没有合适的资源?快使用搜索试试~ 我知道了~
主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1155计算创意广告摘要薇孙IBMResearchYorktownHeights,纽约sunw@us.ibm.com安舒尔·谢普里IBM纽约阿蒙克她opuri@us.ibm.com英利IBM纽约阿蒙克yingli@us.ibm.comThales Teixeira哈佛商学院马萨诸塞州波士顿thales@hbs.edu“足球之夜”2,平均约55万美元30制作成功的视频广告一直被认为是艺术和商业头脑的结合。在这项工作中,我们提出了一个系统,以协助人类设计师生产更有效的广告,vertisements与可预测的结果。我们正式这个概念与动态贝叶斯网络(DBN),在那里我们代表的知识库收集的数据从大规模的现场实验,在一个新的设置。面部和眼睛跟踪,连续测量观众的情绪反应和观看兴趣的169个电视广告的2334参与者,随着时刻到时刻的品牌活动的广告被用来估计模型。所得到的DBN表示跨广告内容的关系、观看者情绪反应以及有效性度量,诸如广告避免、共享和对购买的影响。 以广告上的指定要求为条件,人类设计师可以从DBN中提取高分样本,其表示品牌活动和娱乐内容的优化序列。关键词计算创意;广告设计;人工智能;动态贝叶斯网络;推理ACM参考格式:Wei Sun,Ying Li,Anshul Sheopuri,and Thales Teixeira.2018年。 计算创意广告。在WWW '18伴侣:2018年网络会议伴侣,2018年4月23日至27日,法 国 里 昂 。 ACM , New York , NY , USA , 8 页 。https://doi.org/10.1145/3184558.31915491引言广告是一项昂贵的品牌投资平均而言,2017-18赛季黄金时段播出的30秒商业广告的成本为134,009美元,比上一赛季增加了6%。在此期间播出的最昂贵的节目是NBC哥伦比亚广播公司和全国广播公司播出的本文在知识共享署名4.0国际(CC BY 4.0)许可下发布。作者保留在其个人和公司网站上以适当的归属方式传播作品的权利WWW©2018 IW3C2(国际万维网会议委员会),在知识共享CC BY 4.0许可下发布。ACM ISBN 978-1-4503-5640-4/18/04。https://doi.org/10.1145/3184558.3191549秒1.这项工作的主要目标是开发一个系统,帮助人类设计师生产量化有效的广告。 其中一个关键挑战是教机器回答“什么是好广告?“挑战的一部分是,在理论和实践中,仍然存在关于成功广告背后的原则的争论。 尽管已经进行了大量的研究来揭开这个过程的神秘面纱,但它仍然是固有的复杂和容易出错的,因为创造性选项的巨大变化和大量的外部因素加剧了人类设计师的认知挑战。为了应对这一挑战,我们首先构建一个知识库的视频广告和相应的观众的反应。就每一广告而言,我们会记录每一秒的品牌活动,例如标志的位置及大小、标志出现的频率及持续时间,以及品牌在音轨中的出现情况等。为了收集观众的反应,除了自我报告的指标之外,我们还利用眼睛跟踪和面部表情来提供关于观众在任何给定时刻在屏幕上聚焦的确切位置以及诸如喜悦和惊讶的离散情绪的即时测量。 跟踪数据提供了一个实时镜头到潜意识的消费者反应比传统的方法,如调查更有效,因为它是一个被动的,无意识的情绪和参与的表达。 利用从2334名参与者和169个电视广告的大规模现场实验中收集的数据,我们通过动态贝叶斯网络(DBN)构建了一个广告设计知识库,该网络同时代表了广告内容之间的多种关系,观众的情感反应,以及广告规避,分享,影响购买等有效性指标。 利用该知识库,通过推理获得关于广告设计的推荐。 以广告上的指定要求为条件(例如, 产品类别、目标受众、在广告的结尾处的品牌标志的突出显示),人类设计者可以从DBN中抽取高分样本,其表示系统推荐的品牌活动和娱乐内容的优化序列。图1显示了它的整体架构。贝叶斯网络发展于20世纪80年代,是一种数学形式主义,可以同时表示系统中许多变量之间的概率关系[24]。他们一直1 http://adage.com/article/news/tv-ad-pricing-chart/310429/主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1156图1:所提出的系统的总体架构用于各种各样的应用,例如计算生物学[11,16],信息检索[8,18],计算机视觉[15,23]和风险分析[4,31]。贝叶斯网络允许预测和诊断推理,这对于广告设计等复杂过程的推理至关重要。使用基于知识的系统进行广告设计的想法在过去已经被抛来抛去[5,12]。构建这样一个系统的主要挑战是创建知识库。 先前的工作完全依赖于专家的输入来指定关键变量和关系,以形成规则数据库。由于该领域的专家知识通常被认为是此外,它们也没有“创造性思维”的机制,因为推荐是基于在具有相同特征的情况下被发现有效的模板式规则。在这项工作中,我们采取了不同的,数据驱动的方法,通过学习广告中的内容和相应的观众的反应之间的关系,提取知识。此外,建立在这个知识库之上的系统能够帮助人类设计师跳出框框思考,并将他们的探索边界扩展到现有的范围之外。在多媒体研究领域中已经有一些关于视频自动生成的努力例如,[33]提出通过首先从体育视频内容中检测语义事件,然后将这些事件拼接在一起并混合在音乐中来自动生成个性化的音乐体育视频。 在[14]中也提出了类似的想法,其中作者提出从个人家庭视频自动合成音乐视频。然而,先前的工作主要集中在从给定视频中提取相关片段以及将这些片段与音乐组合,目的是以更令人愉快和愉快的方式表示现有内容。制作视频广告,涉及更多的创造性决策,更具挑战性。 除了产生吸引人的内容之外,广告还意图实现多个目标,诸如影响销售、建立品牌知名度和大众传播。在高层次上,这项工作的主题是计算创造力,这是人工智能研究的一个子领域,它关注的是产生新颖和高质量工件和想法的机器系统[7]。 对这些生成系统的研究已经在许多领域进行了探索,包括音乐[22,34],笑话[2],故事[25],诗歌[17],游戏[19]和烹饪食谱[32]。我们的工作增加了在广告领域,人类和计算机的创造力形成了一种双向的关系,其中从人类创造力中学习到的假设和规则用于实现计算创造力,这反过来又产生了新的假设和规则,以增强人类的本文概述如下:在第2节中,我们描述了实验和数据。我们简要介绍了贝叶斯网络,并在第3节中描述了我们的网络的学习。在第4节中,我们将讨论如何使用网络进行推荐。最后,第5节总结了论文,并讨论了正在进行的研究。2实验和数据收集2.1数据概述本研究的数据收集自四个关于广告观众反应的大规模对照实验[26- 29 ]。169个电视广告的样本被选中。它们包括各种各样的产品类别(例如,饮料、消费包装商品、电信),以两个知名品牌(例如,可口可乐、T-Mobile)和晦涩的名字(例如Sobe,Radio538). 2334名广告观众的消费者因参与而付费。每个参与者以随机顺序接触广告的子集平均每个广告被66名参与者观看。从实验中收集的数据的总结示于表1中。它包括观看者人口统计数据(例如,性别、年龄、对品牌和广告的熟悉程度)和静态广告信息,例如产品类别和广告长度。对于每个广告,我们还收集了其动态广告内容,其中包括品牌活动数据和娱乐内容数据。品牌活动是指品牌标识(名称、标志、商标)在广告中的出现,用于提高知名度和说服力。分析广告以识别品牌的存在、大小、位置、跨帧的持续时间和场景的视觉复杂性。为了有效和系统地测量观众我们使用面部跟踪和情绪分析来衡量观众这些对情绪的测量被用作广告中娱乐内容的代理,基于娱乐引起观众体验的情感满足的概念[27]。为了收集这些数据,通过网络摄像头收集每个参与者的面部表情镜头。这种方法不引人注目地捕捉表达的感觉,而不会显著影响观看者 视频图像用作情绪分析软件的输入,该软件通过将虚拟面罩适配到面部的视频图像来工作(参见图2)。该面罩根据面部的形状(眼睛、鼻子、面部和嘴巴)进行调整,以便捕获形成面部编码的基础的线段。例如,如果参与者微笑或大笑,则主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1157表1:数据描述。特征名称描述是说范围性别参与者0.4750 - 1年龄受试者36.50十七-六十二广告熟悉度参与者0.3360 - 1品牌熟悉参与者0.7260 - 1招待参与者3.1171 - 5外倾参与者5.0201 - 9其他参与者5.2131 - 11广告长度广告长度(以秒为单位)(连续)39.6415 - 102徽标展示品牌当前是否出现在广告中(二进制,1 =存在)0.3030 - 1音响品牌广告音轨中存在品牌名称(二进制,1 =存在)0.3530 - 1竞争品牌是否在视觉上与背景分离(二进制,1 =分离)0.2040 - 1位置品牌是否位于视频的中心(二进制,1 =中心)0.1180 - 1大小品牌大小占屏幕像素的百分比(连续)0.0350 - 0.615基数品牌在此时间点出现的次数(离散)1.2200 - 39SC通过压缩算法测量的屏幕上图像的复杂性(连续)134.061.90 - 662FTJoy情绪喜悦的面部跟踪(连续)0.0640 - 1FTSurprise表情惊讶的人脸跟踪(连续)0.0140 - 1FTEyebrow眉毛运动的人脸跟踪(连续)0.272.013-.919IAD参与者的焦点与组之间的距离-0.257-0.71-20.18观看时间参与者已完成观看的广告的百分比(连续)0.7590 - 1Zap参与者是否在特定时间跳过广告(二进制,1 =跳过)0.3440 - 1向前参与者是否转发了广告的链接(二进制,1 =转发)0.2730 - 1NumForward参与者将广告转发给的人数(离散)0.6631 - 6Seedview从参与者转发的链接中获得的查看数5.3270 - 73单击参与者是否点击了品牌上的链接(二进制,1 =点击)0.1180 - 1购买参与者4.8631 - 10图2:通过网络摄像头收集每个参与者的面部表情镜头。面部上的浅色线表示用于测量情感分析算法中的它们通过观察面部的各个点,比如眼角或眉毛,来检测人们在笑、皱眉或傻笑时出现的纹理变化。例如连接两个嘴角的一个,而其它的将减小,例如连接嘴角到颧骨的一个。该系统的输出是一个概率测量相关联表达出强烈的感情研究表明,该算法可以识别情绪,如喜悦,准确率超过90% [20,21]。红外角膜反射眼动跟踪技术用于记录观看者右眼在笛卡尔X和Y坐标中的焦点位置。该输出精确定位了广告中观众的焦点注意力,并确定了某人在看什么以及看了多长时间。为了在现实的实验设置中准确地测量广告效果,允许参与者跳过广告,与之前的研究相比,强迫曝光使观众无法避免广告[1,9]。观众选择观看的广告的百分比提供了在观众参与方面对广告有效性的更准确的测量。我们还进行问卷调查以获得自我报告的指标,例如观众的购买意向,他/她是否在观看广告后点击网络链接以了解更多关于品牌的信息,以及基于在社交网络环境中分享广告的行为的广告病毒式传播。跟踪和自我报告的方法相结合,为我们提供了一个更完整和互补的理解受众对广告的反应。2.2数据处理由于广告有不同的长度,我们改变抽样率,以使它们具有可比性。对于每一个广告,我们以相等的时间间隔将其主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1158V A∈ V.|联系我们关于我们≥--≥数据,对于每个段。 在工作中,我们分析了K= 3和10的数据。当K = 3时,动态特征分别表示广告的开始、中间和结束处的聚合值。 当K = 10时,对于30秒的广告,我们以3秒的间隔评估它。我们的数据由离散的(例如,观看者是否跳过了广告以及他是否与他的朋友共享了广告)和连续特征(例如,喜悦和惊奇强度),其中许多不表现出正常性。因此,我们专注于构建一个离散的贝叶斯网络,其中的全球和局部分布是多项式,后者表示为条件概率表。与使用分位数或固定长度间隔等边际离散化方法相比,我们使用Hartemink方法对连续变量进行离散化,该方法保留了成对依赖性[13]。然后,我们联合离散成一个小数目的区间,通过迭代折叠的间隔定义的分位数的所有变量。当每个变量具有3个水平,即低、中和高强度时,该过程停止。3面向广告设计的知识表示3.1贝叶斯网络综述贝叶斯网络是一类图形模型,它允许将给定的一组随机变量X=X1,X2,…,Xn之间的概率依赖关系简洁地表示为具有节点和弧的有向无环图G。每个节点Vi对应于随机变量Xi。贝叶斯网络的马尔可夫性质规定,每个随机变量Xi直接依赖于它的父母ΠXi。结果,在离散随机变量的情况下,联合概率分布P X的因式分解可以表示为:nP X(X)=P Xi(XiΠXi)。i=1动态贝叶斯网络(DBNs)扩展了静态贝叶斯网络的基本思想,从时间动态模型产生的关联。DBN中的每个变量由跨时间步的若干节点表示。 本文主要研究在连续时间步上测量的多变量随机变量序列,并利用DBN来描述离散时间随机过程Xi = Xi(t); i =1,,n; t= 1,T,它在每个时间步t取Rn中的值.3.2DBN表示已经提出了各种表示来处理DBN中的时间依赖性,其目标通常是降低由时间维度引入的对DBN进行建模的一种常见方法是考虑统一结构,其中网络在每个时间步长处包含相同的结构,时间步长之间具有相同的时间条件依赖性(弧)因此,通过针对每个时间片复制它们并在两个连续时间片上的状态之间添加弧(如果它们是时间依赖的),在静态BN上构建所得到的DBN。这样的网络使得能够在展开网络时在时间上容易地分离DBN和高效的推理算法[10]。不幸的是,这种表示的时不变性质强加了一个不切实际的假设因为有大量的经验证据表明观众例如,跳过广告的倾向在广告的中间自然高于在开始或最后。建模DBN的另一种流行方法是通过向量自回归(VAR)过程来表示时间依赖关系,其中给定时间处的值Xi(t)被给出为较早时间点处的值的线性组合。具体地说,对于一个p阶过程,假设在任意时刻t p观测到的变量满足X(t)=A1X(t−1)+A2X(t− 2)+···ApX(t−p)+B+ε(t),其中,矩阵Ak中的非零系数定义了滞后k的弧集,即,如果元素aij(i≠j)非零,则网络包括从Xi(t k)到Xj(t)的弧。 矩阵B表示每个变量的基线测量值,ε(t)是噪声向量,均值为零。然而,利用这种表示,不允许时间片内的状态变量之间的弧 由于我们的数据由广告数据和观众响应组成,这两个数据在每个时间步长都很可能是相关的,因此VAR表示不适合我们的应用。在我们的工作中,我们不强加限制网络结构的先验。在每个时间步长Xi(t)处的每个变量作为附加随机变量被包括到系统中。我们通过在结构学习期间实施约束来显式地编码时间关系,所述约束声明动态节点(例如, Xi(t))可以影响当前时间步中的所有其他节点以及后面步骤中的那些节点(即,Xj(t +k)对于所有j和k0)。然而,严格禁止从未来步骤到较早时间步骤的反向虽然这种方法允许在表示底层系统方面具有很大程度的灵活性,但一个限制是网络大小和复杂性随着时间步长的增加而增加。例如,当我们增加时间步长时(即,当每个广告的总片段)从3增加到10时,DBN中的节点总数从53增加到137。3.3学习我们通过随机重启的爬山法学习DBN的结构[3],这是一种贪婪算法,它从空网络开始探索搜索空间,一次添加、删除或反转一个弧,直到得分不再提高。除了如前所述的强制执行时间依赖性之外,数据的先验知识被集成到结构学习中,以修剪从概率角度无法区分的等效网络类的存在。例如,我们设置约束条件,规定观众的注意力和情绪状态不能影响广告,也就是说,禁止从眼睛跟踪数据和情绪跟踪数据到广告品牌活动的弧由于学习的结果可能是有噪声的,我们使用非参数bootstrap并从每个bootstrap样本中学习一个网络我们重复结构学习500次,并对网络结构进行平均,以减少局部最优但全局次优网络的影响。如果弧出现在至少95%的网络中并且出现在最频繁出现的方向上,则认为它们是重要的。 已知模型平均的过程比选择单个高得分网络产生更好的预测性能[6]。一旦指定了网络结构主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1159广告品牌活动数据观众跟踪数据(例如,眼睛,喜悦,惊奇)观众人口统计数据广告有效度量(例如,广告回避、购买意向、共享)图3:一个经过训练的动态贝叶斯网络,包含137个节点。我们通过后验贝叶斯估计来拟合局部分布的参数,这些局部分布采用条件概率表的形式。对于K=10(即,每个广告由10个等间隔的片段组成)在图3中示出。学习的网络揭示了表示同一时间片内变量之间的条件依赖性的弧,以及表示连续时间步长之间和跨几个时间步长的变量之间的时间依赖性的弧。 该网络由137个节点组成,这些节点使用不同的颜色进行着色以指示数据类型。它主要以蓝色和橙色显示了两个大的节点集群,它们代表广告品牌活动和观众跟踪数据分别网络揭示了几个有趣的观察结果。例如,在关于品牌活动的蓝色节点的集群内,与观看者眼睛跟踪数据相对应的节点(标记为IAD的橙色节点,其定义参见表1)与徽标持续时间和频率密切相关,表明品牌活动对观看者注意力的影响。然而,广告效果指标(粉红色节点)直接链接到观众跟踪数据节点在喜悦和眉毛运动方面,这与使用娱乐内容对观众参与的经验观察一致[28,29]。 在观众跟踪数据中,我们观察到大多数代表惊喜的节点与网络的其余部分隔离。广告中使用惊奇的频率远低于使用喜悦的频率。此外,惊讶是一种比喜悦更短暂的情感。在目前的数据聚合水平下,意外的影响已经被淘汰,当我们通过增加广告的总片段来改进模型时,它的影响将被更准确地捕获。学习网络还揭示了来自自我报告调查的静态特征在破译如何制作有效广告方面是有用的。例如,购买意图具有来自节点的两个传入弧,其指示观看者是否熟悉广告以及他或她对品牌的感知是否有趣。购买意向和广告熟悉度之间的关系得到了相对充分的研究,在这个意义上,重复的广告曝光加强了品牌忠诚度和产品偏好[30]。后一种关系不那么明显,暗示着拥有一个主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1160||图4:从后验分布中采样的200个快乐内容序列,分别以具有低参与度(左)和高参与度(右)为条件。品牌形象与其广告的吸引力和说服力有关,4DBN的建议给定具有结构G和参数Θ的贝叶斯网络,可以通过两种类型的查询,即最大后验概率查询和条件概率查询,来研究使用模型中编码的知识的新证据E对X的分布的影响最大后验查询涉及找到对于给定的变量子集Q具有最高后验概率的配置q*,即,q*= arg max P(Q = q E,G,Θ)。Q因此,以广告上的指定要求为条件(例如,目标受众、产品类别、最后5秒必须显示徽标),人类设计者可以基于在DBN中编码的现有广告数据来确定广告内容条件概率查询集中于给定X中的另一组变量上的证据E的变量Q的子集的分布,其被计算为后验概率P(Qe,G,Θ)。在对广告的指定要求作为证据的条件下,从后验分布中提取的样本表示由品牌活动和娱乐内容的序列组成的推理的多功能性使系统具有为了说明广告生成过程,我们以观看者参与度量中的一个为条件,其通过观看者已经完成观看的广告的百分比来测量。具体地,以两种情况为条件,即, 在观众在广告早期跳过的低参与度和高参与度的情况下,我们从娱乐内容和品牌活动的相应后验分布中生成200个样本。 每个样本都是一个多维时间序列,显示了特征如何随时间演变。以快乐内容为例,强度对应于广告的开始、中间和结束片段,如图4所示。 通过比较这两组轨迹,我们观察到高接触后产生了更多的“向上和向下”序列比那些低接触。这与建立“情绪过山车”以提高观众参与度的经验观察相吻合,通过短暂终止观众的积极感受,然后迅速恢复[29]。图5:在转发和购买意图的可能性方面的广告的预测有效性,分别对应于以具有高参与和低参与为条件的样本。图6:在广告的开始、中间和结束时预测的广告回避可能性,以具有高和低参与度为条件。一旦从上述过程生成样本,我们就可以通过对各种参与度量应用预测模型来评估其有效性。例如,在[26,27]中已经构建了具有时变参数的随机效用框架,其将广告的内容和观众信息与共享广告和购买意图的可能性相关联。图5描绘了上面生成的200个广告样本的两个度量的分布虚线表示相应度量的中值。它表明,平均而言,以高观众参与度为条件的样本更有可能导致分享和更高的购买意图。 我们还观察到,转发方面的改善比购买意向方面的改善更为显著。图3中的学习的DBN示出了表示购买意图的节点直接链接到节点在这个实验中,我们只改变快乐的内容,同时将所有其他参数保持在输入数据中观察到的中值 如果我们只局限于熟悉广告并认为品牌具有娱乐性的观众群体,购买意愿的改善可能会更高。类似地,我们还可以预测观众跳过广告的可能性图6示出了关于200个广告样本的不同时间段的广告回避的分布 它表明,平均而言,对于由高接合后验生成的样本,切换概率较低。特别是,我们看到,广告回避的减少在广告开始时相对较小(通常观众不太可能在前几秒内跳过广告,无论其内容如何),并且在广告的中间和接近结尾因此,利用这样的系统,人类设计者可以通过选择具有高得分样本的设计建议来主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1161图7:一个素材剪辑的观众情绪反应的示例输出5正在进行的工作和结论本文报告了我们的认知广告设计系统的初步工作,重点是知识表示和建议。我们正在进行的研究方向有三个方面:1)构建更精细的模型,以便以更精细的粒度提供推荐;2)基于模型推荐创建广告; 3)通过用户研究验证模型为了通过应用该系统的推荐来创建广告,我们目前正在与nViso(http://www.nviso.ch/)合作,这是一家专门从事3D面部成像和情感计算测量分析的瑞士公司,以测量观众对数百个库存视频剪辑的情绪反应。图7示出了针对视频剪辑之一的观看者响应的屏幕截图,其中,包括悲伤、惊讶、厌恶、愤怒、恐惧和幸福的各种情绪被逐秒地捕获示出了情绪测量的变化和表示每种情绪的总体演变的趋势线对于这个特定的视频,它似乎是一个非常快乐的剪辑,由高水平的幸福测量表明。一旦所有的剪辑都被标记了即时的喜悦和惊喜强度,我们将使用它们来形成用于广告创作的视频库。更具体地,对于给定的广告推荐,将从具有指定娱乐内容的储存库中选择适当的剪辑,然后将其拼接在一起。接下来,将根据推荐的品牌活动将徽标和产品外观插入到内容中。最后,音乐,画外音以及过渡效果,将混合到广告中,使其更加听觉和视觉愉悦。最后,我们计划进行用户研究,以评估该系统生成的广告的有效性,并将利用观众引用[1] William E Baker,Heather Honea,and Cristel A Russell.2004年 不要等待揭示品 牌 名 称 : 品 牌 名 称 放 置 对 电 视 广 告 效 果 的 影 响 。 Journal ofAdvertising33,3(2004),77[2] 金·宾斯特德和格雷姆·里奇一九九七年。生成双 关谜 语的 计算 规则 。HUMOR-International Journal of Humor Research 10,1(1997),25-76.[3] 雷科·罗纳尔杜斯·布卡特。1995. 贝叶斯信念网络:从构建到推理。乌得勒支大学信息学院。[4] Hichem Boudali和Joanne Bechta Dugan。2005年离散时间贝叶斯网络可靠性建模与分析框架。可靠性工程&系统安全87,3(2005),337-349。[5] Raymond R Burke , Arvind Rangaswamy , Jerry Wind , and JehoshuaEliashberg.1990. 以 知 识 为 基 础 的 广 告 设 计 系 统 MarketingScience 9 , 3(1990),212-229.[6] Gerda Claeskens和Nils Lid Hjort。2008年模型选择和模型平均。第330卷剑桥大学出版社.[7] Simon Colton,Geraint A Wiggins,等.2012年。 计算创造力:最后的边界?.在ECAI,第12卷中。21-26[8] Luis M de Campos,Juan M Fernández-Luna,and Juan F Huete.2004年 贝叶斯网 络 与 信 息 检 索 : 特 刊 简 介 。 Informationprocessing& management 40,5(2004),727-733.[9] Russell H Fazio,Paul M Herr,and Martha C Powell.一九九二年。 关于记忆中类别-品牌联想的 发 展 和 强 度 : 神 秘 广 告 案 。 Journal of ConsumerPsychology1,1(1992),1[10] Jeff Forbes,Timothy Huang,Keiji Kanazawa,and Stuart Russell.一九九五年 蝙蝠车:迈向贝叶斯自动出租车。在IJCAI,Vol.九十五1878-1885年。[11] Nir Friedman,Michal Linial,Iftach Nachman,and Dana Pe两千 使用贝叶斯网络分析表达数据。Journal of ComputationalBiology 7,3-4(2000),601-620.[12] Jacob Goldenberg,David Mazursky,and Sorin Solomon. 1999.优质广告的基本模板。Marketing science18,3(1999),333[13] Alexander J Hartemink , David K Gifford , Tommi Jaakkola , Richard AYoung,et al. 2001. 使用图形模型和基因组表达数据来统计验证基因调控网络的模型太平洋生物计算研讨会,第6卷。《世界科学》,266。[14] X. 瓦湖,加-地Lu和H.张某2004年 基于时间模式分析的音乐视频自动生成。ACM Multimedia(2004),472[15] 迈克尔·伊萨德2003年。PAMPAS:计算机视觉的实值图形模型计算机视觉与模式识别学报。 IEEE计算机协会会议,第1卷。IEEE,I[16] Xia Jiang , Richard E Neapolitan , M Michael Barmada , and ShyamVisweswaran.2011. 使 用 贝 叶 斯 网 络 评 分 标 准 学 习 遗 传 上 位 性BMCbioinformatics 12,1(2011),89.[17] Anna Kantosalo,Jukka M Toivanen,Ping Xiao,and Hannu Toivonen.2014年从孤立到参与:改编机器创造力软件以支持人机协同创造在ICCC。1-7[18] Christos L Koumenides和Nigel R Shadbolt。2012.在用于实体搜索的贝叶斯推理模型中结合基于链接和内容的信息。第一届面向实体和语义搜索联合国际研讨会论文集。ACM,3.[19] Antonios Liapis,Georgios N Yannakakis,and Julian Togelius.2014年 计算机游戏创意在ICCC。Citeseer,46[20] Daniel McDuff , Rana El Kaliouby , Thibaud Senechal , Mohammed Amr ,Jeffrey FCohn , and Rosalind Picard. 2013 年 。 Affectiva-MIT FacialExpression Dataset ( AM-FED ) : Naturalistic and Spontaneous FacialExpressions Collected“In-the-Wild”. 计 算 机 视 觉 和 模 式 识 别 研 讨 会(CVPRW)。IEEE,881-888。[21] Daniel McDuff,RE Kaliouby,and Rosalind W Picard.2012年。众包在线视频的面部反应。 Affective Computing,IEEE Transactions on 3,4(2012),456-468。[22] 克里斯汀·P·蒙特斯2012年。 用于诱导情感和生理反应的音乐的自动生成。博士论文。杨百翰大学[23] Vladimir Pavlović,James M Rehg,Tat-Jen Cham,and Kevin P Murphy.一九九九年。使用学习动态模型的动态贝氏网路图形追踪方法在第七届IEEE国际会议上,卷。1.一、IEEE,94-101。[24] 朱迪亚·珀尔一九八八年 智能系统中的概率推理:似然推理网络。(1988年)。[25] 费德里科·佩纳多和巴勃罗·热尔瓦斯。2006.基本故事自动生成的评价。NewGeneration Computing24,3(2006),289[26] 泰勒斯·特谢拉。2012年。病毒式广告的新科学HarvardBusiness Review 90,3(2012),25-27.[27] Thales Teixeira,Rosalind Picard,Rana el Kaliouby。2014年为什么、什么时候 、 用 多 少 广 告 来 娱 乐 消 费 者 ? 一项 基 于 网 络 的 面 部 跟 踪 实地研究。Marketing Science33,6(2014),809[28] Thales Teixeira、Michel Wedel和Rik Pieters。2010年。电视广告中的即时最佳品牌:通过脉冲来防止回避。MarketingScience 29,5(2010),783-804.[29] Thales Teixeira、Michel Wedel和Rik Pieters。2012年。网络视频广告中的情感诱导参与 Journal of Marketing Research 49,2(2012),144-159.主题:通过人在回路WWW 2018,2018年4月23日至27日,法国里昂1162[30] 杰拉德·J·泰利斯一九八八年广告曝光、忠诚度和品牌购买:两阶段选择模型Journal of Marketing Research(1988),134[31] 保罗·特鲁科、恩里科·卡尼奥、法布里齐奥·鲁格里和奥塔维奥·格兰德。2008年风险分析中组织因素的贝叶斯信度网络建模海运案例研究可靠性工程系统安全93,6(2008),845[32] LavRVarshney , FlorianPinel , KushRVarshney , AngelaSchörgendorfer,andYi-Min Chee.2013年。认知是计算创造力的一部分在认知信息学认知计算(ICCI* CC),2013年第12届IEEE国际会议上。IEEE,36[33] J. Wang,C.Xu,E.昌湖Duan,K.Wan和Q.田2005年 个性化音乐体育视频的自动生成。ACM Multimedia(2005),735[34] GeraintWiggins , George Papadopoulos , Somnuk Phon-Amnuaisuk , andAndrewTuson. 一 九 九 八 年 。 音 乐 创 作 的 进 化 方 法 Dai Research Paper(1998).
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功