目录
图理解维度
物料特征维度包括七个方向：颜色、背景、结构、图、元素、字体、文、卖点特征
| 特征维度 | 二级特征维度 |
| 颜色包括 | 整体色彩倾向、主五色特征、主色色彩占比 |
| 背景 | 背景复杂度、背景纯净度 |
| 图 | 图片纯净度、图内容、主图元素特征 |
| 文 | 文案位置特征、文案面积特征、文案内容特征、内容语义、句式风格、句子结构 |
| 结构 | 创意结构排版、创意文本框叠加方式 |
| 字 | 字体、样式 |
| 元素 | 活动标签、修饰图元素 |
| 卖点特征 | 1.是否有传达服务、产品的核心 2.是否符合人群经济情况 3.是否符合用户理解程度 4.信息是否符合用户习惯 |
文案位置特征：居中、局左、居右、居上、居下、左上角、右下角
文案内容特征：是否人群倾向、是否表意、是否权益吸引、是否有数字、是否有突出重点、是否押韵、是否对齐、是否有副标题、文本字数、是否活动促销、是否优惠、是否有收益、是否强调实效性、是否突出收益，是否产品描述
文字：字体、样式
背景复杂度特征：粒子图、科技流线、纯色背景、纹理重复背景、照片打底
图片纯净度特征：低纯净度、高纯净度、纯色背景、无背景
色彩占比：主要色彩占比
创意色彩倾向描述特征：整体偏热烈红、整体偏高级灰、整体偏典雅蓝、整体偏活泼黄、整体偏清新绿、冷色系、暖色系、整体偏艳
创意结构排版：全背景结构、左右切割结构、斜切割结构、多点布局结构、浸入式结构
主图元素特征：突出细节、堆叠呈现、多元素组合、多图枚举、矩阵陈列
修饰图元素特征：修饰元素形状、修饰元素大小、是否logo、是否跳动、是否按钮、是否有突出显示
创意文本框叠加方式：沉浸式的设计、背景突出文字、独立清晰区域展现、双色有突出字
图内容：具体描述，是否有人、是否实物、是否卡通、是否3d、是否会动、几何形状、不规则建模图形、细节汽车、细节白酒...
活动标签：是否带活动标签、是否带活动logo
物料自动特征打标
| 物料特征 | 可用算法 |
| 主五色特征 | 特征抽取、PCA聚类 |
| 颜色占比 | 颜色直方图 |
| 文本区域面积 | OCR、凸包算法 |
| 文本位置 | OCR+定位 |
| 背景复杂度 | 图信息熵分析 |
| 图内容 | 物体识别+image caption |
| 创意色彩倾向 | 结构分析+分类模型+色彩心理学建模 |
| 创意结构排版 | objectdetector+计算几何 |
| 修饰图元素 | 物体识别、计算几何、分类模型 |
| 创意文本框叠加方式 | OCR+计算几何+分类算法 |
| 文本语句结构 | 依存树分析、词性分析 |
| 内容理解 | 规则+bert分类 |
| 句式风格理解 | 命名实体识别+知识图谱+分类 |
| 图文一致性 | imagecaption、知识图谱、embedding match |
设计策略报告模版
1.top分析：
a.选出多图元素组合点击率最高
b.对各图元素分别求点击率，做多图元素组合和单个图元素组合相关度分析，求出最突出贡献的单图元素
c.图元素做内容理解，汇总理解后数据；对top多图元素组合和剩余多图元素分别做内容理解维度的归因分析
d.总结出top多图元素和其余多图元素，top内容设计规则；得出内容理解维度top和非top差异
2.创意在不同人群上差异分析
a.算不同人群在不同素材上差异分布
b.不同人群不同素材差异分布求DL距离
c.不同人群DL距离过小说明内容差异较小
3.不同人群创意差异分析报告
a.按分好的人群，统计人群在不同内容理解标签上统计打分
b.分析出不同人群，在不同内容理解标签上分布差异，给结论
随机森林+聚类：
1.素材内容理解完关联到用户暴点数据
2.用户是否点击作为分类label，随机森林做分类，每个叶子结点作为一类
3.随机森林每个叶子结点路径作为输入做聚类，得到最好输出人群
4.有了素材差异人群，需要给每个素材差异度人群做画像人群标签映射
文案理解维度
维度：句式、不同类词（动、名、代、数量）、心理锚点（限时、稀缺、代言人）、意图词（权益、服务、知识、信息）
模版化文案生成
句式生成
1.历史投放高点句式
2.各大平台热版、高点句式抽取
3.文案专家生成元模版，衍生句式
填充内容生产
1.用户画像-->构建知识图谱-->知识结构填充-->创作语句符合人语评分排序
用户画像：
基本属性：年龄段、居住地、常住地、性别、姓、星座
行为：用过哪些功能产品、作息规律、爱好、个性标签（二次元、年轻有为、汉服、健身达人、有娃、小资、购物达人、刚毕业、理财达人、无产、花花公主、月光宝宝、年年有余、大负翁）
社交：附近几公里人、同事、舍友、亲人
场景上下文：公司、休闲、商场、旅游地、出差、附近有啥
规则模版抽取
1.人工抽取
2.知识图谱结构学习
核心内容数字 + 带来的益处、效果、改变、结果
人群收入 + 投资收益
月入5000，也可**月收益过100
时间+变化
存半年，告别月光族
指定人群+收益
有房贷，一样可以**月入上千
+结果
指定人群+结果
打工一年，不愁年底回家没钱
基于编辑模型生成
LaserTagger
LaserTagger是Google Research在 “Encode, Tag, Realize: High-Precision Text Editing” 一文中提出的文本生成模型，该论文发表于EMNLP 2019。
这篇工作的主要贡献有：
（1）将序列标注作为源文本到目标文本的跳板，即首先对源文本标注编辑操作标签，再根据标注得到的标签序列将源文本并行转化为目标文本（图2）。
（2）基于（1）的思路，设计了基于编辑操作的文本生成模型LaserTagger（包括LaserTaggerFF和LaserTaggerAR两种模型变体），并且在四种文本生成任务上进行了对比实验，获得了较好的效果。
图 2 LaserTagger主要思路
Seq2Edits
Seq2Edits是Google Research在 “Seq2Edits: Sequence Transduction Using Span-level Edit Operations” 一文中提出的文本生成模型，该论文发表于EMNLP 2020。
本篇工作的主要改进有：
（1）与LaserTagger不同，Seq2Edits是在span-level上进行标签标注。即，LaserTagger对每一个词（token）标注一个编辑标签，而Seq2Edits对一个或多个词（span）标注一个编辑标签。
论文作者认为在span-level上进行标注操作能够更好地对局部依赖（local dependencies）进行建模，而对于语法纠错等生成任务而言，人类实际解决这类问题时的主要根据也是span与span间的局部依赖，因此在span-level上进行标注操作也与人类实际解决问题时的思路相吻合。
（2）Seq2Edits将标注操作进一步细化，每一个span对应的编辑标签都由一个三元组组成，相比LaserTagger的标签定义方式粒度更细，因此可解释性也更好。
（3）推理时间不再取决于目标文本的长度，而是依赖于编辑操作的规模。推理速度相比传统seq2seq模型仍得到大幅提升。
主要方法
-
标注操作定义
Seq2Edits的标注操作与LaserTagger主要有两点不同：（1）Seq2Edits是在span-level上打标签；（2）Seq2Edits的编辑标签被定义为三元组的形式。
图 7 Seq2Edits语法纠错任务生成示例
354
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
