Fugu-MT 論文翻訳(概要): Deep Learning Based Page Creation for Improving E-Commerce Organic Search Traffic

論文の概要: Deep Learning Based Page Creation for Improving E-Commerce Organic Search Traffic

arxiv url: http://arxiv.org/abs/2209.10792v1
Date: Thu, 22 Sep 2022 05:36:44 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 13:15:51.022714
Title: Deep Learning Based Page Creation for Improving E-Commerce Organic Search Traffic
Title（参考訳）: 深層学習に基づく電子商取引有機検索トラフィック改善のためのページ作成
Authors: Cheng Jie, Da Xu, Zigeng Wang, Wei Shen
Abstract要約: 本稿ではトランスフォーマー言語モデルに基づく有機チャネルページ管理システムを提案する。本システムでは,数百万の新たなランディングページの生成と展開プロセスの処理に成功している。
参考スコア（独自算出の注目度）: 16.04232795109499
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Organic search comprises a large portion of the total traffic for e-commerce companies. One approach to expand company's exposure on organic search channel lies on creating landing pages having broader coverage on customer intentions. In this paper, we present a transformer language model based organic channel page management system aiming at increasing prominence of the company's overall clicks on the channel. Our system successfully handles the creation and deployment process of millions of new landing pages. We show and discuss the real-world performances of state-of-the-art language representation learning method, and reveal how we find them as the production-optimal solutions.
Abstract（参考訳）: オーガニック検索はeコマース企業の総トラフィックの大部分を占めている。企業の有機検索チャネルへの露出を拡大する一つのアプローチは、顧客の意図を幅広くカバーしたランディングページを作成することである。本稿では,トランスフォーマー言語モデルに基づく有機チャネルページ管理システムについて紹介する。私たちのシステムは、何百万もの新しいランディングページの作成とデプロイのプロセスをうまく処理します。我々は,最先端言語表現学習手法の実世界性能を提示し,議論し,それらを生産最適化ソリューションとして見出す方法を明らかにする。

関連論文リスト

OpenWebVoyager: Building Multimodal Web Agents via Iterative Real-World Exploration, Feedback and Optimization [66.22117723598872]
マルチモーダルWebエージェントの開発を容易にするために設計されたオープンソースフレームワークを紹介する。まず、基本モデルを模倣学習で訓練し、基礎能力を得る。次に、エージェントにオープンウェブを探索させ、その軌道に関するフィードバックを収集する。
論文参考訳（メタデータ） (2024-10-25T15:01:27Z)
Automating Knowledge Discovery from Scientific Literature via LLMs: A Dual-Agent Approach with Progressive Ontology Prompting [59.97247234955861]
LLM-Duoという,プログレッシブプロンプトアルゴリズムとデュアルエージェントシステムを組み合わせた,大規模言語モデル(LLM)に基づく新しいフレームワークを提案する。言語治療領域における64,177論文からの2,421件の介入を同定した。
論文参考訳（メタデータ） (2024-08-20T16:42:23Z)
SOMONITOR: Explainable Marketing Data Processing and Analysis with Large Language Models [43.28262218695844]
説明可能なAIフレームワークであるSoMonitorを紹介します。 SoMonitorは、人間の直感とAIベースの効率の相乗効果を目指している。マーケティングのあらゆる段階におけるマーケターを助ける。
論文参考訳（メタデータ） (2024-07-18T02:55:52Z)
GEO: Generative Engine Optimization [50.45232692363787]
我々は、生成エンジン(GE)の統一的な枠組みを定式化する。 GEは大規模な言語モデル(LLM)を使用して情報を収集し、ユーザクエリに応答する。生成エンジンは通常、複数のソースから情報を合成し、それらを要約することでクエリを満足する。我々は、生成エンジン応答におけるコンテンツの可視性向上を支援するために、コンテンツ作成者を支援する最初の新しいパラダイムである生成エンジン最適化(GEO)を紹介する。
論文参考訳（メタデータ） (2023-11-16T10:06:09Z)
Cross-Domain Product Representation Learning for Rich-Content E-Commerce [16.418118040661646]
本稿では,ROPEと呼ばれる大規模cRoss-dOmain製品認識データセットを提案する。 ROPEは幅広い製品カテゴリーをカバーし、数百万のショートビデオとライブストリームに対応する180,000以上の製品を含んでいる。プロダクトページ、ショートビデオ、ライブストリームを同時にカバーする最初のデータセットであり、異なるメディアドメイン間で統一された製品表現を確立する基盤を提供する。
論文参考訳（メタデータ） (2023-08-10T13:06:05Z)
Automatic Scene-based Topic Channel Construction System for E-Commerce [46.30140767652402]
自動生産を実現するため,E-Commerce Scene-based Topic Channel construction system(ESTC)を提案する。本研究は、通常、同じ利用シナリオに属する多様な製品のリストからなる、新しい製品形式、シーンベースのトピックチャネルを示す。
論文参考訳（メタデータ） (2022-10-06T02:29:10Z)
DeepGen: Diverse Search Ad Generation and Real-Time Customization [7.115740082989691]
DeepGenはWebスケールでデプロイされたシステムで、BingAdsの顧客にスポンサード検索広告(ad)を自動的に作成する。我々は、最先端自然言語生成(NLG)モデルを利用して、広告主のWebページから、抽象的な方法で、流動的な広告を生成する。本システムは,ユーザの検索クエリに応答して,リアルタイムにカスタマイズされた広告を生成する。
論文参考訳（メタデータ） (2022-08-06T03:48:09Z)
ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
論文参考訳（メタデータ） (2022-05-24T02:28:58Z)
Fashion Focus: Multi-modal Retrieval System for Video Commodity Localization in E-commerce [18.651201334846352]
ファッションフォーカス(Fashion Focus)と呼ばれるマルチモーダル検索システムの革新的実証について述べる。オンラインビデオのプロダクトイメージを、焦点として正確にローカライズすることができる。本システムでは,ビデオコンテンツ構造化とマルチモーダル検索という2つの手法を用いて,高精度なビデオ・ツー・ショップマッチングを実現する。
論文参考訳（メタデータ） (2021-02-09T09:45:04Z)
ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
論文参考訳（メタデータ） (2020-12-17T18:22:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。