都是在最近几个月发生的新的应用方式。我能看到AI在广告投放上的应用是日新月异，大有爆发之势。
传统的对于展示广告效果的预估方法，是基于ID特征的，就是从无数的ID中，找到匹配关系并且总结规律。ID包括用户的ID和广告的ID。ID下面又包含特征属性。比如一个ID为12345的人，他的属性有年龄、性别、兴趣、最近做了什么事等。一个广告ID为ABCDE的广告，它的属性有广告主、创意标签、广告格式等。然后，不断根据历史数据，看什么样特征的人，会喜欢什么种类的广告，从而对广告投放的效果（主要是点击率）进行预估。
稍微技术一点的解释是：就是把用户和广告等实体标识符（ID）作为特征输入到模型中。例如，每个用户和每个广告都可以有一个唯一的ID，这些ID可以被用作模型的输入特征。基于这些ID的匹配关系，预测什么样特征的用户最可能会点击什么样的广告。
这种方法在预测广告效果上，已经用了很多年，优点在于：
但是，缺点也很明显：
而最新的方法利用了今天多模态的AI技术，能够处理和理解
与用户以及广告相关的多模态信息
，并且基于这种理解，预估广告的点击率。
与用户相关的多模态信息
，主要指用户在浏览商品以及选购商品时，在相关页面上的互动过程，以及这些过程中，可以被提取的文本、图像，以及行为轨迹等信息。
与广告相关的多模态信息
，则是指广告的文本、图像、视频等信息。这些信息跟广告ID的区别是，它们可以像人一样理解相似广告之间的细微的差别。例如下面的几个广告的细微差别：A和B产品更相似，C产品区别要更大一些。
传统预测方法会忽略这些细微差别，但是AI多模态的算法，能够识别这些区别，并把这些差异代入到广告是否会被用户点击的预测中。
新方法的思路，是建立用户多模态信息与广告多模态信息之间的“语义相似度”基础上的。这里解释一下，所谓“语义相似度”，是希望基于这个新的模型，构建在语义（文本、图像等）维度上，用户感兴趣的商品包含的语义和广告展示商品包含的语义之间的相似性。这种相似性可以是多方面的，包括但不限于商品的类别、属性、用户评价、视觉特征（如图片）和文本描述（如商品标题或描述）等。
模型通过分析二者之间的语义相似度，可以更好地预测用户是否会对当前展示的广告感兴趣。例如，如果用户过去经常点击与当前广告中的商品在视觉上或主题上相似的商品，那么模型可能会预测用户更有可能点击这个广告。
目前，阿里妈妈的展示广告团队正在利用这种方式进一步提升预测的准确性，即通过前面说的引入多模态信息（如商品的图片和文本描述）来提升模型对这种语义相似度的识别能力。这样，模型不仅依赖于用户行为的ID特征（如商品ID），还能利用商品的实际内容（图片和文本）更准确地捕捉用户的兴趣和偏好，从而提高点击率预估的准确性。
相关论文（比较复杂，可能要有比较好的AI算法基础才能读懂）在这里：
https://blog.csdn.net/alimama_Tech/article/details/140926797
现如今的广告创意已经完全离不开AI了。
比如，在搜索广告上，已经有团队验证了利用AI进行广告创意工程，能够大幅度提升点击率。
例如下面的广告，是常见的传统搜索广告的内容创意：
这种模板型广告创意，标题和正文中使用了通配符，对核心关键词有体现，但问题在于，我们稍加注意，就能看出来广告描述部分为通用模板，对用户的针对性不够。
