若何猜测一个功效更好的广告设想？

计儿坏

来历：知乎



本文为 同济大学特赞设想野生智能尝试室研讨生 陈烁 硕士论文《基于设想特征的数字图片广告结果猜测系统研讨和设想》节选，略有编辑点窜。

01 . 广告的贸易结果可以被猜测吗？


数字图片广告是我们在互联网上打仗最多的一种广告形式，其典型代表就是我们常说的Banner。它从创意策划、设想建造到投放，凡是需要复杂的战略制定和静态优化，目标就是为了更好地婚配广告内容、投放媒体、和方针人群，使广告获得最好的贸易结果。假如你是vivo市场营销人，手上有3张图片，现在需要把它们投放到微信、淘宝、抖音三个渠道，那末该若何分派这三张图片，确保可以花最少的钱，获得最大点击量？





↑ 图片广告A，图片来自收集



↑ 图片广告B，图片来自收集



↑ 图片广告C，图片来自收集


靠感受？凭经历？这些都不是我们在工作中牢靠有用的“方式”。

究竟上，我们经过堆集互联网中消耗者的行为数据，已经可以猜测广告投放前的贸易结果。在现实的工作场景中，我们可以晓得什么样的广告投放到什么样的媒体某人群中可以收获怎样的点击率。

比如，我们可以经过大数据晓得淘宝上的某爱豆粉丝更多，那末我们便可以在淘宝上投放该爱豆响应的广告设想；与之响应，微信上的用户对价格更敏感，那末就在微信上投放带有降价促销信息的广告设想。

02. 针对设想的机遇？


遗憾的是，以上提到的优化和猜测都是针对需求侧（消耗者）的婚配，而不是针对供给侧（广告设想）自己。打个例如，假如我们用一个60分的广告设想，不管怎样投放、婚配，也没法实现80分的贸易结果。

是以，这里便发生了一个基于设想供给侧的机遇：假如我们能在设想端也能发生数据的沉淀（设想数据），即可以经过数据，在数字图片广告的设想和它的贸易结果之间建立一种转换关系，使得我们可以从设想动身去猜测它的贸易结果，甚至可以从贸易结果动身，反过来为设想供给指南。




设想特征-贸易结果转换逻辑

03. 研讨方针：猜测更有用的广告设想


基于以上布景和需求，我提出一个基于设想特征的数字图片广告结果猜测系统的设想理论。
该系统可以以为是经过度析设想数据和结果数据的转换关系，来猜测图片广告贸易结果的工具。方针用户就是品牌市场部的营销人，由于他们的平常工作触及到数字图片广告素材的挑选、考核，以及投放战略的制定，而这个工具可以帮助处理他们的常见题目：什么样的图片广告设想能获得更高的点击率？
我预期该系统可以实现三个方面的方针：

1. 提效降本：投前猜测来提升广告投放的有用性，并节省用于设想图片的设想本钱和投放进程中发生的流量本钱；
2. 牢靠成果：经过大量数据的练习，让机械进修的成果比人的经历加倍牢靠，帮助用户停止决议；
3. 洞察设想：针对每一次投放使命的练习都能得出设想洞察，方便用户了解影响贸易结果的设想特征。 最初，我将这个系统取名为YUJI，意为猜测更有用的广告设想。

04. 基于设想特征的猜测方式


猜测题目，实在是典型的“回归题目”，其中拔取设想特征作为自变量x特征，拔取点击率作为因变量y，函数f(x)即猜测采用的算法不是本研讨的重点，这里将采用开源的回归算法。
重点在于自变量×，即设想特征的界说。在本研讨中，我们对设想特征做以下的结构化界说：



还记得文章开首的阿谁例子吗？我们用阿谁例子傍边的广告设想来举例：



↑ 图片广告A，图片来自收集

图A的设想特征为：蓝色、和谐色、非衬线字、左右散布、多个商品、仅品牌logo、无装潢、单色突变、促销机制、未来科技




↑ 图片广告B，图片来自收集

图B的设想特征为：蓝色、和谐色、非衬线字、居中构图、商品+人物、仅品牌logo、有装潢、照片、卖点描写、未来科技

可以看出，以上两张对照的图片广告在构图、主图形、布景等多个维度存在差别，那末这些维度能否和广告的点击率显现相关性，且其中究竟是哪些特征致使了高点击率呢？
我们经过YUJI猜测系统，从练习、猜测两个步变更手。

05. YUJI系统是若何工作的？


全部YUJI系统的猜测进程，分为练习和猜测两个阶段：

练习阶段，用户需要上传品牌的历史数据（同时带有设想特征数据和点击率数据），机械会练习获得每个设想特征的相关系数，天生猜测模子（回归方程）
猜测阶段，用户上传待测数据（带有设想特征数据），带入猜测模子，计较出点击率。



↑ YUJI系统猜测进程图示



↑ 交互界面设想


06. YUJI猜测的正确吗？


最初，我还对YUJI停止两项测试，数据来自于有米云网站，算法采用scikit-learn平台的开源模子。

在原型测试中，利用329条数据作为练习集、10条数据作为测试集，测试成果中评分60分以上，切确率Precision=1、召回率Recall=0.83；评分80分以上，切确率Precision=0.5、召回率Recall=0.33。 此外还停止了对照测试，拔取了10组具有代表性的内容类似、但设想分歧的图片广告，让YUJI猜测出每组中点击率高的一张，测得YUJI正确率为80%。同时约请10名方针用户也停止了测试，让他们按照主观判定挑选预期点击率高的一张，终极成果显现YUJI优于用户的均匀水平。你也可以扫描二维码介入对照测试。
https://ks.wjx.top/m/79089080.aspx (二维码自动识别)
综上，猜测系统能完成猜测使命，正确性待提升；且猜测成果比人的主观经历更牢靠。

07. YUJI 的未来：结果指导设想

设想特征的逆向工程是指从数字图片广告的结果数据动身，反推设想特征的进程。经过逆向工程，用户便可以晓得该品牌在某些媒体下的高点击率设想特征。

借用有米云网站数据停止设想特征的逆向工程。首先是以金融行业、腾讯广告为例，练习后获得对点击率影响的权重由大到小的设想特征维度依次为：构图>文案>字体>色相>布景>装潢>主图形>色彩>气概>LOGO。
其中，高点击率设想特征以下：


其次，还停止了分歧媒体的设想特征逆向比力：


数字图片广告点击率猜测系统已被产业界证实，具有深入的利用代价，在品牌方停止广告投放活动之前，对行将投放的图片广告停止先验猜测，可以有用地进步投放效力，削减流量浪费，节俭本钱。但是，今朝市道上的结果猜测系统大多基于需求真个消耗者数据，即增强广告与方针人群的婚配效力。而针对广告设想内容自己的优化还属于低级阶段。

本研讨就是从供给侧的角度动身，研讨若何优化设想的供给效力，进步投放结果。同时，希望可以帮助品牌和设想代理把握设想趋向洞察，为后续设想计划提出战略倡议，从底子上提升设想质量，进步营销效力。



论文参考文献：

[1] 范凌.从无穷运算力到无穷设想力：设想野生智能概览[M].同济大学出书社,2019.
[2] 范凌.曩昔的未来——一条被忘记的修建学线索[J].修建身手,2014(04):32-34.
[3] 赵思成. 图像感情感知的计较与利用研讨[D].哈尔滨产业大学,2016.
[4] 孙家广, 胡事民.《计较机图形学根本教程》(第2版)[J].计较机教育,2009(23):158.
[5] Picard R W. Affective computing[M]. MIT press, 2000.
[6] 徐冰. 基于情感丈量的打扮图像感情计较研讨[D].东华大学,2018.
[7] 段红娟.可计较美学的成长进程及利用[J].电子技术与软件工程,2019(15):46-47.
[8] Peters G. Aesthetic primitives of images for visualization[C]//2007 11th International Conference Information Visualization (IV'07). IEEE, 2007: 316-325.
[9] Wong L K, Low K L. Saliency-enhanced image aesthetics class prediction[C]//2009 16th IEEE International Conference on Image Processing (ICIP). IEEE, 2009: 997-1000.
[10] Cerosaletti C D, Loui A C. Measuring the perceived aesthetic quality of photographic images[C]//2009 International Workshop on Quality of Multimedia Experience. IEEE, 2009: 47-52.
[11] Datta R, Joshi D, Li J, et al. Studying aesthetics in photographic images using a computational approach[C]//European conference on computer vision. Springer, Berlin, Heidelberg, 2006: 288-301.
[12] Romero J, Machado P, Carballal A, et al. Aesthetic classification and sorting based on image compression[C]//European Conference on the Applications of Evolutionary Computation. Springer, Berlin, Heidelberg, 2011: 394-403.
[13] Peters R A, Strickland R N. Image complexity metrics for automatic target recognizers[C]//Automatic Target Recognizer System and Technology Conference. 1990: 1-17.
[14] Murray N, Marchesotti L, Perronnin F. AVA: A large-scale database for aesthetic visual analysis[C]//2012 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2012: 2408-2415.
[15] Kong S, Shen X, Lin Z, et al. Photo aesthetics ranking network with attributes and content adaptation[C]//European Conference on Computer Vision. Springer, Cham, 2016: 662-679.
[16] Wilber M J, Fang C, Jin H, et al. Bam! the behance artistic media dataset for recognition beyond photography[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 1202-1211.
[17] 董荪,丁友东,钱昀.基于野生智能的气概迁移算法在动画殊效设想中的利用[J].装潢,2018(01):104-107.
[18] 赵羽.采用天生式匹敌收集(GANs)停止产物设想[J].中国信息化,2019(03):50-54.
[19] Jin Y, Zhang J, Li M, et al. Towards the automatic anime characters creation with generative adversarial networks[J]. arXiv preprint arXiv:1708.05509, 2017.
[20] Taehoon Kim.DiscoGAN [EB/OL].(2018).https://github.com/carpedm20/DiscoGAN-pytorch.
[21] 黄杰.大数据时代法式化采办广告形式研讨[J].消息常识,2015(04):58-60.
[22] 刘梦娟,曾贵川,岳威,仇笠舟,王加昌.面向展现广告的点击率猜测模子综述[J].计较机科学,2019,46(07):38-49.
[23] 韩霜.法式化创意的现状和成长途径分析[J].广告大观(理论版),2017(03):77-87.
[24] AlibabaDesign.单日2684亿的背后—阿里智能产物鹿班的再次裂变[EB/OL].(2019-11-27).https://mp.weixin.qq.com/s/6R00bo6UYRK2VunUTeffIg.
[25] 周峰,万佳慧.收集广告Banner的设想研讨[J].公共文艺,2017(01):95.
[26] 王志威. 图片广告点击率猜测方式的研讨及改良[D].哈尔滨产业大学,2015.
[27] 费鸿玉.平面设想元素视觉表示的多维化[J].装潢,2009(01):118-120.
[28] 于成丽. 平面设想根本要素研讨[D].海南大学,2011.
[29] White A W. Advertising design and typography[M]. Simon and Schuster, 2015.
[30] 朱华,张歆.今世平面设想中隐性色彩信息的代价探讨[J].包装工程,2013,34(04):13-16.
[31] kbsc13.特征工程之数据预处置（上）.[EB/OL].(2019-02-11).https://mp.weixin.qq.com/s/BnTXjzHSb5-4s0O0WuZYlg.
[32] 赵思成. 图像感情感知的计较与利用研讨[D].哈尔滨产业大学,2016.
[33] QuestMobile.2019移动互联网广告营销半年报告[EB/OL].(2019-09-05).https://www.questmobile.com.cn/research/report-new/62.
[34] 阿里妈妈创意中心.2019双11创意洞察报告. [EB/OL]. (2019-11-04).https://chuangyi.taobao.com/external/reports?spm=a2esx.12365734.kbheader00.18.d7134f2aysjaBZ#/10307.
[35] 邵慧娟.常用色彩模子[J].电子天下,2013(03):57-58.
[36] 狄文辉,孙新领.数字色彩模子在数字媒体中的利用研讨[J].河南机电高档专科黉舍学报,2009,17(03):18-20.
[37] 赵敏.基于主色彩色彩特征的图像检索[J].科技创新导报,2008(19):195.
[38] 范凌.从无穷运算力到无穷设想力：设想野生智能概览[M].同济大学出书社,2019.
[39] 王大鱼. 数据预处置之将种别数据数字化的方式-LabelEncoder VS OneHotEncoder[EB/OL]. (2018-02-04).https://blog.csdn.net/cyan_soul/article/details/79252727?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task.


<hr/>
作者：陈烁

同济大学特赞设想野生智能尝试室研讨生
研讨偏向：设想与贸易、营销与数据智能
硕士论文：《基于设想特征的数字图片广告结果猜测系统研讨和设想》
结业去向：OPPO Marketing

有幸陪伴尝试室度过了成长的两年，从发散到聚焦，我也在范教员的指引和激励下，逐步找到了自己的偏向。很感激范教员可以指导我在自己的爱好和设想野生智能之间找到连系点，让我的研讨不但对尝试室的“后浪”们具有启发代价，也对我本身的职业成长有很大的帮助。此后，我也将谨遵范教员的离别寄语（少做决议，多做对峙，make it right），在自己的岗位上尽力前行。感激教员的教导，也感激尝试室小伙伴的帮助，相信设想野生智能的未来一定会绽放光彩！





原文地址：https://zhuanlan.zhihu.com/p/159287151
免责声明：本帖内容由机械人自动收集于互联网，如加害了您的权益，请联系我们【E-Mail:cb@yoyodoc.com】 我们会实时删除侵权内容，给您带来未便，深感歉意！

心醉的斜阳呈

为啥知网没有搜到

甜心猫舍

应当是还没上🤔