[论文解读] Fatigue-Aware Ad Creative Selection
本文提出了一种面向实时竞价中广告创意选择的疲劳感知上下文Bandit算法，通过曝光历史和创意相似性建模用户广告疲劳，动态切换创意以减少点击率下降。在真实世界DSP部署中评估，该方法显著优于基线和随机策略，在各类广告活动中平均提升点击率21%，同时缓解了疲劳引发的性能退化。
In online display advertising, selecting the most effective ad creative (ad image) for each impression is a crucial task for DSPs (Demand-Side Platforms) to fulfill their goals (click-through rate, number of conversions, revenue, and brand improvement). As widely recognized in the marketing literature, the effect of ad creative changes with the number of repetitive ad exposures. In this study, we propose an efficient and easy-to-implement ad creative selection algorithm that explicitly considers user's psychological status when selecting ad creatives. The proposed system was deployed in a real-world production environment and tested against the baseline algorithms. The results show superiority of the proposed algorithm.
研究动机与目标
- 为解决重复广告曝光（广告疲劳）对在线展示广告点击率的负面影响。
- 不仅基于对单一创意的曝光次数，还通过考虑用户在多个相似创意上的曝光历史来建模用户疲劳。
- 设计一种高效、可投入生产的算法，在显式考虑广告选择中的心理疲劳因素的同时，平衡探索与利用。
- 在真实世界DSP环境中与基线和随机策略对比评估该算法，测量其对点击率和转化率的影响。
提出的方法
- 该方法基于24小时内对同一或相似广告创意的过往曝光次数，计算疲劳得分。
- 利用预先训练的嵌入模型量化创意之间的相似性，以估计因接触相关内容而产生的累积疲劳。
- 扩展上下文Bandit算法，引入疲劳感知的探索策略，当疲劳水平较高时，提高选择新或较少展示创意的概率。
- 系统使用类似UCB的探索奖励，其值根据计算出的疲劳水平进行调整，当疲劳超过阈值时促进创意多样性。
- 系统在实时竞价环境中部署，针对每个用户每次展示持续更新疲劳得分和选择概率。
- 模型基于三个广告活动的真实RTB数据进行训练和评估，这些活动的创意数量和用户参与度各不相同。
实验结果
研究问题
- RQ1广告疲劳在实时展示广告中如何影响点击率和转化率？
- RQ2与标准上下文Bandit算法相比，疲劳感知的广告创意选择算法能否提升点击率和转化率？
- RQ3创意相似性在用户疲劳积累过程中起到多大程度的影响？
- RQ4在低数据场景和稀疏用户参与情况下，该疲劳感知算法表现如何？
- RQ5该算法在不同创意数量的多样化广告活动中是否保持稳定性和高性能？
主要发现
- 与基线相比，疲劳感知算法在平均点击率（CTR）上实现了21%的提升，相对于随机选择的CTR达到1.21倍。
- 在数据量最小的活动A中，疲劳感知算法的CTR比基线高出27%，表明其在数据稀疏情况下的鲁棒性。
- 由于数据有限，基线算法在活动A中表现出不稳定性，而疲劳感知方法在所有活动中均保持了稳定一致的性能。
- 活动A的疲劳水平最高，平均相似度得分为0.48，表明用户接触了更多相似创意，疲劳风险更高。
- 点击率随疲劳水平上升而持续下降，而展示后转化率（CVR）则表现出复杂且非单调的关系，提示点击率与转化率应采用不同的优化策略。
- 疲劳感知算法通过在疲劳水平较高时增加创意多样性，成功减少了疲劳积累，该结果得到了疲劳得分分布和曝光频率分布的验证。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。