論文の概要: COBART: Controlled, Optimized, Bidirectional and Auto-Regressive Transformer for Ad Headline Generation

• arxiv url: http://arxiv.org/abs/2607.08071v1
• Date: Thu, 09 Jul 2026 02:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.399005
• Title: COBART: Controlled, Optimized, Bidirectional and Auto-Regressive Transformer for Ad Headline Generation
• Title（参考訳）: COBART:広告見出し生成のための制御・最適化・双方向・自動回帰変換器
• Authors: Yashal Shakti Kanungo, Gyanendra Das, Pooja A, Sumit Negi,
• Abstract要約: 既存の方法は見出しを自動的に生成し、クリックスルーレート(CTR)と品質を最適化する。 BARTファインチューニングとともにプレフィックス制御トークンを使用する新しい手法を提案する。 最高のCTRを出力し、ユーザーは様々な広告フォーマットで使用するために生成された見出しの長さを制御できる。
• 参考スコア（独自算出の注目度）: 5.768953031858987
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Online ads are essential to all businesses and ad headlines are one of their core creative component. Existing methods can generate headlines automatically and also optimize their click-through-rate (CTR) and quality. However, evolving ad formats and changing creative requirements make it difficult to generate optimized & customized headlines. We propose a novel method that uses prefix control tokens along with BART fine-tuning. It yields the highest CTR and also allows users to control the length of generated headlines for use across different ad formats. The method is also flexible and can easily be adapted to other architectures, creative requirements and optimization criteria. Our experiments demonstrate a 25.82% increment in Rouge-L and a 5.82% increment in estimated CTR over previously published strong ad headline generation baseline.
• Abstract（参考訳）: オンライン広告はすべてのビジネスにとって不可欠であり、広告の見出しはその中核となる創造的要素の一つだ。 既存の方法は見出しを自動的に生成し、クリックスルーレート(CTR)と品質を最適化する。 しかし、広告フォーマットの進化とクリエイティブな要求の変化は、最適化されカスタマイズされた見出しを生成するのを困難にしている。 BARTファインチューニングとともにプレフィックス制御トークンを使用する新しい手法を提案する。 最高のCTRを出力し、ユーザーは様々な広告フォーマットで使用するために生成された見出しの長さを制御できる。 この方法は柔軟性があり、他のアーキテクチャや創造的な要件、最適化基準に容易に適応できる。 我々の実験は、以前公表された強力な広告見出し生成ベースラインよりも25.82%のルージュ-L増加と5.82%のCTR増加を示す。

関連論文リスト

• Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
  広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。 広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。 提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T13:58:06Z)
• CTR-Driven Ad Text Generation via Online Feedback Preference Optimization [28.734264007257085]
  大規模言語モデル(LLM)は、手動の広告テキスト作成よりも効率性が高い。 LLMは人造テキストよりも高いCTR性能を保証していない。 オンラインフィードバックからの好みの最適化によってCTRを最適化する新しい広告テキスト生成手法を提案する。
  論文  参考訳（メタデータ） (2025-07-27T11:13:03Z)
• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• Open-MAGVIT2: An Open-Source Project Toward Democratizing Auto-regressive Visual Generation [74.15447383432262]
  Open-MAGVIT2プロジェクトは、GoogleのMAGVIT-v2トークンのオープンソースレプリケーションを生成する。 我々は、大規模なデータに基づいて事前訓練されたトークンーザを提供し、ゼロショットベンチマークでコスモスを著しく上回っている。 我々は3億から1.5Bまでの自己回帰画像生成モデル群を作成した。
  論文  参考訳（メタデータ） (2024-09-06T17:14:53Z)
• Efficient Transfer Learning Framework for Cross-Domain Click-Through Rate Prediction [47.7066461216227]
  クロスドメインクリックスルーレート予測(E-CDCTR)のための効率的な伝達学習フレームワーク 鍵となる3つの要素:Tiny Pre-Traning Model (TPM)、Complete Pre-Traning Model (CPM)、そして—CTR Model (A-CTR) TPMは、CPMとA-CTRの両方に対して、ユーザとアイテムのよりリッチな表現を提供し、日々の更新に固有の問題を効果的に軽減します。
  論文  参考訳（メタデータ） (2024-08-29T03:34:39Z)
• 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)
• 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)
• 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)
• The Style-Content Duality of Attractiveness: Learning to Write Eye-Catching Headlines via Disentanglement [59.58372539336339]
  目を引く見出しはクリック数を増やす最初のデバイスとして機能し、プロデューサーと視聴者の間の相互効果をもたらす。 そこで本稿では,魅力的なコンテンツを取り込む見出しを生成するdahg(disentanglement-based attractive headline generator)を提案する。
  論文  参考訳（メタデータ） (2020-12-14T11:11:43Z)

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。