論文の概要: Let AI Entertain You: Increasing User Engagement with Generative AI and
Rejection Sampling
- arxiv url: http://arxiv.org/abs/2312.12457v1
- Date: Sat, 16 Dec 2023 08:06:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 18:53:29.540371
- Title: Let AI Entertain You: Increasing User Engagement with Generative AI and
Rejection Sampling
- Title(参考訳): AIがあなたに入り込む: ジェネレーティブAIとリジェクションサンプリングによるユーザエンゲージメントの向上
- Authors: Jingying Zeng, Jaewon Yang, Waleed Malik, Xiao Yan, Richard Huang, Qi
He
- Abstract要約: 本稿では、ユーザフィードバックを活用して、生成AIによるユーザエンゲージメントを改善するための一般的なフレームワークを提案する。
我々は,オンラインソーシャルネットワークのメール通知対象ライン生成の文脈において,このフレームワークを活用した。
これは、ユーザーエンゲージメントを高めるために生成AIを成功させた業界における、初期のマイルストーンである。
- 参考スコア(独自算出の注目度): 7.715423424826709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While generative AI excels in content generation, it does not always increase
user engagement. This can be attributed to two main factors. First, generative
AI generates content without incorporating explicit or implicit feedback about
user interactions. Even if the generated content seems to be more informative
or well-written, it does not necessarily lead to an increase in user
activities, such as clicks. Second, there is a concern with the quality of the
content generative AI produces, which often lacks the distinctiveness and
authenticity that human-created content possesses. These two factors can lead
to content that fails to meet specific needs and preferences of users,
ultimately reducing its potential to be engaging.
This paper presents a generic framework of how to improve user engagement
with generative AI by leveraging user feedback. Our solutions employ rejection
sampling, a technique used in reinforcement learning, to boost engagement
metrics. We leveraged the framework in the context of email notification
subject lines generation for an online social network, and achieved significant
engagement metric lift including +1% Session and +0.4% Weekly Active Users. We
believe our work offers a universal framework that enhances user engagement
with generative AI, particularly when standard generative AI reaches its limits
in terms of enhancing content to be more captivating. To the best of our
knowledge, this represents an early milestone in the industry's successful use
of generative AI to enhance user engagement.
- Abstract(参考訳): 生成AIはコンテンツ生成に優れているが、ユーザーエンゲージメントを常に増加させるわけではない。
これは2つの主要な要因に起因する。
まず、生成AIはユーザーインタラクションに関する明示的あるいは暗黙的なフィードバックを取り入れずにコンテンツを生成する。
生成されたコンテンツがより情報的あるいはよく書かれていたとしても、クリックのようなユーザーアクティビティの増加につながるとは限らない。
第二に、コンテンツ生成aiが生み出すコンテンツの品質に懸念がある。
これらの2つの要因は、ユーザーの特定のニーズや好みを満たさないコンテンツにつながり、最終的にはエンゲージメントの可能性を減少させる。
本稿では、ユーザフィードバックを活用して、生成AIによるユーザエンゲージメントを改善するための一般的なフレームワークを提案する。
我々のソリューションは、エンゲージメント指標を高めるために強化学習に使用される手法である拒絶サンプリングを採用する。
我々は,オンラインソーシャルネットワークのメール通知対象ライン生成の文脈において,このフレームワークを活用し,+1%セッション,+0.4%アクティブユーザなど,重要なエンゲージメント基準を達成した。
私たちの仕事は、生成AIへのユーザエンゲージメントを高める普遍的なフレームワークを提供する、と私たちは信じています。
私たちの知る限りでは、これは、ユーザーエンゲージメントを高めるために生成AIを業界で成功させた初期のマイルストーンである。
関連論文リスト
- The Influencer Next Door: How Misinformation Creators Use GenAI [1.1650821883155187]
我々は、非専門家がGenAIをリミックス、再パッケージ、そして(再)コンテンツの制作に利用し、彼らの個人的ニーズや欲求に応えていることに気付きました。
我々は、これらの突発的GenAIの使用が、新しいまたは加速された誤情報障害をいかに生み出すかを分析する。
論文 参考訳(メタデータ) (2024-05-22T11:40:22Z) - Exploring the Impact of Lay User Feedback for Improving AI Fairness [4.2646936031015645]
公平なAI開発において利害関係者、特にレイユーザを増やすことは、まだ見過ごされがちだ。
近年の取り組みでは,レイユーザによるAIフェアネス関連のフィードバックの提供が検討されているが,ユーザからのフィードバックをAIモデルに統合する方法の理解が不足している。
我々の研究は、XGBoostにユーザフェアネスフィードバックを統合することのベースライン結果に貢献し、AIフェアネスにおける利害関係者の研究をブートストラップするデータセットとコードフレームワークを提供しています。
論文 参考訳(メタデータ) (2023-12-13T11:17:29Z) - Exploration with Principles for Diverse AI Supervision [88.61687950039662]
次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。
この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。
この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。
本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-10-13T07:03:39Z) - Public Perception of Generative AI on Twitter: An Empirical Study Based
on Occupation and Usage [7.18819534653348]
本稿は,2019年1月から2023年3月までのTwitter上での3Mポストを用いた生成AIに対するユーザの認識について検討する。
私たちは、IT関連だけでなく、様々な職種にまたがる人々が、生成AIに強い関心を示していることに気付きました。
ChatGPTのリリース後、AI全般に対する人々の関心は劇的に高まった。
論文 参考訳(メタデータ) (2023-05-16T15:30:12Z) - Guiding AI-Generated Digital Content with Wireless Perception [69.51950037942518]
本稿では,AIGC(AIGC)と無線認識を統合し,デジタルコンテンツ制作の質を向上させる。
このフレームワークは、単語の正確な記述が難しいユーザの姿勢を読み取るために、新しいマルチスケール認識技術を採用し、それをスケルトン画像としてAIGCモデルに送信する。
生産プロセスはAIGCモデルの制約としてユーザの姿勢を強制するため、生成されたコンテンツはユーザの要求に適合する。
論文 参考訳(メタデータ) (2023-03-26T04:39:03Z) - A Complete Survey on Generative AI (AIGC): Is ChatGPT from GPT-4 to
GPT-5 All You Need? [112.12974778019304]
生成AI(AIGC、つまりAI生成コンテンツ)は、テキスト、画像、その他を分析、作成する能力により、あらゆる場所で話題を呼んだ。
純粋な分析から創造へと移行するAIの時代において、ChatGPTは最新の言語モデルであるGPT-4とともに、多くのAIGCタスクからなるツールである。
本研究は,テキスト,画像,ビデオ,3Dコンテンツなど,出力タイプに基づいたAIGCタスクの技術的開発に焦点を当てている。
論文 参考訳(メタデータ) (2023-03-21T10:09:47Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳(メタデータ) (2023-03-07T20:36:13Z) - Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。
我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。
最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-01-09T09:30:23Z) - Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。
本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。
43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
論文 参考訳(メタデータ) (2022-11-12T21:54:05Z)
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。