論文の概要: Accelerate Creation of Product Claims Using Generative AI
- arxiv url: http://arxiv.org/abs/2509.20652v1
- Date: Thu, 25 Sep 2025 01:17:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-26 20:58:12.646135
- Title: Accelerate Creation of Product Claims Using Generative AI
- Title（参考訳）: 生成AIを用いた製品クレームの高速化
- Authors: Po-Yu Liang, Yong Zhang, Tatiana Hwa, Aaron Byers,
- Abstract要約: $textbfClaim Advisor$はクレーム検索、生成、最適化、シミュレーションのスピードと経済性を損なうように設計されている。
1)既存の請求項及び/または消費者の声に共鳴する視覚を意味的に検索し,識別する機能,(2)製品の説明と消費者プロファイルに基づいてクレームを生成し,/または最適化する機能,(3)合成消費者によるシミュレーションを用いて作成したクレームのランキングと/または手動で作成する機能,の3つがある。
- 参考スコア（独自算出の注目度）: 4.1727004663626905
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The benefit claims of a product is a critical driver of consumers' purchase behavior. Creating product claims is an intense task that requires substantial time and funding. We have developed the $\textbf{Claim Advisor}$ web application to accelerate claim creations using in-context learning and fine-tuning of large language models (LLM). $\textbf{Claim Advisor}$ was designed to disrupt the speed and economics of claim search, generation, optimization, and simulation. It has three functions: (1) semantically searching and identifying existing claims and/or visuals that resonate with the voice of consumers; (2) generating and/or optimizing claims based on a product description and a consumer profile; and (3) ranking generated and/or manually created claims using simulations via synthetic consumers. Applications in a consumer packaged goods (CPG) company have shown very promising results. We believe that this capability is broadly useful and applicable across product categories and industries. We share our learning to encourage the research and application of generative AI in different industries.
- Abstract（参考訳）: 製品の利益という主張は、消費者の購買行動の重要な要因である。
プロダクトクレームの作成は、かなりの時間と資金を必要とする厳しい作業です。
In-context learning and fine-tuning of large language model (LLM)を用いてクレーム生成を高速化するために、$\textbf{Claim Advisor}$ webアプリケーションを開発した。
$\textbf{Claim Advisor}$はクレーム検索、生成、最適化、シミュレーションのスピードと経済性を損なうように設計されている。
1)既存の請求項及び/または消費者の声に共鳴する視覚を意味的に検索し,識別する機能,(2)製品の説明と消費者プロファイルに基づいてクレームを生成し,/または最適化する機能,(3)合成消費者によるシミュレーションを用いて作成したクレームのランキングと/または手動で作成する機能,の3つがある。
消費者パッケージ商品(CPG)企業のアプリケーションは非常に有望な結果を示している。
私たちは、この能力は製品カテゴリや業界で広く有用であり、適用できると信じています。
私たちは、さまざまな産業における生成AIの研究と応用を促進するための学習を共有しています。
関連論文リスト
- Multi-objective Aligned Bidword Generation Model for E-commerce Search Advertising [16.8420671443003]
検索システムは、ユーザクエリを最も関連性の高い広告とマッチングするという課題に対処する。
識別器,ジェネレータ,選好アライメントモジュールで構成される多目的整列バイドワード生成モデル(MoBGM)を提案する。
提案アルゴリズムは,オフラインおよびオンライン実験において,技術の現状を著しく上回っている。
論文 参考訳（メタデータ） (2025-06-04T10:57:18Z) - EPR-GAIL: An EPR-Enhanced Hierarchical Imitation Learning Framework to Simulate Complex User Consumption Behaviors [13.436303786475348]
本研究では,データ駆動型GAIL(Generative Adversarial Learning)手法の忠実さと信頼性を高めることを提案する。
EPR-GAILフレームワークの中核となる考え方は、ユーザの消費行動を複雑なEPR決定プロセスとしてモデル化することです。
オンラインプラットフォーム上での2つの実世界のユーザ消費行動データセットの実験では、EPR-GAILフレームワークが、データの忠実度において、最高の最先端ベースラインを19%以上上回っていることが示されている。
論文 参考訳（メタデータ） (2025-03-09T01:56:42Z) - Self-Refinement Strategies for LLM-based Product Attribute Value Extraction [51.45146101802871]
本稿では,製品属性値抽出タスクに2つの自己補充手法を適用した。
実験の結果, 2つの自己補充技術は, 処理コストを大幅に増大させながら, 抽出性能を著しく向上させることができないことがわかった。
開発データを持つシナリオでは、ファインチューニングが最もパフォーマンスが高いのに対して、ファインチューニングの上昇コストは製品記述の量が増加するにつれてバランスがとれる。
論文 参考訳（メタデータ） (2025-01-02T12:55:27Z) - Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。
モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。
このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
論文 参考訳（メタデータ） (2024-07-12T09:24:34Z) - ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions [68.81939215223818]
ProductAgentは,戦略的明確化質問生成機能と動的製品検索機能を備えた対話情報探索エージェントである。
我々は,製品特徴の要約,クエリ生成,製品検索のための戦略を持ったエージェントを開発する。
実験の結果,ProductAgentはユーザとポジティブに対話し,対話のターンの増加に伴う検索性能の向上を図っている。
論文 参考訳（メタデータ） (2024-07-01T03:50:23Z) - Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
オンライン小売業者が消費者の行動を正確にモデル化できる場合に最適なランキングポリシーを提案する。
We developed the Multiple-Purchase-with-Budget UCB algorithm with $O(sqrtT)$ regret。
合成データセットと半合成データセットの両方の実験により、提案アルゴリズムの有効性が証明された。
論文 参考訳（メタデータ） (2022-10-15T11:59:45Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-02-16T02:08:52Z) - Studying Product Competition Using Representation Learning [7.01269741110576]
本稿では、製品レベルの競争を研究するために、表現学習アルゴリズムWord2Vecに基づくProduct2Vecを紹介する。
提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保存した低次元の埋め込みを生成する。
現状のモデルと比較して、我々のアプローチはより高速であり、より正確な需要予測と価格弾力性が得られることを示す。
論文 参考訳（メタデータ） (2020-05-21T00:36:13Z) - 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。