Présentation de CG4CTR : Une nouvelle façon de créer des pubs
CG4CTR transforme la pub en ligne en se concentrant sur les préférences des utilisateurs pour un meilleur engagement.
― 7 min lire
Table des matières
Dans le monde de la pub en ligne, c'est courant que les vendeurs créent plein d'images différentes pour mettre en avant leurs produits. Le but, c'est de choisir le meilleur design qui va attirer les utilisateurs et les pousser à cliquer sur la pub. Mais souvent, les vendeurs ont du mal à comprendre ce que les utilisateurs aiment en matière de design. Ça peut donner des pubs qui ne sont pas très jolies ou qui manquent de variété par rapport aux images créées par intelligence artificielle.
Les méthodes traditionnelles de création d'images avec l'IA ont aussi des défis parce qu'elles ne tiennent pas toujours compte des préférences des utilisateurs. Du coup, beaucoup de pubs peuvent ne pas bien marcher, ce qui mène à un Engagement plus faible. Dans de nombreux cas, les vendeurs produisent des images médiocres qui ne captent pas l'attention des acheteurs potentiels.
Pour résoudre ces problèmes, un nouveau système a été proposé pour générer des pubs créatives qui plaisent plus aux utilisateurs. Ce système s'appelle le pipeline de Génération Créative pour le Taux de clic (CG4CTR). Le but principal de CG4CTR, c'est de créer des images qui sont plus attractives et qui vont plus probablement être cliquées par les utilisateurs.
Besoin de meilleures pubs
La pub en ligne, c'est un domaine compétitif où chaque vendeur veut que ses produits se démarquent. Pour avoir un bon Taux de Clic (CTR), qui mesure à quel point les utilisateurs cliquent sur les pubs, c'est crucial de créer des images qui résonnent avec les clients potentiels.
Cependant, beaucoup de vendeurs s’appuient sur des images génériques qui ne parlent pas vraiment aux goûts de leur audience target. Ça peut mener à des opportunités perdues où les utilisateurs zappent les pubs parce qu'ils ne les trouvent pas accrocheuses ou intéressantes.
En utilisant des méthodes avancées qui incluent la compréhension des préférences des utilisateurs, les pubs peuvent être adaptées pour attirer plus d'intérêt et de clics. Un système qui se concentre à la fois sur les éléments esthétiques et le comportement des utilisateurs peut mener à de meilleures performances globales pour les campagnes publicitaires.
Comment fonctionne CG4CTR
Le système CG4CTR utilise une méthode avancée pour générer des images publicitaires. Voici comment ça marche :
Création d'Images : Le système commence par générer une image qui met en avant le produit principal tout en modifiant le fond pour le rendre plus attrayant visuellement. Ça permet de garder le produit principal en focus tout en améliorant l'apparence générale de la pub.
Utilisation des données utilisateurs : Le système prend en compte différentes caractéristiques des utilisateurs, comme leur âge et leur genre. En comprenant ces traits, le système peut créer des images personnalisées qui ont plus de chances d'attirer l'œil d'un utilisateur.
Amélioration de la Qualité : Le système CG4CTR ne crée pas juste des images à l'aveugle ; il vérifie aussi la qualité des images générées. Ça se fait à travers un processus de classement où les images sont évaluées en fonction de leur probabilité de recevoir des clics.
Boucle de feedback : Le système fonctionne dans une boucle continue où il apprend des données d'engagement. Si certaines images performent mieux que d'autres, le système utilise cette info pour améliorer la génération d'images future, garantissant que les pubs deviennent de plus en plus efficaces avec le temps.
Garder le focus : Pendant que le système modifie créativement les fonds d'images, il s'assure que le produit principal reste inchangé. C'est crucial en pub où le produit doit être clair et reconnaissable.
La technologie derrière CG4CTR
La technologie utilisée dans CG4CTR combine divers éléments d'intelligence artificielle. Voici quelques caractéristiques clés :
Modèle de diffusion stable : Cette méthode permet au système de créer des images de fond visuellement attrayantes sans altérer le produit principal. Le résultat, c'est une pub plus dynamique et engageante.
Modèle de prompt : Ce modèle aide à générer des mots ou phrases appropriés qui décrivent l'image. En comprenant les caractéristiques de l’utilisateur, le modèle de prompt peut suggérer des mots qui améliorent l'attrait de la pub.
Modèle de récompense : Ce modèle évalue la qualité des images générées en prédisant leur probabilité d'être cliquées. Ça garantit que seules les meilleures images sont sélectionnées pour un usage futur.
Importance de la personnalisation
Dans le paysage publicitaire d'aujourd'hui, la personnalisation est essentielle. Les utilisateurs ont des préférences différentes et ce qui fonctionne pour un groupe peut ne pas marcher pour un autre. En utilisant des données utilisateurs, CG4CTR crée des pubs qui s'adaptent à des démographies spécifiques.
Par exemple, les utilisateurs plus jeunes pourraient préférer des designs tendance et vibrants, tandis que les utilisateurs plus âgés peuvent apprécier des esthétiques plus classiques et simples. Le système peut ajuster les éléments créatifs en fonction de ces préférences, ce qui aboutit à une stratégie publicitaire plus ciblée et efficace.
Avantages de CG4CTR
L'implémentation de CG4CTR apporte de nombreux avantages aux campagnes publicitaires :
Engagement supérieur : En produisant des images plus attrayantes et personnalisées, la probabilité que les utilisateurs cliquent sur les pubs augmente.
Décisions basées sur les données : Le système apprend en continu des données de performance précédentes, ce qui lui permet de prendre des décisions éclairées sur les futurs designs de pubs.
Efficacité : La nature automatisée du système CG4CTR fait gagner du temps aux vendeurs en rationalisant le processus créatif. Ça permet aux vendeurs de se concentrer sur d'autres aspects importants de leur business.
Contrôle de qualité : La boucle de feedback intégrée garantit que seules les meilleures images créatives sont utilisées dans les campagnes, menant finalement à de meilleurs résultats.
Test en ligne et résultats
Pour évaluer l'efficacité de CG4CTR, des tests en ligne ont été menés. Différentes catégories de produits ont été utilisées, et le système a généré un ensemble de créatifs pour chaque article. Ceux-ci ont été évalués en fonction des métriques d'engagement.
Les résultats ont montré des améliorations significatives en matière de CTR et de revenus de vente par rapport aux méthodes précédentes. Ça indique que CG4CTR réussit bien à créer des pubs plus engageantes qui résonnent avec les utilisateurs.
Conclusion
Le système CG4CTR représente une avancée significative dans la création de pubs en ligne. En intégrant les préférences utilisateurs et en se concentrant sur l'attrait visuel, ce système peut générer des créatifs de meilleure qualité qui mènent à un engagement et à des ventes accrus.
Alors que le paysage de la publicité en ligne continue d'évoluer, des outils comme CG4CTR sont essentiels pour les vendeurs qui veulent capturer l'attention des acheteurs potentiels et améliorer l'efficacité de leur publicité. L'avenir de la publicité repose sur la personnalisation, et CG4CTR ouvre la voie à une approche plus ciblée de la génération créative.
Titre: A New Creative Generation Pipeline for Click-Through Rate with Stable Diffusion Model
Résumé: In online advertising scenario, sellers often create multiple creatives to provide comprehensive demonstrations, making it essential to present the most appealing design to maximize the Click-Through Rate (CTR). However, sellers generally struggle to consider users preferences for creative design, leading to the relatively lower aesthetics and quantities compared to Artificial Intelligence (AI)-based approaches. Traditional AI-based approaches still face the same problem of not considering user information while having limited aesthetic knowledge from designers. In fact that fusing the user information, the generated creatives can be more attractive because different users may have different preferences. To optimize the results, the generated creatives in traditional methods are then ranked by another module named creative ranking model. The ranking model can predict the CTR score for each creative considering user features. However, the two above stages are regarded as two different tasks and are optimized separately. In this paper, we proposed a new automated Creative Generation pipeline for Click-Through Rate (CG4CTR) with the goal of improving CTR during the creative generation stage. Our contributions have 4 parts: 1) The inpainting mode in stable diffusion is firstly applied to creative generation task in online advertising scene. A self-cyclic generation pipeline is proposed to ensure the convergence of training. 2) Prompt model is designed to generate individualized creatives for different user groups, which can further improve the diversity and quality. 3) Reward model comprehensively considers the multimodal features of image and text to improve the effectiveness of creative ranking task, and it is also critical in self-cyclic pipeline. 4) The significant benefits obtained in online and offline experiments verify the significance of our proposed method.
Auteurs: Hao Yang, Jianxin Yuan, Shuai Yang, Linhe Xu, Shuo Yuan, Yifan Zeng
Dernière mise à jour: 2024-01-16 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2401.10934
Source PDF: https://arxiv.org/pdf/2401.10934
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.