Aplikasi rangkaian keuntungan pengelompokan yang sedar peristiwa dalam kedudukan kreatif Fliggy Insurance

1. Pengenalan latar belakang

Apabila bercakap tentang kreativiti, semua orang akan terlebih dahulu memikirkan kreativiti pengiklanan , kreativiti insurans disyorkan Ia juga merupakan produk aplikasi menegak untuk kreativiti pengiklanan.

Masalah yang diselesaikan oleh pengiklanan pengiraan adalah untuk memberi perkhidmatan kepada pengguna tertentu di bawah semantik tertentu Pilih yang sesuai iklan untuk dipadankan dengan grafik kreatif terbaik. Dalam modul pengesyoran insurans tambahan, konteks merujuk kepada beberapa maklumat kontekstual tentang pengguna yang membeli tiket penerbangan atau tiket kereta api dalam senario carian, konteks merujuk kepada beberapa perkataan pertanyaan dalam enjin carian merujuk kepada pangkalan pengguna; Maklumat, seperti umur dan jantina, dsb.; iklan adalah produk insurans, kosmetik hotel dan produk lain bermagnitud N; Cabaran yang dihadapi oleh pengiklanan pengiraan terletak pada pengoptimuman berskala besar dan masalah carian di bawah kekangan yang kompleks.

Artikel ini terutamanya membincangkan tentang cadangan gambar dan teks kreatif Pemilihan dan susunan iklan tidak dipertimbangkan Seterusnya, kami akan memperkenalkan cara Fliggy Insurance digunakan cadangan kreatif daripada.

Pertama sekali, dalam industri OTP, insurans perjalanan sebagai perniagaan tambahan kini merupakan sumber komersial yang agak penting. pendapatan. Dalam pengesyoran insurans, sebagai tambahan kepada pengesyoran produk dan pengesyoran harga, pengesyoran kreatif telah digunakan sebagai modul pengesyoran diperibadikan yang sangat penting. Sebagai contoh, apabila mengisi maklumat peribadi, anda boleh melihat beberapa komponen, dan apabila anda menarik ke bawah pembayaran, anda juga akan melihat tetingkap timbul.

2 Cabaran Pengesyoran Kreatif Insurans

Cabaran Kreatif bagi Insurans Cabaran yang dihadapi boleh diringkaskan kepada tiga kategori utama:

Kategori pertama ialah data jarang, termasuk keterlaluan data pengguna dan keterukan data kreatif. Data kreatif yang jarang merujuk kepada fakta bahawa pelajar operasi atau UI mengulangi idea kreatif, atau beberapa idea kreatif diletakkan di atas dan di luar rak atas sebab bermusim, jadi pendedahan kreatif dalam talian tidak diagihkan secara sama rata. Selain itu, memandangkan perjalanan, insurans dan kreativiti adalah urus niaga frekuensi rendah, kami jarang mendapat tiga keping data pembelian yang berkaitan, seperti data sejarah pembelian peribadi pengguna. Pada masa yang sama, kerana insurans adalah produk tambahan, tidak seperti carian, anda boleh mengetahui dengan jelas niat membeli pengguna. Terdapat juga kekurangan sistem bersatu dan berstruktur antara pemahaman kreatif dan pemahaman pengguna.

Kategori kedua ialah sampel data kontrafaktual . Setiap pengguna hanya boleh melihat salinan kreatif yang unik, iaitu, mereka hanya boleh melihat kreatif A atau B. Pelbagai idea kreatif tidak boleh didedahkan kepada pengguna yang sama pada tempoh masa dan masa yang sama.

Kategori ketiga ialah Permulaan dingin kreatif merentas industri. Insurans Fliggy merangkumi pelbagai industri Apabila mula campur tangan dalam industri baharu, cara menggunakan semula pengetahuan dalam bidang sedia ada, seperti memindahkan beberapa idea yang berfungsi dengan baik dalam industri A ke industri B, juga merupakan masalah yang akan kami selesaikan kemudian.

Izinkan saya memperkenalkan secara ringkas situasi semasa industri.

​Kreativiti pengiklanan terbahagi kepada dua kategori umum algoritma: satu ialah algoritma bebas konteks, seperti Epsilon tamak, atau pensampelan Thompson, dan beberapa algoritma E&E yang lebih elegan yang dibuat oleh pelajar Alimama, seperti berkaitan Regresi linear Bayesian; jenis lain ialah algoritma berkaitan konteks, yang menambahkan maklumat pengguna dan kontekstual sebagai cadangan.

Untuk menyelesaikan masalah kekurangan data, pembelajaran Cross-domain digunakan terutamanya untuk menyelesaikan dua masalah, dua tugas yang berkaitan, menggunakan data dalam domain data yang kaya untuk menyelesaikan masalah dalam domain data yang terhad, dan menggabungkan data dalam berbilang domain untuk Menyelesaikan masalah dalam pelbagai domain. ​

Untuk menyelesaikan tiga cabaran, pasukan kami mengemukakan beberapa idea penyelesaian:

Pertama sekali, mulakan dengan Daripada cerapan data, kami dapat melihat bahawa data kami tentang keutamaan sejarah kreatif pengguna individu agak jarang, tetapi kami sebenarnya boleh membuat beberapa pencirian pengguna kumpulan. Sebagai contoh, dapat dilihat daripada data bahawa warga tua lebih suka penerangan berkaitan keluarga apabila berlaku cuaca buruk pada hari berlepas, industri tiket penerbangan lebih sensitif terhadap bahan yang serupa dengan ramalan cuaca. Kemudian kita boleh mengubah pemikiran kita daripada data pengguna individu kepada cara menyatukan pemahaman kumpulan, acara berkaitan dan kreativiti serta membuat pengesyoran kumpulan selepas penandaan persatuan. Selepas pemahaman yang sistematik, mewujudkan rajah hubungan sebab akibat antara ketiga-tiga boleh menyelesaikan beberapa masalah data pengguna individu yang jarang.

​Mensasarkan masalah data kreatif yang jarang, penyelesaian kami ialah mendedahkan bahan baharu secara rawak dalam talian apabila ia datang dalam talian.

Masalah lain ialah permulaan kreativiti merentas industri yang dingin. Sebagai contoh, kami mendapati bahawa mengenai faktor peristiwa cuaca, tidak kira dalam pelbagai industri, keutamaan setiap orang sebenarnya agak serupa, terutamanya dalam perniagaan tiket bas atau kereta api, tabiat pembelian setiap orang adalah sangat serupa, jadi beberapa pengetahuan kreatif yang disyorkan adalah Migrasi boleh dijalankan melalui pelabelan dan pemahaman sistematik dan persatuan label yang baru disebut. Dengan menyelaraskan label industri yang berbeza di bawah sistem pengetahuan yang sama, beberapa pemindahan generalisasi pengetahuan dilakukan melalui keupayaan generalisasi model lilitan graf. ​

Pemahaman sistematik dan penandaan piawai yang baru disebut tadi terbahagi kepada tiga bahagian:

Satu bahagian adalah di sisi pengguna, kami akan melakukan beberapa pemahaman tentang adegan dan acara; sampingan, kami akan melakukan beberapa pemahaman Memahami beberapa bahan grafik dan teks. Akhirnya, ketiga-tiganya disatukan dan diseragamkan di bawah sistem label, yang akan membantu mewujudkan hubungan antara graf kemudian.

Gambar di atas adalah gambar yang lebih jelas. Antaranya, simbol segi tiga adalah beberapa sifat di sisi pengguna, seperti wanita atau orang tua simbol bulatan adalah untuk mengklasifikasikan pemahaman peristiwa atau konteks, seperti guruh atau perjalanan pada waktu malam dan simbol segi empat sama; bahan.

Cabaran ketiga yang baru disebut ialah terdapat fenomena kontrafaktual dalam sampel Apa yang kita fikirkan untuk menyelesaikan masalah ini ialah menggunakan pemikiran yang menaikkan semangat , sebab dan akibat Inferens ialah menggunakan purata kadar penukaran kumpulan di bawah bahan pemasaran yang berbeza untuk menganggarkan pilihan individu.

3. Penyelesaian

Menggabungkan tiga jenis penyelesaian yang baru disebut, kami Reka bentuk model struktur rangkaian dicadangkan. Mula-mula tentukan masalah: input ialah maklumat pengguna, maklumat kontekstual dan maklumat berstruktur copywriting kreatif, untuk mengisih dan menjaringkan kreatif pengiklanan, dan kemudian pilih kreatif dengan skor tertinggi untuk dikeluarkan kepada pengguna.

Gambar di atas ialah rangka kerja grafik kreatif dan proses pengesyoran teks untuk insurans.

Pertama sekali, seperti yang dinyatakan di atas, dalam modul kreatif, kami tidak mengganggu pengisihan jenis atau harga insurans teks adalah Sebagai logik pesanan terakhir untuk pautan. Apabila permintaan pengguna masuk, empat pemahaman dilakukan. Pemahaman peringkat acara, seperti sama ada hujan turun sekarang, seperti sama ada pengguna berbilang orang dengan kanak-kanak atau orang tua dan memahami sifat asas pengguna. Selepas pustaka bahan juga ditandakan dengan tag yang baru disebut, penarikan balik label bahan dan penyortiran seterusnya kreativiti bahan akan dijalankan Di bahagian pengisihan, sebahagian daripada trafik akan diperuntukkan untuk pendedahan dalam talian.

​Bahagian lain ialah melakukan kerja pengoptimuman kreatif. Kerja pemilihan kreatif terbahagi kepada dua langkah:

Satu langkah adalah mengingat dan menyusun kasar menggunakan bahan gambar, satu lagi adalah menyusun kasar bahan copywriting, dan akhirnya kombinasi Cartesian digunakan untuk memaparkan copywriting kreatif yang kami mahu , dan akhirnya mengutamakannya melalui ECUNet. ​

1. Struktur keseluruhan ECUNet

Berdasarkan tiga idea penyelesaian yang baru disebut, reka bentuk Penyelesaian ECUNet. Ia terbahagi terutamanya kepada tiga bahagian:

Bahagian pertama adalah berdasarkan pengekstrakan vektor graf sedar peristiwa, terutamanya pra-pemprosesan pada bahagian luar talian. Proses latihan adalah untuk mengekstrak vektor graf untuk setiap maklumat sisi pengguna, maklumat kontekstual atau maklumat kreatif bahagian kedua ialah rangkaian keuntungan pengelompokan adaptif Kumpulan secara bijak menyelesaikan masalah individu; bahagian ketiga adalah untuk menggabungkan ciri-ciri pengguna dan senario, peristiwa pengguna dan kreativiti, dan menggunakan vektor komprehensif yang diperoleh melalui pengekstrakan vektor graf untuk melakukan Perhatian Bersama antara kedua-duanya, dengan tujuan mengekstrak hubungan antara mereka, dan akhirnya melakukan pemarkahan.

2. EAGT: Membina graf heterogen

Pembinaan graf heterogen dibahagikan terutamanya kepada dua bahagian : Sebahagian daripadanya adalah pembinaan nod, dan sebahagian daripadanya adalah pembinaan tepi.

​Pembinaan nod terutamanya apabila sampel pengguna masuk dan boleh dipetakan kepada tiga jenis nod: nod pengguna, nod peristiwa dan nod kreatif. Selepas memetakan kepada tiga jenis nod, tepi boleh dibina antara nod.

Pinggir mewakili kepentingan nod a yang membawa kepada penukaran insurans kerana sebab b. Sebagai contoh, berat nod pelajar a dalam nod cuaca buruk b akan lebih tinggi daripada berat nod pelajar a dalam nod cuaca biasa. ​

Mengikut kaedah di atas, graf heterogen telah dibina. Berdasarkan graf ini, perwakilan nod bagi tiga adegan bagi setiap nod diekstrak dengan membandingkan pembenaman Nod konvensional.

terutamanya tugas ramalan kelebihan melalui pembelajaran graf yang diselia sendiri dan kehilangan menggunakan fungsi kerugian berasaskan margin, apa yang akhirnya dipelajari ialah perwakilan nod adegan tertentu, seperti tiga adegan mesin/api/wap.

Tetapi untuk memindahkan pengetahuan daripada industri yang berbeza dan mengintegrasikannya ke dalam industri adegan lain, kami melakukan pembelajaran perwakilan nod pembenaman domain kongsi. Sebagai contoh, tiket kereta api dan tiket bas adalah serupa Jika sampel pengguna kini datang daripada tiket bas, pembenaman adegan tiket kereta api juga boleh ditimbang dan dikongsi untuk digunakan oleh pengguna. Berdasarkan andaian ini, pembelajaran perwakilan domain saham telah dilakukan. Ia terutamanya mewakili nod tiga jenis adegan dan memperoleh pembenaman khusus melalui pemberat mekanisme perhatian.

Melalui Rangkaian EAGT sedemikian, kami boleh mengekstrak tiga kategori utama perwakilan nod. Selepas setiap sampel boleh mendapatkan perwakilan nod bagi tiga kategori utama, nilai purata dalam kategori boleh diperolehi untuk mendapatkan tiga perwakilan nod pengguna, peristiwa, dan idea kreatif Akhir sekali, perwakilan bersama peristiwa pengguna dan perwakilan bersama setiap salinan kreatif dimasukkan ke dalam Bahagian 2 - Rangkaian perolehan pengelompokan adaptif.

Gunakan kebijaksanaan orang ramai untuk menganggarkan pilihan individu , proses Ia adalah dilakukan berdasarkan operasi dalam kumpulan. Dalam setiap kelompok, pengguna dalam setiap kelompok diklasifikasikan ke dalam k kategori utama melalui pengelas yang boleh dipelajari, dengan harapan pengguna yang serupa boleh diklasifikasikan ke dalam kategori yang sama. Di bawah jaminan mekanisme pensampelan sampel rawak, pengguna dalam kategori dalaman boleh mengundi pada penulisan salinan kreatif yang serupa untuk mengetahui penulisan salinan kreatif mana yang lebih diminati pengguna kategori dalaman. Akhir sekali, keutamaan dalam kumpulan digunakan untuk mewakili keutamaan pengguna individu, dan kemudian setiap sampel dilabel semula. Sebagai contoh, G1 lebih sensitif kepada idea ketiga, dan G2 lebih sensitif kepada idea kedua Pengguna dalam kategori dalaman akan melabelkannya semula. Selepas mendapatkan sampel label semula, lakukan ramalan MLP untuk mendapatkan nilai ramalan.

Rangkaian perhatian pelbagai perspektif , tujuan utamanya adalah Melalui mekanisme Perhatian Bersama tiga dimensi, minat berkaitan intrinsik antara pengguna dan peristiwa, peristiwa dan idea, dan vektor pengguna dan idea boleh diekstrak sebagai ciri penting untuk ramalan.

Kami juga membuat beberapa reka bentuk dalam Fungsi Kehilangan Latihan. Sebanyak empat Fungsi Kehilangan direka bentuk.

Fungsi Kerugian pertama ialah kerugian intra. Terutamanya dalam blok pengelompokan, untuk membolehkan pengelas populasi mengeluarkan nilai teragih yang tidak seragam. Daripada formula ini, kita dapat melihat bahawa kami berharap pengguna yang serupa boleh mendapatkan ungkapan puncak dalam kategori tertentu dan ungkapan yang agak rendah dalam kategori lain.

Yang kedua ialah menggunakan entropi silang sebagai Kehilangan rangkaian keuntungan berkelompok.

Yang ketiga ialah Kerugian global, yang juga merupakan entropi silang.

Akhir sekali, gabungkan ketiga-tiga kerugian untuk membuat kehilangan gabungan. ​

4 Eksperimen dan Analisis

Sebahagian daripada Set Data kami adalah daripada industri, dikumpul daripada Set Data Yu Feizhu. Bahagian lain ialah set data awam Tianchi Advertising Creative.

Kami juga mengkaji algoritma penarafan kreatif pengiklanan dalam industri, serta beberapa garis dasar mengenai minat pengguna dan silang- pembelajaran senario Sebagai perbandingan, Metrik terutamanya AUC.

Seperti yang dapat dilihat daripada data percubaan, selepas reka bentuk struktur rangkaian kami, terdapat peningkatan tertentu dalam AUC. Antaranya, penambahbaikan rangkaian berbilang paparan adalah lebih jelas, diikuti oleh rangkaian keuntungan, dan kemudian struktur rangkaian graf heterogen.

Kami juga mengambil beberapa Kes dalam talian supaya kami boleh mempelajari beberapa perkara tentang senario pengguna. Contohnya, maklumat cuaca atau gambar panjang dan pendek serta adegan lain.

Kami juga telah melakukan beberapa percubaan dalam talian Berbanding dengan model rawak Base2, peningkatan itu Berbanding dengan model HPM kreatif pengiklanan yang baru disebut, ia telah meningkat sebanyak 5%.

5 Ringkasan dan Tinjauan

Dalam karya ini, terdapat dua inovasi utama:

Pengekstrak graf sedar peristiwa: Pada masa ini dalam industri Kurang pertimbangan untuk persepsi acara, terutamanya dalam modul pengesyoran kreatif Kerja kami agak inovatif. Dengan menyepadukan beberapa maklumat senario silang, seperti pilihan pengguna untuk jenis insurans tertentu, grafik dan teks tertentu, atau pemindahan peristiwa antara senario silang. Pada masa yang sama, peristiwa ini digunakan sebagai nod pengaruh untuk memodelkan hubungan antara pengguna dan kreativiti dalam bentuk graf.

Rangkaian perolehan pengelompokan adaptif: Berbanding dengan masalah ranking tradisional, cadangan kreatif adalah Top1 Masalah yang dihadapi dengan beberapa fenomena kontrafaktual yang ditemui dalam inferens sebab-akibat. Kita juga boleh mengurangkannya dengan lebih baik melalui pembelajaran perolehan berkumpulan.

6. Sesi Soal Jawab

S1: Bagaimana untuk mencapai pemahaman peristiwa dan pemahaman adegan?

J1: Pemahaman acara adalah berdasarkan kerjasama dengan operasi. Kami akan menggali data tersebut kadangkala tidak dapat diramalkan. Jika ia boleh diramal, ia boleh dicetuskan ke dalam sistem label Jika ia tidak dapat diramalkan, kita perlu melakukan beberapa pengesanan anomali untuk mencungkil.

Pemahaman senario Contohnya, dalam senario carian, anda boleh menggunakan beberapa niat dalam Pertanyaan untuk menganalisis perkara yang ingin dibeli oleh pengguna kali ini, tetapi dalam pengesyoran insurans. Sukar untuk mendapatkan insurans yang ingin dibeli oleh pengguna daripada maklumat kontekstual. Oleh itu, pemahaman senario lebih melalui penaakulan Pertama, ia adalah cerapan analisis data, dan kemudian melalui beberapa ciri Di atas, kita boleh melihat senario yang mempunyai kesan transformasi pada pengguna yang membeli insurans atau pengguna yang membeli idea, dan kemudian menyepadukannya ke dalam teg. . Dalam sistem, kami melakukan beberapa perkara pada bahagian pelabelan.

S2: Apakah bentuk pembenaman yang dilakukan oleh penulis penyalin kreatif dahulu?

A2: Ia dilakukan terutamanya dalam bentuk yang disyorkan tidak ditunjukkan dalam kerja ini. Pembenaman baru sahaja disebut, terutamanya sebagai contoh, beberapa perwakilan jenis ID, atau beberapa perwakilan statistik, dan kemudian perwakilan ini akan berada dalam rangkaian graf ini, dan akhirnya Pembenaman nod graf akan dijalankan. Satu faedah daripada pembenaman nod graf ialah, sebagai contoh, jika jenis pengguna tertentu sensitif terhadap beberapa copywriting kreatif, mungkin terdapat perkara yang serupa antara pengguna dan copywriting kreatif.

S3: Adakah terdapat sebarang rawatan khas untuk tepi dalam rangkaian graf heterogen? Adakah pelbagai jenis tepi dibezakan? Adakah proses pembelajaran melibatkan pembelajaran perwakilan dan pemprosesan tepi?

A3: Mengenai tepi, kami terutamanya melakukan proses yang serupa dengan kebarangkalian transformasi bersyarat. Sebagai contoh, kadar penukaran nod pelajar mungkin lebih tinggi dalam keadaan cuaca buruk. Dalam sesetengah kes, operasi pemangkasan tepi akan dilakukan. Pembelajaran perwakilan tepi tidak terlibat, ini terutamanya dalam proses pembelajaran nod.

S4: Sejauh manakah penulisan salinan acara itu tepat pada masanya?

A4: Penulisan salinan acara masih manual sedikit. Oleh kerana terdapat banyak acara dalam industri insurans tahun ini, kami juga akan melihat tempoh impak setiap peristiwa. Kitaran anggaran adalah kira-kira satu minggu hingga dua minggu, jadi kitaran masa kawasan ini juga akan dikawal dalam julat ini.

Mengenai ketepatan masa copywriting, mari kita ikat copywriting menjadi peraturan yang kukuh. Sebagai contoh, Festival Pertengahan Musim Luruh baru sahaja berlalu jika kita mempunyai penulisan salinan Festival Pertengahan Musim Luruh, maka penulisan salinan ini hanya akan berkuat kuasa semasa Festival Pertengahan Musim Luruh. Contohnya, jika masa berlepas anda adalah semasa Pesta Pertengahan Musim Luruh, atau jika masa pembelian anda adalah semasa Pesta Pertengahan Musim Luruh, masa itu akan ditarik balik, dan pastinya tidak akan ditarik balik pada masa lain.

Itu sahaja perkongsian hari ini, terima kasih semua.

Atas ialah kandungan terperinci Aplikasi rangkaian keuntungan pengelompokan yang sedar peristiwa dalam kedudukan kreatif Fliggy Insurance. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!