如何快速选对创意 —— 阿里妈妈广告创意优选

▐  前言

广告创意是什么？简单来说，广告创意是一个“点子”，一个广告主为了吸引消费者注意力，而对其商品特性进行组合和包装的一种展现方式。而“点子”的具体载体则包括了图片，标题，视频和直播等等。如图1所示，广告主为了全面地呈现商品，并为其带来更多竞争力，他们会在广告后台上传多种多样的广告创意，既有完整的图片/视频创意，如图 1(a)，也有类似于利益点/行动点等创意素材，如图1(b)。但是，对于消费者的一次访问，平台往往只能呈现其中的某一个创意。相较于利用人工经验进行创意选择，机器智能的先天优势是能够通过海量数据进行创意优劣的学习，并在线进行知识积累，从而“优选”出最能吸引消费者注意力的广告创意。

图1 广告创意示例。a为完整创意示例，包括图文，短视频，直播等不同内容表现形式；b为细粒度的创意素材，包括商品的sku图，标题，利益点等，可进行实时组装和渲染。

因此，阿里妈妈广告创意优选平台则是利用算法的能力，帮助广告主高效准确地挑选最具吸引力的创意，包括：

• 对完整创意的优选：将创意优选建模成E&E问题，在标准Bandit策略基础上增加视觉特征作为先验，优化创意冷启动过程中的投放效果；

• 动态创意优化：系统接收的不再是人工制作的完整创意，而是各类创意素材（比如图1(b)右侧显示的模板集，图片元素，利益点等），算法会根据用户行为信息和投放结果“动态调整”元素的选择和优化制作的参数，使得最终的创意能够兼顾视觉效果和投放效果。

▐  完整创意优选的建模和求解

对于完整创意粒度的优选，我们可将其建模成标准E&E问题：给定商品，每个候选的创意都应具有机会被展示给用户，并获得相应的反馈信息(Explore阶段)；同时，为了确保广告的长期收益，系统会把较多的流量分配给迄今为止投放效果最好的创意(Exploitation阶段)。上述探索和利用(E&E)之间的权衡策略可由Bandit模型进行求解。业务场景中常用的bandit模型包括Smoothed -Greedy，Thompson Sampling和LinUCB。

但上述标准bandit策略会遇到一些较为棘手的问题，例如创意冷启动。哪些情况下会出现冷启动的问题？

• 新场景：数据还没有累积充分的初始阶段；

• 成熟场景下的长尾部分：由于头部效应，出价不足等原因，大量长尾广告缺乏反馈数据；

• 频繁更换/测试创意的广告：广告主人为地更换/添加创意来测试投放效果；

以上几种情况下，创意都会面临展示数据不足，模型预估不准的问题。因此，如何利用成熟场景的数据或者是已获得充分反馈的头部广告数据形成有效的先验信息是至关重要的。

图2 具有视觉先验的混合Bandit模型框架[1]。模型接收多个候选创意 (见左侧一列)，并通过(a)视觉感知排序模型(VAM)和(b)混合Bandit模型(HBM)找到最有吸引力的创意

因此，我们提出了基于视觉内容的创意效果预估模型[1]。该模型分为视觉感知排序模型(Visual-aware Ranking Model, VAM)和混合Bandit模型(Hybrid Bandit Model, HBM)。前者从充分投放的数据中学习与效果相关的视觉特征，后者则以学习到的视觉特征和模型参数作为先验，根据实际投放数据进行后验的更新，整