AdBooster：基于稳定扩散外绘的个性化广告创意生成
信息检索
2023-09-22 v1 机器学习
摘要
在数字广告中，最优物品（推荐）的选择及其最佳创意呈现（创意优化）传统上被视为独立学科。然而，两者都对用户满意度有显著贡献，支撑了我们的假设：用户满意度依赖于物品的相关性与呈现方式，尤其在视觉创意方面。为此，我们引入生成式创意优化（GCO）任务，提出使用融合用户兴趣的生成模型进行创意生成，以及 AdBooster，一种基于稳定扩散（Stable Diffusion）外绘架构的个性化广告创意模型。该模型在微调阶段和生成阶段均独特地融入了用户兴趣。为进一步提升 AdBooster 性能，我们还引入了自动化数据增强流水线。通过在模拟数据上的实验，我们验证了 AdBooster 在生成比默认产品图像更相关创意方面的有效性，展示了其提升用户参与度的潜力。
引用
@article{arxiv.2309.11507,
title = {AdBooster: Personalized Ad Creative Generation using Stable Diffusion Outpainting},
author = {Veronika Shilova and Ludovic Dos Santos and Flavian Vasile and Gaëtan Racic and Ugo Tanielian},
journal= {arXiv preprint arXiv:2309.11507},
year = {2023}
}
备注
Fifth Workshop on Recommender Systems in Fashion (Fashion x RecSys 2023)