في عالم الإعلانات الرقمية، تعتبر مزادات الإعلانات الآلية (Auto-bidding) من المهام الحاسمة، حيث يتوجب على السياسات ضبط القيم على المدى الطويل مع مراعاة قيود مثل الميزانية وتكاليف الاكتساب (CPA). ومع ذلك، تعتمد الأساليب الحالية على تمثيلات عددية مُركزة، مما قد يحد من قدرتها على تصوير نوايا الفاعلين بشكلٍ دقيق. في هذا السياق، تظهر نماذج اللغة الضخمة (LLMs) كأداة قوية لترميز المعلومات الدلالية، لكن يبقى السؤال: متى تساعد هذه النماذج وكيف يمكن إدماجها دون jeopardizing الدقة العددية؟

أظهرت دراسات أولية أجراها الباحثون أن تضمينات نماذج اللغة تحتوي على إشارات هامة لمزادات الإعلانات لكنها لا يمكن أن تحل محل الميزات العددية. وبالإضافة إلى ذلك، فإن فوائد دمج هذه النماذج تأتي فقط من خلال الدمج الدقيق بين الدلالات العددية والدلالية، بدلاً من الجمع السطحي. بناءً على هذه النتائج، تم اقتراح إطار عمل مبتكر يعرف باسم "SemBid"، الذي يقوم بإدخال الدلالات المُشَفرة عبر النماذج اللغوية في المسارات السابقة لمزادات الإعلانات على مستوى الرموز.

يتضمن SemBid ثلاثة مدخلات دلالية: "المهمة" (Task)، "التاريخ" (History)، و"الإستراتيجية" (Strategy). يتم دمج هذه العناصر مع الرموز العددية باستخدام تقنية الانتباه الذاتي (self-attention) مما يعزز القدرة على التحكم والتعميم عبر الأهداف المختلفة.

أظهرت النتائج في مجموعة متنوعة من السيناريوهات وميزانيات مختلفة أن SemBid يتفوق على نماذج المنافسة من التعلم المعزز غير المتصل ونمذجة تسلسل المحتوى، مع تحقيق تحسن ملحوظ في الأداء العام، ورضا القيود، والصلابة. يمكنكم الاطلاع على الشيفرة المصدرية لهذا المشروع المثير [هنا](https://github.com/AlanYu04/SemBid-KDD2026). ما رأيكم في هذا التطور المذهل في كيفية إدارة الإعلانات؟ شاركونا آرائكم في التعليقات!