LLMO・GEO の研究論文と民間調査/広告・収益化

研究論文

CHO-Bench:文脈ヒントは、LLM広告の並びをどう変えるか

原題:CHO-Bench: How Do Context Hints Affect Ad Rankings in LLM Advertising?

著者は Shiqi Zhang, Yang Fei, Xiaokui Xiao。に arXiv へ投稿されました。日本語の題名は、ガーオンによる仮の訳です。

論文の原文を arXiv で読む(arXiv:2611.11955)

論文が報告した結果

ChatGPT Ads のように、広告主が自然文の「文脈ヒント」(何を、誰に、いつ勧めるか)を付けられるとき、ヒントの作り方が広告の順位を変える、として問題を整理し、ベンチマーク CHO-Bench を提案している。

ヒント生成に GPT-6-Luna と Gemini-3.1-flash-lite、埋め込み順位に OpenAI text-embedding-3-large と Qwen3-Embedding-4B、LLM順位に GPT-5.6-Luna と DeepSeek-4.1-flash を使い、温度は0、と本文は述べる。

ChatGPT を調べた論文Gemini を調べた論文DeepSeek を調べた論文公開モデル を調べた論文

調査の条件

論文が調べたこと
ChatGPT Ads の「誰に・いつ役立つか」というヒント(context hints)が、広告順位にどう効くか(CHO-Bench)
調べた対象の AI
ChatGPT、Gemini、DeepSeek、公開モデル
調べたモデル
GPT-6-Luna/Gemini-3.1-flash-lite/OpenAI-text-embedding-3-large/Qwen3-Embedding-4B/GPT-5.6-Luna/DeepSeek-4.1-flash
回答データの取り方
CHO-Bench 上のオフライン実験(本文。温度0)
調査の規模
要旨は問題設定が中心。データ件数の詳細は本文の実験節
数字が載っている場所
モデルと温度は本文。ベンチマーク規模の詳細は本文の実験節

結果を読むときの注意

ChatGPT Ads を動機にした研究用ベンチマークであり、本番の広告配信そのものを実測したものではない。予算制約の下でヒントを最適化する問題設定である。

上の要約は、株式会社ガーオンが生成AIを使って作成しました。最終更新は2026年11月19日です。正確な内容は、論文の原文で確認してください。

「広告・収益化」を調べたほかの論文