が特に表示されることがわかりました。 問題のある広告の22%が広告主から特定のターゲティングをしていないことを考えると、広告配信アルゴリズムがこれらの広告の偏りのある分布に重要な役割を果たしたと推測する。
  論文  参考訳（メタデータ） (2023-06-09T17:23:59Z)
• 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)
• 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)
• How Much Ad Viewability is Enough? The Effect of Display Ad Viewability on Advertising Effectiveness [0.0]
  広告インプレッションが35万以上ある大規模観測データセットを分析した。 長い露光時間と100%可視画素は、ビュースルーを生成するのに最適ではないように見える。 最も高いビュースルーレートは、50%/1, 50%/5, 75%/1, 75%/5の比較的低いピクセル/秒の組み合わせで生成される。
  論文  参考訳（メタデータ） (2020-08-26T05:49:57Z)
• 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)
• Do Interruptions Pay Off? Effects of Interruptive Ads on Consumers Willingness to Pay [79.9312329825761]
  本研究は,広告主ブランドの商品に対する消費者の支払い意欲に及ぼす割り込み広告の影響を計測する研究結果である。 本研究は, 広告の経済的影響に関する研究に寄与し, 実験マーケティング研究における実際の(自己申告の)支払意欲を測定する方法を紹介した。
  論文  参考訳（メタデータ） (2020-05-14T09:26:57Z)
• adPerf: Characterizing the Performance of Third-party Ads [5.9535711951131205]
  ウェブ広告の深い評価と第一種評価を適用した。 広告のすべてのコンポーネントによってコストを特徴付けることを目指しており、パブリッシャー、広告シンジケート、広告主は詳細なガイダンスで広告のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-02-06T02:09:05Z)

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。