창의성이라고 하면 누구나 먼저 광고 창의성을 떠올릴 것입니다. 사실 보험의 창의적 추천 역시 광고 창의성의 수직적 응용 제품입니다.
컴퓨팅 광고로 해결되는 문제는 특정 사용자에게 해당 광고를 선택하여 특정 의미에 따라 가장 창의적인 그래픽과 텍스트를 일치시키는 것입니다. 보조 보험 추천 모듈에서 컨텍스트는 검색 시나리오에서 사용자가 항공권이나 기차표를 구매하는 것과 관련된 일부 컨텍스트 정보를 나타내며, 컨텍스트는 검색 엔진의 일부 쿼리 단어를 나타냅니다. 연령, 성별 등과 같은 정보는 보험 상품, 호텔 화장품 및 기타 N 규모의 상품이며 창의적인 그래픽 및 텍스트의 수는 N*M입니다. 컴퓨터 광고가 직면한 과제는 복잡한 제약 조건 하에서 대규모 최적화 및 검색 문제에 있습니다.
이 기사에서는 주로 창의적인 사진과 텍스트의 추천에 대해 설명합니다. 다음으로 Fliggy Insurance가 창의적인 추천을 사용하는 방법을 소개하겠습니다.
우선 OTP 업계에서는 보조사업으로서의 여행보험이 현재 상대적으로 중요한 상업수입원이 되고 있습니다. 보험 추천에서는 상품 추천, 가격 추천 외에도 창의적인 추천이 매우 중요한 개인화 추천 모듈로 활용되어 왔습니다. 예를 들어, 개인정보를 입력하면 일부 구성요소가 보이고, 결제창을 내리면 팝업창도 함께 볼 수 있습니다.
창의적인 보험 추천이 직면한 과제는 세 가지로 요약할 수 있습니다.
한 가지 카테고리는 데이터 희소, 사용자 데이터 희소성 및 창의적 데이터 희소성을 포함합니다. 창의적인 데이터 희소성이란 운영이나 UI 학생들이 창의적인 아이디어를 반복하거나 일부 창의적인 아이디어가 계절적 이유로 선반에 올려졌다 꺼졌다가 온라인에서 창의적인 노출이 고르게 분포되지 않는다는 사실을 의미합니다. 또한 여행, 보험, 창작 등은 빈도가 낮은 거래이기 때문에 사용자의 개인 구매 내역 데이터 등 3가지 관련 구매 데이터를 거의 얻지 못합니다. 동시에 보험은 보조상품이기 때문에 검색과 달리 이용자의 구매의도를 명확히 알 수 있다. 또한 창의적 이해와 사용자 이해 사이에 통일되고 구조화된 시스템이 부족합니다.
두 번째 범주는 샘플 데이터 반사실입니다. 각 사용자는 고유한 광고 소재 사본만 볼 수 있습니다. 즉, 광고 소재 A 또는 B만 볼 수 있습니다. 여러 창의적인 아이디어가 동일한 사용자에게 동일한 시기 및 시점에 노출될 수 없습니다.
세 번째 카테고리는 산업 간 창의적 콜드 스타트입니다. Fliggy Insurance는 여러 산업에 걸쳐 있으며, 새로운 산업에 개입하기 시작할 때 A 산업에서 잘 작동하는 일부 아이디어를 B 산업으로 마이그레이션하는 등 기존 분야의 지식을 재사용하는 방법도 나중에 해결할 문제입니다.
업계 현황을 간략하게 소개하겠습니다.
광고 창의성은 두 가지 주요 알고리즘 범주로 나뉩니다. 하나는 Epsilon 탐욕 또는 Thompson 샘플링과 같은 상황 독립적 알고리즘과 베이지안 선형 회귀 상관 관계와 같이 Alimama 학생들이 만든 좀 더 우아한 E&E 알고리즘입니다. 다른 유형은 사용자 및 상황 정보를 권장 사항으로 추가하는 상황 관련 알고리즘.
데이터 희소성 문제를 해결하기 위해 우리는 주로 교차 도메인 학습을 사용하여 두 가지 문제, 두 가지 관련 작업을 해결하고 풍부한 데이터 도메인의 데이터를 사용하여 부족한 데이터 도메인의 문제를 해결하며 여러 도메인의 데이터를 결합하여 문제를 해결합니다. 각 도메인에 대한 질문입니다.
우선, 데이터 인사이트를 통해 개별 사용자에 대한 창의적인 과거 선호도 데이터가 무엇인지 알 수 있습니다. 상대적으로 드물지만 그룹의 경우 사용자는 실제로 일부 특성화를 수행할 수 있습니다. 예를 들어, 노인들은 가족과 관련된 설명을 선호하고, 출발일에 날씨가 좋지 않을 때 항공권 업계는 일기예보와 유사한 자료에 더 민감하다는 것을 알 수 있습니다. 그런 다음 개별 사용자 데이터에서 그룹, 관련 이벤트 및 창의성에 대한 이해를 통합하고 연관 표시 후 그룹 추천을 제공하는 방법으로 생각을 전환할 수 있습니다. 체계적으로 이해한 후, 세 가지 간의 인과관계 다이어그램을 구축하면 개인 사용자 데이터가 희박한 문제를 일부 해결할 수 있습니다.
희소한 창작 데이터의 문제를 해결하기 위해 우리의 솔루션은 새로운 자료가 온라인에 나올 때 무작위로 온라인에 노출하는 것입니다.
또 다른 문제는 산업 간 창의성의 콜드 스타트입니다. 예를 들어, 기상 현상 요인과 관련하여 다양한 산업 분야에 관계없이 모든 사람의 선호도가 실제로 상대적으로 유사하다는 사실을 발견했습니다. 특히 버스표나 기차표 사업의 경우 모든 사람의 구매 습관이 매우 유사하므로 몇 가지 창의적인 권장 지식은 마이그레이션이 될 수 있다는 것입니다. 방금 언급한 라벨링과 체계적인 이해 및 라벨 연관을 통해 수행됩니다. 동일한 지식 시스템 하에서 다양한 산업의 레이블을 정렬함으로써 그래프 컨볼루션 모델의 일반화 기능을 통해 일부 일반화 지식 전달이 수행됩니다.
방금 언급한 체계적인 이해와 표준화된 표시는 주로 세 부분으로 나뉩니다.
하나는 사용자 측이고, 다른 하나는 장면과 이벤트에 대한 이해를 할 것입니다. 부분은 사용자의 기본 속성을 이해하는 것이고, 마지막 부분은 창의성 측면에서 일부 그래픽 및 텍스트 자료를 이해하는 것입니다. 마지막으로 세 가지 모두 레이블 시스템 하에서 통합되고 표준화되어 나중에 그래프 간의 관계를 설정하는 데 도움이 됩니다.
위 사진이 좀 더 확실한 사진입니다. 그 중 삼각형 기호는 여성이나 노인 등 사용자 측의 속성을 나타내고, 원형 기호는 천둥, 야간 이동 등의 사건이나 맥락 이해를 분류하기 위한 것이며, 사각형 기호는 자료의 분류를 의미한다.
방금 언급한 세 번째 과제는 표본에 반사실적 현상이 있다는 것입니다. 이 문제를 해결하기 위해 인과 추론은 해당 그룹의 평균 전환율을 사용하는 것입니다. 다양한 마케팅 자료를 통해 개인의 선호도를 추정할 수 있습니다.
앞서 언급한 세 가지 유형의 솔루션을 결합하여 네트워크 구조의 모델 설계를 제안했습니다. 먼저 문제를 정의합니다. 사용자 정보, 문맥 정보, 크리에이티브 카피라이팅의 구조화된 정보를 입력하여 광고 크리에이티브를 정렬하고 점수를 매긴 다음 가장 높은 점수를 받은 크리에이티브를 선택하여 사용자에게 출력합니다.
위 사진은 보험 크리에이티브 그래픽과 텍스트 추천 프로세스 프레임워크입니다.
우선 앞서 언급한 바와 같이 크리에이티브 모듈에서는 보험 유형이나 가격 정렬에 개입하지 않습니다. 크리에이티브 그래픽과 텍스트의 정렬은 링크의 최종 정렬 논리로 사용됩니다. 사용자 요청이 들어오면 4가지 이해가 이루어집니다. 지금 비가 내리는지 등의 이벤트 수준 이해, 사용자가 어린이를 동반한 다수인지, 노인인지 등의 사용자 기본 속성에 대한 이해. 재료 라이브러리에도 방금 언급한 태그가 표시된 후 재료의 라벨 리콜과 그에 따른 재료 창의성 정렬이 수행됩니다. 정렬 측면에서는 트래픽의 일부가 온라인 노출에도 할당됩니다.
다른 부분은 창의적인 최적화 작업을 수행하는 것입니다. 창작 선정 작업은 두 단계로 나누어집니다.
한 단계는 그림 자료를 활용한 회상 및 대략적인 정렬, 다른 하나는 카피라이팅 자료를 사용한 대략적인 정렬, 마지막으로 데카르트 조합을 수행하여 우리가 원하는 창의적인 카피라이팅을 표시합니다. 마지막으로 ECUNet을 통해 먼저 진행됩니다.
ECUNet 솔루션은 방금 언급한 세 가지 솔루션 아이디어를 기반으로 설계되었습니다. 크게 세 부분으로 나누어집니다:
첫 번째 부분 은 주로 이벤트 인식 그래프 벡터 추출을 기반으로 각 사용자 측 정보, 상황별 정보를 제공하기 위한 오프라인 사전 학습 프로세스입니다. 정보 또는 창의적인 정보에서 그래프 벡터를 추출하는 것입니다. 두 번째 부분은 적응형 클러스터링 이득 네트워크입니다. 이 부분에서 해결된 문제는 개인 문제를 해결하기 위해 그룹 지혜를 사용하는 향상 아이디어를 결합하는 것입니다. 사용자, 시나리오, 사용자 이벤트의 창의성 세 부분의 특성뿐만 아니라 그래프 벡터 추출을 통해 얻은 종합 벡터를 사용하여 둘 사이의 상호 특성을 추출하고 최종적으로 수행하는 것이 목적입니다. 득점.
이종 그래프 구성은 주로 두 부분으로 나뉩니다. 하나는 노드 구성이고 다른 하나는 에지 구성입니다.
노드 구축은 주로 사용자 샘플이 들어올 때 이루어지며 사용자 노드, 이벤트 노드, 크리에이티브 노드의 세 가지 유형의 노드에 매핑될 수 있습니다. 세 가지 유형의 노드에 매핑한 후 노드 사이에 에지를 구성할 수 있습니다.
엣지는 b 이유로 인한 보험 전환으로 이어지는 노드 a의 중요성을 나타냅니다. 예를 들어, 악천후 노드 b에 있는 학생 노드 a의 가중치는 보통 날씨 노드에 있는 학생 노드 a의 가중치보다 높을 것입니다.
위의 방법에 따라 이종 그래프가 구성되었습니다. 이 그래프를 기반으로 기존 노드 임베딩을 비교하여 각 노드의 세 장면에 대한 노드 표현을 추출합니다.
손실은 주로 항공기/화재/와 같은 특정 시나리오에 대한 자기 지도 학습을 통한 가장자리 예측 작업입니다. 장면의 steam.노드 표현.
그러나 다른 산업의 지식을 이전하고 다른 현장 산업에 통합하기 위해 공유 도메인 임베딩 노드 표현 학습을 수행했습니다. 예를 들어 기차표와 버스표는 유사합니다. 이제 사용자 샘플이 버스표에서 나온 경우 기차표 장면의 임베딩에도 가중치를 부여하고 사용자가 사용할 수 있도록 공유할 수 있습니다. 이러한 가정을 바탕으로 공유 영역 표현 학습을 수행하였다. 주로 세 가지 유형의 장면에 대한 노드를 나타내며 Attention 메커니즘의 가중치를 통해 특정 임베딩을 얻습니다.
이 EAGT 네트워크를 통해 우리는 노드 표현의 세 가지 주요 범주를 추출할 수 있습니다. 각 샘플이 세 가지 주요 카테고리의 노드 표현을 얻은 후, 카테고리 내 평균값을 얻어 사용자, 이벤트, 크리에이티브의 세 가지 노드 표현을 얻을 수 있습니다. 마지막으로 사용자 이벤트의 결합 표현과 각 항목의 결합 표현을 얻을 수 있습니다. 크리에이티브 카피는 파트 2 - 적응형 클러스터링 이득 네트워크에 입력됩니다.
집단의 지혜를 활용하여 개인의 선호도를 예측하고, 프로세스는 배치 내 작업으로 수행됩니다. 각 배치에서 각 배치의 사용자는 학습 가능한 분류기를 통해 k개의 주요 카테고리로 분류되며 유사한 사용자는 동일한 카테고리로 분류될 수 있기를 바랍니다. 무작위 샘플 샘플링 메커니즘의 보장에 따라 내부 카테고리의 사용자는 유사한 크리에이티브 카피라이팅에 투표하여 내부 카테고리 사용자가 더 관심을 갖는 크리에이티브 카피라이팅을 얻을 수 있습니다. 마지막으로, 내그룹의 선호도는 개별 사용자의 선호도를 나타내기 위해 사용되며, 이후 각 표본은 다시 레이블링됩니다. 예를 들어 G1은 세 번째 아이디어에 더 민감하고 G2는 두 번째 아이디어에 더 민감합니다. 신뢰성 있는 샘플을 얻은 후 MLP 예측을 수행하여 예측값을 얻습니다.
Multi-perspective attention network, 주요 목적은 3차원 Co-attention 메커니즘을 사용하여 사용자와 이벤트, 이벤트와 아이디어, 사용자와 이벤트 간의 내부 벡터를 연결하는 것입니다. 아이디어 관련 관심분야를 추출하여 예측을 위한 중요한 특징으로 활용합니다.
훈련의 손실 함수에도 몇 가지 디자인을 만들었습니다. 총 4개의 손실 함수가 설계되었습니다.
첫 번째 손실 함수는 인트라 손실입니다. 주로 클러스터링 블록에서 모집단 분류기가 불균일하게 분포된 값을 출력할 수 있도록 하기 위해 사용됩니다. 이 공식을 통해 유사 사용자가 특정 카테고리에서는 최고 표현을 얻고 다른 카테고리에서는 상대적으로 낮은 표현을 얻을 수 있기를 바라는 것을 알 수 있습니다.
두 번째는 클러스터링 게인 네트워크의 손실로 교차 엔트로피를 사용하는 것입니다.
세 번째는 전역 손실(Global Loss)이며, 이는 교차 엔트로피이기도 합니다.
마지막으로 세 가지 손실을 융합하여 융합 손실을 만듭니다.
데이터 세트의 일부는 업계에서 수집되었으며 Fliggy에서 데이터 세트를 수집합니다. 다른 부분은 Tianchi Advertising Creative의 공개 데이터 세트입니다.
업계의 광고 크리에이티브 순위 알고리즘과도 비교했으며, 사용자 관심분야 및 교차 시나리오 학습에 대한 일부 기준도 주로 AUC입니다.
네트워크 구조 설계 후 AUC가 어느 정도 개선되었음을 실험 데이터에서 확인할 수 있습니다. 그중에서도 다시점 네트워크의 개선이 눈에 띄고 게인 네트워크, 이종 그래프 네트워크의 구조가 뒤따릅니다.
또한 사용자 시나리오에 대해 알아볼 수 있도록 온라인에서 일부 사례를 수집했습니다. 예를 들어 날씨 정보나 길고 짧은 사진 및 기타 장면 등이 있습니다.
Base2 랜덤 모델과 비교하면 10% 향상되었습니다. 방금 언급한 광고 크리에이티브 HPM 모델과 비교하면 향상되었습니다. 5%.
이 작업에는 두 가지 주요 혁신이 있습니다.
이벤트 인식 그래프 추출기: 업계 현황 특히 창의적인 추천 모듈에서는 이벤트 인식에 대한 고려가 적습니다. 특정 보험 유형, 특정 그래픽 및 텍스트에 대한 사용자 선호도, 교차 시나리오 간 이벤트 마이그레이션과 같은 일부 교차 시나리오 정보를 통합합니다. 동시에 이 이벤트는 사용자와 창의성 간의 관계를 그래프 형태로 모델링하는 영향 노드로 사용됩니다.
적응형 클러스터링 이득 네트워크: 기존 순위 문제와 비교하여 창의적인 추천은 Top1 문제이며 인과 추론에서 직면하는 몇 가지 반사실적 현상에 직면합니다. 또한 그룹 이득 학습을 통해 이를 더 잘 완화할 수 있습니다.
A1: 이벤트 이해에는 주로 운영과의 협력이 포함됩니다. 우리는 때때로 예측할 수 없는 사건에 대해 데이터를 조사할 것입니다. 예측 가능하다면 라벨 시스템에 침전될 수 있습니다. 예측 불가능하다면 예외를 찾아내야 합니다.
시나리오 이해. 예를 들어 검색 시나리오에서는 사용자가 이번에 사고 싶은 것을 분석하기 위해 몇 가지 의도를 사용할 수 있습니다. 그러나 보험 추천에서는 사용자가 원하는 것을 얻기가 어렵습니다. 상황에 맞는 정보를 통해 구매하세요. 따라서 추론을 통한 시나리오 이해가 더 중요하며, 위의 몇 가지 기능을 통해 어떤 시나리오가 사용자가 보험을 구매하는지, 사용자가 아이디어를 구매하는지 확인하고 이를 태그로 통합할 수 있습니다. . 시스템에서는 주로 라벨링 측면에서 몇 가지 작업을 수행합니다.
A2: 주로 권장 형식으로 이루어집니다. 이번 작업에는 다중 양식이 반영되지 않았습니다. 주로 일부 ID 유형 표현 또는 일부 통계적 표현과 같은 임베딩이 방금 언급되었으며 이러한 표현은 이 그래프 네트워크에 있고 마지막으로 그래프 노드 임베딩이 수행됩니다. 그래프 노드 임베딩의 한 가지 이점은 예를 들어 특정 유형의 사용자가 창의적인 카피라이팅에 민감한 경우 사용자와 창의적인 카피라이팅 간에 유사한 점이 있을 수 있다는 것입니다.
A3: 모서리에 관해서는 주로 조건부 변환 확률과 유사한 프로세스를 수행합니다. 예를 들어, 악천후에서는 학생 노드의 전환율이 더 높아질 수 있습니다. 어떤 경우에는 가장자리 자르기 작업이 수행됩니다. 에지 표현 학습은 포함되지 않으며 주로 노드의 학습 과정에 있습니다.
A4: 이벤트 카피라이팅은 아직은 약간 수동적입니다. 올해 보험업계에 많은 사건이 발생했기 때문에 각 사건의 영향 기간도 살펴보도록 하겠습니다. 대략적인 주기는 1주~2주 정도가 될 예정이므로, 이 영역의 시간 주기도 이 범위 내에서 조절될 예정입니다.
카피라이팅의 적시성에 관해서는 카피라이팅을 강력한 규칙으로 묶어두자. 예를 들어, 중추절이 얼마 전에 지나갔습니다. 중추절 카피라이팅이 있는 경우 이 카피라이팅은 중추절 기간에만 적용됩니다. 예를 들어, 출발 시간이 추석 기간이거나, 구매 시간이 추석 기간인 경우 리콜되며, 그 외 시간에는 절대 리콜되지 않습니다.
오늘의 나눔은 여기까지입니다. 모두 감사합니다.
위 내용은 Fliggy Insurance의 창의적 순위에 이벤트 인식 클러스터링 이득 네트워크 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
