PinDCO：面向整页收益的大规模动态创意优化

复现级别：公开数据核心机制。 执行组件专塔、基于广告分数的增量融合、像素惩罚公式与候选筛选；不把 MovieLens 内容特征冒充 Pinterest 创意或生产流量。

论文信息

字段	内容
论文链接	arXiv v1
公司/机构	Pinterest（第一作者第一署名单位）
首次公开日期	2026-07-21（arXiv v1）
原文开源代码	否：未发现原作者公开代码（核查日期：2026-09-15）
Adapter	pindco
本地复现代码	src/auto_research/reproductions/pindco/

原始论文总结

背景与主要改动

生成式创意使每个广告的候选图像、标题与版式迅速增多。PinDCO 用组件专属 tower 分别编码异构创意，再预测相对基础广告排序 logit 的增量；PAM 根据相对长宽比惩罚过度占用瀑布流像素的创意，前置轻量筛选、缓存和动态 batching 控制线上成本，ε-greedy 流量为新创意收集较少偏的反馈。

flowchart LR
  A[广告候选] --> P[轻量预筛]
  P --> C[图像/标题/版式专塔]
  B[基础广告分数] --> F[增量融合]
  C --> F
  F --> M[PAM 像素调整]
  M --> E[explore / exploit]
  E --> W[最终创意]

原论文关键图

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

CCFN 学习创意相对广告基线的增量 logit；PAM 精确实现 \(S=O\,P(r)\)，\(P(r)=\mathrm{clip}(1-\tanh(k(r-1)),0,1)\)。因此较高创意只有在增量收益足以抵消像素惩罚时才会胜出。

论文离线与线上效果

Pinterest 生产 A/B 中广告 CTR 相对提升 3.09%，整页指标为正，随后已在 Pinterest Ads 发布（Abstract；Section 4.2）。

本地复现

MovieLens 100K、seeds 42/43/44 的固定公开口径见 metrics/movielens-100k-seeds42-44.json。组件向量来自公开内容特征，content norm 只作为无像素数据时的可审计替代变量；blend 仅在 validation 选择，test 隔离。

本地对照口径：基线 NDCG@10=0.05401，实验组 NDCG@10=0.05323，相对变化 -1.44%。

复现边界

未复刻 Pinterest 私有创意、用户/上下文特征、广告基线、在线 bandit 流量、缓存与服务集群。本实现不声明 CUDA 路径，也未接入 evolve，因为当前统一 evaluator 尚不能执行完整创意候选协议。