← नवीनतम पेपर
🤖 AI

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

यह शोध पत्र OSMF को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो 'वन-साइज़-फिट्स-ऑल' विज्ञापन छवि निर्माण की सीमाओं को संबोधित करता है, और उपयोगकर्ताओं को गतिशील रूप से समूहीकृत करने तथा विविध समूह-वार क्लिक प्राथमिकताओं को संरेखित करने के लिए ग्रुप-डीपीओ (Group-DPO) फाइन-ट्यूनिंग के साथ एक ग्रुप-अवेयर मल्टीमॉडल लार्ज लैंग्वेज मॉडल का उपयोग करने के माध्यम से, ऑफलाइन और ऑनलाइन दोनों मेट्रिक्स में अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: 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

प्रकाशित 2026-02-04
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: 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

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल डिजिटल बिलबोर्ड चला रहे हैं जो लाखों लोगों को विज्ञापन दिखाता है। अतीत में, रणनीति "एक ही आकार सबके लिए" (One Size Fits All) थी। आप जूतों के एक जोड़ी के लिए एक बेहतरीन दिखने वाला विज्ञापन बनाते और उसे सभी को दिखाते। लक्ष्य कुल क्लिक की संख्या को उच्चतम स्तर पर ले जाना था।

लेकिन समस्या यह है: हर कोई एक जैसी चीज़ पसंद नहीं करता।

  • एक किशोर (teenager) स्केट-पार्क वाले ग्रिटी और अर्बन बैकग्राउंड वाले जूते के विज्ञापन को पसंद कर सकता है।
  • एक बुजुर्ग व्यक्ति उसी जूते को एक साफ-सुथरे, धूप वाले बगीचे के परिवेश में देखना पसंद कर सकता है।
  • यदि आप बुजुर्ग को "स्केट-पार्क" वाला विज्ञापन दिखाते हैं, तो वे क्लिक नहीं करेंगे। यदि आप किशोर को "बगीचे" वाला विज्ञापन दिखाते हैं, तो भी वे क्लिक नहीं करेंगे।

यह शोध पत्र एक नई प्रणाली पेश करता है जिसे OSMF (One Size, Many Fits) कहा जाता है ताकि इस समस्या को ठीक किया जा सके। एक ही कंप्यूटर मस्तिष्क से, एक ही विज्ञापन बनाने के बजाय, यह विशिष्ट समूहों के लिए एक अनूठा विज्ञापन बनाता है।

यह कैसे काम करता है, इसके सरल चरण यहाँ दिए गए हैं:

1. "स्मार्ट ग्रुपिंग" (PAAG)

उपमा: कल्पना कीजिए कि एक पार्टी प्लानर केवल उम्र या लिंग के आधार पर मेहमानों को अलग नहीं करता। इसके बजाय, वह उत्पाद (मेन्यू) और मेहमानों को एक साथ देखता है।

  • यदि उत्पाद स्मार्टफोन है, तो प्लानर को एहसास होता है कि पुरुषों और महिलाओं की पसंद बहुत अलग हो सकती है।
  • यदि उत्पाद रनिंग शूज़ है, तो प्लानर को एहसास होता है कि लिंग से अधिक उम्र मायने रखती है।
  • शोध पत्र क्या करता है: सिस्टम PAAG (Product-Aware Adaptive Grouping) नामक एक टूल का उपयोग करता है। यह उत्पाद और उपयोगकर्ता के इतिहास को देखता है और लोगों को सही "क्लबों" में गतिशील रूप से वर्गीकृत करता है। यह कठोर नियमों का उपयोग नहीं करता; यह समझता है कि, "इस विशिष्ट उत्पाद के लिए, ये 50,000 लोग वास्तव में एक ही चीज़ चाहते हैं।"

2. "सुपर-ट्रांसलेटर" (G-MLLM)

उपमा: एक मास्टर शेफ के बारे में सोचें जो भीड़ के लिए खाना बना सकता है, लेकिन आमतौर पर वह सूप का एक बड़ा बर्तन ही बनाता है। नया सिस्टम एक ऐसे शेफ की तरह है जो मेज पर बैठे लोगों के आधार पर तुरंत रेसिपी बदल सकता है।

  • सिस्टम G-MLLM (Group-aware Multimodal Large Language Model) का उपयोग करता है। यह एक सुपर-स्मार्ट AI है जो टेक्स्ट और इमेज दोनों को समझता है।
  • खाना बनाना शुरू करने से पहले, इसे प्रत्येक समूह के विशिष्ट "स्वादों" (पसंद) को समझने के लिए "प्री-ट्रेन" किया जाता है। यह सीखता है कि समूह A को "चमकीले रंग" पसंद हैं और समूह B को "मिनिमलिस्ट स्टाइल" पसंद है।

3. "टेस्टिंग" (Group-DPO)

उपमा: कल्पना कीजिए कि शेफ एक व्यंजन के दो संस्करण बनाता है। परीक्षकों का एक समूह (रिवॉर्ड मॉडल) उन्हें चखता है और कहता है, "समूह A को तीखा वाला पसंद आया, लेकिन समूह B को यह बिल्कुल पसंद नहीं आया।"

  • सिस्टम Group-DPO नामक तकनीक का उपयोग करता है। यह केवल यह नहीं पूछता कि "कौन सी इमेज बेहतर है?" बल्कि यह पूछता है कि "इस विशिष्ट समूह के लिए कौन सी इमेज बेहतर है?"
  • यह एक ही उत्पाद के दो विज्ञापनों की तुलना करता है। यदि "अर्बन" विज्ञापन किशोर समूह से अधिक क्लिक प्राप्त करता है, तो AI उनके लिए अधिक "अर्बन" विज्ञापन बनाना सीख जाता है। यदि बुजुर्गों के साथ "बगीचे" वाला विज्ञापन जीतता है, तो यह भी सीख जाता है।
  • यह सुनिश्चित करता है कि AI विरोधाभासी स्वादों से भ्रमित न हो। यह एक गिरगिट की तरह बनना सीखता है, जो हर समूह के लिए अपनी शैली बदल लेता है।

4. "विशाल रेसिपी बुक" (GAIP Dataset)

उपमा: 4 करोड़ लोगों के लिए खाना पकाने का तरीका सीखने के लिए, आपको एक विशाल कुकबुक की आवश्यकता है जिसमें वास्तविक फीडबैक हो।

  • शोधकर्ता इस मात्रा के डेटा के साथ कोई सार्वजनिक किताब नहीं ढूंढ सके, इसलिए उन्होंने अपनी खुद की किताब लिखी।
  • उन्होंने GAIP बनाया, एक डेटासेट जिसमें 4 करोड़ उपयोगकर्ता और 6,00,000 विशिष्ट समूह शामिल हैं। यह बिल्कुल वैसा ही है जैसे कि यह रिकॉर्ड रखना कि 6,00,000 अलग-अलग प्रकार के लोगों ने 4 करोड़ अलग-अलग विज्ञापनों को देखने पर क्या क्लिक किया। यह पहली बार है जब इतना बड़ा और विस्तृत "पसंदीदा मानचित्र" (preference map) सार्वजनिक किया गया है।

परिणाम

जब उन्होंने इस सिस्टम का परीक्षण किया:

  • ऑफलाइन (सिमुलेशन): इसने पिछले किसी भी तरीके की तुलना में क्लिक का बेहतर अनुमान लगाया।
  • ऑनलाइन (वास्तविक दुनिया): जब उन्होंने वास्तव में एक प्रमुख ई-कॉमर्स साइट पर विज्ञापन दिखाए, तो "One Size, Many Fits" दृष्टिकोण ने पुराने "One Size Fits All" तरीकों की तुलना में काफी अधिक क्लिक प्राप्त किए।

संक्षेप में: शोध पत्र कहता है, "एक विज्ञापन से सबको खुश करने की कोशिश करना बंद करें। यह समझने के लिए कि किसे क्या पसंद है स्मार्ट ग्रुपिंग का उपयोग करें, उन विशिष्ट समूहों को समझने के लिए एक सुपर-AI को प्रशिक्षित करें, और प्रत्येक के लिए कस्टम विज्ञापन बनाएं। यह बेहतर काम करता है, और हमारे पास इसे साबित करने के लिए डेटा भी है।"

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →