在谈论如何产生创造力之后，我们需要专注于如何选择创造力，这是所谓的创意展示策略。创造性生成到优化过程的核心逻辑实际上与反向分类想法的朗诵一致，并且它围绕着材料库旋转。我们将以“成千上万的面孔”向不同的C-End消费者用户展示，让我们开始谈论真实的事情而不进一步的ADO。

目录：

1。开始以创造性优化的显示策略

2。详细说明创造性优化策略 - 托博案

2.1建模和解决方案，以进行完整的创造性优化

2.2动态创意优化

1.开始创意展示策略

基于不同的创意策略，我们将生成与主体“人/商品/地点”有关不同产品主题的大量创意内容，并将其分为单个元素，其中可能包括n个标题，m主要图片和l其他。创意显示信息最终将合并为n*m*l创意组合，并且广告创造力的存储单元是创意creative_id。

但是最后，只有一个在前端展示的坑就像我们外出时只能穿一套衣服。从N*M*L中选择最合适的创造力是创意显示策略应做的。核心是选择最适合在C-End用户面前显示的1/N*M*L与搜索和推送系统中的排序不太相似，因此分类策略产品和首选策略产品可以互操作转换，其中创意播放策略主要包括[创意优化策略]和[创意旋转木马策略]。

1.1创意优化策略

一般大公司提供的默认创意策略仅仅是因为CTR点击率可以通过选择最佳创造力来增加收入成本。创意偏好可以简单地来自多个创意者。该组合选择了用户最有趣的创意ID组合，即显示最高的创意ID组合，并将考虑产品的主要功能，广告广告的功能（区域，目标人群等）以及用户的功能（用户的离线标签，在线行为）多模式和其他信息，并考虑全局创意显示的优化，重复数据删除相同的信息，并根据每个人都关注的创意信息显示最合适的创造力。

1.2创意旋转木马策略

Creative Carousel的核心是广告播放系统需要强制每个创意ID的均衡流量。为了获得较差的点击率估算的创造力，还需要创造性流量。核心策略是改善PCTR。较低的创意投标水平，以使其ECPM达到较高的竞标排名水平；该操作主要提供创意测试方案，例如广告商的图像测量和标题测量。广告商需要独立的创意定义权利。这个用于广告平台和客户的显示策略不是最好的解决方案，但是客户有特殊的方案测试需求，因此他们只能对某些客户提供相应的功能。

2。详细说明创造性优化策略 - 托博案

2.1基本信息和问题大纲

2.1.1基本信息输入

2.1.2问题建模概述

首先，完整创造力的优化：模型创造性优化到E＆E问题（开发与探索），根据标准的强盗策略添加视觉功能作为先验性，优化创造性的冷启动过程中的交付效果，而先前的文章也很冷。对于启动来说是正确的，也就是说，需要探索新想法或长尾想法的数据类型，并积累了样本数据以优化；

第二，动态创意优化：系统接收各种创意材料，例如模板集，图片元素，兴趣点等。在上图的右侧显示），算法将选择基于“动态调整”元素关于用户行为信息和交付结果并优化生产参数，以便最终的创造力可以考虑全球视觉和交付效果（点击率等）。

2.2建模和解决方案以进行完整的创造性优化

2.2.1总体策略想法

为了偏爱多个创意ID维度，可以将其建模为标准的E＆E问题：

2.2.2核心解决方案

创造性冷启动的问题非常复杂。冷启动方案主要包括：新上传/生成的创造力，成熟方案（低价）中的长尾创造力以及创造力的频繁变化。每种情况所需的创意策略都大不相同。需要根据不同的情况提供不同的战略解决方案。有关类似解决方案，请参阅有关亚瑟（Arthur）撰写的物品的冷启动项目的文章。

因此，使用来自最高广告的成熟方案或创造性数据的数据非常重要，这些数据已获得足够的示例反馈。

2.2.3策略设计计划

该图显示了一个典型的视觉先验匪徒模型框架。左边的多个候选创意通过感知分类模型（VAM）和混合匪徒（HBM）找到了有吸引力的想法。这两个模型构成了基于视觉内容的创造性效果估计模型；

第1部分：感知分类模型VAM：

从充分宣传创意交付（CTR/逗留时间）的数据中了解视觉功能（图片的颜色，布局，视角等），使用卷积神经网络来提取创造力的高级功能，并使用使用线性映射关系的信息层将其映射到相应的分数。经过连续的实验，发现使用点估计（明智的辅助辅助）和分类学习（列表排名损失）对两个损失函数的加权总和可以使卷积神经网络最充分地学习，更充分地学习第二次。 。在每个阶段，HBM都充分利用先验信息；

如果您仅执行感知分类模型VAM，它将导致系统始终放置得分最高的想法（剥削），从而失去了发现其他潜在思想的机会。 VAM是学习广义创意内容与CTR之间的关系，因此每个创造力的特征实际上存在一个相互矛盾的问题。

第2部分：Hybrid Brandit Model HBM：

所学的视觉特征和模型参数是先验的，并且后更新是根据实际CTR/停留时间和其他信息的实际表示。假设创造性显示效果（未单击曝光点击/曝光），请根据与VAM的确定性参数的不同来遵守线性定律，需要在上述公式中求解的分布，系统使用相应的分发以完成E＆E决定；

每个创意都保持着自己的重量分布，并且该分布功能通过与显示数量相关的Sigmoid函数分发；当数据足够时，系统会更多地相信每个创意维护的参数分布。当显示器数不足时，系统倾向于使用一个。 AD AD下的参数分布，预测阶段可以将估计的分数用作每个创造力的分数，并使用Argmax获得交付的最佳创造力。

2.3动态创意优化

2.2.1总体策略想法

如果我们在上述说明中说，完整的创造优化可以解决[如何有效学习场景数据并提高策略准确性以优化创意ID组合维度的能力]；

那么，动态创造性优化需要解决的是在创意生产过程中添加个性化的创意元素选择，实时优化“生产参数”，并在材料池中找到最有吸引力的元素，以完成“成千上万的人和”成千上万的面孔。 。

2.2.2核心解决方案

根据用户的短视兴趣和长期特征，可以实时在线生成更具吸引力的元素并显示。如果先前的完整选择是有限的集合，则实时生成是在有限集之外的实时特定元素。生成的目的是扩展生成的集合并最终实现最佳解决方案。

2.2.3策略设计计划

您可以从上图中看到我们的整个创意内容包括：

为了完成用户和创造力之间的PCTR估算，图中设计的DNN模型是设计的，并且功能包括用户功能，广告功能和创意功能（图片X模板，标题，单词等）。对于创意元素，使用多尺度特征表达式；

例如，模板中有全球共享的向量和带有图片乘法的独立向量表示，因此该模型不仅包含模板在全球放置的信息，而且还包含产品X模板组合后的结果。使用此模型作为估计，我们可以为每个用户选择最有吸引力的图片，文案写作和模板元素，并使用实时生产平台来实现数千人的展示。

动态参数优化：

只有在个性化元素选择之后，才能在“生产参数”的控制下显示。与模板的背景颜色，图像大小，标题颜色和标题店员大小相似，它需要分类和识别过程；生产参数的核心是建立匹配项。例如，关系中的灰色背景需要与更牢固的白色字体相匹配，而光背景则需要与深色字体相匹配，以避免使用不清楚的文本避免使用错误的问题。

3。本文的摘要

这全都与引入创造性优化策略有关。创新优化策略的核心思想就像在搜索建议系统中进行分类。核心是在每次曝光中选择具有最高可能的点击率估算的创造力，以在前端显示它，以吸引用户点击。 。

Creative Exprection在很大程度上取决于平台的创意材料和用户创造性行为的样本量。这是[完整的创意优化]和[动态创造性优化]的来源。创造力是整个推荐系统中最优质的体系结构，也是最终展示的策略。它也很复杂且复杂。如果您对创意策略产品感兴趣，建议您选择两家顶级公司Alibaba Mama和Juliang Engine。他们目前是市场上最重要的创意战略公司。

作者：战略产品Arthur是主要制造商的5年战略产品专家，这是整个网络上最专业的搜索和促销策略博客作者，可帮助您成为战略产品专家