可以参考阿里巴巴最近的工作:https://arxiv.org/pdf/1711.06505.pdf
联合使用用户交互过的图片(不光是图片id)和待预估的广告图片。由于要对图片进行建模,实现上有非常大的挑战,但是不是不可能做到,论文里也有较多的篇幅介绍如何实现。