TeamCMU 在 Touch\'e：面向对话搜索中的广告集成与检测的对抗共进化

随着基于大语言模型（LLM）和检索增强生成（RAG）的生成式对话搜索引擎日益采纳生成式范式，广告集成到生成响应中既带来商业机遇，也带来用户体验挑战。不同于传统搜索，广告在生成系统中被清晰划分，导致信息性内容与宣传性材料的边界模糊，引发透明度和信任方面的顾虑。为此，我们提出一个模块化管道，用于 RAG 基础对话系统中的广告管理，包含用于无缝广告集成的 ad-rewriter 和用于检测的 robust ad-classifier。我们利用合成数据训练高性能分类器，然后用于指导两种互补的广告集成策略：ad-rewriter 的监督微调和从多个候选响应中选择最不易被检测到的广告集成响应的 best-of-N 采样方法。我们的评估聚焦两个核心问题：广告分类器在检测多样化广告集成策略方面的效果，以及哪些训练方法最能支持连贯且不干扰的广告插入。实验结果表明，our ad-classifier 在受营销策略启发并通过 curriculum learning 增强的合成广告数据上训练，实现了稳健的检测性能。此外，我们展示了通过 fine-tuning 和 best-of-N 采样的 classifier-guided 优化显著提高了广告的隐蔽性，从而实现更无缝的集成。这些发现为开发更精熟的 ad-aware 生成搜索系统和稳健广告分类器贡献了对抗共进化框架。