论文
关于语言表示在自动出价中的作用：调查结果和启示
On the Role of Language Representations in Auto-Bidding: Findings and Implications
摘要
自动出价是实时广告市场中的一项关键任务，其中政策必须在交付限制（例如预算和每次转化费用）下优化长期价值。现有的自动出价方法依赖于紧凑的数字状态表示：虽然它们可以隐式地捕获交付动态，但它们为显式表示和控制实际活动中的高级意图、不断变化的反馈和操作员式战略指导提供有限的支持。同时，大语言模型（LLM）提供了一种强大的语义信息编码方法，但目前尚不清楚LLM何时提供帮助以及如何在不牺牲数值精度的情况下集成它们。通过系统的初步研究，我们发现（1）LLM 嵌入包含与出价相关的线索，但不能取代数字特征，（2）收益只有通过仔细的语义-数字集成而不是朴素的串联才能出现。受这些发现的启发，我们提出了 \textit{SemBid}，这是一种新颖的自动出价框架，它将 LLM 编码的语义注入到 词元级 的离线出价轨迹中。 SemBid 引入了三个语义输入：\textit{Task}、\textit{History} 和 \textit{Strategy}。它将这些语义作为标记与数字轨迹标记一起注入，并使用自注意力来集成它们，从而提高跨目标的可控性和泛化性。在不同的场景和预算制度中，Sembid 的性能优于离线 RL 和生成序列建模的竞争基线，在整体性能、约束满足和鲁棒性方面具有更一致的收益。我们的代码位于：\href{https://github.com/AlanYu04/SemBid-KDD2026}{\textcolor{blue}{here}}。