使用深度卷积神经网络方法探索在线广告图像

在当今世界中，在线广告是一个庞大且快速增长的广告市场。在线广告的一种常见形式是使用图像广告。每次用户看到广告时都会做出决定（通常是实时的），广告主渴望确定要展示的最佳广告。因此，已经开发了许多算法来计算在当前时间向当前用户展示的最优广告。通常，这些算法侧重于广告的变体，在不同属性之间进行优化，例如背景颜色、图像大小或图像集。然而，存在一个更基础的层面。我们的研究着眼于在广告展示之前（而非在线优化）可以确定的广告新品质，并定义哪些广告最有可能成功。我们提出了一套新颖的算法，利用深度学习图像处理、机器学习和图论来研究在线广告，并构建可以预见图像广告成功的预测模型。我们在包含超过 260,000 张广告图像的数据集以及一个专门与汽车行业相关的较小数据集上评估了我们的算法，我们成功构建了用于广告图像点击率预测的回归模型。所得结果强调了使用深度学习算法有效且高效地分析图像广告以及创建更好、更具创新性的在线广告的巨大潜力。此外，本文提出的算法可以帮助预测广告成功，并可应用于分析其他大规模图像语料库。