面向在线广告的 LLM 真实聚合
计算机科学与博弈论
2025-02-13 v5 人工智能
摘要
在线广告的下一个前沿是从 LLM 生成的内容中进行收入变现。我们考虑一个场景：广告商旨在影响 LLM 的响应以与自身利益相一致，而平台则寻求最大化广告商价值并确保用户满意度。挑战在于，广告商的偏好通常与用户的偏好相冲突，且广告商可能误报其偏好。为此，我们引入了 MOSAIC 一种拍卖机制，确保广告商诚实报告是支配策略，并将每位广告商的效用与其对社会福利的贡献相匹配。重要的是，该机制无需 LLM 微调或获取模型权重，即可实现，并且在计算资源增加时可证明收敛至最优微调 LLM 的输出。此外，它可以整合关于广告商的上下文信息，这显著提高了社会福利。通过使用公开可用的 LLM 进行实验，我们展示了 MOSAIC 在高广告商价值和平台收入方面具有优势，同时计算开销低。虽然我们的 motivating 应用是线上广告，但我们的机制可应用于任何存在货币转移的场景，使其成为一种通用解决方案，用于在 LLM 生成的回复中对自利主体的偏好进行真实聚合。
引用
@article{arxiv.2405.05905,
title = {Truthful Aggregation of LLMs with an Application to Online Advertising},
author = {Ermis Soumalias and Michael J. Curry and Sven Seuken},
journal= {arXiv preprint arXiv:2405.05905},
year = {2025}
}