LERA: Un framework d'asta potenziato da LLM per chatbot
Un nuovo articolo di ricerca propone LERA, un framework d'asta a due fasi (recupera-genera) per integrare la pubblicità nei chatbot basati su LLM. Il framework affronta i limiti degli attuali metodi di recupero che si basano esclusivamente sulla similarità degli embedding testuali, che possono causare interpretazioni commerciali errate e inserzioni pubblicitarie ripetitive. LERA utilizza prima un filtraggio grossolano basato su embedding per preselezionare gli inserzionisti candidati, quindi interroga l'LLM con un prompt progettato per generare logit per la selezione finale. Il lavoro si basa su ricerche precedenti di Feizi et al. e Hajiaghayi et al., che hanno delineato un paradigma recupera-genera per l'inserimento pubblicitario leggero e la determinazione del pagamento. LERA mira a bilanciare pertinenza, efficienza ed esperienza utente nella pubblicità dei chatbot.
Fatti principali
- LERA è un framework d'asta a due fasi (recupera-genera) per chatbot basati su LLM.
- Prima fase: filtraggio grossolano basato su embedding per preselezionare gli inserzionisti candidati.
- Seconda fase: l'LLM viene interrogato con un prompt progettato per produrre logit.
- Affronta i problemi di interpretazione commerciale errata e inserzioni ripetitive.
- Si basa sul lavoro di Feizi et al. e Hajiaghayi et al.
- Pubblicato su arXiv con ID 2605.16474.
- Si concentra sul bilanciamento di pertinenza, efficienza ed esperienza utente.
- Propone inserimento pubblicitario leggero e determinazione del pagamento.
Entità
Istituzioni
- arXiv