論文の概要: CTR-Driven Ad Text Generation via Online Feedback Preference Optimization

• arxiv url: http://arxiv.org/abs/2507.20227v2
• Date: Tue, 29 Jul 2025 08:21:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.850874
• Title: CTR-Driven Ad Text Generation via Online Feedback Preference Optimization
• Title（参考訳）: オンラインフィードバック優先最適化によるCTR駆動型広告テキスト生成
• Authors: Yanda Chen, Zihui Ren, Qixiang Gao, Jiale Chen, Si Chen, Xubin Li, Tiezheng Ge, Bo Zheng,
• Abstract要約: 大規模言語モデル(LLM)は、手動の広告テキスト作成よりも効率性が高い。 LLMは人造テキストよりも高いCTR性能を保証していない。 オンラインフィードバックからの好みの最適化によってCTRを最適化する新しい広告テキスト生成手法を提案する。
• 参考スコア（独自算出の注目度）: 28.734264007257085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advertising text plays a critical role in determining click-through rates (CTR) in online advertising. Large Language Models (LLMs) offer significant efficiency advantages over manual ad text creation. However, LLM-generated ad texts do not guarantee higher CTR performance compared to human-crafted texts, revealing a gap between generation quality and online performance of ad texts. In this work, we propose a novel ad text generation method which optimizes for CTR through preference optimization from online feedback. Our approach adopts an innovative two-stage framework: (1) diverse ad text sampling via one-shot in-context learning, using retrieval-augmented generation (RAG) to provide exemplars with chain-of-thought (CoT) reasoning; (2) CTR-driven preference optimization from online feedback, which weighs preference pairs according to their CTR gains and confidence levels. Through our method, the resulting model enables end-to-end generation of high-CTR ad texts. Extensive experiments have demonstrated the effectiveness of our method in both offline and online metrics. Notably, we have applied our method on a large-scale online shopping platform and achieved significant CTR improvements, showcasing its strong applicability and effectiveness in advertising systems.
• Abstract（参考訳）: テキストの広告は、オンライン広告におけるクリックスルー率(CTR)を決定する上で重要な役割を果たす。 大規模言語モデル(LLM)は、手動の広告テキスト作成よりも大きな効率性を提供する。 しかし、LLM生成した広告テキストは、人造テキストよりも高いCTR性能を保証せず、広告テキストの生成品質とオンラインパフォーマンスのギャップが明らかになる。 本研究では,オンラインフィードバックからの選好最適化を通じてCTRを最適化する新しい広告テキスト生成手法を提案する。 提案手法は,1)一括インコンテキスト学習による多種多様な広告テキストサンプリング,検索強化生成(RAG)を用いて,チェーン・オブ・ソート(CoT)推論による例示を提供する,2)CTRによるオンラインフィードバックからの選好最適化により,CTRの利得と信頼度に応じて選好ペアの重み付けを行う,という2段階の枠組みを採用する。 提案手法により,提案手法により,高CTR広告テキストのエンドツーエンド生成が可能となる。 オフラインとオンラインの両方で,本手法の有効性が実証された。 特に,本手法を大規模オンラインショッピングプラットフォームに適用し,CTRの大幅な改善を実現した。

関連論文リスト

• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• SoPo: Text-to-Motion Generation Using Semi-Online Preference Optimization [82.83603957387442]
  我々は、高品質で人間の好む動きを常に好むように微調整されたテキスト・トゥ・モーションモデルに焦点を当てる。 そこで本研究では,DPOに基づくテキスト・ツー・モーションモデルのトレーニング手法であるSemi-online Preference Optimization (SoPo)を紹介する。 実験により、SoPoは他の選好アライメント方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-06T14:50:38Z)
• CELA: Cost-Efficient Language Model Alignment for CTR Prediction [70.65910069412944]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最重要位置を占める。 最近の取り組みは、プレトレーニング言語モデル(PLM)を統合することでこれらの課題を緩和しようとしている。 CTR予測のためのtextbfCost-textbfEfficient textbfLanguage Model textbfAlignment (textbfCELA)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T07:43:25Z)
• Parallel Ranking of Ads and Creatives in Real-Time Advertising Systems [20.78133992969317]
  広告とクリエイティビティランキングのオンライン並列推定のための新しいアーキテクチャを初めて提案する。 オンラインアーキテクチャは、全体的なレイテンシを低減しつつ、洗練されたパーソナライズされたクリエイティブモデリングを可能にする。 CTR推定のためのオフラインジョイントモデルは、広告とクリエイティブの相互認識と協調最適化を可能にする。
  論文  参考訳（メタデータ） (2023-12-20T04:05:21Z)
• CREATER: CTR-driven Advertising Text Generation with Controlled Pre-Training and Contrastive Fine-Tuning [14.912117221662054]
  本稿では,CTRによる広告テキスト生成手法であるCREATERを提案し,高品質なユーザレビューに基づいて広告テキストを生成する。 CTRの目的を取り入れるために、我々のモデルはコントラスト学習を伴うオンラインA/Bテストデータから学習し、より高いCTRを得る広告テキストを生成することを奨励する。 産業データセットの実験は、CREATERが現在のアプローチよりも大幅に優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-18T14:17:04Z)
• TSI: an Ad Text Strength Indicator using Text-to-CTR and Semantic-Ad-Similarity [16.10904771281746]
  i)入力広告テキストのクリックスルーレート(CTR)を予測し、(ii)類似の既存の広告をフェッチして入力広告の周辺に近づき、その周辺で予測されたCTRを比較して、入力広告が強いか弱いかを判断する。 広告テキストの改善の提案として、TSIは近隣の優れた広告(より高い予測CTR)の匿名化バージョンを示す。
  論文  参考訳（メタデータ） (2021-08-18T16:24:40Z)
• Learning to Create Better Ads: Generation and Ranking Approaches for Ad Creative Refinement [26.70647666598025]
  i)新しい広告テキストを生成すること、(ii)新しい広告テキストにキーフレーズを推奨すること、(iii)画像タグ(画像中のオブジェクト)を推奨すること。 複数の広告主が実施したA/Bテストに基づいて、劣悪な広告クリエイティブと優良な広告クリエイティブのペアワイズな例を作成します。 また、Yahoo Geminiの広告プラットフォームからのデータを使って、実験から広く適用可能な洞察を共有しています。
  論文  参考訳（メタデータ） (2020-08-17T16:46:28Z)
• AliExpress Learning-To-Rank: Maximizing Online Model Performance without Going Online [60.887637616379926]
  本稿では,学習からランクへ学習するための評価器・ジェネレータフレームワークを提案する。 コンテキストを含むレコメンデーションを一般化して評価する評価器と、強化学習による評価器スコアを最大化するジェネレータとから構成される。 本手法は, オンラインA/Bテストにおける産業レベルの微調整モデルよりも, 変換率(CR)の面で大幅に向上する。
  論文  参考訳（メタデータ） (2020-03-25T10:27:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。