摘要：在线方案设计上，为缓解线上serve压力，提出创意-精排联和学习范式：将三元组预估问题拆解为二元组预估与在该分布下的创意排序问题，分别由排序模型和创意优选模型进行联合训练，拆解创意对点击的贡献，缓解组

在线方案设计上，为缓解线上serve压力，提出创意-精排联和学习范式：将三元组预估问题拆解为二元组预估与在该分布下的创意排序问题，分别由排序模型和创意优选模型进行联合训练，拆解创意对点击的贡献，缓解组合爆炸问题。线上只部署创意模型，通过轻量化的特征和模型服务，减轻线上压力。



上述技术针对线上个性化创意优选任务，从数据、模型、算力等方面进行提效，有效缓解了创意素材接入带来的组合爆炸和数据稀疏问题，提升了线上创意展示效果。

为了解决广告创意中生成素材的bad case，以及海量创意和用户匹配的问题，京东广告部门提出了以下技术方案：

创意生成方面，广告团队提出了一种提高生成图片可用率的方法，通过多模态可靠反馈网络模拟人类审核图片，并利用该网络的反馈显著提升了生成图片的可用率，同时保持了视觉吸引力。该团队还发布了一个超过一百万张人工标注生成广告图片的RF1M数据集，用于促进该领域的研究工作。

创意优选方面，广告团队利用 MLLM 技术提取创意的多模态表征，并通过对齐和优化提升模型对创意的区分能力和冷启效果。同时采用多示例学习方法，将创意组合与元素统一建模，利用组合点击作为监督信号，训练组合和元素优选分支，实现联合建模。

尽管AIGC技术在广告创意领域有较为广泛的应用，但仍存在诸多待解决的问题，未来我们将在以下方向开展技术探索：

多模态：优化技术在处理和整合不同模态的内容上的能力，如如何将文字、图像、视频等元素有效融合，以创造吸引力更强的创意形式。

个性化：针对不同的目标用户群体，利用用户数据和行为分析，生成符合特定用户偏好的个性化广告创意。

【1】Parallel Ranking of Ads and Creatives in Real-Time Advertising Systems, AAAI2024.

【2】Towards Reliable Advertising Image Generation Using Human Feedback, ECCV2024.

【3】CBNet: A Plug-and-Play Network for Segmentation-Based Scene Text Detection, IJCV2024.

【4】Generate E-commerce Product Background by Integrating Category Commonality and Personalized Style, ICASSP2025.

来源：京东云开发者