文章主要内容总结
本文针对赞助搜索广告（Sponsored Search Advertising, SSA）中的关键词生成问题，提出了一个名为OMS的框架。该框架具有即时性（On-the-fly）、多目标性（Multi-Objective）和自反思性（Self-Reflective）三大核心特性，旨在解决现有基于大型语言模型（LLM）的关键词生成方法存在的三大局限：依赖大规模查询-关键词对数据、缺乏在线多目标性能监控与优化能力、关键词选择质量控制薄弱。
OMS的工作流程包含两个核心模块：
- 智能聚类-排序模块：分析关键词意图，计算多目标TOPSIS分数，并在聚类内部和跨聚类间对关键词进行排序；
- 多轮生成-反思模块：动态构建提示词，利用外部工具生成新关键词，基于质量反馈迭代优化，并对新生成的关键词重新聚类。
实验（包括基准数据集测试、在线A/B测试、消融实验和人类评估）表明，OMS在点击率、转化率、搜索量等关键指标上均优于现有方法（如Google关键词规划工具、GPT系列模型、OKG等），验证了其有效性。
创新点
- 无需训练数据的即时适应：OMS无需依赖大规模历史数据训练，可实时监控关键词性能并动态调整，适应快速变化的用户行为和市场趋势。
- 多目标优化机制：通过TOPSIS分数整合点击率、转化率
