Long-Term Ad Memorability: Understanding and Generating Memorable Ads

要約

マーケターは広告に何十億ドルも費やしますが、その目的は何でしょうか?
購入時に顧客が広告を見たブランドを認識できなければ、広告に費やしたお金は基本的に無駄になります。
マーケティングにおける広告の重要性にもかかわらず、これまで ML 文献では広告の記憶に残る性に関する研究は行われていませんでした。
これまでの記憶力に関する研究はすべて、オブジェクトやアクションビデオなどの特定のコンテンツタイプについての短期想起について実施されています。
一方、広告業界は長期記憶に残ることのみを重視しており、広告はほとんどの場合高度にマルチモーダルです。
そこで、1749 人の参加者と 276 ブランドをカバーする 2205 の広告で構成される最初の記憶性データセット LAMDBA をリリースしました。
さまざまな参加者部分母集団と広告タイプに対して統計テストを実行すると、何が広告を記憶に残すのかについて多くの興味深い洞察が見つかりました。たとえば、動きの速い広告は、遅いシーンの広告よりも記憶に残りやすいです。
広告ブロッカーを使用している人は、使用していない人よりも覚えている広告の数が少ないのです。
次に、すべての著名な文学の記憶性データセットにわたって最先端のパフォーマンスを達成する、コンテンツの記憶性を予測するための新しいモデル、ヘンリーを紹介します。
Henry は、未知のデータセットでの 0 ショットでより良い結果をもたらし、強力な汎化パフォーマンスを示しています。
最後に、記憶に残る広告生成を目的として、自動的に注釈が付けられたデータを活用して、高品質で記憶に残る広告生成モデルを構築するスケーラブルな方法を紹介します。
私たちのアプローチである SEED (Self rEwarding mEmorability Modeling) は、シード データとして LAMBDA 上でトレーニングされた言語モデルから始まり、より記憶に残る広告を生成するために LLM を段階的にトレーニングします。
生成された広告は元の広告よりも 44\% 高い記憶スコアを持っていることがわかります。
さらに、自動的に割り当てられた記憶性スコアを持つ 500 万件の広告で構成される大規模な広告データセット UltraLAMBDA をリリースします。

要約(オリジナル)

Marketers spend billions of dollars on advertisements, but to what end? At purchase time, if customers cannot recognize the brand for which they saw an ad, the money spent on the ad is essentially wasted. Despite its importance in marketing, until now, there has been no study on the memorability of ads in the ML literature. All previous memorability studies have been conducted on short-term recall on specific content types like object and action videos. On the other hand, the advertising industry only cares about long-term memorability, and ads are almost always highly multimodal. Therefore, we release the first memorability dataset, LAMDBA, consisting of 1749 participants and 2205 ads covering 276 brands. Running statistical tests over different participant subpopulations and ad types, we find many interesting insights into what makes an ad memorable, e.g., fast-moving ads are more memorable than those with slower scenes; people who use ad-blockers remember a lower number of ads than those who don’t. Next, we present a novel model, Henry, to predict the memorability of a content which achieves state-of-the-art performance across all prominent literature memorability datasets. Henry shows strong generalization performance with better results in 0-shot on unseen datasets. Finally, with the intent of memorable ad generation, we present a scalable method to build a high-quality memorable ad generation model by leveraging automatically annotated data. Our approach, SEED (Self rEwarding mEmorability Modeling), starts with a language model trained on LAMBDA as seed data and progressively trains the LLM to generate more memorable ads. We show that the generated advertisements have 44\% higher memorability scores than the original ads. Further, we release a large-scale ad dataset, UltraLAMBDA, consisting of 5 million ads with their automatically-assigned memorability scores.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google