論文の概要: KP-Agent: Keyword Pruning in Sponsored Search Advertising via LLM-Powered Contextual Bandits
- arxiv url: http://arxiv.org/abs/2601.05257v1
- Date: Mon, 20 Oct 2025 16:13:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.520669
- Title: KP-Agent: Keyword Pruning in Sponsored Search Advertising via LLM-Powered Contextual Bandits
- Title（参考訳）: KP-Agent: LLMによるスポンサー付き検索広告におけるキーワードプルーニング
- Authors: Hou-Wan Long, Yicheng Song, Zidong Wang, Tianshu Sun,
- Abstract要約: ドメインツールセットとメモリモジュールを備えたエージェントシステムであるKP-Agentを提案する。
KP-Agentは、文脈的帯域幅フレームワーク内でキーワードプルーニングをモデル化することにより、キーワードセットを洗練するためのコードスニペットを生成する。
実験では、KP-Agentはベースラインを49.28%上回る累積利益を改善している。
- 参考スコア（独自算出の注目度）: 6.509467428557859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sponsored search advertising (SSA) requires advertisers to constantly adjust keyword strategies. While bid adjustment and keyword generation are well-studied, keyword pruning-refining keyword sets to enhance campaign performance-remains under-explored. This paper addresses critical inefficiencies in current practices as evidenced by a dataset containing 0.5 million SSA records from a pharmaceutical advertiser on search engine Meituan, China's largest delivery platform. We propose KP-Agent, an LLM agentic system with domain tool set and a memory module. By modeling keyword pruning within a contextual bandit framework, KP-Agent generates code snippets to refine keyword sets through reinforcement learning. Experiments show KP-Agent improves cumulative profit by up to 49.28% over baselines.
- Abstract（参考訳）: スポンサー付き検索広告(SSA)では、広告主はキーワード戦略を常に調整する必要がある。
入札調整とキーワード生成はよく研究されているが、キーワードのpruning-refiningキーワードセットは、未探索のキャンペーン性能残高を高める。
この論文は、中国最大のデリバリープラットフォームであるMeituanの薬局広告から0.5万のSSAレコードを含むデータセットによって実証された、現在のプラクティスにおける重要な非効率性について論じる。
ドメインツールセットとメモリモジュールを備えたLLMエージェントシステムであるKP-Agentを提案する。
KP-Agentは、文脈的帯域幅フレームワーク内でキーワードプルーニングをモデル化することにより、強化学習を通じてキーワードセットを洗練するためのコードスニペットを生成する。
実験では、KP-Agentはベースラインを49.28%上回る累積利益を改善している。
関連論文リスト
- LLMs as Sparse Retrievers:A Framework for First-Stage Product Search [103.70006474544364]
プロダクト検索は、現代のeコマースプラットフォームにおいて重要な要素であり、毎日何十億ものユーザークエリがある。
スパース検索法は語彙ミスマッチの問題に悩まされ, 製品検索のシナリオにおいて, 最適以下の性能が向上する。
セマンティック分析の可能性により、大言語モデル(LLM)は語彙ミスマッチ問題を緩和するための有望な道を提供する。
本稿では,SParsE Retrievers として LLM を利用した製品検索フレームワーク PROSPER を提案する。
論文 参考訳（メタデータ） (2025-10-21T11:13:21Z) - FocusAgent: Simple Yet Effective Ways of Trimming the Large Context of Web Agents [76.12500510390439]
大規模言語モデル(LLM)を利用したWebエージェントは、ユーザの目標を達成するために、長いWebページの観察を処理しなければならない。
既存のプルーニング戦略は、関連するコンテンツを捨てるか、無関係なコンテキストを保持するかのいずれかであり、最適以下の行動予測につながる。
FocusAgentは軽量LCMレトリバーを利用してアクセシビリティツリー(AxTree)観測から最も関連性の高い線を抽出するシンプルで効果的なアプローチである。
論文 参考訳（メタデータ） (2025-10-03T17:41:30Z) - OMS: On-the-fly, Multi-Objective, Self-Reflective Ad Keyword Generation via LLM Agent [5.73568333009566]
キーワード決定はスポンサー検索広告キャンペーンの成功に不可欠である。
OMS は On-the-fly というキーワード生成のためのフレームワークである(トレーニングデータを不要にし、オンラインのパフォーマンスを監視し、それに応じて適応する)。
ベンチマークや実世界の広告キャンペーンの実験は、OMSが既存の手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-07-03T06:37:55Z) - Real-time Ad retrieval via LLM-generative Commercial Intention for Sponsored Search Advertising [4.16793449447122]
本稿ではリアルタイム広告検索(RARE)フレームワークを提案する。
RAREは、クエリの広告を直接リアルタイムで検索するために、中間的なセマンティック表現として商用意図(CI)を使用する。
オンライン実装は、消費の5.04%増加、Gross Merchandise Volume(GMV)の6.37%増加、クリックスルーレート(CTR)の1.28%向上、浅い変換の5.29%増加といった大きな利益をもたらした。
論文 参考訳（メタデータ） (2025-04-02T02:26:31Z) - Zero-Shot Keyphrase Generation: Investigating Specialized Instructions and Multi-Sample Aggregation on Large Language Models [52.829293635314194]
キーフレーズ生成(英: Keyphrase generation)とは、ある文書のキーフレーズを自動的に生成する、長期にわたるNLPタスクである。
本稿では,オープンソースの命令調整型LDM (Phi-3, Llama-3) のゼロショット機能と,このタスクのためのクローズドソース GPT-4o に着目した。
論文 参考訳（メタデータ） (2025-03-01T19:38:57Z) - OKG: On-the-Fly Keyword Generation in Sponsored Search Advertising [11.100360578510223]
On-the-fly Keyword Generation (OKG) は、変化を監視し、キーワード生成をリアルタイムで適応するエージェントベースの手法である。
OKGは従来の方法に比べて適応性と応答性を大幅に改善する。
論文 参考訳（メタデータ） (2024-11-18T03:02:06Z) - KRLS: Improving End-to-End Response Generation in Task Oriented Dialog
with Reinforced Keywords Learning [25.421649004269373]
タスク指向ダイアログ(TOD)では、強化学習アルゴリズムがタスク関連メトリクスの応答を直接最適化するためにモデルを訓練する。
オフライン環境でのTOD性能を改善するために,より効率的なRLベースのアルゴリズムを提案する。
MultiWoZデータセットの実験では、我々の新しいトレーニングアルゴリズムであるKeywords Reinforcement Learning with Next-word Smpling (KRLS)が最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-11-30T06:27:46Z) - Keyword Targeting Optimization in Sponsored Search Advertising:
Combining Selection and Matching [0.0]
最適なキーワードターゲティング戦略は、適切な人口に効果的に到達することを保証する。
本稿では,過去の広告パフォーマンス指標の不完全性から,キーワードターゲティングの問題に対処することを目的とする。
実験の結果, (a) BB-KSMは利益率において7つの基準線を上回り, (b) BB-KSMは予算の増加とともにその優位性を示した。
論文 参考訳（メタデータ） (2022-10-19T03:37:32Z) - Keyword Optimization in Sponsored Search Advertising: A Multi-Level
Computational Framework [20.22050119811848]
キーワードは広告主、検索ユーザー、検索エンジンを繋ぐ重要な橋として機能する。
本稿では,キーワード最適化のためのマルチレベル・クローズドフォーム計算フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-28T02:03:14Z) - Deep Keyphrase Completion [59.0413813332449]
Keyphraseは、非常にコンパクトで簡潔で、意味に満ちた文書内容の正確な情報を提供し、談話理解、組織化、テキスト検索に広く利用されている。
本論文では,文書内容と既知のキーフレーズの数が極めて限られているため,テキストキーフレーズの完全化(KPC)を提案し,文書中のキーフレーズをより多く生成する(科学出版など)。
深層学習フレームワークを通じて、既知のキーフレーズとともに文書内容の深い意味的意味を捉えようとすることから、textitdeep keyphrase completion (DKPC) と命名する。
論文 参考訳（メタデータ） (2021-10-29T07:15:35Z)
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。