Quality-Sensitive Training! Social Advertisement Generation by Leveraging User Click Behavior

[ichiroex]

Wang, Yongzhen, Heng Huang, Yuliang Yan, and Xiaozhong Liu. 2019. “Quality-Sensitive Training! Social Advertisement Generation by Leveraging User Click Behavior.” In The World Wide Web Conference, 2045–55. WWW ’19. New York, NY, USA: Association for Computing Machinery.

解決したい課題

• ユーザーの興味を惹きつける social advertisement（ソーシャルアド）を生成したい
• product title（T）から social advertisement（S）を生成する

提案手法

• アイデア
  • textual fitnessというproduct titleとsocial advertisementの相性の良さを表すスコアを導入する
  • 具体的にはproduct titleとsocial advertisementの相性が良ければ、CTRが高いと仮定する
• モデル
  • Encoder-decoder + pointer generator
  • 入力: product title（T）
  • 出力: social advertisement（S）
• Latent Semantic Space Featuring CTR
  • TとSのCTRが高い場合、類似度が高くなるように調整する
  • QはTとSのtextual fitnessを評価するための関数として利用される（?）

• Quality-sensitive loss （$\mathcal{L}_{qs}$）
  • $\mathcal{L}_{neg}$: 生成したテキストS~が参照テキストSに近ければlossが下がる（通常のNLL）
  • $\mathcal{L}_{ce}$: $Q(T,S)$が低い時、$Q(T, \tilde{S})$が高いか、もし$S$よりも、生成テキスト$\tilde{S}$の方が良ければlossを下げる（提案loss）
  • $Q(T, \tilde{S})\simeq1$の時、$\tilde{S}$はTの広告文として相応しいといえる
  • つまり、$\tilde{S} \simeq T$とすると
  • $Q(T, S) \simeq Q(S, \tilde{S})$ と見なすことができる
  • すなわち、 $\tilde{S}$ が良くない時にlossが大きくなり、
  • $\tilde{S}$ が良いとlossが小さくなる

結果

textual fitness measureにCTR以外の指標を使った場合の比較

既存手法との比較

人手評価結果

参考

• https://www.slideshare.net/DeepLearningJP2016/dlqualitysensitive-training-social-advertisement-generation-by-leveraging-user-click-behavior-www2019
• https://scrapbox.io/gunosydm/Quality_Sensitive_Training!_Social_Advertisement_Generation_by_Leveraging_User_Click_Behavior