Görüntülü Reklamcılıkta Soğuk Başlangıç Sorunu için Görüntü Özelliği Öğrenimi
Bu, Tencent tarafından 15 yıl içinde ijcai15'te yayınlanan bir makaledir. Bu, görüntü derinliği özelliklerinin reklam TO tahminine uygulanmasıyla ilgili daha önceki çalışmalardan biridir.Makaledeki fikir iki aşamaya ayrılmıştır:
- Adım 1: Orijinal görüntüden kullanıcının tıklama durumuna kadar uçtan uca görüntü özelliğini öğrenmek için CNN'yi kullanın
- 2. Adım: Önceki adımda eğitilen CNN, tıklama oranıyla ilgili resim özelliklerini ayıklamak için kullanılır ve reklam tıklama oranını tahmin etmek için LR gibi modelleri eğitmek için reklam özelliklerinin özellikleriyle birleştirilir.
İlk adımda, işleme yapay olarak tasarlanmış reklam malzemeleri olduğundan, imagenet'e göre daha basit ve daha az gürültülüdür.Aşırı büyük bir model kullanılırsa, aşırı uyuma neden olacağı için makale aşağıdaki yapıyı tasarlar: 100 * 100 4 katmanlı dönüşüm + Relu + maksimum havuzlama 3 katmanlı FC iki sınıflı softmax (tıklama oranı)
Makale, ölçeklendirme ve rastgele kırpma da dahil olmak üzere 220.000 eğitim seti resminin verilerini geliştiriyor, 30.000 test seti resmini 10 kez rastgele kırpıyor ve tahmin sonucu olarak ortalama çıktı olasılığını kullanıyor. Nihai sonuçlar aşağıdaki gibidir: solda yalnızca görüntü özellikleri ve sağda görüntü özellikleri artı reklam özellikleri.Özellik Öğrenme, diğer yöntemlere kıyasla önemli bir gelişmeye sahiptir.
Görüntülü Reklamcılıkta Derin TO Tahmini
Ali'nin 2016 yılında ACM MM16'da yayınladığı çalışmadır. Özellik çıkarma ve tıklama oranı tahmini entegre edilmiştir ve uçtan uca eğitim.
- Soldaki evrişimli ağ, görüntü özelliklerini çıkarmak için kullanılır.Yapı, 17 katmanlı derin evrişimli sinir ağı olan VGG16'ya benzer. Ağ yapısı daha karmaşık olduğu için, makale ilk olarak görüntü sınıflandırma görevini CNN ön eğitim problemini çözmek için kullanır.
- Sağda, tamamen bağlı katman ve giriş katmanı, reklamın temel özelliklerini eğitmek için kullanılan tek sıcak yerleştirmedir. ReLu, doğrusal olmayan dönüşüm için kullanılır.
- Her iki tarafta elde edilen 128 boyutlu vektörleri birleştirin, bir BN katmanından ve iki FC katmanından geçin ve softmax iki sınıflı sınıflandırma çıktısı alın
Sonuçlar aşağıdaki gibidir:
Görüntü Önemlidir: Gelişmiş Model Sunucusunu kullanarak kullanıcı davranışlarını görsel olarak modelleme
Alinin arxivde yayınlanan çalışmasıdır Makalede iki ana yenilik vardır.
- Materyal tarafı reklam görüntüsü sadece reklamı karakterize etmek için değil, aynı zamanda Kullanıcı tarafı modelleme için kullanılır, kullanıcının geçmişte tıklanan resimlerine (kullanıcı davranışı resimleri) dayalı olarak kullanıcının görsel tercihini modellemek için kullanılır .
- Görüntü özelliklerinin getirdiği büyük miktarda veri, teknik bir darboğaz haline geldi. Ali ekibi ayrıca geleneksel PS (parametre sunucusu) sunucusuna bir "model eğitimi" işlevi ekledi ve yeni yapı Gelişmiş Model Sunucusu (AMS) olarak adlandırıldı. .
Model ve AMS mimarisi aşağıdaki gibidir: Model üç bölüme ayrılmıştır:
- Reklam kimliğinin gömme özellikleri (siyah kısım)
- Reklam resmi özellikleri (pembe kısım)
- Kullanıcı görsel tercihi (mavi kısım)
Concat'tan sonra, üç FC katmanından geçer ve softmax iki sınıflandırması verir
AMS mimarisi bölümü aşağıdaki makalede ayrıntılı olarak açıklanmıştır, taşıma:
Bir resim bin kelimeye bedeldir: Ali'nin Derin Görüntü TO Modelinin Yorumlanması
Deneysel sonuçlar şu şekildedir: görüntü özellikleri biraz geliştirildi, ancak görüntüye tıklayan kullanıcının özellikleri eklendiğinde marjinal fayda yüksek değil
Yayınlanan 2019-04-19
Eser sahibi: sticking plaster
Bağlantı: https://www.zhihu.com/question/68080757/answer/655909734
Kaynak: Zhihu
-
- Derin Açma: Derin ağ ile geleneksel model arasında bir köprü
-
- Skip-Gram bağlamının tahmin algoritmasını anlamak için bir makale
-
- "Xiang" Yuben Binyıl Seramik Becerilerinin Kalıcılığı ve Yeniliği
-
- Chen Erpu Sağlık Merkezi Aile Hekimi: Köylülerin sağlığının "bekçisi" olun
-
- Çin'deki üniversite öğrencilerini kim destekliyor?
-
- Dinamik bellek ağı: genel NLP'ye bir adım daha yakın
-
- Taobao kategori öznitelik sistemi hakkında konuşmak: ürün aramanın ardındaki mantıksal yapı
-
- Kaç tane otoriter kedi gördün?
-
- Flink sürgülü pencere optimizasyonu
-
- Kapsamlı pratik rehber: transfer öğrenimi ve derin öğrenmedeki uygulaması
-
- LinkedIn işe alım arama ve öneri sisteminin arkasındaki yapay zeka
-
- Acemi Kedi Yetiştirme: Kediler ne yiyemez? Dikkat edilmesi gereken başka ne var?