作者;冯韦，JD零售业

【4.2优化自我计划模型联合训练】

In terms of online solution design, in order to alleviate the pressure of online serve, a creative-fine concatenation and learning paradigm is proposed: the triple estimate problem is broken down into a bi-tune estimate and the creative sorting problem under this distribution, and the sorting model and the creative preference model are jointly trained by the sorting model to disassemble the contribution of creativity to clicks and alleviate the combination explosion problem.仅在线部署创意模型，以通过轻巧的功能和模型服务来减少在线压力。

上述技术旨在实现在线个性化的创新优化任务，并提高数据，模型，计算能力等方面的效率，从而有效地减轻了由创意材料访问引起的组合爆炸和数据稀疏问题，并改善了在线创意展示效果。

5。摘要和前景[5.1技术路线摘要]

为了解决广告创造力中生成的材料的不良案例，以及大规模创造力和用户匹配的问题，JD广告系提出了以下技术解决方案：

在创意生成方面，广告团队提出了一种方法，以增加生成的图像的可用性，通过多模式可靠的反馈网络模拟人类审计图片，并利用网络的反馈来显着提高在维持视觉吸引力的同时，大大提高产生的图像的可用性。该团队还发布了一个RF1M数据集，其中包含超过100万个人工注释，以生成广告图像以促进该领域的研究。

在创造性优化方面，广告团队使用MLLM技术来提取创造力的多模式表示，并提高模型通过对齐和优化区分创造力和寒冷效果的能力。同时，多个示例学习方法用于以统一的方式对创意组合和元素进行建模，并使用组合点击作为监督信号来训练组合和元素选择分支来实现关节建模。

5.2未来技术前景】

尽管AIGC技术广泛用于广告创造力领域，但仍有许多问题需要解决。将来，我们将在以下方向上进行技术探索：

多模式：优化技术处理和整合来自不同模式的内容的能力，例如如何有效整合诸如文本，图像，视频等元素以创建更具吸引力的创意形式。

个性化：使用用户数据和行为分析生成个性化的广告想法，以满足特定用户对不同目标用户组的偏好。

参考

AAAI2024中的广告和创意源的1】平行排名。

【2】使用人类反馈ECCV2024迈向可靠的广告图像生成。

【3】CBNET：用于基于分割的场景文本检测的插件网络，IJCV2024。

【4】通过集成类别的共同点和个性化样式，ICASSP2025生成电子商务产品背景。