🤖 AI

One Size, Many Fits: Aligning Diverse Group-Wise Click Preferences in Large-Scale Advertising Image Generation

Dieses Paper stellt OSMF vor, ein einheitliches Framework, das die Einschränkungen von Einheitslösungen bei der Generierung von Werbebildern adressiert, indem es Nutzer dynamisch gruppiert und ein gruppenbewusstes multimodales Large Language Model mit Group-DPO-Feinabstimmung einsetzt, um unterschiedliche gruppenspezifische Klickpräferenzen abzustimmen und dadurch sowohl in Offline- als auch in Online-Metriken eine Spitzenleistung zu erzielen.

Ursprüngliche Autoren: Shuo Lu, Haohan Wang, Wei Feng, Weizhen Wang, Shen Zhang, Yaoyu Li, Ao Ma, Zheng Zhang, Jingjing Lv, Junjie Shen, Ching Law, Bing Zhan, Yuan Xu, Huizai Yao, Yongcan Yu, Chenyang Si, Jian Liang

Veröffentlicht 2026-02-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Shuo Lu, Haohan Wang, Wei Feng, Weizhen Wang, Shen Zhang, Yaoyu Li, Ao Ma, Zheng Zhang, Jingjing Lv, Junjie Shen, Ching Law, Bing Zhan, Yuan Xu, Huizai Yao, Yongcan Yu, Chenyang Si, Jian Liang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreiben eine riesige digitale Werbetafel, die Millionen von Menschen Werbung zeigt. In der Vergangenheit lautete die Strategie „Einheitsgröße für alle“ (One Size Fits All). Sie erstellten eine perfekt aussehende Anzeige für ein Paar Schuhe und zeigten diese jedem. Das Ziel war, die höchste Gesamtzahl an Klicks zu erreichen.

Aber hier liegt das Problem: Nicht jeder mag das Gleiche.

Ein Teenager liebt vielleicht eine Schuhwerbung mit einem griffigen, urbanen Skatepark-Hintergrund.
Ein Großelternteil bevorzugt dieselben Schuhe vielleicht in einer sauberen, sonnigen Gartenumgebung.
Wenn Sie dem Großelternteil die „Skatepark“-Anzeige zeigen, wird er nicht klicken. Wenn Sie dem Teenager die „Garten“-Anzeige zeigen, wird er ebenfalls nicht klicken.

Das Paper stellt ein neues System namens OSMF (One Size, Many Fits) vor, um dies zu lösen. Anstatt eine Anzeige für alle zu erstellen, erstellt es eine einzigartige Anzeige für spezifische Personengruppen, allesamt aus demselben digitalen Gehirn heraus.

So funktioniert es, unterteilt in einfache Schritte:

1. Die „Intelligente Gruppierung“ (PAAG)

Die Analogie: Stellen Sie sich einen Partyplaner vor, der Gäste nicht nur nach Alter oder Geschlecht sortiert. Stattdessen betrachtet er das Menü (das Produkt) und die Gäste gemeinsam.

Wenn das Produkt Smartphones sind, erkennt der Planer, dass Männer und Frauen sehr unterschiedliche Geschmäcker haben könnten.
Wenn das Produkt Laufschuhe sind, erkennt der Planer, dass das Alter wichtiger ist als das Geschlecht.
Was das Paper macht: Das System nutzt ein Werkzeug namens PAAG (Product-Aware Adaptive Grouping). Es betrachtet das Produkt und die Historie des Nutzers und sortiert die Menschen dynamisch in die richtigen „Clubs“. Es verwendet keine starren Regeln; es findet heraus: „Für dieses spezifische Produkt wollen diese 50.000 Menschen tatsächlich dasselbe.“

2. Der „Super-Übersetzer“ (G-MLLM)

Die Analogie: Denken Sie an einen Meisterkoch, der für eine ganze Menge kochen kann, aber normalerweise nur einen großen Topf Suppe zubereitet. Das neue System ist wie ein Koch, der die Rezepte sofort anpassen kann, je nachdem, wer am Tisch sitzt.

Das System nutzt ein gruppenbewusstes multimodales großes Sprachmodell (G-MLLM). Dies ist eine superintelligente KI, die sowohl Text als auch Bilder versteht.
Bevor es mit dem Kochen beginnt, wird es darauf „vortrainiert“, die spezifischen „Aromen“ (Vorlieben) jeder Gruppe zu verstehen. Es lernt, dass Gruppe A „helle Farben“ mag und Gruppe B „minimalistische Stile“ bevorzugt.

3. Der „Geschmackstest“ (Group-DPO)

Die Analogie: Stellen Sie sich vor, der Koch bereitet zwei Versionen eines Gerichts zu. Eine Gruppe von Testern (ein Belohnungsmodell) probiert sie und sagt: „Gruppe A liebte die scharfe Version, aber Gruppe B hasste sie.“

Das System nutzt eine Technik namens Group-Dopo. Es fragt nicht nur: „Welches Bild ist besser?“, sondern: „Welches Bild ist besser für diese spezifische Gruppe?“
Es vergleicht zwei Anzeigen für dasselbe Produkt. Wenn die „urbane“ Anzeige bei der Teenager-Gruppe mehr Klicks erhält, lernt die KI, mehr „urbane“ Anzeigen für sie zu erstellen. Wenn die „Garten“-Anzeige bei den Senioren gewinnt, lernt sie das ebenfalls.
Dies stellt sicher, dass die KI nicht durch widersprüchliche Geschmäcker verwirrt wird. Sie lernt, ein Chamäleon zu sein, das seinen Stil für jede Gruppe ändert.

4. Das „Massive Rezeptbuch“ (GAIP Dataset)

Die Analogie: Um einen Koch zu lehren, wie man für 40 Millionen Menschen kocht, benötigt man ein massives Kochbuch mit echtem Feedback.

Die Forscher konnten kein öffentliches Buch mit solch vielen Daten finden, also haben sie ihr eigenes geschrieben.
Sie erstellten GAIP, einen Datensatz, der 40 Millionen Nutzer und 600.000 verschiedene Gruppen enthält. Es ist wie ein Protokoll darüber, worauf genau 600.000 verschiedene Arten von Menschen geklickt haben, als sie 40 Millionen verschiedene Anzeigen sahen. Dies ist das erste Mal, dass eine so große, detaillierte „Präferenzkarte“ öffentlich gemacht wurde.

Das Ergebnis

Als sie dieses System testeten:

Offline (Simulationen): Es sagte Klicks besser voraus als jede bisherige Methode.
Online (Reale Welt): Als sie die Anzeigen tatsächlich auf einer großen E-Commerce-Seite zeigten, erzielte der „One Size, Many Fits“-Ansatz signifikant mehr Klicks als die alten „One Size Fits All“-Methoden.

Kurz gesagt: Das Paper sagt: „Versuchen Sie nicht länger, jeden mit einer einzigen Anzeige zufriedenzustellen. Nutzen Sie intelligente Gruppierung, um herauszufinden, wer was mag, trainieren Sie eine Super-KI, um diese spezifischen Gruppen zu verstehen, und generieren Sie für jede einzelne maßgeschneiderte Anzeigen. Es funktioniert besser, und wir haben die Daten, um es zu beweisen.“

Technisches Resümee: One Size, Many Fits (OSMF)

Problemstellung

Aktuelle Systeme zur Generierung von großflächigen Werbebildern stützen sich überwiegend auf eine „Einheitsstrategie“ (One-Size-Fits-All), die auf eine einzige, aggregierte Klickrate (CTR) über die gesamte Nutzerbasis hinweg optimiert. Während jüngste Fortschritte die CTR als Belohnungssignal in das Reinforcement Learning from Human Feedback (RLHF) integriert haben, versäumt dieser Ansatz die Berücksichtigung der erheblichen Heterogenität der Präferenzen unter verschiedenen Nutzergruppen.

Wie in der Einleitung angemerkt, führt die Behandlung allgemeiner Nutzerpräferenzen als universell anwendbar zu einer suboptimalen Leistung für spezifische Demografien. Beispielsweise können die Präferenzen für Smartphone-Werbung je nach Geschlecht signifikant variieren, während Schuhwerbung stärker nach dem Alter variieren kann. Ein einheitliches Modell, das versucht, diese widersprüchlichen Präferenzen (z. B. „natürliche Szenen“ vs. „Sportplatz“-Hintergründe) gleichzeitig zu befriedigen, erzeugt oft Bilder, die bestimmte Gruppen nicht ansprechen, was die Effektivität des gezielten Marketings einschränkt und Werbeausgaben verschwendet. Darüber hinaus stehen bestehende gruppenspezifische RLHF-Ansätze vor zwei kritischen Herausforderungen: (1) Begrenzte Skalierbarkeit der Nutzergruppierung, bei der statische, fest definierte Attributgruppierungen sich nicht an diverse Produktkategorien anpassen können; und (2) Präferenzkonflikte in der einheitlichen Modellierung, bei denen Single-Output-Modelle Schwierigkeiten haben, widersprüchliche Bildpräferenzen aufzulösen.

Methodik: Das OSMF-Framework

Um diese Einschränkungen zu adressieren, schlagen die Autoren One Size, Many Fits (OSMF) vor, ein einheitliches Framework, das darauf ausgelegt ist, diverse gruppenspezifische Klick-Präferenzen abzugleichen. Das Framework besteht aus zwei primären Phasen:

1. Produktspezifische adaptive Gruppierung (PAAG)

PAAG ersetzt starre, statische Nutzercluster durch einen dynamischen Ansatz, der Nutzerattribute mit Produktcharakteristika integriert.

Nutzerpräferenz-Modellierung: Das System modelliert das Nutzerklickverhalten über drei Zweige: Nutzerattribute ( $A$ ), Werbebilder ( $I$ ) und Produkttitel ( $T$ ). Es verwendet Encoder, um semantische Merkmale aus Bildern und Text zu extrahieren. Entscheidend ist die Nutzung von Cross-Attention-Mechanismen, um produktspezifische Nutzerrepräsentationen ( $e_{u|t}$ und $e_{u|c}$ ) zu erstellen, wodurch die Nutzermerkmale auf spezifische Produktsemantik und visuelle Charakteristika aufmerksam werden können.
Gruppenmerkmals-Aggregation: Nutzer werden basierend auf diesen produktspezifischen Embeddings mittels K-Means gruppiert. Um die Diversität innerhalb einer Gruppe zu erfassen, anstatt sich auf einen einzelnen Zentroiden zu verlassen, konstruiert PAAG reichhaltige kollektive Repräsentationen ( $G_{s,k}$ ), indem es mehrere repräsentative Punkte aus der Clusterverteilung sampelt (einschließlich des Zentroids und peripherer Punkte bei verschiedenen Perzentilen). Dies stellt sicher, dass das Gruppenmerkmal sowohl Kerneigenschaften als auch subtile Variationen umfasst.

2. Präferenzkonditionierte Bildgenerierung (PCIG)

PCIG nutzt die durch PAAG abgeleiteten Gruppen, um maßgeschneiderte Bilder über ein gruppenbewusstes multimodales großes Sprachmodell (G-MLLM) zu generieren.

G-MLLM-Architektur: Das Modell integriert Gruppeninformationen, indem es ein Gruppentoken ( $e_{G_{s,k}}$ $e_{G_{s, k}}$ ) vor die Standard-Inputsequenz voranstellt. Es durchläuft spezialisiertes Pre-Training für vier Aufgaben:
1. Gruppenanalyse: Beschreibung typischer Nutzerprofile in natürlicher Sprache.
2. Verhaltensvorhersage: Vorhersage zukünftiger Klicker basierend auf bestehenden Klickern.
3. Produktverständnis: Vorhersage von Produkttiteln aus Bildern.
4. Prompt-Generierung: Erstellung von Bild-Prompts, die auf spezifische Nutzer zugeschnitten sind.
Gruppenspezifische Präferenzanpassung (Group-DPO): Um das Modell mit realem Engagement abzugleichen, führen die Autoren ein gruppenbewusstes Belohnungsmodell (GRM) ein. Das GRM bewertet Paare von Werbebildern unter Berücksichtigung spezifischer Gruppen-Embeddings, um die relative CTR-Leistung vorherzusagen. Unter Verwendung dieser Präferenzpaare wird das G-MLLM mittels Group Direct Preference Optimization (Group-DPO) feinjustiert. Dieser Prozess maximiert die Wahrscheinlichkeit der Generierung von Prompts, die eine höhere CTR für spezifische Zielgruppen erzielen, und löst so effektiv kreuzgruppenspezifische Präferenzkonflikte, ohne separate Modelle für jede Gruppe zu benötigen.

Zentrale Beiträge

Das Paper skizziert drei wesentliche Beiträge:

PAAG: Ein dynamischer Nutzergruppierungsmechanismus, der produktspezifische Präferenzen lernt und durch adaptive Clusterbildung und Merkmals-Sampling reichhaltige kollektive Merkmale ableitet, wodurch die Grenzen statischer Gruppierung in großflächigen Szenarien überwunden werden.
PCIG: Ein präferenzkonditioniertes Generierungsframework, das ein vortrainiertes G-MLLM und Group-DPO nutzt, um ein einheitliches Modell zu ermöglichen, das maßgeschneiderte Bilder für diverse Nutzergruppen generiert und gleichzeitig Präferenzkonflikte löst.
GAIP-Datensatz: Die Einführung des Grouped Advertising Image Preference (GAIP) Datensatzes, des ersten groß angelegten öffentlichen Datensatzes für gruppenspezifische Bildpräferenzen. Er enthält etwa 600.000 Nutzergruppen aus 40 Millionen Nutzern und bietet umfassende gruppenspezifische Präferenzannotationen, die bestehende Datensätze in Umfang und Granularität deutlich übertreffen.

Experimentelle Ergebnisse

Die Autoren evaluierten OSMF durch umfangreiche Offline- und Online-Experimente:

Präferenzmodellierung (PAAG): Im Vergleich zu Baselines (CACS, WIYD, JAC) erreichte OSMF den niedrigsten NDCG@5 (0,3066) und den höchsten AUROC (0,6372), was auf eine überlegene Fähigkeit hindeutet, distinkte Gruppenpräferenzen zu unterscheiden und Nutzerklicks zu modellieren.
Online-CTR-Leistung: In einem einwöchigen Online-Test mit 10.000 hochfrequentierten Produkten erzielte OSMF eine relative Verbesserung der CTR um 5,479 % gegenüber einem vortrainierten G-MLLM-Baseline und übertraf die State-of-the-Art CAIG-Methode (die eine Verbesserung von 3,425 % erzielte). Dies zeigt, dass die explizite Modellierung von Gruppenpräferenzen bessere kommerzielle Ergebnisse liefert als eine aggregierte Optimierung.
Belohnungsmodellierung: Das Gruppenbewusste Belohnungsmodell (GRM) übertraf allgemeine MLLMs und bestehende CTR-Belohnungsmodelle signifikant in der Paar-Genauigkeit (Verbesserung um 4,7 % gegenüber CAIG), was die Bedeutung des Gruppenkontexts für die Präferenzschätzung validiert.
Qualitative Analyse: Visuelle Ergebnisse zeigten, dass OSMF erfolgreich stilistisch diverse Bilder (z. B. lebhaft vs. minimalistisch) generiert, die auf spezifische Nutzergruppen für dasselbe Produkt zugeschnitten sind, was seine Fähigkeit bestätigt, sich an heterogene Anforderungen anzupassen.

Bedeutung

Das Paper behauptet, dass OSMF einen bedeutenden Wandel vom „Einheitsmodell“-Paradigma in der Generierung von Werbebildern darstellt. Durch die Einführung eines Frameworks, das diverse gruppenspezifische Präferenzen dynamisch abgleicht, adressiert es die kommerzielle Ineffizienz generischer Werbebildgenerierung. Die Autoren betonen, dass selbst marginale CTR-Verbesserungen in großflächigem E-Commerce erhebliche Umsatzgewinne bedeuten. Zudem wird die Veröffentlichung des GAIP-Datensatzes als grundlegende Ressource für die zukünftige Forschung zu gruppenbewusster Bildgenerierung positioniert, die eine kritische Lücke in der Verfügbarkeit groß angelegter, realer Gruppenpräferenzdaten schließt. Die Arbeit zeigt, dass die Balance zwischen Skalierbarkeit und Personalisierung durch gruppenspezifische Optimierung ein gangbarer und effektiver Weg für die industrielle Werbebranche ist.