LLM Retrieval for Stable and Predictable Ad Recommendations

📌 【Meta 最新研究】利用 LLM 提升廣告推薦穩定性

當廣告創意只做微小調整，推薦結果卻可能出現明顯波動，廣告商難以預測投放效果，這不僅影響重複性，也加劇冷啟動與探索不足的問題。

🤔 穩定與可預測性成為廣告推薦的新瓶頸
傳統廣告推薦多聚焦於點擊或轉換的預測準確率（如 Recall、NDCG），但在生成式 AI 帶來的廣告庫爆發式增長中，系統對微小輸入擾動的穩定性與可預測性變得同樣重要，否則會導致廣告感知到的不一致與探索不足。

🧪 以細調 LLM 為核心的語義候選生成框架
論文提出一個新的評估框架來量化穩定性與可預測性，並設計一種基於微調大型語言模型的線上驗證候選生成方法：從廣告創意中抽取階層語義屬性，得到 LLM 表示，以此作為圖形擴展的基礎，確保檢索的候選廣告涵蓋原始廣告的語義變體，從而使微小創意變動產生一致且可解釋的投放結果。

📊 離線與線上實驗均顯著提升穩定性與傳統指標
在大規模工業廣告推薦系統中進行的離線與線上 A/B 測試顯示，該框架在穩定性與可預測性方面獲得顯著改善，同時亦帶來傳統效能指標的提升。雖然實驗聚焦於廣告場景，但該方法被設計為可適用於任何面臨規模擴張與可預測性挑戰的大規模推薦與檢索系統。

🔍 語義感知是提升穩定性的關鍵機制
透過將細調 LLM 的語義表示與圖形擴展結合，系統能夠捕捉到廣告創意的細微語義變體，使得相似的創意在檢索階段產生相近的候選集，進而減少因噪聲或微小擾動導致的排名波動。這說明，增強模型對語義的理解直接提升了推薦的鲁棒性。

⚠️ 評估主要聚焦於廣告堆疊，長期效果尚需觀察
本研究的實驗環境限於 Meta 的廣告推薦管道，未涉及其他類型的推薦場景；此外，論文未提供長期穩定性追蹤數據，長期運行中的模型漂移與適應性仍需後續工作驗證。

🎯 工程師可先從語義特徵擴展入手提升系統穩定性

• 在現有候選生成管道中加入經過領域微調的 LLM，以獲得更豐富的語義表示。
• 利用圖形或圖神經網路進行語義擴展，確保候選集包含原始項目的語義變體。
• 線上實驗時同時監控穩定性指標（如重複性、探索度）與傳統效能指標，以避免單方面優化導致的副作用。

🔗 論文連結
📝 LLM Retrieval for Stable and Predictable Ad Recommendations
👤 Vinodh Kumar Sunkara, Satheeshkumar Karuppusamy, Hangjun Xu, Sai Deepika Regani, Kshitij Gupta @ Meta Platforms, Inc.
🔗 https://arxiv.org/abs/2605.21969

你的推薦系統是否也面臨類似的穩定性挑戰？歡迎在留言區分享你的看法或實作經驗 👇

#Meta #LLM #廣告推薦 #RecommendationSystem #InformationRetrieval #AI #MachineLearning