Gli LLM Migliorano l'Auto-Bidding se Integrati con Caratteristiche Numeriche
Un nuovo studio da arXiv (2605.05833) indaga il ruolo dei Large Language Models (LLM) nell'auto-bidding per i mercati pubblicitari in tempo reale. Le politiche di auto-bidding devono ottimizzare il valore a lungo termine sotto vincoli di consegna come budget e CPA. I metodi tradizionali si basano su rappresentazioni numeriche dello stato che catturano le dinamiche di consegna ma non riescono a rappresentare l'intento di alto livello, il feedback in evoluzione o la guida strategica. Gli LLM offrono codifica semantica, ma la loro integrazione rischia di compromettere la precisione numerica. Attraverso studi sistematici, i ricercatori hanno scoperto che gli embedding degli LLM contengono segnali rilevanti per il bidding ma non possono sostituire le caratteristiche numeriche. I guadagni si verificano solo con un'attenta integrazione semantico-numerica, non con una concatenazione ingenua. I risultati suggeriscono un approccio ibrido per i futuri sistemi di auto-bidding.
Fatti principali
- L'auto-bidding ottimizza il valore a lungo termine sotto vincoli di budget e CPA.
- I metodi esistenti utilizzano rappresentazioni numeriche compatte dello stato.
- Le rappresentazioni numeriche non possono rappresentare esplicitamente l'intento di alto livello o la guida strategica.
- Gli LLM codificano informazioni semantiche ma possono sacrificare la precisione numerica.
- Gli embedding degli LLM contengono segnali rilevanti per il bidding.
- Gli LLM non possono sostituire le caratteristiche numeriche nell'auto-bidding.
- I guadagni richiedono un'attenta integrazione semantico-numerica.
- La concatenazione ingenua di caratteristiche LLM e numeriche non produce miglioramenti.
Entità
Istituzioni
- arXiv