品牌内容发现(二)Learning Visual Elements of Images for Discovery of Brand Posts

背景

之前讲到过，品牌内容发现(content discovery for brands)这一问题被定性为基于内容的排序学习问题。
这种利用品牌的历史post来学习其与品牌的相关性从而对新的post进行排名的任务，主要难点有三：
（1）品牌之间的相似性问题。多个品牌可能使用相同的品牌联想内容，导致本品牌的post与竞争对手使用的post仅有细微差别，难以区分
（2）brand-post之间的稀疏性问题。事实上，几乎不会出现两个不同品牌都转发了某个帖子这样的情况。这也是与推荐场景所不同的地方（通常来讲，推荐任务中每个user可以和多个item有过交互，比如点赞、评论、浏览等），brand-post之间的稀疏交互使得两者的协同信息匮乏。
（3）每个brand的历史post具有多样性。每个brand可以拥有多重属性特征。下图给出的例子，

如每个post右上角标记的颜色属性那样，它们或多或少都在突显出所属品牌的某些属性特征。比如绿色折射的品牌属性为年轻、时髦等；红色折射高质量、别致等这样的品牌属性。事实上，不同的post被用于强化突出不同的品牌属性，同时也是针对了风格各异的受众。

贡献

上一篇提到了用于解决这一问题的个性化内容发现(PCD)框架。这篇文章在将PCD营销领域知识结合概率优化方法，把品牌属性整合进来，提出了新的PCD框架。
原PCD模型总览：

PCD框架结构（PCD加强版）

从图中可以看出，brand和post表示均在原来的基础上，分别通过attributes向量和concepts向量进行concate补充。