論文の概要: Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items

• arxiv url: http://arxiv.org/abs/2503.22182v1
• Date: Fri, 28 Mar 2025 07:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:32:43.108820
• Title: Sell It Before You Make It: Revolutionizing E-Commerce with Personalized AI-Generated Items
• Title（参考訳）: 個人化されたAI生成アイテムで電子商取引を革命させる
• Authors: Jianghao Lin, Peng Du, Jiaqi Liu, Weite Li, Yong Yu, Weinan Zhang, Yang Cao,
• Abstract要約: 本稿では,この課題に対処するためにAIGI(AI- generated items)を活用して,e-commercial Product Designのためのパーソナライズされたテキスト・ツー・イメージ生成システムを提案する。 拡散モデルのためのパーソナライズされたグループレベル選好アライメントフレームワーク(PerFusion)を提案し、複数の生成候補画像に対して、ユーザのグループレベルのパーソナライズされた選好をキャプチャする。 AI生成アイテムは、人間によって設計されたアイテムと比較して、クリックスルーレートと変換レートの両方で13%以上の相対的な改善を実現している。
• 参考スコア（独自算出の注目度）: 41.69406276304483
• License:
• Abstract: E-commerce has revolutionized retail, yet its traditional workflows remain inefficient, with significant time and resource costs tied to product design and manufacturing inventory. This paper introduces a novel system deployed at Alibaba that leverages AI-generated items (AIGI) to address these challenges with personalized text-to-image generation for e-commercial product design. AIGI enables an innovative business mode called "sell it before you make it", where merchants can design fashion items and generate photorealistic images with digital models based on textual descriptions. Only when the items have received a certain number of orders, do the merchants start to produce them, which largely reduces reliance on physical prototypes and thus accelerates time to market. For such a promising application, we identify the underlying key scientific challenge, i.e., capturing the users' group-level personalized preferences towards multiple generated candidate images. To this end, we propose a Personalized Group-Level Preference Alignment Framework for Diffusion Models (i.e., PerFusion). We first design PerFusion Reward Model for user preference estimation with a feature-crossing-based personalized plug-in. Then we develop PerFusion with a personalized adaptive network to model diverse preferences across users, and meanwhile derive the group-level preference optimization objective to capture the comparative behaviors among multiple candidates. Both offline and online experiments demonstrate the effectiveness of our proposed algorithm. The AI-generated items have achieved over 13% relative improvements for both click-through rate and conversion rate compared to their human-designed counterparts, validating the revolutionary potential of AI-generated items for e-commercial platforms.
• Abstract（参考訳）: 電子商取引は小売業に革命をもたらしたが、その伝統的なワークフローは依然として非効率であり、製品設計と製造在庫にかなりの時間と資源コストがかかわっている。 本稿では,この課題に対処するためにAIGI(AI- generated items)を活用して,e-commercial Product Designのためのパーソナライズされたテキスト・ツー・イメージ生成システムを提案する。 AIGIは、商人がファッションアイテムをデザインし、テキスト記述に基づいてデジタルモデルでフォトリアリスティックな画像を生成する「販売する前に販売する」という革新的なビジネスモードを実現する。 商品が一定数の注文を受けた場合にのみ、商人はそれを生産し始め、これによって物理的なプロトタイプへの依存が大幅に減少し、市場投入までの時間が短縮される。 このような有望な応用のために,複数の候補画像に対するグループレベルのパーソナライズされた好みを抽出する,基礎となる科学的課題を同定する。 この目的のために、拡散モデルのためのパーソナライズされたグループレベル優先度調整フレームワーク(PerFusion)を提案する。 まず,機能横断型パーソナライズドプラグインを用いたユーザ嗜好推定のためのPerFusion Reward Modelを設計する。 次に,パーフュージョンをパーソナライズした適応ネットワークを用いて,ユーザ間での多様な嗜好をモデル化し,グループレベルの選好最適化目標を導出し,複数の候補間の比較行動を取得する。 オフライン実験とオンライン実験の両方で提案アルゴリズムの有効性が示された。 AI生成アイテムは、人間によって設計されたものと比較してクリックスルー率と変換率の両方で13%以上の相対的な改善を達成し、eコマースプラットフォーム向けのAI生成アイテムの革命的可能性を検証する。

関連論文リスト

• CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
  本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。 生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。 本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-05T09:06:02Z)
• Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
  拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。 PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。 提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
  論文  参考訳（メタデータ） (2025-01-11T22:38:41Z)
• JeDi: Joint-Image Diffusion Models for Finetuning-Free Personalized Text-to-Image Generation [49.997839600988875]
  既存のパーソナライズ手法は、ユーザのカスタムデータセット上でテキスト・ツー・イメージの基礎モデルを微調整することに依存している。 ファインタニングフリーのパーソナライズモデルを学ぶための効果的な手法として,ジョイントイメージ拡散(jedi)を提案する。 本モデルは,従来のファインタニングベースとファインタニングフリーのパーソナライゼーションベースの両方において,定量的かつ定性的に,高い品質を実現する。
  論文  参考訳（メタデータ） (2024-07-08T17:59:02Z)
• End-to-end multi-modal product matching in fashion e-commerce [0.6047429555885261]
  業界環境では,堅牢なマルチモーダル製品マッチングシステムを提案する。 人間のループプロセスとモデルに基づく予測が組み合わさって、ほぼ完全な精度を達成できることを示す。
  論文  参考訳（メタデータ） (2024-03-18T09:12:16Z)
• A New Creative Generation Pipeline for Click-Through Rate with Stable Diffusion Model [8.945197427679924]
  従来のAIベースのアプローチは、デザイナーからの美的知識を限定しながら、ユーザー情報を考慮しないという同じ問題に直面している。 結果を最適化するために、従来の方法で生成されたクリエイティブは、クリエイティブランキングモデルと呼ばれる別のモジュールによってランク付けされる。 本稿では,クリエイティビティ生成段階においてCTRを改善することを目的とした,Click-Through Rate (CG4CTR) のための新しいCreative Generationパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-17T03:27:39Z)
• ZooPFL: Exploring Black-box Foundation Models for Personalized Federated Learning [95.64041188351393]
  本稿では,限られた資源とパーソナライゼーションの両課題を解決しようと試みる。 個人化フェデレート学習におけるゼロ階最適化を用いたZOOPFLという手法を提案する。 計算コストの削減とパーソナライゼーションの向上を目的として,低次元およびクライアント固有の埋め込みを持つオートエンコーダを組み込む入力手術を提案する。
  論文  参考訳（メタデータ） (2023-10-08T12:26:13Z)
• TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest [17.247452803197362]
  本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。 本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。 本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
  論文  参考訳（メタデータ） (2023-05-31T23:45:29Z)
• Prompt Evolution for Generative AI: A Classifier-Guided Approach [18.500689885854694]
  本稿では, 生成過程の早い進化, 進化的選択圧, 変化を概念化し, より優れた画像を生成する。 進化的アルゴリズムの新たな特徴は、事前学習された生成モデルが暗黙の突然変異操作を与えることである。
  論文  参考訳（メタデータ） (2023-05-24T14:48:18Z)
• 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)

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。