CTR预估中怎么样加入图片特征图片特征咋提取
最近在做这个方向的工作，调研了一些文章，如下：
Image Feature Learning for Cold Start Problem in Display Advertising 这是15年腾讯发表在ijcai15的文章，是较早将图像深度特征应用于广告CTR预估的工作之一，文章中的想法分为两步：
第一步：利用CNN，实现从原始图片到用户点击情况的端到端的图像特征学习第二步：上一步训练好的CNN用于抽取与点击率相关的图像特征，结合广告属性的特征训练LR等模型来预估广告点击率在第一步中，因为处理的都是人工设计的广告物料，相对于imagenet简单且噪声小，若采用过大的模型会导致过拟合，所以文章设计了如下的结构：100*100图像输入 → 4层conv+Relu+max pooling → 3层FC → 二分类softmax（点击率）
文章对22万张训练集图片进行了数据增强，包括缩放和随机裁剪，对3万张测试集图片随机裁剪10次，将输出概率均值作为预测结果。最后结果如下：左边是只有图片特征，右边为图片特征加广告特征，Feature Learning相较于其他几种方法有较为显著的提升。
Deep CTR Prediction in Display Advertising 是16年阿里发表在ACM MM16的工作，特征提取与点击率预估整合在一起，end to end训练。
左侧的卷积网络用来提取图像特征，结构类似于 VGG16，是一个17层的深层卷积神经网络。因为网络结构较为复杂，文章先用图像分类任务来解决CNN的预训练的问题。右侧是全连接层，输入层是 one-hot embedding，用于训练广告基础特征，其中用到了ReLu做非线性变换。将两侧得到的各128维向量concat起来，经过一个BN层和两个FC层，输出softmax二分类
结果如下：
Image Matters: Visually modeling user behaviors using Advanced Model Server 是阿里发表在arxiv的工作，文章的创新点主要有两个，
物料侧广告图像不仅仅用于表征广告，也用于用户侧建模，基于用户历史点击过的图片（user behavior images）来建模用户的视觉偏好。图片特征引入的大数据量成为技术瓶颈。阿里团队为传统 PS（参数服务器） 的 server 也增加了「模型训练」功能，并称新结构为 Advanced Model Server（AMS）。模型和AMS架构如下，其中模型分三部分：
广告ID类Embedding特征（黑色部分）广告图像特征（粉色部分）用户视觉偏好（蓝色部分）concat之后经过三层FC，输出softmax二分类。
AMS架构部分在下面这篇文章讲的很详细，移步：
一图胜千言: 解读阿里的Deep Image CTR Model实验结果如下：图像特征略微提升，但是添加用户点击图像的特征，边际效益不高
■网友
可以参考阿里巴巴最近的工作：https://arxiv.org/pdf/1711.06505.pdf
联合使用用户交互过的图片（不光是图片id）和待预估的广告图片。由于要对图片进行建模，实现上有非常大的挑战，但是不是不可能做到，论文里也有较多的篇幅介绍如何实现。
推荐阅读
- dart这编程语言现在发展怎么样了，语法与Java，c#很相似，甚至更简洁
- 青年|一汽奔腾T77怎么样？车主吐槽：后排座椅太短，和坐小板凳似的
- 电商网站支付流程的流失率是怎么样的从用户点击充值/支付按钮，到支付完成，其中每一步的流失比率都是咋样的
- 作为一个服装供应商，怎么样与淘宝卖家沟通才能卖出自己的产品或者拿到订单
- 在丁丁租房工作的感受是怎么样的
- 城市数据团是怎么样一个团队
- win7中本地连接跟无线网卡同时使用时是怎么样的模式
- 猫扑网南迁广西，媒体唱衰BBS，论坛的未来会怎么样怎样改变
- 被人围攻是怎么样一种体验，包括但不限于（蛋糕，口舌，拳脚，西瓜刀，机枪，code review）
- o2o模式的电商怎么样进行线上线下的引流