Rewrite-to-Rank：基于检索感知文本重写优化广告曝光
计算与语言
2025-07-30 v1
摘要
搜索算法和用户查询相关性已赋予大语言模型（LLM）返回相关信息的能力，但内容表述对广告曝光的影响仍未得到充分探讨。我们研究如何通过LLM-based重写广告以提高其在检索系统中的排名和生成LLM响应中的包含率，而无需修改检索模型本身。我们引入一个监督微调框架，采用自定义损失函数平衡语义相关性与内容忠实度。为评估效果，我们提出两个指标：DeltaMRR@K（排名提升）和DeltaDIR@K（包含频率提升）。我们的ethods提供了一种可扩展的方法，用于优化广告表述，从而在检索基于LLM的工作流程中增强曝光。在指令式和少量样本提示实验中，PPO训练模型在大多数情况下均优于提示工程和监督微调，指令式提示下最高可达2.79的DeltaDIR@5和0.0073的DeltaMRR@5。这些结果凸显了广告编写方式、提示格式以及强化学习在LLM集成检索系统中有效广告重写中的重要性。
引用
@article{arxiv.2507.21099,
title = {Rewrite-to-Rank: Optimizing Ad Visibility via Retrieval-Aware Text Rewriting},
author = {Chloe Ho and Ishneet Sukhvinder Singh and Diya Sharma and Tanvi Reddy Anumandla and Michael Lu and Vasu Sharma and Kevin Zhu},
journal= {arXiv preprint arXiv:2507.21099},
year = {2025}
}