論文の概要: Rethinking Sales Lead Scoring with LLM-based Hierarchical Preference Ranking
- arxiv url: http://arxiv.org/abs/2606.04387v1
- Date: Wed, 03 Jun 2026 03:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.500297
- Title: Rethinking Sales Lead Scoring with LLM-based Hierarchical Preference Ranking
- Title（参考訳）: LLMに基づく階層的選好ランク付けによる売上リードの見直し
- Authors: Chenyu Zhang, Yiwen Liu, Yin Sun, Xinyuan Zhang, Yuji Cao, Junming Jiao, Juyi Qiao,
- Abstract要約: セールスリードのコンバージョンは、長い意思決定サイクルと多段階のファンネルのために、eコマースのレコメンデーションとは根本的に異なる。
従来のリードスコアリング手法では、スパース監視、非構造化CRMログのセマンティックギャップ、相対的なリード優先度の取得が不可能といった深刻な課題に直面しています。
我々は、構造化CRM機能と非構造化顧客インタラクションの連成モデリングを支援するLLMベースのセールスリードスコアリングのための差別的フレームワークについて紹介する。
- 参考スコア（独自算出の注目度）: 10.224056739324702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sales lead conversion in high-stakes domains (e.g., automotive, real estate) differs fundamentally from e-commerce recommendation due to prolonged decision cycles and multi-stage funnels. Traditional lead scoring methods rule-based scorecards, machine learning, or pointwise CTR models face severe challenges: sparse supervision, a semantic gap in unstructured CRM logs, and inability to capture relative lead priority. While Large Language Models(LLMs) offer superior semantic understanding of customer interactions, general-purpose LLMs are ill-suited for lead ranking: they generate text rather than comparable scores, and lack alignment with the hierarchical priorities of sales funnels. We introduce an LLM-based discriminative framework for sales lead scoring, which supports joint modeling of structured CRM features and unstructured customer interactions. On top of this framework, we propose HPRO (Hierarchical Preference Ranking Optimization), which augments sales lead scoring with a hierarchical preference ranking objective. HPRO employs a margin-aware Bradley-Terry formulation to transform sparse binary labels into dense, funnel-aware preference pairs, enabling lead scoring to leverage both pointwise and pairwise supervision. Experiments on large-scale data from a leading NEV brand demonstrate state-of-the-art classification (AUC 0.8161) and ranking performance (+39.7% precision among top-ranked leads). A 132-day online A/B test validates 9.5% sales volume uplift, confirming real-world commercial impact.
- Abstract（参考訳）: 高利得領域(自動車、不動産など)における販売先変換は、長い意思決定サイクルと多段階ファンネルにより、eコマースレコメンデーションと根本的に異なる。
従来のリードスコアリング手法では、ルールベースのスコアカード、機械学習、あるいはポイントワイドのCTRモデルは、スパース監視、非構造化CRMログのセマンティックギャップ、相対的なリード優先度をキャプチャできないといった深刻な課題に直面しています。
LLM(Large Language Models)は、顧客インタラクションのセマンティックな理解に優れていますが、汎用LLMは、同等のスコアではなくテキストを生成し、セールスファンネルの階層的な優先順位と一致しないという、リードランキングに適していません。
我々は、構造化CRM機能と非構造化顧客インタラクションの連成モデリングを支援するLLMベースのセールスリードスコアリングのための差別的フレームワークについて紹介する。
そこで我々は,HPRO (Hierarchical Preference Ranking Optimization) を提案する。
HPROはマージンを意識したブラッドリー・テリーの定式化を用いて、スパースバイナリラベルを密度の高いファンネル対応の選好ペアに変換することで、リードスコアリングはポイントワイドとペアワイドの両方の監督を活用できる。
NEVブランドの大規模データに関する実験では、最先端の分類(AUC 0.8161)とランキングパフォーマンス(トップランクのリードのうち+39.7%の精度)が示されている。
132日間のオンラインA/Bテストでは、売り上げの9.5%が上昇し、実際の商業的影響が確認された。
関連論文リスト
- Joint Optimization of Relevance and Engagement in Multi-Task Ranking for E-Commerce with Efficient LLM Supervision [2.510555578533785]
本稿では,セマンティックな妥当性を主目的とするマルチタスクランキングシステムを提案する。
我々のアーキテクチャでは、関係しきい値よりも累積確率を予測する順序関係ヘッドを採用している。
我々のアプローチは、コアエンゲージメントの目標を維持しながらセマンティックアライメントを大幅に改善する。
論文 参考訳（メタデータ） (2026-05-26T21:26:17Z) - EPM-RL: Reinforcement Learning for On-Premise Product Mapping in E-Commerce [0.0]
EPM-RLは,効率的なオンプレミスeコマース製品マッピングモデルを構築するための強化学習ベースのフレームワークである。
私たちの中心となる考え方は、高価なエージェント推論をトレーニング可能な社内モデルに蒸留することです。
予備的な結果は、EPM-RLがPEFTのみのトレーニングよりも一貫して改善し、商用APIベースのベースラインよりも高品質なトレードオフを提供することを示している。
論文 参考訳（メタデータ） (2026-04-27T03:18:00Z) - Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
第1回LLM-Adnt Recommendation framework(TriRec)を提案する。
TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。
精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
論文 参考訳（メタデータ） (2026-03-11T11:40:13Z) - CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。
この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
論文 参考訳（メタデータ） (2026-03-09T07:15:23Z) - PRECTR-V2:Unified Relevance-CTR Framework with Cross-User Preference Mining, Exposure Bias Correction, and LLM-Distilled Encoder Optimization [6.17916814159778]
検索システムでは、検索関連性マッチングとクリックスルー率(CTR)予測の2つのコア目標を効果的に調整することが重要である。
グローバルなレバレンス選好をマイニングすることで,低活性ユーザのスパース行動問題を緩和するPreCTR-V2を提案する。
このエンコーダは凍ったBERTモジュールを置き換え、CTRの微調整に適応し、従来のEmb+MLPパラダイムを超えて前進する。
論文 参考訳（メタデータ） (2026-02-24T08:26:17Z) - RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems [25.34524038198569]
本稿では,プロアクティブな意図予測のための閉ループアライメントフレームワーク RGAlign-Rec を提案する。
また、マルチステージトレーニングパラダイムであるRGA(Ranning-Guided Alignment)も導入する。
我々のフレームワークはGAUCで0.12%向上し、エラー率を3.52%削減し、Recall@3で0.56%改善した。
論文 参考訳（メタデータ） (2026-02-13T14:38:02Z) - RankLLM: Weighted Ranking of LLMs by Quantifying Question Difficulty [102.02839046225468]
RankLLMは質問の難しさとモデルの能力の両方を定量化する新しいフレームワークである。
複数のドメインにまたがる35,550の質問に対して30のモデルを評価する。
論文 参考訳（メタデータ） (2026-02-12T21:28:46Z) - asLLR: LLM based Leads Ranking in Auto Sales [31.82007865964295]
本稿では,CTR損失と質問回答(QA)損失をデコーダのみの大規模言語モデルアーキテクチャに組み込んだLLR(LLMベースの自動車販売におけるリードランキング)を紹介する。
実験の結果,AsLLRは商用データセットの複雑なパターンを効果的にモデル化し,AUCの0.8127を達成できた。
実世界の販売シナリオでは、厳格なオンラインA/Bテストの後、LLRは従来の方法と比較して販売量を約9.5%増やした。
論文 参考訳（メタデータ） (2025-09-10T01:26:29Z) - In-context Ranking Preference Optimization [65.5489745857577]
In-context Ranking Preference Optimization (IRPO) フレームワークを提案する。
IRPOは標準のDPO手法よりも高い性能を示し、LLMと直接文脈内ランキング設定の整合性を強調した。
論文 参考訳（メタデータ） (2025-04-21T23:06:12Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z)
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。