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/2209.10792v2
Date: Sun, 25 Sep 2022 07:22:09 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 11:21:16.600913
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

Organize the Web: Constructing Domains Enhances Pre-Training Data Curation [129.27104172458363]
トピックとフォーマットの両面からWebページを整理するフレームワークを開発する。我々は,大規模な言語モデルからアノテーションを抽出して,事前学習データを自動的にアノテートし,効率的なキュレーションを行う。我々の研究は、ドメインの構築と混合が、品質ベースのデータキュレーション手法の貴重な補完となることを実証している。
論文参考訳（メタデータ） (2025-02-14T18:02:37Z)
Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
論文参考訳（メタデータ） (2025-02-13T09:01:34Z)
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: Combining Explainable AI & Large Language Models for Marketing Analytics [43.28262218695844]
我々は、人間の直感とAIベースの効率を相乗化することを目的とした説明可能なAIフレームワークを導入する。 SoMONITORは広告コンテンツにCTR予測とランキングモデルを導入し、大きな言語モデル(LLM)を使用して高いパフォーマンスの競合コンテンツを処理する。日々の操作でSOMONITORを採用することで、デジタルマーケターは広範なデータセットを素早く解析し、実用的な洞察を提供することができる。
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)
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。