論文の概要: AdKnob: Ad Intensity Control and Labeling for LLM-Native Advertising

• arxiv url: http://arxiv.org/abs/2611.00822v1
• Date: Sat, 31 Oct 2026 11:07:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:07:59.801224
• Title: AdKnob: Ad Intensity Control and Labeling for LLM-Native Advertising
• Title（参考訳）: AdKnob: LLM-Native Advertisingのための広告インテンシティ制御とラベル付け
• Abstract要約: AdKnobは、広告インテンシティと広告ラベリングの課題に共同で対処するフレームワークである。 LLMネイティブ広告のための最初のマルチレベル広告インテンシティ嗜好データセットであるMI-KnobSetを構築した。 実験により、AdKnobは、基準線が狭い範囲に崩壊する一様間隔の広告強度を達成し、最強の基準線よりも500倍以上高速で高い広告ラベル精度を達成し、最大89.6%の時間で基準線よりも好まれることが示された。
• 参考スコア（独自算出の注目度）: 26.04807500052047
• License:
• Abstract: Large language model (LLM)-native advertising has emerged as a viable monetization channel as LLM service providers seek sustainable revenue streams. However, integrating native ads into LLM responses introduces two largely understudied challenges: (1) controlling ad intensity -- how prominently advertising content appears -- and (2) ad labeling -- identifying which segments of the generated text constitute advertising. We propose AdKnob, a framework jointly addressing both challenges. For ad intensity control, we introduce new ad control tokens without pretrained semantic associations and align the model via direct preference optimization to generate ads at each desired level. For ad labeling, we propose an attention rollout-based attribution mechanism that identifies ad segments by tracing their attribution to input ad-related tokens, requiring no additional inference cost. We further construct MI-KnobSet, the first multi-level ad intensity preference dataset for LLM-native ads. Experiments across six LLMs and human evaluations show that AdKnob achieves uniformly spaced ad intensities where baselines collapse to a narrow range, achieves the highest ad labeling accuracy while being over 500x faster than the strongest baseline, and is preferred over baselines by human evaluators up to 89.6% of the time.
• Abstract（参考訳）: LLMサービスプロバイダが持続可能な収益源を求める中、LLM(Large Language Model)ネイティブな広告が収益化チャネルとして発展してきた。 しかしながら、ネイティブ広告をLCM応答に統合することは、(1)広告の強度(コンテンツがどれだけ顕著に表示されるか)を制御すること、(2)広告のラベル付け(生成したテキストのどのセグメントが広告を構成するかを特定すること)の2つの大きな未調査の課題をもたらす。 両課題に共同で対処するフレームワークであるAdKnobを提案する。 広告インテンシティ制御では,事前訓練されたセマンティックアソシエーションを伴わない新しい広告制御トークンを導入し,各レベルの広告を生成するために,直接選好最適化によりモデルを整列させる。 広告ラベリングのためのアテンションロールアウト方式のアトリビューション機構を提案する。 LLMネイティブ広告のための最初のマルチレベル広告インテンシティ嗜好データセットであるMI-KnobSetを構築した。 6つのLDM実験と人的評価実験により、AdKnobは、基準線が狭い範囲に崩壊する一様間隔の広告強度を達成し、最強の基準線よりも500倍以上速く高い広告表示精度を達成し、その89.6%の確率で基準線よりも好ましいことが示されている。

関連論文リスト

• Token-Level Advertising [14.308530906021012]
  トークンレベルの広告機構としてLatent Advertiser Mixture Auction (LAMA)を提案する。 LAMAは、広告主の影響を直接生成プロセスに埋め込む。 LAMA は Markov DSIC と IR を満足し, ほぼ最適 KL 正規化福祉を実現している。
  論文  参考訳（メタデータ） (2026-08-27T17:18:27Z)
• AdsWorldEngine: A Self-Evolving Conversational Advertising Agent through Orchestrator and Tool Coevolution [10.959681786863412]
  本稿では,対話型広告のためのエージェントフレームワークであるAdsWorldEngineを提案する。 AdsWorldEngineはオポチュニティゲートを使用して、広告を表示するかどうかを判断し、Orchestratorを使って商業的なインテントを生成し、広告ツールを呼び、トップ3の広告スレートを構築する。 オフラインでは、AdsWorldEngineは多様性を60%改善し、現在のプロダクション広告配信システムよりも80%改善している。
  論文  参考訳（メタデータ） (2026-08-13T23:53:05Z)
• LERA: LLM-Enhanced RAG for Ad Auction in Generative Chatbots [38.35931897144688]
  大規模な言語モデル(LLM)ベースのチャットボットのための2段階の検索列生成オークションフレームワークであるLERAを提案する。 最初の段階では、埋め込みベースの粗いフィルタリングが少数の候補広告主を事前選択する。 第2段階では、LSM自体が慎重に設計されたプロンプトでクエリされ、候補に対するロジットが生成され、洗練された有機レバレンススコアとして機能する。
  論文  参考訳（メタデータ） (2026-05-15T15:39:30Z)
• Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
  広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。 広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。 提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T13:58:06Z)
• Detecting RAG Advertisements Across Advertising Styles [24.080227437136585]
  大型言語モデル(LLM)のための広告スタイルの分類法を開発する。 我々は広告主が広告スタイルを変えて検出を回避しようとすることをシミュレートする。 我々は、その堅牢性に関して、様々な広告検出アプローチを評価した。
  論文  参考訳（メタデータ） (2026-03-05T08:16:21Z)
• AdNanny: One Reasoning LLM for All Offline Ads Recommendation Tasks [57.725430699642004]
  大規模言語モデル(LLM)は、自然言語理解と生成において強力な能力を示している。 オンライン広告システムに直接デプロイするのは、厳密なミリ秒レベルの遅延制約のため、現実的ではないことが多い。 我々は、オフライン広告タスクの共有バックボーンとして機能する統合推論中心のLCMであるAdNannyを紹介します。
  論文  参考訳（メタデータ） (2026-02-02T02:56:11Z)
• Long-Term Ad Memorability: Understanding & Generating Memorable Ads [54.23854539909078]
  マーケティングやブランドビルディングにおける長期記憶の重要性にもかかわらず、これまで広告の記憶可能性に関する大規模な研究は行われていない。 276のブランドをカバーする1749の参加者と2205の広告からなる,最初の記憶可能性データセットであるLAMBDAをリリースする。 異なる参加者のサブポピュレーションや広告タイプに対する統計的テストを実行すると、広告を記憶可能なものにするための興味深い洞察がたくさん見つかる。 本稿では,自動アノテートデータを活用することで,高品質な記憶可能な広告生成モデルを構築するためのスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:27:04Z)
• 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)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)

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。