Fugu-MT 論文翻訳(概要): CXSimulator: A User Behavior Simulation using LLM Embeddings for Web-Marketing Campaign Assessment

論文の概要: CXSimulator: A User Behavior Simulation using LLM Embeddings for Web-Marketing Campaign Assessment

arxiv url: http://arxiv.org/abs/2407.21553v1
Date: Wed, 31 Jul 2024 12:22:40 GMT
ステータス: 処理完了
システム内更新日: 2024-08-01 12:37:28.332893
Title: CXSimulator: A User Behavior Simulation using LLM Embeddings for Web-Marketing Campaign Assessment
Title（参考訳）: CXSimulator: WebマーケティングキャンペーンアセスメントのためのLCM埋め込みを用いたユーザ行動シミュレーション
Authors: Akira Kasuga, Ryo Yonetani,
Abstract要約: 本稿では,ユーザ行動シミュレーションを用いて,未検証のWebマーケティングキャンペーンの効果を評価するための新しいフレームワークを提案する。我々は,大規模言語モデル(LLM)を用いて,ユーザの行動履歴におけるさまざまな事象を表現する。例えば,アイテムの閲覧,クーポンの適用,あるいはアイテムの購入などである。我々は、この遷移予測モデルを利用して、新しいキャンペーンや製品が提示されると、ユーザーがどう反応するかをシミュレートする。
参考スコア（独自算出の注目度）: 6.405046045596434
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the Customer Experience (CX) Simulator, a novel framework designed to assess the effects of untested web-marketing campaigns through user behavior simulations. The proposed framework leverages large language models (LLMs) to represent various events in a user's behavioral history, such as viewing an item, applying a coupon, or purchasing an item, as semantic embedding vectors. We train a model to predict transitions between events from their LLM embeddings, which can even generalize to unseen events by learning from diverse training data. In web-marketing applications, we leverage this transition prediction model to simulate how users might react differently when new campaigns or products are presented to them. This allows us to eliminate the need for costly online testing and enhance the marketers' abilities to reveal insights. Our numerical evaluation and user study, utilizing BigQuery Public Datasets from the Google Merchandise Store, demonstrate the effectiveness of our framework.
Abstract（参考訳）: 本稿では、ユーザ行動シミュレーションを通じて、未テストのWebマーケティングキャンペーンの効果を評価するための新しいフレームワーク、Customer Experience (CX) Simulatorを提案する。提案フレームワークは,大規模言語モデル(LLM)を利用して,アイテムの閲覧,クーポンの適用,あるいはアイテムの購入など,ユーザの行動履歴におけるさまざまなイベントをセマンティックな埋め込みベクトルとして表現する。 LLM埋め込みからイベント間の遷移を予測するためにモデルをトレーニングし、多様なトレーニングデータから学習することで、目に見えないイベントに一般化することもできる。ウェブマーケティングアプリケーションでは、この遷移予測モデルを利用して、新しいキャンペーンや製品が提示されると、ユーザーがどう反応するかをシミュレートする。これにより、コストのかかるオンラインテストの必要性を排除し、マーケターの洞察力を高めます。 Google Merchandise StoreのBigQuery Public Datasetsを利用した数値評価とユーザスタディは,我々のフレームワークの有効性を実証する。

関連論文リスト

A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
論文参考訳（メタデータ） (2024-10-14T15:59:16Z)
MemSim: A Bayesian Simulator for Evaluating Memory of LLM-based Personal Assistants [64.41695570145673]
生成したユーザメッセージから信頼性の高い質問や回答(QA)を自動的に構築するベイズシミュレータであるMemSimを提案する。 MemSimに基づいて、MemDailyという名前の日常生活シナリオのデータセットを生成し、我々のアプローチの有効性を評価するための広範な実験を行う。
論文参考訳（メタデータ） (2024-09-30T10:19:04Z)
TRACE: Transformer-based user Representations from Attributed Clickstream Event sequences [37.69303106863453]
本稿では,リアルタイムレコメンデーションアプリケーションのために,ライブマルチセッションクリックストリームからリッチなユーザ埋め込みを生成する新しいアプローチであるTRACEを紹介する。大規模な旅行eコマースデータセットの広範な実験を通じて, TRACE のバニラ変圧器や LLM スタイルのアーキテクチャよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-09-02T23:33:19Z)
New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
新規ユーザのための新しい離散イベント予測フレームワークを提案する。提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
論文参考訳（メタデータ） (2024-07-08T05:35:54Z)
Show, Don't Tell: Aligning Language Models with Demonstrated Feedback [54.10302745921713]
Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
論文参考訳（メタデータ） (2024-06-02T23:13:56Z)
A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems [14.646529557978512]
Conversational Recommender System (CRS) はユーザからのリアルタイムフィードバックを利用して好みを動的にモデル化する。 LLM(Large Language Models)は、計算能力の新たな時代を迎えている。ユーザシミュレータの動作を管理するCSHI(Controlable, scalable, and human-Involved)シミュレータフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-13T03:02:56Z)
How Reliable is Your Simulator? Analysis on the Limitations of Current LLM-based User Simulators for Conversational Recommendation [14.646529557978512]
本稿では,対話型レコメンダシステムのためのユーザシミュレータ構築におけるLarge Language Modelsの使用制限について分析する。会話履歴やユーザシミュレータの応答で発生するデータ漏洩は,評価結果を膨らませる結果となる。そこで我々はSimpleUserSimを提案する。
論文参考訳（メタデータ） (2024-03-25T04:21:06Z)
BASES: Large-scale Web Search User Simulation with Large Language Model based Agents [108.97507653131917]
BASESは、大きな言語モデル(LLM)を持つ新しいユーザーシミュレーションフレームワークである。シミュレーションフレームワークは,大規模に独自のユーザプロファイルを生成することができ,その結果,多様な検索行動が生まれる。 WARRIORSは、中国語と英語の両方のバージョンを含む、Web検索ユーザ行動を含む、新しい大規模なデータセットである。
論文参考訳（メタデータ） (2024-02-27T13:44:09Z)
RefSAM: Efficiently Adapting Segmenting Anything Model for Referring Video Object Segmentation [53.4319652364256]
本稿では,ビデオオブジェクトのセグメンテーションを参照するためのSAMの可能性を探るRefSAMモデルを提案する。提案手法は,Cross-RValModalを用いることで,モダリティ学習を向上させるためにオリジナルのSAMモデルに適応する。我々は、言語と視覚の特徴を効果的に調整し、融合させるために、パラメータ効率のチューニング戦略を採用している。
論文参考訳（メタデータ） (2023-07-03T13:21:58Z)
SimOn: A Simple Framework for Online Temporal Action Localization [51.27476730635852]
一般的なTransformerアーキテクチャを用いて,アクションインスタンスの予測を学習するSimOnというフレームワークを提案する。 THUMOS14とActivityNet1.3データセットの実験結果は、我々のモデルが従来の手法よりも著しく優れていることを示している。
論文参考訳（メタデータ） (2022-11-08T04:50:54Z)
Imitate TheWorld: A Search Engine Simulation Platform [13.011052642314421]
生成されたページに対して、よく訓練された識別器によるフィードバックを適切に提供できるシミュレーション検索エンジンAESimを構築した。実世界とのつながりを失う従来のシミュレーションプラットフォームとは異なり、われわれのデータは検索の実際のデータに依存している。我々の実験は、AESimが古典的なランキングの指標よりも、ランキングモデルのオンラインパフォーマンスをよりよく反映できることを示した。
論文参考訳（メタデータ） (2021-07-16T03:55:33Z)

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。