🤖 AI

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

Dit artikel introduceert OSMF, een verenigd framework dat de beperkingen van 'one-size-fits-all' advertentiebeeldgeneratie aanpakt door gebruikers dynamisch te groeperen en een groep-bewuste Multimodale Grote Taalmodel met Group-DPO fine-tuning in te zetten om diverse groepssgewijze klikvoorkeuren af te stemmen, waardoor zowel in offline als online metrieken een state-of-the-art prestatie wordt behaald.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-02-04

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorm digitaal billboard beheert dat advertenties laat zien aan miljoenen mensen. In het verleden was de strategie "One Size Fits All" (één maat voor iedereen). Je maakte één perfect uitziende advertentie voor een paar schoenen en liet die aan iedereen zien. Het doel was om het hoogste totale aantal klikken te behalen.

Maar hier is het probleem: Niet iedereen houdt van hetzelfde.

Een tiener kan dol zijn op een schoenadvertentie met een rauwe, stedelijke skatepark-achtergrond.
Een grootouder geeft misschien de voorkeur aan dezelfde schoen in een schone, zonnige tuinsetting.
Als je de "skatepark"-advertentie aan de grootouder laat zien, klikken ze niet. Als je de "tuin"-advertentie aan de tiener laat zien, klikken ze ook niet.

Het artikel introduceert een nieuw systeem genaamd OSMF (One Size, Many Fits) om dit op te lossen. In plaats van één advertentie voor iedereen te maken, creëert het unieke advertenties voor specifieke groepen mensen, allemaal vanuit hetzelfde computerbrein.

Zo werkt het, onderverdeeld in eenvoudige stappen:

1. De "Slimme Groepering" (PAAG)

De Analogie: Stel je een feestplanner voor die gasten niet alleen sorteert op leeftijd of geslacht. In plaats daarvan kijkt de planner naar het menu (het product) en de gasten samen.

Als het product smartphones zijn, beseft de planner dat mannen en vrouwen zeer verschillende smaken kunnen hebben.
Als het product hardloopschoenen zijn, beseft de planner dat leeftijd belangrijker is dan geslacht.
Wat het artikel doet: Het systeem gebruikt een tool genaamd PAAG (Product-Aware Adaptive Grouping). Het kijkt naar het product en de geschiedenis van de gebruiker om mensen dynamisch in de juiste "clubs" te sorteren. Het gebruikt geen rigide regels; het ontdekt: "Voor dit specifieke product willen deze 50.000 mensen eigenlijk hetzelfde."

2. De "Super-Vertaler" (G-MLLM)

De Analogie: Denk aan een meesterkok die voor een hele menigte kan koken, maar normaal gesproken slechts één grote pan soep maakt. Het nieuwe systeem is als een chef die instantaan van recept kan wisselen op basis van wie er aan tafel zit.

Het systeem gebruikt een Group-aware Multimodal Large Language Model (G-MLLM). Dit is een super slimme AI die zowel tekst als afbeeldingen begrijpt.
Voordat het begint met koken, is het "voorgetraind" om de specifieke "smaken" (voorkeuren) van elke groep te begrijpen. Het leert dat Groep A houdt van "heldere kleuren" en Groep B houdt van "minimalistische stijlen".

3. De "Proefsmaak" (Group-DPO)

De Analogie: Stel je voor dat de chef twee versies van een gerecht maakt. Een groep proevers (het beloningsmodel) probeert ze en zegt: "Groep A hield van de pittige versie, maar Groep B haatte het."

Het systeem gebruikt een techniek genommende Group-DPO. Het vraagt niet alleen: "Welke afbeelding is beter?" Het vraagt: "Welke afbeelding is beter voor deze specifieke groep?"
Het vergelijkt twee advertenties voor hetzelfde product. Als de "stedelijke" advertentie meer klikken krijgt van de tienergroep, leert de AI om meer "stedelijke" advertenties voor hen te maken. Als de "tuin"-advertentie wint bij de senioren, leert het systeem dat ook.
Dit zorgt ervoor dat de AI niet in de war raakt door tegenstrijdige smaken. Het leert een kameleon te zijn, die zijn stijl voor elke groep aanpast.

4. Het "Massale Receptenboek" (GAIP Dataset)

De Analogie: Om een chef te leren hoe hij voor 40 miljoen mensen moet koken, heb je een enorm kookboek nodig met echte feedback.

De onderzoekers konden geen openbaar boek vinden met zoveel data, dus hebben ze hun eigen boek geschreven.
Ze creëerden GAIP, een dataset met 40 miljoen gebruikers en 600.000 verschillende groepen. Het is alsof je een record hebt van precies waar 600.000 verschillende soorten mensen op klikten toen ze 40 miljoen verschillende advertenties zagen. Dit is voor het eerst dat zo'n enorme, gedetailleerde "voorkeurskaart" openbaar is gemaakt.

Het Resultaat

Toen ze dit systeem testten:

Offline (Simulaties): Het voorspelde klikken beter dan elke eerdere methode.
Online (De echte wereld): Toen ze de advertenties daadwerkelijk lieten zien op een grote e-commerce website, zorgde de "One Size, Many Fits"-aanpak voor aanzienlijk meer klikken dan de oude "One Size Fits All"-methoden.

Kortom: Het artikel zegt: "Stop met proberen iedereen te plezieren met één advertentie. Gebruik slimme groepering om te ontdekken wie van wat houdt, train een super-AI om die specifieke groepen te begrijpen, en genereer aangepaste advertenties voor elk van hen. Het werkt beter, en we hebben de data om het te bewijzen."

Technische Samenvatting: One Size, Many Fits (OSMF)

Probleemstelling

Huidige grootschalige systemen voor de generatie van advertentiebeelden vertrouwen voornamelijk op een "one-size-fits-all"-strategie, waarbij wordt geoptimaliseerd voor een enkele, geaggregeerde Click-Through Rate (CTR) voor de gehele gebruikersbasis. Hoewel recente ontwikkelingen CTR hebben geïntegreerd als een beloningssignaal in Reinforcement Learning from Human Feedback (RLHF), houdt deze aanpak geen rekening met de substantiële heterogeniteit van voorkeuren onder verschillende gebruikersgroepen.

Zoals vermeld in de inleiding, leidt het behandelen van algemene gebruikersvoorkeuren als universeel toepasbaar tot suboptimale prestaties voor specifieke demografieën. Zo kunnen voorkeuren voor smartphoneadvertenties bijvoorbeeld sterk verschillen per geslacht, terwijl advertenties voor schoenen meer kunnen variëren per leeftijd. Een verenigd model dat probeert om gelijktijdig aan deze tegenstrijdige voorkeuren te voldoen (bijv. "natuurlijke scènes" versus "sportveld" achtergronden), resulteert vaak in beelden die er niet in slagen specifieke groepen te boeien, wat de effectiviteit van gerichte marketing beperkt en advertentiebudgetten verspilt. Bovenergen staan bestaande groepssgewijze RLHF-benaderingen voor twee kritieke uitdagingen: (1) Beperkte schaalbaarheid van gebruikersgroepering, waarbij statische, op vaste attributen gebaseerde groeperingen niet kunnen adapteren aan diverse productcategorieën; en (2) Voorkeursconflicten in verenigde modellering, waarbij single-output modellen moeite hebben met het oplossen van tegenstrijdige beeldvoorkeuren.

Methodologie: Het OSMF-framework

Om deze beperkingen aan te pakken, stellen de auteurs One Size, Many Fits (OSMF) voor, een verenigd framework dat is ontworpen om diverse groepssgewijze klikvoorkeuren af te stemmen. Het framework bestaat uit twee primaire fasen:

1. Product-bewuste Adaptieve Groepering (PAAG)

PAAG vervangt rigide, statische gebruikersclustering door een dynamische aanpak die gebruikersattributen integreert met productkenmerken.

Gebruikersvoorkeursmodellering: Het systeem modelleert gebruikersklikgedrag via drie takken: gebruikersattributen ( $A$ ), advertentiebeelden ( $I$ ) en producttitels ( $T$ ). Het maakt gebruik van encoders om semantische kenmerken uit afbeeldingen en tekst te extraheren. Cruciaal is dat het cross-attention mechanismen gebruikt om product-bewuste gebruikersrepresentaties ( $e_{u|t}$ en $e_{u|c}$ ) te creëren, waardoor gebruikerskenmerken kunnen anticiperen op specifieke productsemantiek en visuele kenmerken.
Groepskenmerkaggregatie: Gebruikers worden geclusterd op basis van deze product-bewuste embeddings met behulp van K-Means. Om de intra-groep diversiteit te vangen in plaats van te vertrouwen op één enkel centrum, construeert PAAG rijke collectieve representaties ( $G_{s,k}$ ) door meerdere representatieve punten uit de clusterdistributie te samplen (inclusclusief het centrum en perifere punten op verschillende percentielen). Dit zorgt ervoor dat het groepskenmerk zowel kernkenmerken als subtiele variaties omvat.

2. Voorkeursgeconditioneerde Beeldgeneratie (PCIG)

PCIG maakt gebruik van de door PAAG afgeleide groepen om op maat gemaakte beelden te genereren via een Groep-bewuste Multimodale Large Language Model (G-MLLM).

G-MLLM Architectuur: Het model integreert groepsinformatie door een groepstoken ( $e_{G_{s,k}}$ $e_{G_{s, k}}$ ) toe te voegen aan de standaard inputsequentie. Het ondergaat gespecialiseerde pre-training op vier taken:
1. Groepsanalyse: Het beschrijven van typische gebruikersprofielen in natuurlijke taal.
2. Gedragsvoorspelling: Het voorspellen van toekomstige klikkers op basis van bestaande klikkers.
3. Productbegrip: Het voorspellen van producttitels vanuit afbeeldingen.
4. Promptgeneratie: Het creëren van beeldprompts die zijn afgestemd op specifieke gebruikers.
Groepssgewijze Voorkeursafstemming (Group-DPO): Om het model af te stemmen op real-world engagement, introduceren de auteurs een Groep-bewust Beloningsmodel (GRM). De GRM evalueert paren van advertentiebeelden geconditioneerd op specifieke groepsembeddings om de relatieve CTR-prestaties te voorspellen. Met behruik van deze voorkeursparen wordt de G-MLLM gefinetuned met Group Direct Preference Optimization (Group-DPO). Dit proces maximaliseert de waarschijnlijkheid van het genereren van prompts die een hogere CTR opleveren voor specifieke doelgroepen, waardoor cross-groep voorkeursconflicten effectief worden opgelost zonder dat er aparte modellen voor elke groep nodig zijn.

Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

PAAG: Een dynamisch gebruikersgroeperingsmechanisme dat product-bewuste voorkeuren leert en rijke collectieve kenmerken afleidt via adaptieve clustering en kenmerk-sampling, waarmee de beperkingen van statische groepering in grootschalige scenario's worden overwonnen.
PCIG: Een voorkeursgeconditioneerd generatief framework dat een vooraf getraind G-MLLM en Group-DPO gebruikt om een verenigd model in staat te stellen op maat gemaakte beelden te genereren voor diverse gebruikersgroepen, terwijl het voorkeursconflicten oplost.
GAIP Dataset: De introductie van de Grouped Advertising Image Preference (GAIP) dataset, de eerste grootschalige publieke dataset voor groepssgewijze beeldvoorkeuren. Deze bevat ongeveer 600.000 gebruikersgroepen afgeleid van 40 miljoen gebruikers, en biedt uitgebreide groepssgewijze voorkeursannotaties die de bestaande datasets aanzienlijk overtreffen in schaal en granulariteit.

Experimentele Resultaten

De auteurs evalueerden OSMF via uitgebreide offline en online experimenten:

Voorkeursmodellering (PAAG): Vergeleken met baselines (CACS, WIYD, JAC), behaalde OSMF de laagste NDCG@5 (0.3066) en de hoogste AUROC (0.6372), wat wijst op een superieur vermogen om onderscheidende groepsvoorkeuren te onderscheiden en gebruikersklikken te modelleren.
Online CTR-prestaties: In een eenweekse online test op 10.000 producten met een hoge blootstelling, behaalde OSMF een relatieve verbetering van 5,479% in CTR ten opzien van een vooraf getrainde G-MLLM baseline en presteerde het beter dan de state-of-the-art CAIG-methode (die 3,425% verbeterde). Dit demonstreert dat het expliciet modelleren van groepsniveau-voorkeuren betere commerciële resultaten oplevert dan aggregatieve optimalisatie.
Beloningsmodellering: Het Groep-bewuste Beloningsmodel (GRM) presteerde aanzienlijk beter dan algemene MLLM's en bestaande CTR-beloningsmodellen in Pair Accuracy (een verbetering van 4,7% ten opzien van CAIG), wat het belang van groepcontext in voorkeursinschatting valideert.
Kwalitatieve Analyse: Visuele resultaten toonden aan dat OSMF succesvol stilistisch diverse beelden genereert (bijv. levendig versus minimalistisch) die zijn afgestemd op specifieke gebruikersgroepen voor hetzelfde product, wat de capaciteit bevestigt om te adapteren aan heterogene eisen.

Betekenis

Het artikel stelt dat OSMF een significante verschuiving vertegenwoordigt van het "one-size-fits-all"-paradigma in de generatie van advertentiebeelden. Door een framework te introduceren dat diverse groepssgewijze voorkeuren dynamisch afstemt, pakt het de commerciële inefficiëntie van generieke advertentiegeneratie aan. De auteurs benadrukken dat zelfs marginale CTR-verbeteringen vertalen naar substantiële omzetwinsten in grootschalige e-commerce. Bovendien wordt de release van de GAIP-dataset gepositioneerd als een fundamentele bron voor toekomstig onderzoek naar groep-bewuste beeldgeneratie, waarmee een kritiek gat in de beschikbaarheid van grootschalige, real-world groepsvoorkeursdata wordt opgevuld. Het werk demonstreert dat het balanceren van schaalbaarheid met personalisatie door middel van groepssgewijze optimalisatie een levensvatbaar en effectief pad is voor industriële advertenties.