論文の概要: Leveraging Large Language Models for Enhanced Product Descriptions in
eCommerce
- arxiv url: http://arxiv.org/abs/2310.18357v1
- Date: Tue, 24 Oct 2023 00:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-05 13:55:21.214839
- Title: Leveraging Large Language Models for Enhanced Product Descriptions in
eCommerce
- Title（参考訳）: 大規模言語モデルを活用したeコマースにおける製品記述の強化
- Authors: Jianghong Zhou and Bo Liu and Jhalak Nilesh Acharya Yao Hong and
Kuang-chih Lee and Musen Wen
- Abstract要約: 本稿では,LAMA 2.0 7B言語モデルを用いた製品記述生成の自動化手法を提案する。
私たちはこのモデルを、最大のeコマースプラットフォームの1つであるWalmartの真正な製品記述のデータセットでトレーニングします。
以上の結果から,システムはスケーラブルであるだけでなく,製品記述作成に関わる人的負担を大幅に削減することが明らかとなった。
- 参考スコア（独自算出の注目度）: 6.318353155416729
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In the dynamic field of eCommerce, the quality and comprehensiveness of
product descriptions are pivotal for enhancing search visibility and customer
engagement. Effective product descriptions can address the 'cold start'
problem, align with market trends, and ultimately lead to increased
click-through rates. Traditional methods for crafting these descriptions often
involve significant human effort and may lack both consistency and scalability.
This paper introduces a novel methodology for automating product description
generation using the LLAMA 2.0 7B language model. We train the model on a
dataset of authentic product descriptions from Walmart, one of the largest
eCommerce platforms. The model is then fine-tuned for domain-specific language
features and eCommerce nuances to enhance its utility in sales and user
engagement. We employ multiple evaluation metrics, including NDCG, customer
click-through rates, and human assessments, to validate the effectiveness of
our approach. Our findings reveal that the system is not only scalable but also
significantly reduces the human workload involved in creating product
descriptions. This study underscores the considerable potential of large
language models like LLAMA 2.0 7B in automating and optimizing various facets
of eCommerce platforms, offering significant business impact, including
improved search functionality and increased sales.
- Abstract（参考訳）: eコマースのダイナミックな分野では、検索の可視性と顧客エンゲージメントを高めるために、製品記述の品質と包括性が重要である。
効果的な製品説明は、'コールドスタート'問題に対処し、市場のトレンドに合わせて、最終的にクリックスルー率の増加につながる。
これらの記述を作成するための従来の手法は、しばしば人為的な努力を伴い、一貫性とスケーラビリティの両方を欠いている。
本稿では,LAMA 2.0 7B言語モデルを用いた製品記述の自動生成手法を提案する。
私たちは、最大のeコマースプラットフォームの1つであるwalmartから、本物の製品説明のデータセットでモデルをトレーニングします。
このモデルは、ドメイン固有の言語機能やeコマースニュアンスのために微調整され、営業やユーザエンゲージメントにおける実用性を高める。
我々は、NDCG、顧客クリックスルー率、人間評価など、複数の評価指標を用いて、アプローチの有効性を検証する。
この結果から,システムはスケーラブルであるだけでなく,製品記述の作成に関わる人的作業量を大幅に削減できることが判明した。
本研究は,eコマースプラットフォームのさまざまな面の自動化と最適化において,llama 2.0 7b のような大規模言語モデルのかなりの可能性を強調し,検索機能の改善や販売の増加など,ビジネス的な影響を提供する。
関連論文リスト
- IPL: Leveraging Multimodal Large Language Models for Intelligent Product Listing [26.930588075458008]
IPLは知的製品リスト作成ツールであり,様々な製品属性を用いて記述を生成するのに適したツールである。
IPLは実運用システムで成功しており、ユーザの72%が生成したコンテンツに基づいて製品リストを公開しています。
これらの製品リストは、AIアシストのないものよりも品質スコアが5.6%高いことが示されている。
論文 参考訳（メタデータ） (2024-10-22T12:56:04Z) - Valuing an Engagement Surface using a Large Scale Dynamic Causal Model [2.079231388824219]
AIを利用したエンゲージメントサーフェス(ES)は、小売サービス全体で広く普及している。
本研究では,ESに起因する値の分散化と,その有効性を評価するために,大規模に因果モデルを構築した。
論文 参考訳（メタデータ） (2024-08-21T19:42:45Z) - A Multimodal In-Context Tuning Approach for E-Commerce Product
Description Generation [47.70824723223262]
マーケティングキーワードを付加した画像から製品記述を生成するための新しい設定を提案する。
本稿では, ModICT という, シンプルで効果的なマルチモーダル・インコンテキスト・チューニング手法を提案する。
実験の結果、ModICTは従来の方法と比較して精度(ルージュ-Lでは最大3.3%)と多様性(D-5では最大9.4%)を著しく改善することが示された。
論文 参考訳（メタデータ） (2024-02-21T07:38:29Z) - Product Information Extraction using ChatGPT [69.12244027050454]
本稿では,製品記述から属性/値対を抽出するChatGPTの可能性について検討する。
以上の結果から,ChatGPTは事前学習した言語モデルに類似した性能を達成できるが,微調整を行うにはトレーニングデータや計算処理がはるかに少ないことが示唆された。
論文 参考訳（メタデータ） (2023-06-23T09:30:01Z) - Automated Extraction of Fine-Grained Standardized Product Information
from Unstructured Multilingual Web Data [66.21317300595483]
機械学習の最近の進歩と最近発表された多言語データセットが組み合わさって、堅牢な製品属性抽出を可能にしていることを示す。
私たちのモデルは、オンラインショップや言語、あるいはその両方で、確実に製品属性を予測できます。
論文 参考訳（メタデータ） (2023-02-23T16:26:11Z) - A Transformer-Based Substitute Recommendation Model Incorporating Weakly
Supervised Customer Behavior Data [7.427088261927881]
提案されたモデルは、6つの言語で11のマーケットプレースのための大規模なEコマースウェブサイトにデプロイされている。
提案モデルにより,オンラインA/B実験により,収益が19%向上することが実証された。
論文 参考訳（メタデータ） (2022-11-04T15:57:19Z) - 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) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳（メタデータ） (2021-05-04T15:23:59Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳（メタデータ） (2020-06-15T21:31:05Z) - Modeling Product Search Relevance in e-Commerce [7.139647051098728]
本稿では,検索クエリと商品の関連性を評価するためのロバストな手法を提案する。
BM25 や Indri のような従来の情報検索モデルと word2vec, sentence2vec, paragraph2vec といったディープラーニングモデルとの比較を行った。
論文 参考訳（メタデータ） (2020-01-14T21:17:55Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。