論文の概要: Optimizing Monetization Strategies for Generative AI Firms: Implications for Search Engagement

• arxiv url: http://arxiv.org/abs/2607.28780v1
• Date: Thu, 30 Jul 2026 19:11:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.454931
• Title: Optimizing Monetization Strategies for Generative AI Firms: Implications for Search Engagement
• Title（参考訳）: ジェネレーティブAI企業における収益化戦略の最適化:検索エンゲージメントの意義
• Abstract要約: 我々は、検索クエリエンゲージメントを維持しながら、GenAI企業がコストを回復する上で、広告支援による新たなマネタイズモデルが有効であることを示す。 広告による収益化モデルの導入は、ユーザのアップグレードやダウングレードの決定に影響を及ぼす。 情緒的・認知的評価は、時間的侵入性のある広告支援モデルに対する嗜好を媒介するが、視覚的・視覚的効果を抑えるものではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Generative Artificial Intelligence (GenAI) platforms, such as ChatGPT, have transformed digital search querying behavior, mounting operational costs challenge firms to explore alternative monetization strategies beyond traditional subscription models. However, little is known about how alternative advertising-supported monetization models can help GenAI firms recover costs while maintaining search query engagement. Drawing on the compromise effect and affective primacy theories, we develop a framework wherein the introduction of advertising-supported monetization models influences user upgrading and downgrading decisions, contingent on the number of available monetization options. Across four experiments (N=1063), findings reveal that introducing a single advertising-supported option enhances the compromise effect, encouraging free users to upgrade, but leading paid subscribers to downgrade. However, offering two advertising-supported models mitigates the effect, maintaining subscriber retention while still motivating free users to upgrade. We show that affective and cognitive evaluations serially mediate preference for advertising-supported models, with temporal intrusiveness, but not visual, moderating these effects. We provide actionable insights for GenAI firms on potentially optimizing revenue strategies while balancing user engagement with search queries on their platform.
• Abstract（参考訳）: ChatGPTのようなGenerative Artificial Intelligence(GenAI)プラットフォームは、デジタル検索クエリの動作を変革し、従来のサブスクリプションモデル以上の代替収益化戦略を検討するために運用コストを課題にしている。 しかし、検索クエリのエンゲージメントを維持しながら、GenAI企業がコストを回復する上で、代替の広告付き収益モデルがどのように役立つかについては、ほとんど分かっていない。 妥協効果と情緒的優越理論に基づいて、広告支援による収益化モデルの導入が、利用可能な収益化オプションの数に応じて、ユーザのアップグレードおよびダウングレード決定に影響を与える枠組みを開発する。 4つの実験 (N=1063) を通じて、単一の広告サポートオプションを導入することで妥協効果が向上し、無料ユーザーがアップグレードすることを奨励するが、有料購読者はダウングレードする。 しかし、2つの広告付きモデルを提供することで効果を軽減し、購読者の維持を維持しつつ、無料ユーザーにアップグレードを動機付けている。 情緒的および認知的評価は、時間的侵入性のある広告支援モデルに対する嗜好を連続的に仲介するが、視覚的ではなく、これらの効果をモデレートする。 我々はGenAI企業に対して,ユーザエンゲージメントと検索クエリのバランスを保ちながら,収益戦略を最適化する可能性についての実用的な洞察を提供する。

関連論文リスト

• Learning to Allocate Incentives for Incentivized Advertising via Offline Model-Based Reinforcement Learning [12.901979770261278]
  インセンティブ付き広告では、プラットフォームはユーザーが下流の広告収入を見る前にボーナスを約束し、クリックして広告を完成させることを奨励する。 その後実現した収益に対して、事前に約束されたインセンティブのバランスをとる必要がある。 コスト制御可能な逐次インセンティブアロケーションのためのオフラインモデルベースのRLフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-08-28T08:35:41Z)
• Computational Arbitrage in AI Model Markets [73.20636221068352]
  仲裁員は、市場を弱めるために、提供者間で推論予算を効率的に割り当てる。 単純な仲裁戦略が最大40%の純利益率を生み出すことを示す。 我々の結果は、仲裁は、モデル開発、蒸留、デプロイメントに影響を及ぼすAIモデル市場において、強力な力となり得ることを示唆している。
  論文  参考訳（メタデータ） (2026-03-23T18:00:14Z)
• Strategic Prompt Pricing for AIGC Services: A User-Centric Approach [21.554792002413798]
  現在のアプローチでは、生成AIモデルの選択と活用において、ユーザの戦略的2段階の決定プロセスを見落としている。 本稿では,迅速なエンジニアリングにおけるユーザのさまざまな能力を捉える理論的枠組みである即時あいまいさを導入する。 当社のOPPアルゴリズムは,既存の価格設定機構と比較して,プラットフォームペイオフの最大31.72%の改善を実現している。
  論文  参考訳（メタデータ） (2025-03-23T18:41:06Z)
• Enhancing Monotonic Modeling with Spatio-Temporal Adaptive Awareness in Diverse Marketing [15.024320284683215]
  OFOSプラットフォームは、支払いを促進するためにユーザーや商人に動的アロケーションインセンティブを提供する。 本稿では,マーケティング価格の高効率化を実現するために,制約付きモノトニック適応ネットワーク(CoMAN)を提案する。 提案手法の有効性を実証し, モノトニック・オブ・ザ・アーティファクト法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-20T09:21:09Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• Collaborative-Enhanced Prediction of Spending on Newly Downloaded Mobile Games under Consumption Uncertainty [49.431361908465036]
  ラベルのばらつきと極端性を緩和する頑健なモデルトレーニングと評価フレームワークを提案する。 本フレームワークでは,ユーザIDに頼ることなく,ユーザのゲーム支出を予測するための協調型モデルを提案する。 当社のアプローチは、オフラインデータに対する注目すべき textbf17.11% の強化を実現し、プロダクションモデルよりも顕著に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:47:02Z)
• Optimizing Credit Limit Adjustments Under Adversarial Goals Using Reinforcement Learning [42.303733194571905]
  我々は、強化学習技術を用いて最適なクレジットカード制限調整ポリシーを発見し、自動化することを模索する。 本研究は、信用限度調整に強化学習フレームワークを適用するための概念構造を確立する。
  論文  参考訳（メタデータ） (2023-06-27T16:10:36Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Who Are the Best Adopters? User Selection Model for Free Trial Item Promotion [41.58621061329645]
  SMILEという新しいフリートライアルユーザ選択モデルを提案する。 エージェントがフリートライアル後の利益の最大化を目的とした特定の採用者を積極的に選択する強化学習(RL)に基づいている。 具体的には、アクション空間を再構成するツリー構造を設計し、巨大なユーザ空間から採用者を効率的に選択できるようにする。
  論文  参考訳（メタデータ） (2022-02-19T03:07:23Z)
• We Know What You Want: An Advertising Strategy Recommender System for Online Advertising [26.261736843187045]
  本稿では,ディスプレイ広告プラットフォーム上での動的入札戦略レコメンデーションのためのレコメンデーションシステムを提案する。 ニューラルネットワークをエージェントとして使用して,広告主のプロファイルや過去の採用行動に基づいて,広告主の要求を予測する。 オンライン評価は、広告主の広告パフォーマンスを最適化できることを示している。
  論文  参考訳（メタデータ） (2021-05-25T17:06:59Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)

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。