JP2018077615A - Advertising image generation device, advertising image generation method and program for advertising image generation device - Google Patents
Advertising image generation device, advertising image generation method and program for advertising image generation device Download PDFInfo
- Publication number
- JP2018077615A JP2018077615A JP2016217945A JP2016217945A JP2018077615A JP 2018077615 A JP2018077615 A JP 2018077615A JP 2016217945 A JP2016217945 A JP 2016217945A JP 2016217945 A JP2016217945 A JP 2016217945A JP 2018077615 A JP2018077615 A JP 2018077615A
- Authority
- JP
- Japan
- Prior art keywords
- advertisement
- image
- advertising
- effect
- advertisement image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 37
- 230000000694 effects Effects 0.000 claims abstract description 166
- 238000003860 storage Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000012173 sealing wax Substances 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、パラメータを元に広告画像を生成する、広告画像生成装置、広告画像生成方法、広告画像生成装置用プログラムに関する。 The present invention relates to an advertisement image generation apparatus, an advertisement image generation method, and an advertisement image generation apparatus program that generate an advertisement image based on parameters.
今日では、情報技術の発展、普及に伴い、膨大なデータの解析が可能になるとともに、解析結果の活用においても高度化が進んでいる。特に、機械学習技術と呼ばれる分野は、新たな計算モデルの発見により、識別や回帰において目覚ましい精度の向上が見られ、研究分野のみならず、実社会においても活用の機会が増えている。 Today, along with the development and popularization of information technology, it is possible to analyze a huge amount of data, and the sophistication in the use of analysis results is also progressing. In particular, a field called machine learning technology has seen remarkable improvement in accuracy in identification and regression due to the discovery of new calculation models, and there are increasing opportunities for use not only in the research field but also in the real world.
その一例として、従来においては人間によって行われていたタスクが、機械学習技術により代替される場面が増えている。当初は、どちらかといえば単純なタスクにおいて、人件費の削減や基準の画一化に主眼が置かれていたが、昨今では、コールセンターで人間の代わりに顧客対応を行ったり、自動的に外界を認識し車を運転したり、といった複雑なタスクを、人間よりも効率的であるのみならず、効率的に実行できるような事業や研究が進められている。 As an example, there are an increasing number of scenes where tasks that have been performed by humans in the past are replaced by machine learning techniques. Initially, the focus was on reducing labor costs and standardizing standards for rather simple tasks, but nowadays, the call center handles customers on behalf of people, and automatically Businesses and research are being carried out that not only make humans more efficient than humans, but also efficiently perform complex tasks such as driving cars.
特に近年、広告配信の分野では、アドネットワークと呼ばれる高度な広告配信ネットワークにおいて、一般ユーザの電子端末の利用時間の増加にも伴い、デジタルな広告配信が活発化している。アドネットワークにおいては、広告に関連した数値が高速かつ高精度で計測できることによって、広告配信の一層な効率化が、日々求められている。 In recent years, in particular, in the field of advertisement distribution, digital advertisement distribution has been activated in an advanced advertisement distribution network called an ad network as the use time of electronic terminals of general users has increased. In the ad network, since the numerical values related to the advertisement can be measured at high speed and with high accuracy, further improvement in the efficiency of advertisement distribution is required every day.
このような課題に対して、クリック率の推定精度を向上させ、配信対象となる広告を適切に選択できる情報配信装置が公開されている。 In response to such a problem, an information distribution device that improves the estimation accuracy of the click rate and can appropriately select an advertisement to be distributed has been disclosed.
特許文献1によれば、画像から特徴量を算出する学習器を用いて、利用者により選択された履歴を有する画像の特徴量を算出し、算出した特徴量と、画像を選択した利用者の属性を示す属性情報とに基づいて、画像の特徴量からかかる画像を選択した利用者の属性情報を推定することで、クリック率の推定精度を向上させ、配信対象となる広告を適切に選択できる情報配信装置が開示されている。
According to
しかしながら、特許文献1において開示されている構成では、配信される広告の内容は全て人手をかけて作らなければならず、また新しい広告内容を作成した場合も、それが果たして改善されているか、またどれくらい改善しているかといった指標は、実際に配信してみない限り定量的に計測不可能である、という課題が残っている。
However, in the configuration disclosed in
また、特許文献1において開示されている構成を有効に活用できるのは、広告の出稿側ではなく、あくまで配信者であるプラットフォーマー側であり、広告を出稿するユーザにとっては、より高い広告効果を挙げられるか否かは、広告枠を持つプラットフォーマー側のアルゴリズムに依存しているという課題が残っていた。
Moreover, it is not the advertisement placement side but the platformer side that is the distributor that can effectively use the configuration disclosed in
そこで、本発明の発明者は、広告画像をパラメータで表現し、パラメータから広告画像を生成することで、従来人間の行ってきたデザイン活動を、コンピュータを使って低コストかつ高速に実現できることに着目した。 Therefore, the inventor of the present invention pays attention to the fact that the design activity that has been performed by humans can be realized at low cost and at high speed using a computer by expressing the advertisement image with parameters and generating the advertisement image from the parameters. did.
加えて、本発明の発明者は、上記画像や画像の特徴量と、クリック率を初めとする主たるKPIとの関連性を解析するにあたり、機械学習等を用いた学習を行うことで、最適なパラメータを動的に算出し、それを用いた広告画像を生成することで、広告配信を続けるだけで、広告画像がより効果の高いものに高速に自動で置き換わっていくシステムを実現できることに着目した。 In addition, the inventor of the present invention performs optimal learning by performing learning using machine learning or the like in analyzing the relationship between the image or the feature amount of the image and the main KPI including the click rate. Focusing on the ability to dynamically calculate parameters and generate advertising images that use them to create a system that automatically replaces advertising images with more effective ones simply by continuing to deliver ads. .
本発明は、広告画像を生成パラメータで表現し、生成パラメータから広告画像を生成するとともに、広告画像を出稿した際の広告効果と関連付け、広告画像に対する広告効果の推定モデルを構築することで、広告効果に最適化された生成パラメータによって広告画像を生成する広告画像生成装置、広告画像生成方法、広告画像生成装置用プログラムを提供する。 The present invention expresses an advertisement image with a generation parameter, generates an advertisement image from the generation parameter, associates the advertisement image with the advertisement effect when the advertisement image is published, and constructs an estimation model of the advertisement effect on the advertisement image, thereby An advertisement image generation apparatus, an advertisement image generation method, and an advertisement image generation apparatus program for generating an advertisement image with generation parameters optimized for the effect are provided.
本発明では、以下のような解決手段を提供する。 The present invention provides the following solutions.
第1の特徴に係る発明は、広告画像の広告効果を記憶する広告効果データベースを記憶部に備え、広告画像を動的に生成する広告画像生成装置であって、
生成パラメータ群を取得する生成パラメータ群取得手段と、
前記生成パラメータ群から広告画像を生成する広告画像生成手段と、
前記広告画像の広告効果を取得する広告効果取得手段と、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させる広告効果記憶手段と、
を備えることを特徴とする広告画像生成装置を提供する。
The invention according to the first aspect is an advertisement image generation device that includes an advertisement effect database for storing the advertisement effect of an advertisement image in a storage unit, and dynamically generates an advertisement image,
Generation parameter group acquisition means for acquiring a generation parameter group;
Advertising image generating means for generating an advertising image from the generation parameter group;
Advertising effect acquisition means for acquiring the advertising effect of the advertising image;
An advertisement effect storage means for associating and storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in an advertisement effect database;
An advertisement image generating device is provided.
第1の特徴に係る発明によれば、広告画像の広告効果を記憶する広告効果データベースを記憶部に備え、広告画像を動的に生成する広告画像生成装置は、生成パラメータ群を取得し、前記生成パラメータ群から広告画像を生成し、前記広告画像の広告効果を取得し、前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させる。 According to the first aspect of the invention, the advertisement image generation device that dynamically includes the advertisement image generation apparatus that includes the advertisement effect database that stores the advertisement effect of the advertisement image in the storage unit, acquires the generation parameter group, and An advertisement image is generated from the generation parameter group, the advertisement effect of the advertisement image is acquired, and the generated advertisement image is associated with at least one of the advertisement images represented as a feature quantity and the acquired advertisement effect. And store it in the advertising effectiveness database.
第1の特徴に係る発明は、広告画像生成装置のカテゴリであるが、広告画像生成方法、広告画像生成装置用プログラムのカテゴリにおいても、カテゴリに応じ同様の効果を奏する。 The invention according to the first feature is the category of the advertisement image generation device, but the same effect is obtained according to the category also in the category of the advertisement image generation method and the program for the advertisement image generation device.
第2の特徴に係る発明は、前記生成した広告画像を広告として電子的に出稿する広告画像出稿手段と、
を備えることを特徴とする第1の特徴に係る発明である広告画像生成装置を提供する。
The invention according to the second aspect is characterized in that an advertisement image placement means for electronically placing the generated advertisement image as an advertisement,
An advertisement image generation device which is an invention according to a first feature is provided.
第2の特徴に係る発明によれば、第1の特徴に係る発明である広告画像生成装置は、前記生成した広告画像を広告として電子的に出稿する。 According to the invention relating to the second feature, the advertisement image generating device which is the invention relating to the first feature electronically places the generated advertisement image as an advertisement.
第3の特徴に係る発明は、一以上の広告画像を取得する広告画像取得手段と、
前記広告効果データベースに記憶された広告効果を元に演算を行うことで、前記取得した広告画像の広告効果を推定する広告効果推定手段と、
を備えることを特徴とする第1又は第2の特徴に係る発明である広告画像生成装置を提供する。
The invention according to the third aspect includes an advertisement image acquisition means for acquiring one or more advertisement images;
Advertising effect estimation means for estimating the advertising effect of the acquired advertising image by performing a calculation based on the advertising effect stored in the advertising effect database;
An advertisement image generation device is provided which is an invention according to the first or second feature.
第3の特徴に係る発明によれば、第1又は第2の特徴に係る発明である広告画像生成装置は、一以上の広告画像を取得し、前記広告効果データベースに記憶された広告効果を元に演算を行うことで、前記取得した広告画像の広告効果を推定する。 According to the third aspect of the invention, the advertisement image generating device according to the first or second aspect of the invention acquires one or more advertisement images and uses the advertisement effect stored in the advertisement effect database as a basis. By performing the calculation, the advertising effect of the acquired advertising image is estimated.
第4の特徴に係る発明は、前記広告画像取得手段によって取得する広告画像は、前記広告画像生成手段によって生成された広告画像であることを特徴とする第3の特徴に係る発明である広告画像生成装置を提供する。 The invention according to the fourth feature is the advertisement image according to the third feature, wherein the advertisement image acquired by the advertisement image acquisition means is an advertisement image generated by the advertisement image generation means A generating device is provided.
第4の特徴に係る発明によれば、第3の特徴に係る発明である広告画像生成装置において、前記取得する広告画像は、前記生成された広告画像である。 According to the fourth aspect of the invention, in the advertisement image generation device according to the third aspect of the invention, the acquired advertisement image is the generated advertisement image.
第5の特徴に係る発明は、前記取得した広告効果を用いて、記憶部に備えた機械学習モデルである広告効果推定モデルの学習を行う広告効果推定モデル学習手段と、
を備え、前記広告効果の推定は、前記広告効果推定モデルによって行うことを特徴とする第3又は第4の特徴に係る発明である広告画像生成装置を提供する。
The invention according to a fifth feature uses an advertisement effect estimation model learning means for learning an advertisement effect estimation model, which is a machine learning model provided in a storage unit, using the acquired advertisement effect;
The advertisement effect is estimated according to the advertisement effect estimation model, and the advertisement image generation device according to the third or fourth feature is provided.
第5の特徴に係る発明によれば、第3又は第4の特徴に係る発明である広告画像生成装置は、前記取得した広告効果を用いて、記憶部に備えた機械学習モデルである広告効果推定モデルの学習を行うとともに、前記広告効果の推定は、当該広告効果推定モデルによって行う。 According to the fifth aspect of the invention, the advertisement image generation device according to the third or fourth aspect of the invention uses the acquired advertisement effect to provide an advertisement effect that is a machine learning model provided in a storage unit. The estimation model is learned, and the advertisement effect is estimated by the advertisement effect estimation model.
第6の特徴に係る発明は、前記広告効果データベースに記憶された広告効果を元に演算を行うことで、生成される広告画像の広告効果の推定値が最高値となるような生成パラメータ群を算出することで取得する生成パラメータ群最適化手段と、
を備えることを特徴とする第3から第5のいずれか一つの特徴に係る発明である広告画像生成装置を提供する。
The invention according to a sixth aspect includes a generation parameter group in which the estimated value of the advertisement effect of the generated advertisement image is maximized by performing a calculation based on the advertisement effect stored in the advertisement effect database. A generation parameter group optimizing means to be obtained by calculation;
An advertisement image generating apparatus is provided which is an invention according to any one of the third to fifth features.
第6の特徴に係る発明によれば、第3から第5のいずれかの特徴に係る発明である広告画像生成装置は、前記広告効果データベースに記憶された広告効果を元に演算を行うことで、生成される広告画像の広告効果の推定値が最高値となるような生成パラメータ群を算出する。 According to the sixth aspect of the invention, the advertisement image generation device according to any one of the third to fifth aspects of the present invention performs a calculation based on the advertisement effect stored in the advertisement effect database. A generation parameter group is calculated such that the estimated value of the advertising effect of the generated advertisement image is the highest value.
第7の特徴に係る発明は、前記取得する広告効果に時系列情報を含み、前記広告効果の推定は、時系列に沿った広告効果を推定するものであって、前記生成される広告画像の広告効果の推定値が最高値となるような生成パラメータ群の算出において、一以上の生成パラメータ群を、広告効果の推定値の総和が最大化されるような出稿時期の組み合わせと共に算出することを特徴とする第6の特徴に係る発明である広告画像生成装置を提供する。 The invention according to a seventh aspect includes time-series information in the acquired advertisement effect, and the estimation of the advertisement effect estimates an advertisement effect along a time series, and In calculating the generation parameter group that has the highest estimated value of advertising effectiveness, it is necessary to calculate one or more generation parameter groups together with the combination of the publication times that maximizes the total of the estimated value of advertising effectiveness. An advertisement image generation device which is an invention according to a sixth feature is provided.
第7の特徴に係る発明によれば、第6の特徴に係る発明である広告画像生成装置は、前記取得する広告効果に時系列情報を含み、前記広告効果の推定は、時系列に沿った広告効果を推定するものであって、前記生成される広告画像の広告効果の推定値が最高値となるような生成パラメータ群の算出において、一以上の生成パラメータ群を、広告効果の推定値の総和が最大化されるような出稿時期の組み合わせと共に算出する。 According to the seventh aspect of the invention, the advertisement image generating device according to the sixth aspect of the invention includes time-series information in the acquired advertisement effect, and the estimation of the advertisement effect is in time series In the calculation of the generation parameter group that estimates the advertising effect and the estimation value of the advertising effect of the generated advertisement image is the highest value, one or more generation parameter groups are set as the estimation value of the advertising effect. It is calculated with a combination of the publication times that maximizes the sum.
第8の特徴に係る発明は、前記生成パラメータ群は、広告画像上に配置される画像の内容及び位置と、広告画像上に配置される文字情報と、配色情報と、の少なくともいずれかを含むことを特徴とする第1から第7のいずれか一つの特徴に係る発明である広告画像生成装置を提供する。 In the invention according to an eighth feature, the generation parameter group includes at least one of content and position of an image arranged on the advertisement image, character information arranged on the advertisement image, and color arrangement information. There is provided an advertisement image generating device which is an invention according to any one of the first to seventh features.
第8の特徴に係る発明によれば、第1から第7のいずれか一つの特徴に係る発明である広告画像生成装置において、前記生成パラメータ群は、広告画像上に配置される画像の内容及び位置と、広告画像上に配置される文字情報と、配色情報と、の少なくともいずれかを含む。 According to the eighth aspect of the invention, in the advertisement image generation device according to any one of the first to seventh aspects, the generation parameter group includes the content of the image arranged on the advertisement image, and It includes at least one of a position, character information arranged on the advertisement image, and color arrangement information.
第9の特徴に係る発明は、前記広告画像生成装置の利用者から、広告の性向を示す情報の集合である広告性向因子群の入力を受け付ける広告性向因子群入力受付手段と、
前記入力を受け付けた広告性向因子群を前記生成パラメータ群の一部又は全部に変換する広告性向因子群変換手段と、
を備えることを特徴とする第1から第8のいずれか一つの特徴に係る発明である広告画像生成装置を提供する。
The invention according to a ninth aspect includes an advertising propensity factor group input receiving unit that receives an input of an advertising propensity factor group that is a set of information indicating the propensity of an advertisement from a user of the advertising image generation device,
Advertising propensity factor group conversion means for converting the advertising propensity factor group that has received the input into a part or all of the generation parameter group;
An advertisement image generating device which is an invention according to any one of the first to eighth features is provided.
第9の特徴に係る発明によれば、第1から第8のいずれか一つの特徴に係る発明である広告画像生成装置は、前記広告画像生成装置の利用者から、広告の性向を示す情報の集合である広告性向因子群の入力を受け付け、前記入力を受け付けた広告性向因子群を前記生成パラメータ群の一部又は全部に変換する。 According to the ninth aspect of the invention, the advertisement image generation device according to any one of the first to eighth aspects is provided by the user of the advertisement image generation device with information indicating the propensity of the advertisement. An input of an advertising propensity factor group that is a set is received, and the advertising propensity factor group that has received the input is converted into a part or all of the generation parameter group.
第10の特徴に係る発明は、前記広告性向因子群には、少なくとも広告画像の関連する業界、及び広告の目的を含むことを特徴とする第9の特徴に係る発明である広告画像生成装置を提供する。 According to a tenth aspect of the invention, there is provided the advertising image generating apparatus according to the ninth aspect, wherein the advertising propensity factor group includes at least an industry related to the advertising image and an advertising purpose. provide.
第10の特徴に係る発明によれば、第9の特徴に係る発明である広告画像生成装置において、前記広告性向因子群には、少なくとも広告画像の関連する業界、及び広告の目的を含む。 According to the tenth aspect of the invention, in the advertisement image generating device according to the ninth aspect of the invention, the advertisement propensity factor group includes at least the industry related to the advertisement image and the purpose of the advertisement.
第11の特徴に係る発明は、広告画像の広告効果を記憶する広告効果データベースを記憶部に備え、広告画像を動的に生成する広告画像生成装置が実行する広告画像生成方法であって、
生成パラメータ群を取得するステップと、
前記生成パラメータ群から広告画像を生成するステップと、
前記出稿した広告画像の広告効果を取得するステップと、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させるステップと、
を備えることを特徴とする広告画像生成方法を提供する。
The invention according to an eleventh aspect is an advertisement image generation method executed by an advertisement image generation device that includes an advertisement effect database that stores advertisement effects of advertisement images in a storage unit and dynamically generates an advertisement image,
Obtaining a generation parameter group;
Generating an advertisement image from the generation parameter group;
Obtaining an advertising effect of the published advertising image;
Storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in association with each other in an advertisement effect database;
An advertisement image generation method is provided.
第12の特徴に係る発明は、広告画像の広告効果を記憶する広告効果データベースを記憶部に備え、広告画像を動的に生成する広告画像生成装置に、
生成パラメータ群を取得するステップ、
前記生成パラメータ群から広告画像を生成するステップ、
前記出稿した広告画像の広告効果を取得するステップ、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させるステップ、
を実行させることを特徴とする広告画像生成装置用プログラムを提供する。
The invention according to a twelfth aspect includes an advertisement effect database that stores an advertisement effect of an advertisement image in a storage unit, and an advertisement image generation device that dynamically generates an advertisement image,
Obtaining generation parameters,
Generating an advertisement image from the generation parameter group;
Obtaining an advertising effect of the published advertising image;
Storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in association with the advertisement effect database;
A program for an advertisement image generating device is provided.
本発明により、広告画像を生成パラメータで表現し、生成パラメータから広告画像を生成するとともに、広告画像を出稿した際の広告効果と関連付け、広告画像に対する広告効果の推定モデルを構築することで、広告効果に最適化された生成パラメータによって広告画像を生成する広告画像生成装置、広告画像生成方法、広告画像生成装置用プログラムを提供することが可能となる。 According to the present invention, an advertisement image is expressed by a generation parameter, an advertisement image is generated from the generation parameter, and is associated with the advertisement effect when the advertisement image is put out, and an advertisement effect estimation model for the advertisement image is constructed. It is possible to provide an advertisement image generation apparatus, an advertisement image generation method, and an advertisement image generation apparatus program that generate an advertisement image with a generation parameter optimized for the effect.
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。 Hereinafter, the best mode for carrying out the present invention will be described with reference to the drawings. This is merely an example, and the technical scope of the present invention is not limited to this.
[広告画像生成装置1の概要]
図1は、広告画像生成装置1の概要を表した図である。
[Outline of Advertising Image Generating Device 1]
FIG. 1 is a diagram showing an outline of the advertisement
まずは広告画像生成装置1の概要について説明する。図1において、広告画像生成装置1は、生成パラメータ群101を取得し、広告画像102を生成し、広告枠103に出稿を行い、広告効果104を取得し、広告効果データベース51に記録し、そのデータを用いて広告効果推定モデル52を更新し、新たに生成パラメータ群101を取得し直す。この各ステップについて、以下に詳説する。
First, the outline of the advertisement
広告画像生成装置1は、生成パラメータ群101を取得する(ステップS01)。ここで、取得とは、本装置の利用者たるユーザから入力を受け付け、あるいは広告画像生成装置1内で動的に生成することを指す。例えば、初期値としてユーザから、生成パラメータ群101の一部について入力を受け付け、その一部から残りのパラメータを生成することが考えられる。
The advertisement
次に、広告画像生成装置1は、取得した生成パラメータ群101から、広告画像102を生成する(ステップS02)。本実施例においては、広告画像は、各要素が所定のレイアウトで配置されることで、広告画像を構成している。生成パラメータ群101は、その要素を選択又は生成する際に参照され、要素を決定する。
Next, the advertisement
なお、広告画像生成装置1は、考え得るあらゆる広告画像を生成可能である必要はなく、生成パラメータ群101の構造によって理論上生成可能な広告画像に制約を設けてよい。例えば、広告画像上の要素のレイアウトが、予め与えられた所定のものから選ばれたり、背景画像や商品画像は、予め与えられた所定のものやユーザからアップロードものの中から選ばれたりしてよい。
Note that the advertisement
次に、広告画像生成装置1は、生成した広告画像を出稿する(ステップS03)。出稿場所はこれを問わず、例えばビラや看板であってもよいが、高速な掲載及び確実な効果の計測が可能な広告枠に出稿することで、後述の広告画像の最適化がより早く進み、本発明の効果を高めることができる。例えば、アドネットワークと呼ばれるシステムは、個人サイトや複数のブログといった広告枠103に対して、出稿から広告効果の取得までの全ての手続きが電子的な手続きで完結しているため、本実施例ではこのような電子的な出稿を行うものとする。
Next, the advertisement
次に、広告画像生成装置1は、出稿した広告画像102の広告効果104を取得する(ステップS04)。広告効果104は、主として掲載コストや、PV(ページビューすなわち表示回数)、CTR(インターネット広告が表示された回数のうち、クリックされた数の割合すなわちクリック率)、CVR(対象期間のPVやユーザ数に対するコンバージョン件数の割合すなわちコンバージョン率)といった、文字通り広告画像にどの程度効果があったかを定量化した指標である。
Next, the advertisement
次に、広告画像生成装置1は、出稿した広告画像102と、広告効果104とを、関連付けて広告効果データベース51に記憶する。ここで、広告画像102は、画像それ自体がデジタルデータとして記憶されていても良いし、生成パラメータ群として表現されるほか、後述の機械学習モデルによって広告画像を特徴量として表現したものとして記憶されていてもよい。
Next, the advertisement
次に、広告画像生成装置1は、広告画像102と、広告効果104の組み合わせから、広告効果を推定する演算モデルである広告効果推定モデル52を構築する(ステップS05)。広告効果の推定には種々のアルゴリズムを用いることが可能であるが、本実施例においては、画像認識の領域で高い効果を上げている畳み込みニューラルネットワークを利用するものとして説明する。
Next, the advertisement
次に、広告効果推定モデル52を用いて、広告効果の推定値が最大になるような最適な生成パラメータ群101を生成する(ステップS06)。ここで、最適な生成パラメータ群101の生成には、一般的な最適化手法を利用可能である。ただし、計算時間の制約上、全探索等が難しい場合がほとんどであるから、ここでいう最適値は必ずしも厳密解である必要はなく、近似解であってよい。
Next, using the advertisement effect estimation model 52, an optimal
ここで、機械学習における学習の一例として、本目的に適した代表的なモデルである畳み込みニューラルネットワークについて説明する。それに先立ち、まずは一般的なニューラルネットワークについて説明する。 Here, a convolutional neural network, which is a representative model suitable for this purpose, will be described as an example of learning in machine learning. Prior to that, a general neural network will be described first.
図2は、一般的なニューラルネットワークの模式図である。ニューラルネットワークは、入力データに対して事前に学習した所定の演算を加える演算モデルということができる。ここでは、一例として中間層が一層のニューラルネットワークを図示している。 FIG. 2 is a schematic diagram of a general neural network. The neural network can be said to be an operation model that adds a predetermined operation learned in advance to input data. Here, as an example, a neural network having a single intermediate layer is illustrated.
ニューラルネットワークは、ノード201のような入力層、ノード202のような中間層、そしてノード203のような出力層によって構成される。中間層は、より多層であってもよく、ノード202とノード203の間に、ノードが複数入っていてもよい。ただし、層が増えることで、表せる数式の自由度は向上するものの、必要な時間やデータ量はより多くなる傾向にある。
The neural network includes an input layer such as
ノードとノードを結ぶエッジ204は、それぞれ独立に重みを持っている。エッジ204の重みは、エッジ204の始点となっているノード201に入力された数値に掛け合わされ、終点となっているノード202に受け渡される。ノード202は、複数のエッジの終点となっているから、それらの値の和が最終的なノード202への入力として受け渡されることになる。
例えば、入力層への入力207が2として、エッジ204の重みが1.5であった場合、ノード202には3が受け渡される。同じく入力層に位置するノード205やノード206についても、それぞれ独立な入力とエッジの重みがあるため、その三つの数字の和がノード202への入力となる。
For example, when the
こうして中間層のノードそれぞれへの入力を計算することができる。また、中間層のノードと、出力層のノードもまた、独立の重みをもつエッジで結ばれているから、中間層への入力と、そのエッジの重みによって、出力層のノードそれぞれへの入力が計算されることになる。この結果は、ニューラルネットワーク全体の出力そのものに他ならない。 In this way, the input to each node in the intermediate layer can be calculated. In addition, since the nodes of the intermediate layer and the nodes of the output layer are also connected by edges having independent weights, the input to each of the nodes of the output layer depends on the input to the intermediate layer and the weight of the edge. Will be calculated. This result is nothing but the output of the entire neural network.
ここで、層の数やノードの数はニューラルネットワークの設計時に決められる所与のものであるので、学習という行為は、それぞれのエッジの重みを最適化する行為であると言える。 Here, since the number of layers and the number of nodes are given at the time of designing the neural network, it can be said that the act of learning is an act of optimizing the weight of each edge.
次に、学習について説明する。学習の方法は、用いる機械学習モデルによって様々であるが、ニューラルネットワークでは一般的に誤差逆伝播法(Backpropagation)という手法が使われている。学習においては、まず入力データと、その入力データを入力したときの理想値を用意する。この理想値を教師データと呼ぶ。入力データは、学習データと呼ばれることもある。 Next, learning will be described. There are various learning methods depending on the machine learning model to be used, but a neural network generally uses a method called backpropagation. In learning, first, input data and an ideal value when the input data is input are prepared. This ideal value is called teacher data. The input data is sometimes called learning data.
誤差逆伝播法においては、はじめに学習対象のニューラルネットワークに対して、入力データを入力し、そのときの出力を求める。そして、それぞれの出力ノードについて、出力と理想値の差分を判定し、その差分を引き起こした原因として、一層前のエッジのうち最も重みが大きいエッジを判定し、そのエッジの重みを、理想値が出るような方向に調整する。調整には、最急降下法が使われる。この調整が完了すると、その一層前についても、同様の調整を行う。そうすることで、重みの調整が、出力層から入力層に向かって逆伝播していくことになる。 In the back propagation method, first, input data is input to a neural network to be learned, and an output at that time is obtained. Then, for each output node, the difference between the output and the ideal value is determined, and as the cause that caused the difference, the edge having the largest weight among the previous edges is determined, and the weight of the edge is determined as the ideal value. Adjust the direction so that it comes out. The steepest descent method is used for adjustment. When this adjustment is completed, the same adjustment is performed before that. By doing so, the weight adjustment is back-propagated from the output layer to the input layer.
この調整を教師データに対して繰り返すことで、各エッジの重みは理想値に近い値を出すように調整され続け、最終的に目的に適したニューラルネットワークが得られる。なお、ニューラルネットワークの学習は必ずしも収斂するとは限らないので、学習の完了は、現実的には精度による閾値か、教師データの量によって決められることが多い。 By repeating this adjustment on the teacher data, the weight of each edge is continuously adjusted so as to produce a value close to the ideal value, and finally a neural network suitable for the purpose is obtained. Note that learning of a neural network does not necessarily converge, so that the completion of learning is practically determined by a threshold value based on accuracy or the amount of teacher data.
なお、本件のように画像を入力として機械学習モデルを構築する場合には、単純なニューラルネットワークに代えて畳み込みニューラルネットワーク(Convolutional neural network)が用いられることが多い。畳み込みニューラルネットワークは、人間の視覚野を模した構造となっており、特に画像処理分野において精度向上に寄与することが知られている。 When constructing a machine learning model using an image as an input as in the present case, a convolutional neural network is often used instead of a simple neural network. A convolutional neural network has a structure imitating a human visual cortex, and is known to contribute to improving accuracy particularly in the field of image processing.
すなわち、単純なニューラルネットワークでは、画像を一次元データとして扱うため、平行移動や回転した画像が、要素としてかけ離れたものになってしまうことが多い。畳み込みニューラルネットワークは、入力を二次元のまま扱うことができるため、上記の画像変形を吸収しやすいといった利点がある。 That is, in a simple neural network, an image is handled as one-dimensional data, and thus a parallel moved or rotated image is often separated as an element. The convolutional neural network can handle the input as it is in two dimensions, and thus has an advantage that it easily absorbs the image deformation.
図3は、畳み込みニューラルネットワークの一例を表した模式図である。畳み込みニューラルネットワークは、基本的な原理はニューラルネットワークとは同様であるものの、演算において「畳み込み」と呼ばれる処理が含まれる点で異なっている。 FIG. 3 is a schematic diagram illustrating an example of a convolutional neural network. Although the basic principle of the convolutional neural network is the same as that of the neural network, it is different in that a process called “convolution” is included in the calculation.
図3においては、入力層301の一例として、縦250、横250、RGB3色によって表現される画像が入力されるものとしている。つまり、入力画像は、300×250×3の数値群にとして演算が開始される。
In FIG. 3, as an example of the
入力画像に対して、処理302として、「畳み込み」と呼ばれる処理を行う。畳み込みは、n×nといった領域に対して、フィルタのように機能し、次の層への出力を計算する。フィルタはカーネルとも呼ばれる。例えば、図3においては、5×5の領域の各値にパラメータをかけた合計値を取る。それによって、250×250の領域は、246×246の畳み込まれた領域に変換される。また、このフィルタを複数枚持つことで、三次元的な厚みを持った特徴量に変換することも可能である。また、このフィルタのサイズは一定でなくてよく、複数種類のサイズであってもよい。
A process called “convolution” is performed on the input image as
ここで、前述のニューラルネットワークでは各層の結合が学習によって更新されたが、畳み込みニューラルネットワークにおいてはこのフィルタのパラメータが更新されることになる。また、畳み込みニューラルネットワークはプーリング層と呼ばれる中間層を備えており、プーリング層においてはレイヤの縮小が行われる。中間層303においては元々250であった画像の幅が50になっているが、これはプーリングを行ったためである。プーリングは、任意の要素を抽出するほか、一定の領域から最大値を抽出する最大プーリングや、平均値を抽出する平均プーリング等がある。畳み込みニューラルネットワークにおいては、プーリングによって平行移動、回転、スケーリングに対して不変性を持つとされ、画像認識において学習精度を向上させている。
Here, in the above-described neural network, the connection of each layer is updated by learning, but in the convolutional neural network, the parameter of this filter is updated. In addition, the convolutional neural network includes an intermediate layer called a pooling layer, and the layer is reduced in the pooling layer. In the
上記の畳み込みとプーリングを繰り返し、入力層301は中間層303、中間層304、中間層305を介して、4096次元の中間層306へ演算により変換される。ここで、中間層306は、学習が十分に進んだネットワークを用いた場合、入力された画像を表す4096次元の特徴量とみなすことができる。
The above convolution and pooling are repeated, and the
なお、中間層306、中間層307、そして出力層308は、通常のニューラルネットワークのように全結合されていてよい。本実施例でいえば、例えば出力層308を、異なる10個の広告効果指標を表すものとして学習させれば、入力された広告画像に対して広告効果を推定するようなモデルを学習できる。このように、出力層308の数や意味は、学習の目的に合わせて変更可能である。
Note that the
以上が、ニューラルネットワーク及び畳み込みニューラルネットワークの概要である。 The above is the outline of the neural network and the convolutional neural network.
図1に戻り、上記の機械学習モデルによって、生成パラメータ群101が与えられたとき、広告画像102を生成するとともに、その広告効果104の推定値を出稿前に得ることができる。これによって、広告画像102は、出稿を実際に行わずともより広告効果の推定値が高い生成パラメータ群101を得ることが出来、現状の広告効果推定モデル52に合わせて最適化された生成パラメータ群101によって再び生成されることになる。これを繰り返すことで、データが収集され、広告効果推定モデル52の推定精度は向上していき、広告画像102は、より高い広告効果を上げる可能性が高いものに収斂していくことになる。加えて、広告画像102は、繰り返し刷新されることで、同じ広告画像が長期間表示されることによるユーザの興味の低下にも対応できるという副次的な効果も得られる。
Returning to FIG. 1, when the
以上が、広告画像生成装置1の概要である。
The above is the outline of the advertisement
[広告画像生成装置1のシステム構成]
広告画像生成装置1は、後述の機能を備える家庭用又は業務用の電化製品である。広告画像生成装置1は、例えば、パーソナルコンピュータ、サーバ装置、携帯電話、携帯情報端末に加え、スマートフォン、タブレット端末、ネットブック端末、スレート端末、電子書籍端末、携帯型音楽プレーヤ等の情報家電であってよい。
[System Configuration of Advertising Image Generating Device 1]
The advertisement
[各機能の説明]
図3に基づいて、各装置の構成について説明する。
[Description of each function]
The configuration of each device will be described with reference to FIG.
広告画像生成装置1は、制御部11として、CPU(Central Processing Unit),RAM(Random Access Memory),ROM(Read Only Memory)等を備え、入出力部12として、制御部で制御したデータや画像を出力表示する表示部を備え、かつ、ユーザやサポート者からの入力を受付けるタッチパネルやキーボード、マウス等に加え、外部機器で撮影した画像を取り込む入出力デバイスを備える。また広告画像生成装置1は、通信部13として、例えば、IEEE802.11に準拠したWiFi(Wireless Fidelity)対応デバイス又は、第3世代移動通信システム等のIMT−2000規格に準拠した無線デバイス、そのほか無線通信規格に対応したデバイスを備える。
The advertisement
加えて、広告画像生成装置1は、データやファイルを記憶する記憶部14として、ハードディスクや半導体メモリ、記録媒体、メモリカード等による、データのストレージ部を備える。広告画像生成装置1は、記憶部14に、広告効果データベース51、広告効果推定モデル52を備える。
In addition, the advertisement
広告画像生成装置1において、制御部11が所定のプログラムを読み込むことで、入出力部12と協働して、生成パラメータ群取得モジュール15、広告画像生成モジュール16、広告画像取得モジュール17、広告性向因子群入力受付モジュール18を実現する。広告画像生成装置1において、制御部11が所定のプログラムを読み込むことで、通信部13と協働して、広告効果取得モジュール19、広告画像出稿モジュール20を実現する。また、広告画像生成装置1において、制御部11が所定のプログラムを読み込むことで、記憶部14と協働して、広告効果記憶モジュール21、広告効果推定モジュール22、広告効果推定モデル学習モジュール23、広告性向因子群変換モジュール24を実現する。
In the advertisement
[広告画像出力処理]
図5は、広告画像生成装置1が実行する広告画像生成処理のフローチャートである。上述した各装置のモジュールが行う処理について、本処理にて併せて説明する。
[Advertising image output processing]
FIG. 5 is a flowchart of the advertisement image generation process executed by the advertisement
初めに、広告画像生成装置1の生成パラメータ群取得モジュール15は、生成パラメータ群取得処理を実行し、生成パラメータを取得する。
First, the generation parameter group acquisition module 15 of the advertisement
[生成パラメータ群取得処理]
図6は、広告画像生成装置1が実行する生成パラメータ群取得処理のフローチャートである。上述した各装置のモジュールが行う処理について、本処理にて併せて説明する。なお、ここでいう値の取得とは、ユーザからの入力を受け付けたり、所定の値を参照したり、一部の値からその他の値を生成したり、無作為な値を生成したり、といった手法や、これらの手法の組み合わせであってよい。
[Generation parameter group acquisition processing]
FIG. 6 is a flowchart of the generation parameter group acquisition process executed by the advertisement
なお、本処理は、広告を生成する際の生成パラメータ群を取得する処理であって、本発明の効果の一つが、広告画像を生成し、広告画像を配信した際の広告効果を学習し、より改善された広告効果の推定により、広告画像の再生成をすることにあることを考えれば、生成パラメータ群が都度無作為に与えられたとしても、問題はない。 In addition, this process is a process of acquiring a generation parameter group when generating an advertisement, and one of the effects of the present invention is to generate an advertisement image and learn the advertisement effect when the advertisement image is distributed, Considering that the advertisement image is regenerated by estimating the advertisement effect more improved, there is no problem even if the generation parameter group is randomly given each time.
しかしながら、現実世界の利用態様に照らせば、企業等が何らかの広告を行う際に、初期状態とはいえ無作為に生成された画像をそのまま配信することは好ましくない。また、広告画像を生成する各段階において、なるべく広告効果が高い画像を生成することで、広告効果の改善を促進することが可能である。そこで、以下では、利用者から広告の目的や、利用者の望む広告の性向について入力を受け付けることで、より広告効果が高く見込まれる生成パラメータ群を取得する方法について記載するものである。 However, in light of the usage in the real world, when a company or the like makes some kind of advertisement, it is not preferable to distribute a randomly generated image as it is in the initial state. Further, at each stage of generating the advertisement image, it is possible to promote the improvement of the advertisement effect by generating an image having as high an advertisement effect as possible. Therefore, the following describes a method for acquiring a generation parameter group that is expected to have a higher advertising effect by receiving input from the user regarding the purpose of the advertisement and the propensity of the advertisement desired by the user.
初めに、広告画像生成装置1の広告性向因子群入力受付モジュール18は、利用者たるユーザから、広告の関連する業界、及び広告の目的の入力を受け付け、又はデータ解析により解析を行う(ステップS21)。解析の方法として、例えば、クラス分類のために設計された学習モデルを利用することで、ユーザが入力した単語や、ユーザが入力したURLに記載されたページ内容を取得し、業界や目的を推定することが挙げられる。
First, the advertisement propensity factor group input receiving module 18 of the advertisement
ここで、広告の関連する業界と、広告の目的とは、ユーザが広告を配信する上で、広告の内容に関連する業界や、何のために広告配信を行うかについて、それぞれ予め類型化し分類したものである。業界の一例として、ECサイト、パソコン、ワイン、資格、といったものが挙げられるが、分類の粒度も含めこれに限られない。また、目的の一例としては、セール、メール登録の導入、セミナー申込、資料請求、等が挙げられるが、業界と同様に分類の粒度も含めこれに限られない。これらの入力を受け付ける理由の一つとして、ワインの広告と安売りの広告は見た目が全く異なるように、広告はその業界と目的によって、性向が決定し、内容に大きく制約を持たせることが可能であるためである。 Here, the industry related to the advertisement and the purpose of the advertisement are categorized and classified in advance for the industry related to the contents of the advertisement and the purpose of the advertisement distribution, respectively, when the user distributes the advertisement. It is a thing. Examples of the industry include EC sites, personal computers, wine, and qualifications, but are not limited to this, including the granularity of classification. Examples of the purpose include sale, introduction of e-mail registration, seminar application, request for materials, etc., but the classification granularity is not limited to this as in the industry. One of the reasons for accepting these inputs is that, as wine advertisements and bargain advertisements look completely different, advertisements can be determined by their industry and purpose, and the content can be greatly restricted. Because there is.
次に、広告画像生成装置1の広告性向因子群入力受付モジュール18は、ユーザから、業界、目的以外の広告性向因子群の入力を受け付ける(ステップS22)。ここで、広告性向因子群とは、広告の性向を表す一以上の因子の集合であり、例えば、温かみ、高級感、男性的、といったものを指す。逆の意味を表す広告性向因子群として、クール、割安感、女性的、といったものを入力することも可能である。
Next, the advertising propensity factor group input receiving module 18 of the advertising
次に、広告画像生成装置1の広告性向因子群変換モジュール24は、入力を受け付けた広告性向因子群を、生成パラメータ群に変換する(ステップS23)。ここで、生成パラメータ群とは、生成パラメータ群とは、後述の広告画像を生成する際に参照されるパラメータ群であり、広告画像を構成する要素を指定する働きをする。例えば、文字の色やグラデーション、フォントの種類、位置、大きさ、傾き、影、境界線、エンボス加工の有無や大きさ、テキストの内容、といったものが生成パラメータ群である。その他、商品画像の種類や位置、大きさ、背景画像の種類や繰り返し、これらの要素の重なり順等が挙げられ、またこれに限られない。生成パラメータ群は、それを基に広告画像が生成できればよく、必ずしも一の組み合わせの生成パラメータ群から生成される広告画像が、一つに特定されなくてもよい。
Next, the advertising propensity factor group conversion module 24 of the advertising
なお、上述の広告性向因子群の変換の規則は、予め定められたものがあってよく、例えば「温かみ」が性向として入力されていれば、文字色を赤色と橙色にする、といった変換規則や、「高級感」が入力されていれば、文字のフォントを明朝体にし、封蝋の背景画像を使う、といった変換規則が予め設定されていてよい。 Note that the above-mentioned conversion rules for the advertising propensity factor group may be predetermined, for example, conversion rules such as changing the character color to red and orange if “warm” is input as the propensity. If “high quality” is input, a conversion rule may be set in advance such that the font of the character is Mincho and the background image of the sealing wax is used.
これらの広告性向因子群が、どこまでの自由度で入力できるかは、実施形態によって異なる。例えば、入力可能な広告性向因子が限定列挙されていれば、取り得る広告性向因子群の組み合わせ全てに対して、変換ルールを予め設定していれば足りる。一方で、広告性向を多次元空間上でベクトル表現し、ユーザから、フリーワードで入力された単語がどのベクトル表現にあたるかを推定可能な回帰モデルを用意していれば、広範な広告性向因子の表現に対応して生成パラメータ群に変換することが可能である。 To what degree of freedom these ad propensity factor groups can be input differ depending on the embodiment. For example, if the input propensity factors that can be input are limited and enumerated, it is sufficient to set conversion rules in advance for all possible combinations of advertising propensity factor groups. On the other hand, if the advertising propensity is expressed in a vector in a multidimensional space and a regression model is prepared that can estimate which vector expression the user has entered in free words, a wide range of advertising propensity factors It is possible to convert into a generation parameter group corresponding to the expression.
また、これらの広告性向因子群が、どこまで具体的に指定できるかも、実施形態によって異なっていてよい。一例として、より具体的な「赤色を多用した」といった広告性向因子が指定可能であってもよい。この場合、色に関する生成パラメータのほとんどが赤に固定される変換規則が考えられる。一般に、抽象的な広告性向因子を解釈可能であるほど、ユーザの入力の負担が低くなるとともに、取り得るパラメータ群の値域が大きくなり、より多様な広告画像を生成できるという関係にある。 Also, how far these advertising propensity factor groups can be specified may differ depending on the embodiment. As an example, a more specific advertising propensity factor such as “used a lot of red” may be designated. In this case, a conversion rule in which most of the generation parameters relating to color are fixed to red can be considered. In general, the more an abstract advertisement propensity factor can be interpreted, the lower the burden on the user's input and the larger the range of possible parameter groups, so that more various advertisement images can be generated.
最後に、広告画像生成装置1の生成パラメータ群取得モジュール15は、生成パラメータ群のうち未取得の部分があれば、その入力を受け付け、又は生成する(ステップS24)。例えば、表示したいテキストをユーザから入力として受け付けたり、また広告の目的に対応した辞書を参照し、「大安売り」や「送料無料」といったテキストをパラメータに設定したりしてよい。
Finally, the generation parameter group acquisition module 15 of the advertisement
なお、上記のパラメータの取得や変換においては、無作為性を完全に排除する必要はない。それによって生成される広告画像に多様性が生まれるためである。なお、無作為性を持たせるのは、後述の広告画像を生成するステップであってもよい。 Note that it is not necessary to completely eliminate randomness in the acquisition and conversion of the above parameters. This is because a variety of advertisement images are generated. Note that the randomness may be given in a step of generating an advertisement image described later.
以上が、生成パラメータ群取得処理の処理手順である。広告画像生成処理に戻り、次に、広告画像生成装置1の広告画像生成モジュール16は、取得した生成パラメータ群から、広告画像を生成する(ステップS12)。具体的には、生成パラメータ群で指定された画像やフォントを読み込み、各要素を配置したり、文字を描画したりする。
The above is the processing procedure of the generation parameter group acquisition processing. Returning to the advertisement image generation process, the advertisement image generation module 16 of the advertisement
図7は、生成パラメータ群と、生成パラメータ群を元に出力される広告画像の一例を示した図である。図7においては、二つの生成パラメータ群701と705が示され、それらから生成された広告画像702と706がそれぞれ示されている。
FIG. 7 is a diagram illustrating an example of a generation parameter group and an advertisement image output based on the generation parameter group. In FIG. 7, two
図7において、生成パラメータ群701と705は、広告の関連する業界は同一であるものの、広告の目的と、その他の広告性向で異なっている。生成パラメータ群701においては、広告性向に「割安感・温かみ」が指定されているため、文字703は親しみやすいフォントで、お買い得感が強調されるような印象になっている。一方で生成パラメータ群705においては、広告性向に「高級感・クール」が指定されているため、文字707は洗練されたようなフォントで、ブランド感を意識させる表現になっている。商品画像704と708は共通であり、全体のレイアウトも同一であるが、広告画像702と706は異なる印象を与えており、結果として、クリック率や、クリックした後のユーザの購入率にも影響を与え、広告効果も異なると考えられる。
In FIG. 7, the
次に、広告画像生成装置1の広告画像出稿モジュール20は、生成された広告画像を出稿する(ステップS13)。いわゆるアドネットワークと呼ばれる広告配信ネットワークにおいては、APIと呼ばれるアクセスポイントに、画像や広告料といった情報を送信することで電子的な出稿が可能であるものが多いので、これを用いれば高速かつ人手を介さずに出稿が可能である。なお、例えば広告画像生成装置1がダイレクトメール配信のシステムと接続され、紙媒体に印刷されるために出稿されてもよく、電子的な手続きで完結していれば、出稿先はアドネットワーク上に限られない。
Next, the advertisement image placement module 20 of the advertisement
次に、広告画像生成装置1の広告効果取得モジュール19は、出稿された広告画像が配信され、どのような広告効果を挙げたかを取得する(ステップS14)。広告効果とは、広告の配信数や、配信数、ユニークユーザ数に対するクリック率、コンバージョン率といったものが挙げられ、これに限られない、計測可能な数値を指す。アドネットワークであれば、これらの数値はリアルタイムに高精度な値が取得可能である。ダイレクトメールや看板といった物理媒体の場合は、広告画像と関連した値のみを正確に計測することは難しいが、これらの管理システムと接続され、広告効果を取得してよい。
Next, the advertisement effect acquisition module 19 of the advertisement
次に、広告画像生成装置1の広告効果記憶モジュール21は、記憶部に備える広告効果データベース51に取得した広告効果を広告画像と関連付けて記憶させる(ステップS15)。ここで、広告効果データベース51に記憶される広告画像は、画像そのものの形式であったり、生成パラメータ群の形であったり、前述の畳み込みニューラルネットワーク等によって画像を変換した特徴量の形式であってもよい。
Next, the advertisement effect storage module 21 of the advertisement
次に、広告画像生成装置1の広告効果推定モデル学習モジュール23は、記憶部に備える広告効果推定モデル52を、前述の広告画像と広告効果を用いて学習する(ステップS16)。ここで、推定モデルとは、広告画像を入力として、出力となる広告効果を推定可能なモデルであれば、その種類を問わない。いわゆる深層学習と呼ばれる畳み込みニューラルネットワークモデルがその一例であり、既知の広告画像と広告効果の組み合わせを教師データとして与えることで、推定精度がより上がっていくと考えられる。
Next, the advertisement effect estimation model learning module 23 of the advertisement
なお、推定モデルは複数のモデルの組み合わせであってもよく、例えば広告画像を特徴量に変換する部分には畳み込みニューラルネットワークを使い、その特徴量と広告効果の推定部分にはSVMや線形回帰といった他のモデルを用いて、学習は一部のモデルだけで行ってもよい。また、学習は、都度モデルを一から学習させても良いし、差分のみを学習させるいわゆるオンライン学習を行ってもよい。 The estimation model may be a combination of a plurality of models. For example, a convolutional neural network is used for a part that converts an advertisement image into a feature quantity, and SVM or linear regression is used for the estimation part of the feature quantity and advertisement effect. Learning may be performed with only some models using other models. In addition, the learning may be performed by learning the model from scratch each time, or so-called online learning in which only the difference is learned.
また、推定モデルを時系列に対応可能なリカレントニューラルネットワークとして設計するとともに、広告効果を時系列で取得及び入力し、学習させることで、広告画像の広告効果を時系列上の変化として推定することが可能である。一般には、広告効果は長期に配信することで下がって傾向にあるため、複数の広告画像を予め準備し、適切なタイミングでそれぞれ出稿することで、一の広告画像を配信し続けるよりも、全体の広告効果を高めることが可能である。 In addition, the estimation model is designed as a recurrent neural network that supports time series, and the advertisement effect of the advertisement image is estimated as a change in time series by acquiring, inputting, and learning the advertisement effect in time series. Is possible. In general, the effect of advertising tends to decrease with long-term distribution.Therefore, it is better to prepare multiple advertising images in advance and submit them at the appropriate timing, rather than continue to distribute a single advertising image. It is possible to increase the advertising effect.
なお、このような広告画像の広告効果の推定は、広告画像生成モジュール16で生成した広告画像のみに限られず、別の経緯で作られた広告画像を、広告画像取得モジュール17によって取得し、同様に効果を推定してもよい。 Note that the estimation of the advertisement effect of such an advertisement image is not limited to the advertisement image generated by the advertisement image generation module 16, and an advertisement image created by another process is acquired by the advertisement image acquisition module 17. The effect may be estimated.
次に、広告画像生成装置1は、広告画像の更新の有無を判断する(ステップS17)。更新の頻度として、予め所定の値が与えられていたり、ユーザが直接入力したり、直近の広告効果が一定の値を下回っているかの判断によって決定したり、前述の時系列解析によって算出されたタイミングを参照したりしてよい。広告画像の更新を行わない場合(ステップS17:「NO」の場合)には、次回の広告画像の更新まで、広告画像生成装置1は停止し、広告画像生成処理を終了する。一方で、広告画像の更新を行う場合(ステップS17:「YES」の場合)には、続けて、生成パラメータ群の最適化を行う(ステップS18)。
Next, the advertisement
生成パラメータ群の最適化において、広告画像生成装置1の広告効果推定モジュール23は、前述の広告効果推定モデル52を用いて、広告効果の推定値がより高くなるような生成パラメータ群を取得する(ステップS18)。なお、ここでいう最適化は、一般に行われる最適化と同様に、必ずしも厳密解でなく、近似解であって良い。
In the optimization of the generation parameter group, the advertisement effect estimation module 23 of the advertisement
最適化の具体的な手法として、例えば生成パラメータ群のうち、無作為に生成可能な部分のパラメータを無作為に生成し、それによって生成される広告画像の広告効果を繰り返し推定することで、最も広告効果の推定値が高い広告画像を記憶しておき、その更新が一定回数以上なかったところで、その広告画像を最適値とみなす、といった手法が利用可能である。 As a specific method of optimization, for example, by randomly generating parameters of a generation parameter group that can be randomly generated, and repeatedly estimating the advertising effect of the generated advertisement image, A method can be used in which an advertisement image with a high estimated value of advertisement effect is stored, and the advertisement image is regarded as an optimum value when the update has not been performed more than a certain number of times.
また、生成モデルと呼ばれる機械学習モデルの利用も挙げられる。生成モデルは入力を再度復号するようなネットワークモデルである。生成モデルの一例として、DCGAN(Deep Convolutional Generative Adversarial Networks)といったものが発表されている。ここで生成モデルを用いることで、広告効果を新たな入力として、元の入力たる広告画像を生成することができる。なお、DCGANにおいて、現状では出力画像がぼやけてしまうという課題があるが、本実施例では直接広告画像を生成せず、生成パラメータ群を生成するため、それから広告画像を生成する広告画像生成モジュール16が生成パラメータ群を解釈することにより、ぼやけていない広告画像が生成可能である。 Another example is the use of a machine learning model called a generation model. The generation model is a network model that decodes the input again. As an example of the generation model, DCGAN (Deep Convolutional General Networks) has been announced. Here, by using the generation model, it is possible to generate an advertisement image as an original input using the advertisement effect as a new input. In DCGAN, there is a problem that an output image is blurred at present, but in this embodiment, an advertisement image is not generated directly, but a generation parameter group is generated. By interpreting the generation parameter group, an unblurred advertisement image can be generated.
以上が、広告画像生成処理の処理手順である。 The above is the processing procedure of the advertisement image generation process.
上述した手段、機能は、コンピュータ(CPU,情報処理装置,各種端末を含む)が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、フレキシブルディスク、CD(CD−ROMなど)、DVD(DVD−ROM、DVD−RAMなど)等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置または外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置(記録媒体)に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。 The means and functions described above are realized by a computer (including a CPU, an information processing apparatus, and various terminals) reading and executing a predetermined program. The program is provided in a form recorded on a computer-readable recording medium such as a flexible disk, CD (CD-ROM, etc.), DVD (DVD-ROM, DVD-RAM, etc.), for example. In this case, the computer reads the program from the recording medium, transfers it to the internal storage device or the external storage device, stores it, and executes it. The program may be recorded in advance in a storage device (recording medium) such as a magnetic disk, an optical disk, or a magneto-optical disk, and provided from the storage device to a computer via a communication line.
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。 As mentioned above, although embodiment of this invention was described, this invention is not limited to these embodiment mentioned above. The effects described in the embodiments of the present invention are only the most preferable effects resulting from the present invention, and the effects of the present invention are limited to those described in the embodiments of the present invention. is not.
1 広告画像生成装置、51 広告効果データベース、52 広告効果推定モデル 1 advertising image generation device, 51 advertising effect database, 52 advertising effect estimation model
Claims (12)
生成パラメータ群を取得する生成パラメータ群取得手段と、
前記生成パラメータ群から広告画像を生成する広告画像生成手段と、
前記広告画像の広告効果を取得する広告効果取得手段と、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させる広告効果記憶手段と、
を備えることを特徴とする広告画像生成装置。 An advertisement image generation apparatus that includes an advertisement effect database that stores advertisement effects of advertisement images in a storage unit and dynamically generates advertisement images,
Generation parameter group acquisition means for acquiring a generation parameter group;
Advertising image generating means for generating an advertising image from the generation parameter group;
Advertising effect acquisition means for acquiring the advertising effect of the advertising image;
An advertisement effect storage means for associating and storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in an advertisement effect database;
An advertisement image generating apparatus comprising:
を備えることを特徴とする請求項1に記載の広告画像生成装置。 Advertising image placement means for electronically placing the generated advertisement image as an advertisement;
The advertisement image generating apparatus according to claim 1, further comprising:
前記広告効果データベースに記憶された広告効果を元に演算を行うことで、前記取得した広告画像の広告効果を推定する広告効果推定手段と、
を備えることを特徴とする請求項1又は2に記載の広告画像生成装置。 Advertising image acquisition means for acquiring one or more advertising images;
Advertising effect estimation means for estimating the advertising effect of the acquired advertising image by performing a calculation based on the advertising effect stored in the advertising effect database;
The advertisement image generation device according to claim 1, further comprising:
を備え、前記広告効果の推定は、前記広告効果推定モデルによって行うことを特徴とする請求項3又は4に記載の広告画像生成装置。 Using the acquired advertisement effect, an advertisement effect estimation model learning unit that learns an advertisement effect estimation model that is a machine learning model provided in the storage unit;
The advertisement image generation apparatus according to claim 3, wherein the advertisement effect is estimated using the advertisement effect estimation model.
を備えることを特徴とする請求項3乃至5のいずれか一項に記載の広告画像生成装置。 A generation parameter group obtained by calculating a generation parameter group in which the estimated value of the advertisement effect of the generated advertisement image is the highest value by performing a calculation based on the advertisement effect stored in the advertisement effect database. Optimization means;
The advertisement image generating apparatus according to claim 3, comprising:
前記入力を受け付けた広告性向因子群を前記生成パラメータ群の一部又は全部に変換する広告性向因子群変換手段と、
を備えることを特徴とする請求項1乃至8のいずれか一項に記載の広告画像生成装置。 An advertising propensity factor group input receiving means for receiving an input of an advertising propensity factor group, which is a set of information indicating the propensity of the advertisement, from a user of the advertising image generating device;
Advertising propensity factor group conversion means for converting the advertising propensity factor group that has received the input into a part or all of the generation parameter group;
The advertisement image generating apparatus according to claim 1, further comprising:
生成パラメータ群を取得するステップと、
前記生成パラメータ群から広告画像を生成するステップと、
前記出稿した広告画像の広告効果を取得するステップと、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させるステップと、
を備えることを特徴とする広告画像生成方法。 An advertisement image generation method executed by an advertisement image generation apparatus that includes an advertisement effect database that stores an advertisement effect of an advertisement image in a storage unit and dynamically generates an advertisement image,
Obtaining a generation parameter group;
Generating an advertisement image from the generation parameter group;
Obtaining an advertising effect of the published advertising image;
Storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in association with each other in an advertisement effect database;
An advertisement image generation method comprising:
生成パラメータ群を取得するステップ、
前記生成パラメータ群から広告画像を生成するステップ、
前記出稿した広告画像の広告効果を取得するステップ、
前記生成した広告画像と、当該広告画像を特徴量として表したものの少なくともいずれかと、前記取得した広告効果とを、関連付けて広告効果データベースに記憶させるステップ、
を実行させることを特徴とする広告画像生成装置用プログラム。 An advertisement image generating apparatus that dynamically stores an advertisement image, including an advertisement effect database that stores advertisement effects of advertisement images in a storage unit,
Obtaining generation parameters,
Generating an advertisement image from the generation parameter group;
Obtaining an advertising effect of the published advertising image;
Storing the generated advertisement image, at least one of the advertisement image represented as a feature quantity, and the acquired advertisement effect in association with the advertisement effect database;
The program for advertising image generation apparatuses characterized by performing these.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016217945A JP2018077615A (en) | 2016-11-08 | 2016-11-08 | Advertising image generation device, advertising image generation method and program for advertising image generation device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016217945A JP2018077615A (en) | 2016-11-08 | 2016-11-08 | Advertising image generation device, advertising image generation method and program for advertising image generation device |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018077615A true JP2018077615A (en) | 2018-05-17 |
Family
ID=62149137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016217945A Pending JP2018077615A (en) | 2016-11-08 | 2016-11-08 | Advertising image generation device, advertising image generation method and program for advertising image generation device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018077615A (en) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102029461B1 (en) * | 2019-01-17 | 2019-10-15 | 주식회사 아드리엘 | Method for prediction of advertisement result and and apparatus for using the method |
JP2019215778A (en) * | 2018-06-14 | 2019-12-19 | 株式会社アスコン | Service provision system, advertisement related service provision system, user side facility and user side advertisement facility |
CN110728626A (en) * | 2018-07-16 | 2020-01-24 | 宁波舜宇光电信息有限公司 | Image deblurring method and apparatus and training thereof |
JP2020042317A (en) * | 2018-09-06 | 2020-03-19 | Kddi株式会社 | Program, apparatus and method capable of selecting product to be presented, and product generation program |
JP2020095679A (en) * | 2018-12-07 | 2020-06-18 | 株式会社エフォートサイエンス | Information processing device, program, and system |
JP2021182340A (en) * | 2020-05-20 | 2021-11-25 | 株式会社サイバーエージェント | Advertisement creation support model generation program, advertisement creation support program, advertisement creation support model generation device, advertisement creation support device, advertisement creation support model generation method, and advertisement creation support method |
WO2022044889A1 (en) * | 2020-08-26 | 2022-03-03 | 株式会社Nttドコモ | Advertising effect prediction device |
EP4123548A1 (en) | 2021-07-22 | 2023-01-25 | Nomura Research Institute, Ltd. | Information processing device for generating changed advertising content |
CN117934080A (en) * | 2024-03-18 | 2024-04-26 | 长沙掌控智能科技有限公司 | Sharing benefit optimization method and system based on intelligent popularization tool |
-
2016
- 2016-11-08 JP JP2016217945A patent/JP2018077615A/en active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019215778A (en) * | 2018-06-14 | 2019-12-19 | 株式会社アスコン | Service provision system, advertisement related service provision system, user side facility and user side advertisement facility |
CN110728626A (en) * | 2018-07-16 | 2020-01-24 | 宁波舜宇光电信息有限公司 | Image deblurring method and apparatus and training thereof |
JP2020042317A (en) * | 2018-09-06 | 2020-03-19 | Kddi株式会社 | Program, apparatus and method capable of selecting product to be presented, and product generation program |
JP6993947B2 (en) | 2018-09-06 | 2022-01-14 | Kddi株式会社 | Programs, devices and methods that allow you to select the product to be presented, as well as the product generation program. |
JP2020095679A (en) * | 2018-12-07 | 2020-06-18 | 株式会社エフォートサイエンス | Information processing device, program, and system |
KR102029461B1 (en) * | 2019-01-17 | 2019-10-15 | 주식회사 아드리엘 | Method for prediction of advertisement result and and apparatus for using the method |
JP2021182340A (en) * | 2020-05-20 | 2021-11-25 | 株式会社サイバーエージェント | Advertisement creation support model generation program, advertisement creation support program, advertisement creation support model generation device, advertisement creation support device, advertisement creation support model generation method, and advertisement creation support method |
JP7304836B2 (en) | 2020-05-20 | 2023-07-07 | 株式会社サイバーエージェント | ADVERTISING PRODUCTION SUPPORT PROGRAM, ADVERTISING PRODUCTION SUPPORT DEVICE, AND ADVERTISING PRODUCTION SUPPORT METHOD |
WO2022044889A1 (en) * | 2020-08-26 | 2022-03-03 | 株式会社Nttドコモ | Advertising effect prediction device |
EP4123548A1 (en) | 2021-07-22 | 2023-01-25 | Nomura Research Institute, Ltd. | Information processing device for generating changed advertising content |
CN117934080A (en) * | 2024-03-18 | 2024-04-26 | 长沙掌控智能科技有限公司 | Sharing benefit optimization method and system based on intelligent popularization tool |
CN117934080B (en) * | 2024-03-18 | 2024-06-25 | 长沙掌控智能科技有限公司 | Sharing benefit optimization method and system based on intelligent popularization tool |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018077615A (en) | Advertising image generation device, advertising image generation method and program for advertising image generation device | |
CN105247507B (en) | Method, system and storage medium for the influence power score for determining brand | |
Sohail et al. | Feature extraction and analysis of online reviews for the recommendation of books using opinion mining technique | |
CN109299994B (en) | Recommendation method, device, equipment and readable storage medium | |
CN109242612B (en) | Product recommendation method and device | |
WO2019196261A1 (en) | Method for pushing protocol file, and terminal device | |
CN104866969A (en) | Personal credit data processing method and device | |
EP2812856A1 (en) | Tools and methods for determining relationship values | |
CN112258260A (en) | Page display method, device, medium and electronic equipment based on user characteristics | |
Huang | Excess loyalty in online retailing | |
Ratten et al. | Digital sport marketing | |
Xia et al. | Can online rating reflect authentic customer purchase feelings? Understanding how customer dissatisfaction relates to negative reviews | |
Powell et al. | How to raise artwork prices using action rules, personalization and artwork visual features | |
US10394804B1 (en) | Method and system for increasing internet traffic to a question and answer customer support system | |
US20180239790A1 (en) | Provision device, provision method and non-transitory computer readable storage medium | |
US10013699B1 (en) | Reverse associate website discovery | |
JP6360625B2 (en) | Verification support system and method | |
KR102557299B1 (en) | A method of creating the right marketing strategy for your users | |
JP4886940B2 (en) | MATCHING SYSTEM USING FACTOR DATABASE, MATCHING DEVICE, AND FACTOR DATABASE CREATION METHOD FOR THE SYSTEM | |
Mu | Application of user research in E-commerce app design | |
JP2022037575A (en) | Image evaluation predicting device and method | |
JP6130580B1 (en) | Personal plan creation system and personal plan creation program | |
Saad et al. | The Impact of Big Data Analytics on the E-Commerce Businesses | |
Bare et al. | A Comparison of Food Delivery Applications (GrabFood, FoodPanda, and Pick. A. Roo) in the Philippines through Utilization of Analytical Hierarchy Process | |
Lei et al. | The Empowerment of Digital Marketing among SMEs in Chengdu, Sichuan Province, China: The Influence of social media towards Purchase Decision |