論文の概要: Hybrid Intent-Aware Personalization with Machine Learning and RAG-Enabled Large Language Models for Financial Services Marketing

• arxiv url: http://arxiv.org/abs/2603.14173v1
• Date: Wed, 11 Mar 2026 20:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.648367
• Title: Hybrid Intent-Aware Personalization with Machine Learning and RAG-Enabled Large Language Models for Financial Services Marketing
• Title（参考訳）: 機械学習によるハイブリッドインテント認識パーソナライゼーションと金融サービスマーケティングのためのRAG対応大言語モデル
• Authors: Akhil Chandra Shanivendra,
• Abstract要約: 本稿では,セグメンテーション,潜在意図モデリング,パーソナライズ予測に機械学習を統合したハイブリッドアーキテクチャを提案する。 この貢献は主にアーキテクチャであり、予測モデリングとRAGベースの生成を、金融サービスのパーソナライズのための透明で説明可能なパイプラインにどのように組み合わせるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized marketing in financial services requires models that can both predict customer behavior and generate compliant, context-appropriate content. This paper presents a hybrid architecture that integrates classical machine learning for segmentation, latent intent modeling, and personalization prediction with retrieval-augmented large language models for grounded content generation. A synthetic, reproducible dataset is constructed to reflect temporal customer behavior, product interactions, and marketing responses. The proposed framework incorporates temporal encoders, latent representations, and multi-task classification to estimate segment membership, customer intent, and product-channel recommendations. A retrieval-augmented generation layer then produces customer-facing messages constrained by retrieved domain documents. Experiments show that temporal modeling and intent features improve personalization accuracy, while citation-based retrieval reduces unsupported generation and supports auditability in regulated settings. The contribution is primarily architectural, demonstrating how predictive modeling and RAG-based generation can be combined into a transparent, explainable pipeline for financial services personalization.
• Abstract（参考訳）: 金融サービスにおけるパーソナライズされたマーケティングは、顧客の振る舞いを予測し、コンプライアンスとコンテキストに適合したコンテンツを生成するモデルを必要とする。 本稿では,従来の機械学習をセグメンテーション,潜在意図モデリング,パーソナライズ予測に組み込んだハイブリッドアーキテクチャを提案する。 時間的顧客行動、製品インタラクション、マーケティング応答を反映した合成再現可能なデータセットを構築する。 提案フレームワークは、時間エンコーダ、潜在表現、マルチタスク分類を組み込んで、セグメントメンバシップ、顧客意図、製品チャネルレコメンデーションを推定する。 そして、検索拡張生成層は、検索されたドメイン文書に制約された顧客向けメッセージを生成する。 実験により、時間的モデリングと意図的特徴によりパーソナライズ精度が向上する一方、引用に基づく検索は不要な生成を減らし、規制された設定における監査性をサポートすることが示された。 この貢献は主にアーキテクチャであり、予測モデリングとRAGベースの生成を、金融サービスのパーソナライズのための透明で説明可能なパイプラインにどのように組み合わせるかを示す。

関連論文リスト

• ARCANE: A Multi-Agent Framework for Interpretable and Configurable Alignment [11.754819989978785]
  ARCANEは、複数エージェントの協調問題としてアライメントをフレーム化して、自然言語のルーリックとして利害関係者の好みを動的に表現するフレームワークである。 実用理論に着想を得て, ルーブリック学習を再構築問題として定式化し, 正規化グループシーケンスポリシー最適化(GSPO)手法を適用した。 以上の結果から,ルーブリックに基づく報酬モデルが,複雑な長軸AIシステムに対して,解釈可能な,テスト時適応アライメントへの有望な経路を提供することが示された。
  論文  参考訳（メタデータ） (2025-12-05T22:39:54Z)
• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• Affordance Representation and Recognition for Autonomous Agents [64.39018305018904]
  本稿では,構造化データを用いた世界モデリングのためのパターン言語を提案する。 DOMトランスダクションパターンは、Webページの複雑さの課題に対処する。 Hypermedia Affordances Recognition Patternは、エージェントがその世界モデルを動的に強化することを可能にする。
  論文  参考訳（メタデータ） (2025-10-28T14:27:28Z)
• CustomIR: Unsupervised Fine-Tuning of Dense Embeddings for Known Document Corpora [0.0]
  CustomIRは、ドメイン固有のコーパスへの言語埋め込みモデルの教師なし適応のためのフレームワークである。 実験の結果、CustomIRはRecall@10の2.3ポイントまでの小さなモデルで検索効率を継続的に改善することがわかった。 これらの結果は、ターゲットとなる合成微調整が、ドメイン固有のパフォーマンスを高めるためのスケーラブルでコスト効率の高い戦略を提供することを示している。
  論文  参考訳（メタデータ） (2025-09-30T00:25:47Z)
• A Survey of Personalization: From RAG to Agent [48.34245916821302]
  パーソナライゼーションは現代のAIシステムにおいて不可欠な機能となり、個々のユーザの好みやコンテキスト、目標に合わせてカスタマイズされたインタラクションを可能にしている。 最近の研究は、ユーザ満足度を高めるために、Retrieval-Augmented Generation (RAG)フレームワークと、パーソナライズされた設定内のより高度なエージェントベースのアーキテクチャへの進化に集中している。 本調査は,RAGの3段階(検索前,検索後,生成前)のパーソナライゼーションを体系的に検討した。
  論文  参考訳（メタデータ） (2025-04-14T11:57:52Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• DashCLIP: Leveraging multimodal models for generating semantic embeddings for DoorDash [0.12314765641075437]
  画像テキストデータに対するコントラスト学習を通じて,ユニモーダルエンコーダとマルチモーダルエンコーダを整列させることにより,製品およびユーザクエリのための共同トレーニングフレームワークを導入する。 提案手法では,クエリエンコーダをLLM計算した関連データセットでトレーニングし,エンゲージメント履歴への依存を解消する。 パーソナライズされた広告レコメンデーションでは、デプロイ後のクリックスルー率と変換レートが大きく上昇し、主要なビジネス指標への影響を確認します。
  論文  参考訳（メタデータ） (2025-03-18T20:38:31Z)
• Hybrid-RACA: Hybrid Retrieval-Augmented Composition Assistance for Real-time Text Prediction [17.94189417448127]
  リアルタイムテキスト予測のためのハイブリッド検索合成支援(Hybrid-RACA)を提案する。 クラウドベースの大規模言語モデルと、拡張メモリを検索することで、より小さなクライアントサイドモデルとを効率的に組み合わせる。 5つのデータセットに対する実験により、Hybrid-RACAは低レイテンシを維持しながら高いパフォーマンスを提供することを示した。
  論文  参考訳（メタデータ） (2023-08-08T12:27:20Z)
• Taming Encoder for Zero Fine-tuning Image Customization with Text-to-Image Diffusion Models [55.04969603431266]
  本稿では,ユーザが指定したカスタマイズされたオブジェクトの画像を生成する手法を提案する。 この手法は、従来のアプローチで要求される長大な最適化をバイパスする一般的なフレームワークに基づいている。 提案手法は, 出力品質, 外観の多様性, 被写体忠実度を考慮した画像合成が可能であることを示す。
  論文  参考訳（メタデータ） (2023-04-05T17:59:32Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。