論文の概要: LLM-Based Intelligent Notification Composition: From Static Personalization to Context-Aware Persuasive Messaging
- arxiv url: http://arxiv.org/abs/2605.16264v1
- Date: Sun, 22 Mar 2026 01:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.834309
- Title: LLM-Based Intelligent Notification Composition: From Static Personalization to Context-Aware Persuasive Messaging
- Title（参考訳）: LLMに基づくインテリジェント通知合成:静的パーソナライゼーションからコンテキスト認識型説得メッセージングへ
- Authors: Nilesh Agrawal,
- Abstract要約: プッシュ通知は、デジタルプラットフォームがユーザをエンゲージする最も直接的なチャネルのひとつだ。
本稿は,メッセージの品質は独立で,低投資のレバーであり,LLMは,この層で最も差別化された値を生成することを主張する。
- 参考スコア（独自算出の注目度）: 0.18275108630751835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Push notifications remain among the most direct channels through which digital platforms engage users, yet existing approaches have invested heavily in who to notify, when to notify, and what to recommend, while leaving how to communicate as the least-optimized stage. This paper argues that message quality is an independent, underinvested lever, and that LLMs create their most differentiated value precisely at this layer. We make three contributions. First, we define notification message quality along six dimensions (contextual relevance, clarity, actionability, novelty handling, linguistic freshness, and persuasive appropriateness) and show how LLM-based composition improves each relative to templates. Across reviewed deployments, reported improvements range from +8% to +14.5% CTR over static templates and +1% to +2.5% over mature slot-filling systems, though these span heterogeneous systems and should not be treated as directly comparable. Second, we provide an architectural attribution analysis disentangling message generation from adjacent components (targeting, ranking, timing), arguing that observed gains are frequently misattributed to text generation alone. Third, we introduce a three-criterion decision framework specifying when LLM generation is and is not the binding constraint. We support these arguments through a PRISMA-guided survey (28 sources from 142 screened), examine domain-specific applications across social media, food delivery, and e-commerce, and propose a unified architectural framework with budget-aware routing, grounded generation, candidate ranking, diversity controls, and online learning.
- Abstract（参考訳）: プッシュ通知は、デジタルプラットフォームがユーザをエンゲージする最も直接的なチャネルのひとつだが、既存のアプローチでは、最も最適化されていない段階としてコミュニケーションする方法を残しながら、誰に通知するか、いつ通知するか、何を推奨するかに大きく投資している。
本稿は,メッセージの品質は独立で,低投資のレバーであり,LLMは,この層で最も差別化された値を生成することを主張する。
私たちは3つの貢献をします。
まず、通知メッセージの品質を6次元(コンテキスト関連性、明確性、行動可能性、新規性処理、言語的新鮮性、説得的適切性)で定義し、LCMベースの構成がテンプレートに対してどのように改善するかを示す。
レビューされたデプロイメント全体では、静的テンプレートに対する+8%から+14.5%のCTR、成熟したスロット充填システムに対する+1%から+2.5%の改善が報告されているが、これらは異種システムにまたがっており、直接的に比較すべきではない。
第2に、隣接するコンポーネント(ターゲット、ランキング、タイミング)からメッセージ生成を分離するアーキテクチャ属性解析を行い、観測された利得はテキスト生成だけではよく誤分布であると主張した。
第3に、LLM生成がいつ、かつ、バインディング制約ではないかを規定する3つの基準決定フレームワークを導入する。
PRISMAによる調査(142件の審査資料から28件)を通じてこれらの議論を支援し、ソーシャルメディア、フードデリバリー、eコマースにまたがるドメイン固有のアプリケーションを調査し、予算対応のルーティング、基底生成、候補ランキング、多様性制御、オンライン学習を備えた統一アーキテクチャフレームワークを提案する。
関連論文リスト
- On the Role of Language Representations in Auto-Bidding: Findings and Implications [9.218251193584466]
我々は,新しい自動入札フレームワークである textitSemBid を提案する。
トークンレベルでのオフライン入札トラジェクトリにセマンティック入力を注入する。
SemBidはオフラインのRLと生成シーケンスモデリングから競合するベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-07T08:08:56Z) - AgenticTagger: Structured Item Representation for Recommendation with LLM Agents [58.12004213978182]
AgenticTagger は LLM をクエリして,項目をテキスト記述子のシーケンスで表現するフレームワークである。
アイテムコーパス内の語彙を効果的かつ効率的に基底化するために,多エージェント反射機構を設計する。
公開データとプライベートデータの実験では、AgenticTaggerがさまざまなレコメンデーションシナリオに一貫した改善をもたらしている。
論文 参考訳（メタデータ） (2026-02-05T18:01:37Z) - Who Gets Which Message? Auditing Demographic Bias in LLM-Generated Targeted Text [8.06425428468097]
大規模言語モデル(LLM)は、大規模にパーソナライズされた説得力のあるテキストを生成する能力がますます高まっている。
本稿では,LLMが人口動態を考慮したターゲットメッセージ処理を行う際の振る舞いを,初めて体系的に分析した。
論文 参考訳（メタデータ） (2026-01-23T21:07:59Z) - LAQuer: Localized Attribution Queries in Content-grounded Generation [69.60308443863606]
グラウンドドテキスト生成モデルは、しばしば元の資料から逸脱したコンテンツを生成し、正確性を保証するためにユーザの検証を必要とする。
既存の属性メソッドは、全文とソース文書を関連付けるが、これは特定のクレームを事実チェックしようとするユーザにとって圧倒的に多い。
これは、生成された出力の選択したスパンを対応するソーススパンにローカライズし、きめ細かな、ユーザ指向のアトリビューションを可能にする新しいタスクである。
論文 参考訳（メタデータ） (2025-06-01T21:46:23Z) - A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。
我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
論文 参考訳（メタデータ） (2025-05-20T09:13:22Z) - An Empirical Study on Commit Message Generation using LLMs via In-Context Learning [26.39743339039473]
コミットメッセージは、自然言語のコード変更を簡潔に記述する。
我々は,大規模言語モデル (LLM) とテキスト内学習 (ICL) の武器を借りてコミットメッセージを生成することを提案する。
論文 参考訳（メタデータ） (2025-02-26T07:47:52Z) - Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
Instruct-LFはゴール指向の潜在因子発見システムである。
命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
論文 参考訳（メタデータ） (2025-02-21T02:03:08Z) - Enhancing LLM-Based Text Classification in Political Science: Automatic Prompt Optimization and Dynamic Exemplar Selection for Few-Shot Learning [1.6967824074619953]
大型言語モデル (LLMs) は、政治学におけるテキスト分類をかなり約束する。
本フレームワークは,自動プロンプト最適化,動的指数選択,コンセンサス機構を通じてLLM性能を向上させる。
オープンソースのPythonパッケージ(PoliPrompt)がGitHubで公開されている。
論文 参考訳（メタデータ） (2024-09-02T21:05:31Z) - Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback [41.88662700261036]
RAGシステムは、セマンティックな関連性だけでは生成品質の向上を保証していない場合に制限に直面している。
我々は、LLMと人間の嗜好をよりよく整合させるために、コンテンツ中心のアプローチで設計された新しいRAGフレームワークであるPristis-RAGを提案する。
論文 参考訳（メタデータ） (2024-06-21T08:52:11Z)
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。