LLM 생성 응답에 대한 광고 삽입

Ad Insertion in LLM-Generated Responses

대규모 언어 모델(LLM)의 지속 가능한 수익 창출은 여전히 중요한 과제입니다. 기존의 검색 광고는 정적인 키워드에 의존하기 때문에 대화 흐름에 내재된, 일시적이고 맥락 의존적인 사용자 의도(사용자가 구체적으로 찾는 정보, 상품 또는 서비스)를 제대로 반영하지 못합니다. 효과적인 LLM 광고는 사회 복지 극대화라는 일반적인 목표 외에도 문맥적 일관성(광고가 일시적인 사용자 의도와 의미적으로 일치하는지 확인), 계산 효율성(사용자 상호 작용 지연 방지), 윤리 및 규정 준수(개인 정보 보호 및 명시적인 광고 공개 포함)와 같은 추가적인 요구 사항을 충족해야 합니다. 최근 다양한 연구들이 토큰 수준 및 쿼리 수준에서의 입찰 전략을 탐구했지만, 대부분의 접근 방식은 이러한 다면적인 제약 조건을 종합적으로 만족시키지 못합니다. 저희는 두 가지 분리 전략을 통해 이러한 문제점을 해결하는 실용적인 프레임워크를 제안합니다. 첫째, 안전성을 확보하고 명시적인 공개를 보장하기 위해 광고 삽입을 응답 생성 과정과 분리합니다. 둘째, 특정 사용자 쿼리와 독립적으로 입찰을 진행하기 위해 "장르(genre)"(고수준의 의미 클러스터)를 사용합니다. 이를 통해 광고주들은 민감한 실시간 응답 대신 안정적인 범주에 입찰할 수 있으므로, 계산 부담과 개인 정보 위험을 줄일 수 있습니다. 저희는 제안하는 장르 기반 프레임워크에 VCG 경매 메커니즘을 적용하면 약한 지배 전략 인센티브 호환성(DSIC)과 개별 합리성(IR)을 달성할 수 있으며, 동시에 최적의 사회 복지를 제공하고 높은 계산 효율성을 유지할 수 있음을 보여줍니다. 마지막으로, 문맥적 일관성을 추정하기 위한 "LLM-as-a-Judge" 메트릭을 도입했습니다. 실험 결과, 이 메트릭은 인간 평가와 높은 상관 관계를 보이며(Spearman's $ρ ext{≈} 0.66), 80%의 개별 인간 평가자보다 더 우수한 성능을 보였습니다.

Sustainable monetization of Large Language Models (LLMs) remains a critical open challenge. Traditional search advertising, which relies on static keywords, fails to capture the fleeting, context-dependent user intents--the specific information, goods, or services a user seeks--embedded in conversational flows. Beyond the standard goal of social welfare maximization, effective LLM advertising imposes additional requirements on contextual coherence (ensuring ads align semantically with transient user intents) and computational efficiency (avoiding user interaction latency), as well as adherence to ethical and regulatory standards, including preserving privacy and ensuring explicit ad disclosure. Although various recent solutions have explored bidding on token-level and query-level, both categories of approaches generally fail to holistically satisfy this multifaceted set of constraints. We propose a practical framework that resolves these tensions through two decoupling strategies. First, we decouple ad insertion from response generation to ensure safety and explicit disclosure. Second, we decouple bidding from specific user queries by using ``genres'' (high-level semantic clusters) as a proxy. This allows advertisers to bid on stable categories rather than sensitive real-time response, reducing computational burden and privacy risks. We demonstrate that applying the VCG auction mechanism to this genre-based framework yields approximately dominant strategy incentive compatibility (DSIC) and individual rationality (IR), as well as approximately optimal social welfare, while maintaining high computational efficiency. Finally, we introduce an "LLM-as-a-Judge" metric to estimate contextual coherence. Our experiments show that this metric correlates strongly with human ratings (Spearman's $ρ\approx 0.66$), outperforming 80% of individual human evaluators.