Research on AIGC advertising strategy based on multi-objective optimisation algorithm
Notice bibliographique
Résumé
The aim of this paper is to improve the advertisement display effect and realize accurate placement in the market.Firstly, the convolutional neural network is used to select the advertisement keywords, and optimize the click rate, conversion rate and so on when the number of iterations reaches a certain value.Next, the established hierarchical analysis model is used to conduct a comprehensive evaluation of online advertisement release forms, and select the advertisement form that best suits the needs of the enterprise and the market environment.The weight of the webpage and the similarity between the center of mass of the webpage and the advertisement are used to calculate the final score, and the advertisements are sorted to achieve the improvement of the display effect and placement accuracy of the advertisements.The final analysis found that for short-term user behavior, the weight of text link ad clusters is as high as 0.66, which can improve the accuracy of ad placement.For long-term user behavior, the multi-objective optimization algorithm can accurately identify and assign high weights when users continue to visit specific web pages, for example, the cluster of web banner ads reaches 0.64.Meanwhile, it can be adapted to different application scenarios, and the weight of text link ads cluster is significantly increased from 0.14 to 0.758 when the freshness factor is increased from 0 to 1.The optimal F1 value of the advertisement delivery effect is 97.24, which is the highest F1 value of AIGC.The AIGC ad placement strategy provides a new method for the intelligent development of the advertising industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».