論文の概要: AdSEE: Investigating the Impact of Image Style Editing on Advertisement Attractiveness

• arxiv url: http://arxiv.org/abs/2309.08159v1
• Date: Fri, 15 Sep 2023 04:52:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:52:18.082824
• Title: AdSEE: Investigating the Impact of Image Style Editing on Advertisement Attractiveness
• Title（参考訳）: adsee: 画像のスタイル編集が広告の魅力に及ぼす影響を調査
• Authors: Liyao Jiang, Chenglin Li, Haolan Chen, Xiaodong Gao, Xinwang Zhong, Yang Qiu, Shani Ye, Di Niu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.531489722164178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online advertisements are important elements in e-commerce sites, social media platforms, and search engines. With the increasing popularity of mobile browsing, many online ads are displayed with visual information in the form of a cover image in addition to text descriptions to grab the attention of users. Various recent studies have focused on predicting the click rates of online advertisements aware of visual features or composing optimal advertisement elements to enhance visibility. In this paper, we propose Advertisement Style Editing and Attractiveness Enhancement (AdSEE), which explores whether semantic editing to ads images can affect or alter the popularity of online advertisements. We introduce StyleGAN-based facial semantic editing and inversion to ads images and train a click rate predictor attributing GAN-based face latent representations in addition to traditional visual and textual features to click rates. Through a large collected dataset named QQ-AD, containing 20,527 online ads, we perform extensive offline tests to study how different semantic directions and their edit coefficients may impact click rates. We further design a Genetic Advertisement Editor to efficiently search for the optimal edit directions and intensity given an input ad cover image to enhance its projected click rates. Online A/B tests performed over a period of 5 days have verified the increased click-through rates of AdSEE-edited samples as compared to a control group of original ads, verifying the relation between image styles and ad popularity. We open source the code for AdSEE research at https://github.com/LiyaoJiang1998/adsee.
• Abstract（参考訳）: オンライン広告は、eコマースサイト、ソーシャルメディアプラットフォーム、検索エンジンにおいて重要な要素である。 モバイルブラウジングの普及に伴い、多くのオンライン広告は、ユーザの注意を引くためのテキスト記述に加えて、カバーイメージの形で視覚情報とともに表示される。 近年,視覚的特徴を認識したオンライン広告のクリック率の予測や,可視性を高めるための最適な広告要素の構築に焦点が当てられている。 本稿では,広告画像に対する意味的編集がオンライン広告の人気に影響を与えるかどうかを検討する広告スタイル編集・魅力向上(adsee)を提案する。 本稿では,従来の視覚的特徴やテキスト的特徴に加えて,GANに基づく顔のセマンティック編集と広告画像への逆変換を導入し,GANに基づく顔の潜伏表現に起因するクリック率予測を訓練する。 20,527のオンライン広告を含む大規模なデータセットQQ-ADを通じて、私たちは広範囲なオフラインテストを行い、セマンティックな方向と編集係数がクリック率に与える影響について調査する。 さらに、入力された広告カバー画像に対して最適な編集方向と強度を効率的に検索し、その投影クリック率を高めるために、遺伝的広告エディタをデザインする。 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、オリジナル広告のコントロールグループと比較して検証され、画像スタイルと広告人気との関係が検証された。 我々はAdSEE研究のコードをhttps://github.com/LiyaoJiang1998/adseeでオープンソースにしています。

関連論文リスト

• Why am I Still Seeing This: Measuring the Effectiveness Of Ad Controls and Explanations in AI-Mediated Ad Targeting Systems [55.02903075972816]
  我々は,メタの「より少ない」広告制御の有効性と,AIによるターゲティングへの移行に伴う広告ターゲティング説明の有効性を評価する。 調査対象のトピックに対する"See less"広告コントロールの利用は,Metaがこれらのトピックについて示す広告数を著しく減少させるものではないことがわかった。 ローカル広告の広告ターゲティング説明の大部分は、位置特化ターゲティング基準に言及していない。
  論文  参考訳（メタデータ） (2024-08-21T18:03:11Z)
• Improving Generalization of Image Captioning with Unsupervised Prompt Learning [63.26197177542422]
  画像キャプションの一般化(GeneIC)は、アノテーション付きデータを必要とせずに、ターゲットドメインのドメイン固有のプロンプトベクトルを学習する。 GeneICは、学習済みのContrastive Language-Image Pre-Training (CLIP)モデルと視覚的および言語的モダリティを一致させる。
  論文  参考訳（メタデータ） (2023-08-05T12:27:01Z)
• 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)
• 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)
• TSI: an Ad Text Strength Indicator using Text-to-CTR and Semantic-Ad-Similarity [16.10904771281746]
  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。
  論文  参考訳（メタデータ） (2021-08-18T16:24:40Z)
• 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)
• 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)
• Look here! A parametric learning based approach to redirect visual attention [49.609412873346386]
  画像領域を微妙な画像編集によってより注目度の高いものにするための自動手法を提案する。 我々のモデルは、前景および背景画像領域に適用可能な、異なるグローバルパラメトリック変換セットを予測する。 編集により、任意の画像サイズでインタラクティブなレートでの推論が可能になり、簡単に動画に一般化できる。
  論文  参考訳（メタデータ） (2020-08-12T16:08:36Z)
• 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)
• Recommending Themes for Ad Creative Design via Visual-Linguistic Representations [27.13752835161338]
  広告クリエイティブストラテジストのためのテーマ(キーワード)推薦システムを提案する。 テーマレコメンデータは、視覚的質問応答(VQA)タスクの結果の集約に基づく。 クロスモーダル表現は分類精度とランク付け精度を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2020-01-20T18:04:10Z)

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。