Causal Value Attribution of Marketing Labels in LLM-Generated Ads: A Deconfounder Approach
作者: Danhong You, Wei Jiang, Zhiqiang, Zheng
分类: cs.AI, cs.CY
发布日期: 2026-10-16
备注: 74 pages, under review in Journal of Marketing Research
💡 一句话要点
提出D-VAE框架以解决生成广告中的因果价值归因问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 因果推断 生成广告 去混淆 变分自编码器 市场营销 专家标签 AI技术 性能优化
📋 核心要点
- 现有方法在评估生成广告中的专家标签对性能的因果影响时面临随机性和高维交互的挑战。
- 论文提出D-VAE框架，通过去混淆和因果表示学习相结合，解决因果归因问题。
- 实验结果显示，D-VAE在29177个广告创意中表现优于现有基准，且推荐配置显著提高了参与度。
📝 摘要（中文）
随着AI生成内容的商品化，经济价值逐渐从最终产品转向用于指导大语言模型（LLM）生成的上游专业知识。然而，组织缺乏评估这种专业知识的方法，无法识别哪些技能或配置在因果上改善了性能。本研究探讨了生成营销，其中结构化的专家标签作为技能原语，调节LLM生成的广告。由于结果受随机LLM中介、高维标签交互和多模态混淆的影响，因果效应的估计变得困难。本文提出了D-VAE（去混淆变分自编码器），一个将多处理去混淆器与因果表示学习相结合的反事实推断框架。D-VAE恢复了因果解耦的专家标签逻辑，并从单处理混淆变量中推导出遗漏变量偏差的PAC界限。应用于29177个基础化妆广告创意，D-VAE的表现超越了现有的基准。实地实验表明，推荐的配置使参与度提高了32.7%，且与人类专家的表现统计上无显著差异，而模拟研究则确认了在复杂混淆和处理交互下的因果归因。
🔬 方法详解
问题定义：本研究旨在解决生成广告中专家标签的因果价值归因问题。现有方法在处理随机性和高维标签交互时存在显著不足，导致因果效应的估计困难。
核心思路：论文提出D-VAE框架，结合多处理去混淆器与因果表示学习，以恢复因果解耦的专家标签逻辑，从而准确评估标签对广告效果的影响。
技术框架：D-VAE框架包括数据预处理、标签解耦、因果推断和结果评估四个主要模块。首先对输入数据进行清洗和结构化，然后通过去混淆技术解耦标签，接着进行因果推断，最后评估模型的效果与性能。
关键创新：D-VAE的主要创新在于其将去混淆与因果表示学习相结合，能够有效处理多模态混淆和高维交互，显著提高因果效应的估计精度。这一方法与传统的单一因果推断方法有本质区别。
关键设计：D-VAE采用了变分自编码器结构，设计了特定的损失函数以优化标签解耦效果，并通过PAC界限推导来控制遗漏变量偏差。此外，模型的超参数设置经过多次实验验证，以确保最佳性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，D-VAE在29177个广告创意中超越了现有的基准，推荐的配置使用户参与度提高了32.7%。此外，D-VAE的表现与人类专家的效果在统计上无显著差异，验证了其在复杂环境下的因果归因能力。
🎯 应用场景
该研究的潜在应用领域包括广告生成、市场营销策略优化和AI辅助设计等。通过准确评估和优化专家技能组合，组织能够更有效地利用AI技术，提高广告效果和市场竞争力。未来，该框架可扩展至其他领域，如内容创作和个性化推荐系统。
📄 摘要（原文）
As AI-generated content becomes commoditized, economic value increasingly shifts from final artifacts to the upstream expertise used to specify inputs that steer LLM generation. Yet organizations lack methods for valuing this expertise and identifying which individual skills or configurations causally improve performance. This study examines generative marketing, where structured expert labels serve as skill primitives conditioning LLM-generated advertisements. Estimating their causal effects is difficult because outcomes reflect stochastic LLM mediation, high-dimensional label interactions, and multimodal confounding. This study proposes D-VAE (Deconfounder Variational Autoencoder), a counterfactual-inference framework integrating a multi-treatment deconfounder with causal representation learning. D-VAE recovers causally disentangled expert-labeling logic and derives PAC-based bounds on omitted-variable bias from single-treatment confounders. Applied to 29,177 foundation-makeup ad creatives, D-VAE outperforms state-of-the-art benchmarks. A field experiment shows that recommended configurations increase engagement by 32.7% and perform statistically indistinguishably from human experts, while a simulation study confirms causal attribution under complex confounding and treatment interactions. Overall, the study shifts value assessment from AI-generated products to skills, providing a foundation for pricing and optimizing AI-augmented skill portfolios.