論文の概要: Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact

• arxiv url: http://arxiv.org/abs/2609.11915v1
• Date: Thu, 10 Sep 2026 17:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.482341
• Title: Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
• Title（参考訳）: ジェネレーティブ・マーケティング・ミックス・モデリング:GEOとGEMをビジネス・インパクトに結びつける因果推論フレームワーク
• Abstract要約: 生成エンジン最適化(GEO)と生成エンジンマーケティング(GEM)の因果効果を推定するGMMM(Generative Marketing Mix Modeling)を開発した。 GMMMは、繰り返し発生する回答と質問数、生成システム間の使用の共有、そして認識確率を組み合わせている。 本研究は,英語と日本語の製品推薦に対するシミュレーション回答を用いた提案手法の実証的性能について検討する。
• 参考スコア（独自算出の注目度）: 4.855663359344747
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative artificial intelligence changes how firms reach customers, but standard marketing data do not record how often users see and notice a firm's name in generated answers. We develop Generative Marketing Mix Modeling (GMMM) to estimate the causal effects of Generative Engine Optimization (GEO) and Generative Engine Marketing (GEM). For GEO, GMMM combines repeated generated answers with question counts, shares of use across generative systems, and notice probabilities. For GEM, it combines records of sponsored placements with notice probabilities. GMMM compares expected business responses under alternative treatment sequences and establishes sufficient conditions for identifying the resulting effects. We investigate the empirical performance of the proposed method using simulated answers to product recommendation in English and Japanese.
• Abstract（参考訳）: 生成的人工知能は、企業の顧客へのリーチ方法を変えるが、標準的なマーケティングデータでは、ユーザが生成した回答の中で、企業の名前を何度見たり認識したりするかは記録されていない。 生成エンジン最適化 (GEO) と生成エンジンマーケティング (GEM) の因果効果を推定するために, GMMM (Generative Marketing Mix Modeling) を開発した。 GEOでは、GMMMは繰り返し発生する回答を質問数、生成システム間での使用シェア、そして注意確率と組み合わせている。 GEMでは、スポンサードプレースメントの記録と通知確率を組み合わせる。 GMMMは、代替の処理シーケンスの下で期待されるビジネス応答を比較し、結果の効果を特定するのに十分な条件を確立する。 本研究は,英語と日本語の製品推薦に対するシミュレーション回答を用いた提案手法の実証的性能について検討する。

関連論文リスト

• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• GEM: Guided Expectation-Maximization for Behavior-Normalized Candidate Action Selection in Offline RL [7.213487945222728]
  GEM(Guided expectation-Maximization)は,マルチモーダルかつ制御可能なアクション選択を実現する分析フレームワークである。 推測中、GEMは、行動正規化サポートと結びついた保守的なアンサンブルの低信頼を用いて、候補ベースの選択を行う。 実証的には、GEMはD4RLベンチマークで競合し、計算を再トレーニングせずに意思決定品質と交換する単純な推論時予算ノブ(候補数)を提供する。
  論文  参考訳（メタデータ） (2026-03-24T14:04:43Z)
• Rethinking Retrieval-Augmented Generation as a Cooperative Decision-Making Problem [15.007187007351055]
  Retrieval-Augmented Generation (RAG) は、言語を外的証拠として基礎づけることによって、知識集約的なタスクに強い効果を示した。 我々は、協調的マルチエージェント意思決定問題としてのRAGを再構築し、協調検索強化世代(CoRAG)を提案する。 実験の結果,約10KのPopQAサンプルでモデルがトレーニングされた場合でも,CoRAGの一般化と生成安定性の向上が示された。
  論文  参考訳（メタデータ） (2026-02-21T06:32:36Z)
• GEM-Bench: A Benchmark for Ad-Injected Response Generation within Generative Engine Marketing [19.604674396120405]
  我々はGene Engine Marketing (GEM) におけるアドインジェクター応答生成のための最初の総合的なベンチマークである GEM-Bench を提案する。 予備的な結果は、単純なプロンプトベースの手法はクリックスルー率などの合理的なエンゲージメントを達成するが、ユーザの満足度を低下させることが多いことを示唆している。 これらの知見は, GEMにおける広告インジェクション応答を生成するための, より効率的かつ効率的なソリューションの設計に関する今後の研究の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-09-17T17:53:43Z)
• Synthetic Multimodal Question Generation [60.33494376081317]
  MMRAG(Multimodal Retrieval Augmented Generation)は,マルチモーダル文書に対する質問応答のための強力な手法である。 マルチモーダル文書から直接質問と回答のペアを生成する合成データ生成フレームワークSMMQGを提案する。 SMMQGを用いて、ウィキペディア文書上の1024の質問のMMRAGデータセットを生成し、それを用いて最先端のモデルを評価する。
  論文  参考訳（メタデータ） (2024-07-02T12:57:42Z)
• CausalMMM: Learning Causal Structure for Marketing Mix Modeling [18.093564060157394]
  オンライン広告では、ブランドショップの総商品量(GMV)を予測するためにマーケティングミックスモデリング(MMM)が使用される。 従来のMMM手法は、マーケティングの複雑さを扱うのに失敗することがある。 本稿では,異なるチャネル間の因果関係を測定するために,Granger因果関係を変分推論フレームワークに統合するCausalMMMを提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:33:47Z)
• Towards Generating Executable Metamorphic Relations Using Large Language Models [46.26208489175692]
  大規模言語モデル(LLM)を用いた要件から実行可能なMRを自動的に抽出する手法を提案する。 提案手法の有効性を評価するため,シーメンス・インダストリー・ソフトウェアと共同で質問紙調査を行った。
  論文  参考訳（メタデータ） (2024-01-30T13:52:47Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Q-GADMM: Quantized Group ADMM for Communication Efficient Decentralized Machine Learning [66.18202188565922]
  我々はQGADMM(QGADMM)という通信効率の高い分散機械学習(ML)アルゴリズムを提案する。 我々は,凸関数に対するQGADMMの収束性を証明しつつ,モデル化レベルとその確率を適応的に調整する新しい量子化法を開発した。
  論文  参考訳（メタデータ） (2019-10-23T10:47:06Z)

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。