論文の概要: Fine-Tuned LLM as a Complementary Predictor Improving Ads System
- arxiv url: http://arxiv.org/abs/2605.27856v1
- Date: Wed, 27 May 2026 02:19:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.688781
- Title: Fine-Tuned LLM as a Complementary Predictor Improving Ads System
- Title（参考訳）: 広告システム改善のための補間予測器としての微調整LDM
- Abstract要約: 本稿では,広告の補完的パラダイムについて紹介する: ランク付けではなく,広告固有の補助予測器として使用する,微調整のオープンソース LLM である。
LLM駆動の広告主予測は、従来の候補生成を強化し、下流ランキングに対する情報的先行情報を提供する。
以上の結果から,検索と後期ランキングの双方において,ターゲットのアシラリー予測がエンド・ツー・エンドのゲインを解き放つ可能性が示唆された。
- 参考スコア（独自算出の注目度）: 19.090316915560827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation systems power engagement and monetization across feeds, ads, and short-video platforms, but translating the latest advances in Large Language Models into Recommendation Systems (RecSys) gains remains rare, particularly in advertising and production-scale real-world industry setups. Prior real-world LLM successes typically fall into three buckets: (a) generative retrieval that directly predicts the next items for candidate generation, (b) late-stage re-ranking that uses LLMs, and (c) auxiliary signal enrichment with LLMs. We introduce a complementary paradigm for ads: a fine-tuned open-source LLM used not as a ranker, but as an ads-specific ancillary predictor, forecasting likely advertisers from user profiles and histories. This LLM-driven advertiser prediction augments conventional candidate generation and provides informative priors to downstream ranking. Developed in a large-scale production advertising system, our approach produces substantial offline improvements and measurable online business impact, demonstrating that LLM world knowledge and predictive capacity can be efficiently harnessed. Beyond validating LLMs for ads applications, our results show that targeted ancillary predictions can unlock end-to-end gains across both retrieval and late-stage ranking, offering a practical path to LLM-enhanced recommendation at scale.
- Abstract（参考訳）: 推薦システムはフィード、広告、ショートビデオプラットフォーム間でのエンゲージメントと収益化を支えているが、大規模言語モデルの最新の進歩をレコメンデーションシステム(Recommendation Systems、レコメンデーションシステム、RecSys)に翻訳することは、特に広告や実世界の大規模産業において稀である。
現実のLLMの成功は、一般的に3つのバケットに分かれます。
(a)次の候補生成項目を直接予測する生成検索
(b)LDMを用いた後期段階の格付け
(c)LDMによる補助信号の濃縮。
我々は,広告の補完的パラダイムを紹介した: ランク付けではなく,広告固有の補助予測器として使用する,微調整のオープンソース LLM で,ユーザプロファイルや履歴から広告主を予測する。
LLM駆動の広告主予測は、従来の候補生成を強化し、下流ランキングに対する情報的先行情報を提供する。
大規模生産型広告システムで開発された本手法は, オフラインの大幅な改善とオンラインビジネスへの影響を計測し, LLMの世界知識と予測能力の有効利用を実証する。
広告アプリケーションに対するLCMの検証以外にも,本研究の結果から,検索と最終段階のランク付けの両方において,ターゲットのアシラリー予測がエンドツーエンドのゲインを解放し,LLMを大規模に推奨する実践的な道筋を提供することがわかった。
関連論文リスト
- LLM-HYPER: Generative CTR Modeling for Cold-Start Ad Personalization via LLM-Based Hypernetworks [10.426127907431772]
LLM-HYPERは、大規模言語モデルをハイパーネットワークとして扱い、CTR(Click-through rate)推定器のパラメータをトレーニングなしで生成する。
大規模なオフライン実験により、LCM-HYPERはNDCG$@10$のコールドスタートベースラインを55.9%上回った。
LLM-HYPERの強力なパフォーマンスを実世界のオンラインA/Bテストが示すのは、米国のeコマースプラットフォームのトップのひとつだ。
論文 参考訳（メタデータ） (2026-04-13T22:12:40Z) - LLM-Auction: Generative Auction towards LLM-Native Advertising [10.695066036409274]
LLMネイティブ広告のためのオークションとLLM生成を統合した学習型生成オークション機構を提案する。
本稿では,報酬モデルとLLMを交互に最適化するIRPOアルゴリズムを提案する。
LLM-Auctionは、所望の機構特性を達成しつつ、割り当て効率において既存のベースラインを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2025-12-11T11:31:20Z) - Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models [54.38054999271322]
我々は,大規模言語モデル (LLM) がベイジアンフレームワークから期待されているように,彼らの信念を更新しないことを示す。
我々は、標準ベイズモデルの予測を模倣するように訓練することで、ベイズ的方法による推論をLLMに教える。
より一般的には,LLMは実例から推論スキルを効果的に学習し,それらのスキルを新しいドメインに一般化できることを示す。
論文 参考訳（メタデータ） (2025-03-21T20:13:04Z) - LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。
LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。
LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
論文 参考訳（メタデータ） (2025-02-15T02:55:22Z) - Best Practices for Distilling Large Language Models into BERT for Web Search Ranking [14.550458167328497]
LLM(Large Language Models)は、潜在的文書のランク付けリストを生成する。
LLMのランキングの専門知識をBERTのようなよりコンパクトなモデルに移行し、ランキングの損失を利用して、リソース集約の少ないモデルのデプロイを可能にします。
2024年2月現在,我々のモデルは商用ウェブ検索エンジンに統合されている。
論文 参考訳（メタデータ） (2024-11-07T08:54:46Z) - Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。
LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。
LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
論文 参考訳（メタデータ） (2024-08-11T02:31:13Z) - Truthful Aggregation of LLMs with an Application to Online Advertising [11.552000005640203]
広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。
我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
論文 参考訳（メタデータ） (2024-05-09T17:01:31Z) - Large Language Models: A Survey [66.39828929831017]
大規模言語モデル(LLM)は、広範囲の自然言語タスクにおける強力なパフォーマンスのために、多くの注目を集めている。
LLMの汎用言語理解と生成能力は、膨大なテキストデータに基づいて数十億のモデルのパラメータを訓練することで得られる。
論文 参考訳（メタデータ） (2024-02-09T05:37:09Z) - Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。
自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。
本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
論文 参考訳（メタデータ） (2023-12-26T07:24:46Z) - Making Large Language Models Better Knowledge Miners for Online Marketing with Progressive Prompting Augmentation [33.13139821429599]
マーケティング指向の知識グラフをLLMで抽出するためのプログレッシブプロンプトであるPAIRを提案する。
特に,LLMをベースとした適応的関係フィルタリングプロセスにおける純粋関係生成を知識駆動型プロンプト技術により削減する。
オンラインサービスに関しては,中小のPAIR(LightPAIR)を専門とし,強力な教師LLMによって提供される高品質のコーパスを微調整する。
論文 参考訳（メタデータ） (2023-12-08T03:44:09Z) - Online Advertisements with LLMs: Opportunities and Challenges [51.96140910798771]
本稿では,オンライン広告システムにおけるLarge Language Models(LLM)の活用の可能性について検討する。
提案手法は,LLM広告の修正,入札,予測,オークションモジュールから構成される。
論文 参考訳（メタデータ） (2023-11-11T02:13:32Z)
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。