論文の概要: GEM-Bench: A Benchmark for Ad-Injected Response Generation within Generative Engine Marketing

• arxiv url: http://arxiv.org/abs/2509.14221v1
• Date: Wed, 17 Sep 2025 17:53:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.947768
• Title: GEM-Bench: A Benchmark for Ad-Injected Response Generation within Generative Engine Marketing
• Title（参考訳）: GEM-Bench: ジェネレーティブエンジンマーケティングにおける広告インジェクト応答生成ベンチマーク
• Authors: Silan Hu, Shiqi Zhang, Yimin Shi, Xiaokui Xiao,
• Abstract要約: Gene Engine Marketing (GEM) におけるアドインジェクト応答生成のための最初のベンチマークである GEM-Bench を提案する。 予備的な結果は、単純なプロンプトベースの手法はクリックスルー率などの合理的なエンゲージメントを達成するが、ユーザの満足度を低下させることが多いことを示唆している。 これらの知見は, GEMにおける広告インジェクション応答を生成するための, より効率的かつ効率的なソリューションの設計に関する今後の研究の必要性を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 19.604674396120405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Engine Marketing (GEM) is an emerging ecosystem for monetizing generative engines, such as LLM-based chatbots, by seamlessly integrating relevant advertisements into their responses. At the core of GEM lies the generation and evaluation of ad-injected responses. However, existing benchmarks are not specifically designed for this purpose, which limits future research. To address this gap, we propose GEM-Bench, the first comprehensive benchmark for ad-injected response generation in GEM. GEM-Bench includes three curated datasets covering both chatbot and search scenarios, a metric ontology that captures multiple dimensions of user satisfaction and engagement, and several baseline solutions implemented within an extensible multi-agent framework. Our preliminary results indicate that, while simple prompt-based methods achieve reasonable engagement such as click-through rate, they often reduce user satisfaction. In contrast, approaches that insert ads based on pre-generated ad-free responses help mitigate this issue but introduce additional overhead. These findings highlight the need for future research on designing more effective and efficient solutions for generating ad-injected responses in GEM.
• Abstract（参考訳）: Generative Engine Marketing (GEM)は、LLMベースのチャットボットのような生成エンジンを収益化するための新興エコシステムである。 GEMの中核は、アドインジェクション応答の生成と評価である。 しかし、既存のベンチマークはこの目的のために特別に設計されていないため、将来の研究は制限される。 このギャップに対処するため,我々はGEMにおける広告注入応答生成のための総合的なベンチマークであるGEM-Benchを提案する。 GEM-Benchには、チャットボットと検索シナリオの両方をカバーする3つのキュレートデータセット、ユーザの満足度とエンゲージメントの複数の次元をキャプチャするメトリックオントロジー、拡張可能なマルチエージェントフレームワーク内に実装されたいくつかのベースラインソリューションが含まれている。 予備的な結果は、単純なプロンプトベースの手法はクリックスルー率などの合理的なエンゲージメントを達成するが、ユーザの満足度を低下させることが多いことを示唆している。 対照的に、広告を挿入するアプローチは、事前に生成した広告のないレスポンスに基づいてこの問題を軽減するのに役立ち、追加のオーバーヘッドをもたらす。 これらの知見は, GEMにおける広告インジェクション応答を生成するための, より効率的かつ効率的なソリューションの設計に関する今後の研究の必要性を浮き彫りにしている。

関連論文リスト

• Test-Time Scaling Strategies for Generative Retrieval in Multimodal Conversational Recommendations [70.94563079082751]
  電子商取引は、複雑なマルチターンユーザーインタラクションを管理する上で、伝統的な製品検索システムの限界を明らかにしている。 本稿では,対話型マルチモーダル製品検索にテスト時間スケーリングを導入する新しいフレームワークを提案する。 提案手法は生成型レトリバー上に構築され,さらに検索精度の向上と,対話を通してユーザ意図の進化と結果の整合性を向上するテストタイムリグレード機構が組み込まれている。
  論文  参考訳（メタデータ） (2025-08-25T15:38:56Z)
• Role-Augmented Intent-Driven Generative Search Engine Optimization [9.876307656819039]
  本稿では,G-SEO(Role-Augmented Intent-Driven Generative Search Engine Optimization)法を提案する。 提案手法は,多種多様な情報的役割にまたがるリフレクティブ・リフレクティブ・リファインメントによる検索意図をモデル化し,ターゲットコンテンツの強化を可能にする。 実験結果から,検索意図がコンテンツ最適化に有効な信号であることが示された。
  論文  参考訳（メタデータ） (2025-08-15T02:08:55Z)
• Careful Queries, Credible Results: Teaching RAG Models Advanced Web Search Tools with Reinforcement Learning [48.46951981642895]
  我々は、ソース制限されたクエリを生成し、信頼できないコンテンツをフィルタリングする新しいRAGフレームワークであるWebFilterを提案する。 WebFilterは応答品質と検索精度を向上し,ドメイン内ベンチマークとドメイン外ベンチマークの両方で既存のRAGメソッドよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-11T13:08:37Z)
• TeamCMU at Touché: Adversarial Co-Evolution for Advertisement Integration and Detection in Conversational Search [1.187456026346823]
  広告を生成された応答に統合することは、商業的機会とユーザエクスペリエンスの課題の両方を示します。 本稿では,RAGに基づく対話システムにおいて,シームレスな広告統合のためのアドリライターと,検出のための堅牢な広告分類器からなる広告管理のためのモジュールパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-07-01T07:24:29Z)
• Multi-objective Aligned Bidword Generation Model for E-commerce Search Advertising [16.8420671443003]
  検索システムは、ユーザクエリを最も関連性の高い広告とマッチングするという課題に対処する。 識別器,ジェネレータ,選好アライメントモジュールで構成される多目的整列バイドワード生成モデル(MoBGM)を提案する。 提案アルゴリズムは,オフラインおよびオンライン実験において,技術の現状を著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-04T10:57:18Z)
• InfoDeepSeek: Benchmarking Agentic Information Seeking for Retrieval-Augmented Generation [63.55258191625131]
  InfoDeepSeekは、現実世界の動的Web環境でエージェント情報を求めるための新しいベンチマークである。 本稿では,決定性,難易度,多様性の基準を満たす課題クエリを構築するための体系的手法を提案する。 本研究では,情報探索結果の正確性,有用性,コンパクト性に関する詳細な指標を含む,動的エージェント情報探索に適した最初の評価フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-21T14:44:40Z)
• The BrowserGym Ecosystem for Web Agent Research [151.90034093362343]
  BrowserGymエコシステムは、Webエージェントの効率的な評価とベンチマークの必要性の高まりに対処する。 本稿では,Webエージェント研究のためのBrowserGymベースの拡張エコシステムを提案する。 大規模なマルチベンチマークWebエージェント実験を初めて実施し、6つのWebエージェントベンチマークで6つの最先端LCMの性能を比較した。
  論文  参考訳（メタデータ） (2024-12-06T23:43:59Z)
• Evaluating Robustness of Generative Search Engine on Adversarial Factual Questions [89.35345649303451]
  生成検索エンジンは、人々がオンラインで情報を求める方法を変える可能性を秘めている。 しかし,既存の大規模言語モデル(LLM)が支援する生成検索エンジンからの応答は必ずしも正確ではない。 検索強化世代は、敵がシステム全体を回避できるため、安全上の懸念を増す。
  論文  参考訳（メタデータ） (2024-02-25T11:22:19Z)
• GEO: Generative Engine Optimization [50.45232692363787]
  我々は、生成エンジン(GE)の統一的な枠組みを定式化する。 GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。 生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。 我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
  論文  参考訳（メタデータ） (2023-11-16T10:06:09Z)

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。