本文以小紅書(shū)智能創(chuàng)意生成策略為例，拆解相關(guān)案例，對(duì)其創(chuàng)意生成策略進(jìn)行拆解分析，分享一下小紅書(shū)智能創(chuàng)意生成和優(yōu)選策略，希望對(duì)你有所幫助。

今天接著給大家講解大廠案例下的策略產(chǎn)品能力——小紅書(shū)智能創(chuàng)意生成策略，Arthur前面花費(fèi)4篇文章給大家從頭到尾講解廣告創(chuàng)意策略的全景，以及用阿里京東的大廠實(shí)際策略案例給大家分享關(guān)于創(chuàng)意生成、創(chuàng)意展示策略的原理和效果，今天我們換個(gè)大廠案例目標(biāo)來(lái)講解分享一下小紅書(shū)智能創(chuàng)意生成和優(yōu)選策略，原文來(lái)自小紅書(shū)公眾號(hào)。

(資料圖片)

目錄：

一、小紅書(shū)平臺(tái)做智能創(chuàng)意策略的背景

小紅書(shū)搜推APP客戶端展示頁(yè)面

小紅書(shū)平臺(tái)作為目前實(shí)現(xiàn)活躍用戶Top的富媒體筆記分享平臺(tái)，商業(yè)廣告和自然推薦的筆記都是生態(tài)內(nèi)容交互的組織成本分，在小紅書(shū)這樣的上億級(jí)別活躍用戶UGC社區(qū)，筆記或者商業(yè)信息的有效呈現(xiàn)如何受到用戶青睞和點(diǎn)擊（CTR）是一個(gè)非常重要的問(wèn)題。

其次，優(yōu)質(zhì)創(chuàng)意的制作成本較高，小紅書(shū)若能幫助客戶降低廣告創(chuàng)意制作門(mén)檻，并且?guī)椭蛻暨M(jìn)行創(chuàng)意優(yōu)選和流量適配，對(duì)于提升廣告的投放效率和滿足用戶體驗(yàn)意義重大。

二、小紅書(shū)智能創(chuàng)意策略實(shí)現(xiàn)詳解

為了保證整個(gè)小紅書(shū)的用戶體驗(yàn)，小紅書(shū)的廣告呈現(xiàn)形式都是原生廣告，以筆記作為主要呈現(xiàn)形式，生成的元素類(lèi)型主要就是封面圖和標(biāo)題，一般圖文筆記中通常用戶都會(huì)上傳多張圖片，并且都是博主精心挑選的結(jié)果，可以直接優(yōu)選出來(lái)作為封面圖素材。

對(duì)于視頻類(lèi)型的筆記，小紅書(shū)算法可以根據(jù)筆記內(nèi)容和視頻的相關(guān)性、內(nèi)容豐富性等定義抽取關(guān)鍵幀作為封面圖片。所以目前關(guān)鍵的點(diǎn)就在于無(wú)論是視頻筆記還是圖文筆記，博主都只提供了一個(gè)標(biāo)題，如何在不增加博主生成成本前提下去提供更多的標(biāo)題素材。

其實(shí)文本生成類(lèi)型工業(yè)界已經(jīng)早有應(yīng)用，技術(shù)難點(diǎn)就在于可控性和多樣性。

為了保證可控性，早期生成的方案都是采用基于模板或者基于規(guī)則進(jìn)行文本生成，這樣的標(biāo)題千篇一律，標(biāo)題整體缺少多樣性。

為了拓展多樣性，工業(yè)界開(kāi)始大量嘗試NLP模型，開(kāi)放自然語(yǔ)言模型進(jìn)行文本生成，但是模型智能生成了通順的標(biāo)題文本，但是應(yīng)用層有出現(xiàn)張冠李戴的問(wèn)題。

核心目標(biāo)：讓NLP模型文本可控不受限，”自由但不散漫”是非常有技術(shù)挑戰(zhàn)的一件事情。因此，小紅書(shū)創(chuàng)意團(tuán)隊(duì)基于可控是文本生成技術(shù)，結(jié)合小紅書(shū)海量高質(zhì)量的文本大數(shù)據(jù)，構(gòu)建一套內(nèi)容理解的小紅書(shū)特色標(biāo)題生成體系。

在生成范式上，小紅書(shū)主要使用了基于語(yǔ)言模型（GPT2）和Seq2Seq（T5）兩種生成范式。

小紅書(shū)標(biāo)題生成策略

基于語(yǔ)言模型GPT2：使用內(nèi)容豐富的筆記正文作為輸入，充分學(xué)習(xí)筆記上下文信息，同時(shí)結(jié)合特征控制信息（關(guān)鍵詞、標(biāo)題長(zhǎng)度、是否包含表情符合等）進(jìn)行標(biāo)題生成，極大的保證的生成標(biāo)題與原文的相關(guān)性。

關(guān)鍵詞/特征控制信號(hào) + 筆記正文 ->生成標(biāo)題

Seq2Seq 模型：主要針對(duì)原標(biāo)題進(jìn)行改寫(xiě)，通過(guò)挖掘高頻 query, bidword，并以品牌、功能點(diǎn)、利益點(diǎn)等信息作為 prompt，同時(shí)融合不同的風(fēng)格元素，對(duì)原有標(biāo)題進(jìn)行改寫(xiě)，既保持原標(biāo)題的核心內(nèi)容，又增加了標(biāo)題的多樣性。兩類(lèi)生成模型在線上結(jié)合使用，保證對(duì)不同的廣告筆記均有較好的生成結(jié)果。

原標(biāo)題核心內(nèi)容 + 原筆記正文特征 | 風(fēng)格模型 ->風(fēng)格標(biāo)題（包含標(biāo)題核心內(nèi)容）

小紅書(shū)Red系列預(yù)訓(xùn)練底座

強(qiáng)大的文本生成能力離不開(kāi)一個(gè)熟知小紅書(shū)營(yíng)銷(xiāo)風(fēng)格且強(qiáng)大的預(yù)訓(xùn)練語(yǔ)言模型?；跇I(yè)界最前沿的大規(guī)模語(yǔ)言模型理論和實(shí)踐經(jīng)驗(yàn)，小紅書(shū)平臺(tái)建設(shè)了 RED 系列-預(yù)訓(xùn)練模型技術(shù)底座：提供了基于小紅書(shū)內(nèi)部數(shù)據(jù)構(gòu)建的 RED-BERT (理解式)、RED-GPT2 (生成式)、RED-T5 (seq2seq)等預(yù)訓(xùn)練模型，充分利用大規(guī)模語(yǔ)言模型對(duì)小紅書(shū)海量的文本知識(shí)進(jìn)行無(wú)監(jiān)督學(xué)習(xí)。

同時(shí)，創(chuàng)意文本還涉及大量相關(guān)性、以及廣告法遵循等要求，其中 RED-BERT 支持了生成依賴的賣(mài)點(diǎn)抽取、相關(guān)性評(píng)估、機(jī)審質(zhì)控、離線預(yù)估等內(nèi)容理解相關(guān)的需求，而核心的可控式生成能力則由 RED-GPT2、RED-T5 支持。

市面上的開(kāi)源生成模型都是基于公開(kāi)語(yǔ)料進(jìn)行訓(xùn)練的，如中文維基百科、百度百科等，與小紅書(shū)筆記的語(yǔ)言風(fēng)格存在很大的差異， “RED-” 系列預(yù)訓(xùn)練模型是基于小紅書(shū)平臺(tái)內(nèi)部10億規(guī)模的筆記文本內(nèi)容訓(xùn)練的，可以更好地學(xué)習(xí)小紅書(shū)筆記的語(yǔ)言特點(diǎn)。同時(shí)，小紅書(shū)平臺(tái)改善了公開(kāi)模型中的詞表適配性的問(wèn)題，如 vocab 太大，缺少對(duì)于特定中文語(yǔ)料的側(cè)重，缺少 emoji 和小紅書(shū)表情等。

最終兩種生成模型的離線評(píng)估下過(guò)如下，相比較開(kāi)源模型，基于小紅書(shū)場(chǎng)景下訓(xùn)練的生成模型相關(guān)指標(biāo)有了明顯的提升。

策略實(shí)驗(yàn)結(jié)果

三、總結(jié)

小紅書(shū)平臺(tái)創(chuàng)意從21年起步，至今2年，發(fā)展速度非?？?，快速搭建起了創(chuàng)意標(biāo)題生成、創(chuàng)意優(yōu)選的能力，并且也取得了非常明顯點(diǎn)擊率的效果，通過(guò)好的投放效果激起廣告主追加預(yù)算投放的信息。

創(chuàng)意生成是一個(gè)基于item主體屬性、特征信息去生成豐富文本、圖片樣式的一個(gè)過(guò)程，核心是提供物料多樣與豐富度給到創(chuàng)意優(yōu)選的環(huán)節(jié)，能讓創(chuàng)意能夠千人千面的展示到每一個(gè)小紅書(shū)用戶的面前，達(dá)到素材信息利用價(jià)值的最大化效果，下一篇文章會(huì)接著給大家介紹小紅書(shū)智能創(chuàng)意優(yōu)選策略的實(shí)現(xiàn)方案。

本文由 @策略產(chǎn)品Arthur 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自 Unsplash，基于 CC0 協(xié)議

該文觀點(diǎn)僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。

關(guān)鍵詞：