神马搜索开户系统可对广告物料进行精细打标，让分类效果更优秀

1、广告物料标签

图片/视频物料在广告服务表达和用户兴趣表达上有着非常重要的作用，广告系统一般以特征的方式将其纳入到广告投放决策中。以物料ID作为特征纳入广告召回/排序的模型，能够较好地学习和预估历史上高频展现的广告，但对展现不足的新广告和长尾广告能力较弱。为了实现高效而智能的投放，神马搜索开户系统会对图片/视频物料进行更精细地理解，通过打标/分类从物料中提取实体/语义等结构化信息。

图像分类通过在训练集上学习，建立从输入空间(图像)到输出空间（标签/分类）的映射，主要包括二分类、单标签分类和多标签分类等3种类型。基于广告物料多元素多目标的特性，我们构建了多标签分类算法，应有尽有地为图像打上标签。

图像分类算法框架，一般包含主干网、分类头和损失函数3个部分（下图为多标签分类算法框架）：

2、广告图像的多标签分类，主要面临3个挑战：

（1）通用多标签分类网络，包含全局池化的环节，会丢失空间信息，难以处理广告图片多区域包含多目标的问题。

（2）多标签分类任务，样本不均衡问题较为严重。

（3）视觉(CV)模型训练成本高，难以高效支持标签体系的高频更新迭代。

3、针对这3个问题，采用相应算法进行解决：

（1）纳入交互注意力模块：在主干网和分类头之间，去掉全局池化，替换为交叉注意力模块，进行标签和图像空间特征的自适应匹配学习，解决多区域多目标识别问题。

（2）损失函数优化：多标签分类常用的BCE损失函数，对所有样本赋予相同权重，导致已经无需大量学习的高置信度样本占用了过多资源，正样本由于比例低而得不到充分学习。神马搜索开户系统采用ASL损失函数替代BCE，能够达到降低高置信度样本权重、降低负样本权重、忽略过于简单负样本这3个目的，较好地缓解了样本不均衡问题。

（3）多分类头设计：对标签进行分组，每组对应一个分类头，以此进行标签的高效迭代。后续增加标签时，训练阶段先冻结主干网和其他分类头，仅训练新增标签涉及的分类头；精调阶段，基于训练好的主干网和分类头，仅进行较少批次的精调，即可达到优秀的分类效果。