2026年3月3日9:00，中国营销工程与创新研究中心 (以下简称“MEI”) 2025-2026年第二学期第1次研讨会 (以下简称“Seminar”) 在MEI如期举行，参与本次研讨会的有黄敏学老师及MEI各位成员。

　　本次Seminar由李端阳研读文章《Applying Large Language Models to Sponsored Search Advertising》。

　　一、研究背景

　　SEA是数字营销的支柱，占2025年美国媒体广告总支出近30%(预计超1290亿美元)。企业可以通过付费投放广告提升线上可见度、驱动转化率和增加销售额，直接提升品牌市场地位。关键词出价是影响广告排名的最重要因素之一，历史点击率(CTR)、用户与着陆页(LP)互动质量、广告文案内容均为关键排名因子。

　　已有研究多聚焦竞价策略(如 Balseiro & Gur, 2019;Tunuguntla & Hoban, 2021)，对广告文案优化的系统性研究不足;少数相关研究仅关注技术特征(如关键词整合、语义相关性，Fan et al., 2019)或用户感知与广告绩效的关联(Rutz et al., 2017;Yang et al., 2018)，缺乏整合多维度要素的广告内容工程框架;

　　大语言模型(LLMs)在 SEA 中的应用尚处于起步阶段，现有研究未解决 “如何针对 SEA 场景定制 LLM”“如何平衡内容优化与点击成本(CPC)”“落地页优化与广告文案的交互影响” 等关键问题。

　　基于上述研究背景中的现实需求与理论空白，本研究提出核心问题：

　　如何将大语言模型(LLM)有效适配于赞助式搜索广告(SEA)场景，以在内容质量、广告效果(曝光量、点击量、转化量)和成本控制(CPC)等方面超越人工撰写及通用大模型，并识别其应用边界条件?

　　二、文献综述

　　1.搜索广告绩效驱动理论

　　(1)广告排名和用户点击行为由 “关键词相关性 + 内容质量 + 落地页适配度” 共同决定，三者需形成闭环以满足用户搜索意图(Ghose & Yang, 2009;Yang & Ghose, 2010)。

　　(2)框架设计中通过 PPLM 技术强化场景相关性。

　　2.广告内容优化理论

　　(1)高性能广告需平衡 “信息性” 与 “说服性”，需包含关键词、行动号召、行业术语等要素，且符合平台格式限制(Rutz et al., 2017;Yang et al., 2018)。

　　(2)在内容生成层嵌入 SEA 专属语言规则(如 CTA 短语库、字符长度限制)，在评分层(CSad)量化语义适配度与关键词整合率。

　　3.拍卖机制与成本理论

　　(1)SEA 采用第二价格拍卖机制，广告排名提升可能导致 CPC 上升，需在 “内容优化” 与 “成本控制” 间权衡(Abou Nabout & Skiera, 2012;Ghose & Yang, 2009)。

　　(2)引入随机森林(Random Forest)构建 CPC 预测模型，实现 “高性能 - 低成本” 双目标优化。

　　4.大语言模型可控生成理论

　　(1)Plug and Play Language Models(PPLM，Dathathri et al., 2020)，通过调整词生成概率分布，强制融入目标关键词，解决原生 LLM “关键词整合不足” 的问题;

　　(2)基于 Transformer 的自注意力机制(Vaswani et al., 2017)，采用 GPT-2 355M 作为基座模型，确保对模型底层的可控性。

　　5.自然语言处理(NLP)核心方法 Ø

　　(1)词袋模型(Bag-of-Words，Toubia et al., 2019)：提取 top10 有机结果与 LP 的高频关键词，构建关键词库;

　　(2)余弦相似度计算：量化广告文案与有机结果、LP 的语义适配度(Reisenbichler et al., 2022);

　　(3)文本预处理技术：去停用词、词干提取、小写化，确保关键词匹配的准确性。

　　6.信息一致性理论

　　(1)核心观点：用户在 “搜索查询 - 广告文案 - 落地页” 的全链路中，信息接收的一致性会提升信任度与转化率(Hauser et al., 2009);

　　(2)论文应用：在内容评分(CSad)中设置 “语义适配度”“关键词整合率” 指标，强化全链路信息一致性。

　　7.边界条件理论

　　(1)技术效果受场景约束，需识别影响技术应用的调节变量(如预算、落地页类型);

　　(2)通过实证验证 “预算规模”“落地页优化状态” 对 LLM 生成广告绩效的调节作用，明确技术适用边界。

　　三、实验概述

　　本研究提出的 SEA 内容生成流程由多个阶段构成：从关键词输入、文本爬取、模型生成，到内容筛选与成本预测，形成一套可操作的工程化框架。

　　首先由广告主指定目标关键词(主关键词)及对应落地页。系统随后自动抓取该关键词下排名靠前的自然搜索结果页面，并从这些页面及落地页中提取高频子关键词和语义结构，以确保生成内容能够贴合用户搜索意图并与落地页保持一致。并引入上下文特异性语言注入LLM(IV)和PPLM，确保生成的广告内容体现广告主专属的赞助广告规范。在内容生成过程中，结合质量得分、广告排名与拍卖机制，预测优化内容对每次点击成本(CPC)的影响，平衡内容质量与竞价成本。

　　该研究采用即插即用语言模型(PPLM)方法，在生成下一个词元时通过梯度引导，提高与目标关键词相关词汇的采样概率，使广告文案在语义层面同时符合自然搜索结果和着陆页内容，从而在搜索引擎眼中具有更高的连贯性和相关性。

　　研究以 “真实商业场景 + 控制变量法” 为核心，在 IT&SaaS(B2B)和高等教育(B2C)两大行业开展 5 组田野实验，所有实验均遵循 “相同投放环境 + 统一评价指标” 原则，确保结果的可比性和外部效度。

　　四、实验设计

　　1.内容评级与CPC预测

　　内容评级较高的广告文本，能更充分地将高频关键词融入搜索环境，并将着陆页提供的信息更完整地转化为语言，其对应的预测点击成本(CPC)也相对较高。

　　2.不同广告文案生成方法的整体性能(人类与模型的对比)

　　基于真实搜索广告投放数据，比较了不同实验设置与广告文本生成方式在赞助搜索广告(SEA)中的实际表现，涵盖教育(B2C)与 IT & SaaS(B2B)两个行业场景。

　　结果表明，在两个行业中，基于内容评分筛选的定制化LLM工作流程(最佳内容筛选 PPLM)在大多数核心绩效指标上显著优于人工撰写广告文案。

　　3.不同LLM/生成工具的比较(为何“小型模型+定制化流程”可能更胜一筹?)

　　实验组：采用基于GPT-2+ PPLM 的定制化工作流程生成广告文案。对照组：采用主流大规模语言模型(LLMs)如GPT-4和Gemini生成广告文案(生成方法未详述，但默认直接利用这些模型的通用功能)。参考组：由专业广告文案团队精心打造。

　　结果显示，通过SEA场景定制并基于内容评分筛选的最佳内容生成PPLM，其表现优于传统大型模型。模型规模或通用语言能力并不能直接转化为广告效果。在生成式广告内容中，应用层的任务定制与流程设计起着更为关键的作用。

　　4.低CPC目标下的内容优化(LLM能否实现“更具成本效益”的广告内容?)

　　由于前期实验旨在实现点击量最大化，但在实际管理中，‘点击率推广’与‘点击成本(CPC)’之间往往存在权衡关系，因此作者进一步开展了‘CPC目标约束’实验。

　　实验组(CPC较低 PPLM)：采用本研究提出的完整半自动框架生成广告文案。该框架不仅在生成过程中优化内容质量(CSad)，还通过CPC预测模块(随机森林模型)筛选出在满足足够低预测CPC前提下内容得分最高的文案。这些文档在发布前均经过人工审核和修订。 Ø

　　对照组(人类关键词特异性)：由经过培训的研究参与者为同一组关键词手写广告文案，其信息内容与 PPLM 过程完全一致。

　　结果表明，在IT&SaaS场景中，采用低CPC导向的 PPLM 工作流程，可在保持CPC水平稳定时，显著提升曝光率、点击率和转化率。

　　5.边界效应：同时优化广告文案与落地页(LP)是否会导致“过度优化”，从而损害整体效果?

　　广告效果不仅取决于广告文案，LP内容也会影响转化率;但若多个LLM同时向同一方向推送广告和LP，可能会出现过度优化的情况。研究设置“广告和LP内容均采用LLM优化”与“仅广告优化/单一策略”进行对比观察整体SEA指标是否受损。

　　结果表明，在IT&SaaS场景中，当广告文案由 PPLM 自动生成，若着陆页内容同样由机器生成，其整体搜索引擎广告(SEA)效果反而会低于‘机器广告+人工着陆页’的组合效果。

　　6.边界效应：预算约束下LLM的相对优势是增加还是减少?

　　预算可能改变搜索引擎分配展示/销售点击的机制，因此LLM生成的广告相较于手动广告的优势可能随预算变化而异。

　　将活动预算设置为不同层级(高/低)，并在相同‘最大化点击量’及关键词/竞价逻辑条件下，比较LLM工作流程与人工广告的效果差异。

　　在高预算条件下，最佳CS PPLM 广告在绝对效果上具有显著优势;在低预算条件下，尽管所有广告组的整体效果均有所下降， PPLM 仍保持对人工广告的显著优势。

　　五、研究启示

　　1.研究发现

　　本研究基于多组真实搜索广告投放的实地实验数据，系统分析了生成式广告内容在付费搜索广告(SEA)竞价环境中的实际表现。研究结论表明：针对搜索广告场景定制的LLM工作流程，结合内容评分与筛选机制，能显著提升广告在真实市场中的曝光率、点击率和转化效果。但其效果并非绝对有效，实际效果会受模型设计方法、成本目标、预算限制及内容优化范围等多重因素的系统性制约。 Ø

　　在教育(B2C)和IT&SaaS(B2B)行业，定制化LLM广告效果优于手动广告，其改进关键在于搜索引擎广告(SEA)场景应用层的定制化，而非模型规模。

　　生成式广告既能提升曝光量与点击率，又能有效控制每次点击成本(CPC)，但广告与落地页的自动同步可能导致过度拟合;在预算有限的情况下，其效率仍优于人工操作。 Ø

　　其核心价值不仅在于优化文案，更在于重塑广告在竞价生态系统中的地位，系统性地影响曝光量、点击量和成本。

　　2.理论贡献

　　(1)本文将广告文本正式纳入赞助搜索广告的拍卖与排序机制框架，证明内容优化会影响质量信号和成本形成。 Ø

　　(2)本文揭示了“内容优化提升点击量”与“排名提升可能推高CPC”之间的机制张力，强调多目标优化而非单一点击率最大化。 Ø

　　(3)本文提出并实证验证了一种“生成评分成本约束人工筛选”的人机协同优化框架，而非单纯使用通用大语言模型生成文本。 Ø

　　(4)本文表明，模型规模并非决定性因素，场景定制过程比通用大型模型更为重要。 Ø

　　(5)本文明确了生成式AI在SEA中的系统边界条件(预算限制与广告落地页链接)，揭示其效果取决于市场环境与平台机制。

　　至此，本次Seminar文章研读完毕。

　　之后，由陈星宇分享AI相关研究方法、理论或行业应用，老师与同学们提出了建议，并明确了进一步的研究计划。

　　至此，本学期第1次Seminar圆满结束。

　　文字 / 裴珈悦

　　排版 / 裴珈悦

　　审核 / 赵文青