该研究提出了一种基于语义嵌入的高级匹配方法，通过利用用户搜索会话的语义嵌入来自动找到更多的相关查询以供广告商竞标，同时提出了解决冷启动问题的方法，该方法已在实际搜索流量中进行了测试并获得了显著的优化结果和增量收益，同时将学习到的查询嵌入开源供计算广告和相关领域的研究人员使用。

Jul, 2016

该论文探讨了使用生成神经网络以及强化学习算法来解决在线广告推荐中的关键字提取问题，提出的模型能够生成与输入相关、多样化的关键字，并且满足领域特定信息的限制条件，并通过离线和在线评估表明，所提出的模型能够显著提高广告投放的覆盖率、点击率和RPM。

Feb, 2019

提出了一种名为Apex的fine-grained controllable generative model，结合了控制理论方法，可精确操纵生成文本的多样性/准确性权衡，并在 E- commerce 平台中应用，比现有方法更好地增加了生成文本的多样性和相关性，提高了CTR。

Feb, 2021

本文提出了CLOVER框架，通过增加多样性的强化学习算法来优化人类对重写质量的评估，从而生成高质量和多样化的查询重写，离线实验和Bing上的在线实验都证明了该方法的有效性。

Jun, 2021

本文提出了SwiftPruner，它是一个在线广告关键词预测的低延迟模型，采用结构剪枝的方法，利用演化搜索算法进行自动调整。通过多目标奖励来指导基因学习，优化层次稀疏模型的性能，该模型不仅在模拟测试中比其他模型具有更高的性能，而且在实际测试中更有效地降低了冷启动广告错误率。

Aug, 2022

研究了 sponsored search 中解决匹配用户搜索查询和广告商提出的相关关键字的问题的两种方法，并提出了一种新的多任务融合框架 HEARTS，在 30 个以上国家的搜索查询上进行了广泛的实验，结果显示，HEARTS 比基准方法多检索了 40.3% 的高质量出价关键字

Sep, 2022

本文概述了过去十年内有关自然语言生成方法在帮助广告商增加他们发布的在线广告数量上取得有效结果的研究动向，从基于模板的、抽取的到使用神经网络的生成方法。讨论了在此过程中出现的关键挑战和方向，包括指标优化、忠实度、多样性、多模式以及基准数据集的发展。

Jun, 2023

通过使用大型语言模型 (LLMs) 生成与查询相关的回答，并将广告进行整合，该论文调查了LLMs是否可以用作反制生成的原生广告的措施。

Feb, 2024

该论文介绍了在大型语言模型中将广告集成到输出中的机制，提出了一种基于拍卖的广告分配和定价方法，通过检索增强生成（RAG）在段落、章节或整个输出中根据出价和相关性概率性地检索广告并根据竞争出价定价，展示了最大化对数社会福利的拍卖机制，并表征了相关的激励兼容定价规则。实证评估验证了我们的方法在多种广告拍卖场景中的可行性和有效性，并展示了在允许大型语言模型更灵活地分配广告时的度量指标之间固有的权衡。

Jun, 2024

本研究针对自动生成的广告文本质量验证这一实际需求，提出了AdTEC，这是首个从实际广告操作视角评估广告文本的公共基准。我们构建了基于广告代理商实际操作经验的数据集，并定义了五个评估任务，结果显示现有的预训练语言模型在多个任务上已达到实际使用水平，但在某些领域仍然不如人类评估者，说明该领域仍有显著改进空间。

Aug, 2024