超越质量：基于大语言模型 unlocking ad headline 中的多样性
计算与语言
2025-08-27 v1 机器学习
摘要
广告标题的生成在现代广告中起着关键作用，既要质量也要多样性才能吸引广泛的受众。当前方法主要针对标题质量或点击率(CTR)进行优化，往往忽视了多样性的需求，导致输出单一化。为此，我们提出了 DIVER 框架，基于大语言模型(LLM)，同时针对多样性和质量进行联合优化。我们首先设计了语义和风格感知的数据生成管道，自动生成高质量的训练对，包含广告内容和多个多样化的标题。为实现在单次前向传播中生成高质量且多样化的广告标题，我们提出了基于监督微调(SFT)和强化学习(RL)的多阶段多目标优化框架。在真实工业数据集上的实验表明，DIVER 有效平衡了质量和多样性。在一个面向数亿用户的大型内容共享平台上部署时，我们的框架将广告主价值(ADVV)和 CTR 提升了 4.0% 和 1.4%。
引用
@article{arxiv.2508.18739,
title = {Beyond Quality: Unlocking Diversity in Ad Headline Generation with Large Language Models},
author = {Chang Wang and Siyu Yan and Depeng Yuan and Yuqi Chen and Yanhua Huang and Yuanhang Zheng and Shuhao Li and Yinqi Zhang and Kedi Chen and Mingrui Zhu and Ruiwen Xu},
journal= {arXiv preprint arXiv:2508.18739},
year = {2025}
}