論文の概要: Marrying Pricing and Advertising with LLMs
- arxiv url: http://arxiv.org/abs/2610.09985v1
- Date: Wed, 07 Oct 2026 12:50:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.910739
- Title: Marrying Pricing and Advertising with LLMs
- Title（参考訳）: LLMによる婚姻価格と広告
- Abstract要約: 販売者が価格と大言語モデル(LLM)が生成する広告を投稿する逐次価格問題について検討する。
本稿では,LLMの低ランク適応(LoRA)と,利用可能なデータに適合した需要モデルを組み合わせたオンラインアクタ批判アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 50.14762289376833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a sequential pricing problem in which a seller jointly posts a price and an advertisement generated by a large language model (LLM). The seller aims to maximize revenue under an unknown product demand that depends on both decisions, while observing only whether each offer leads to a purchase. We propose an online actor-critic algorithm that combines low-rank adaptation (LoRA) of a pretrained LLM with a demand model fitted to available data. At each round, the actor generates an advertisement, and the critic estimates purchase probabilities to guide price selection. Then, the resulting feedback is used to update both the actor and the critic, with the critic's revenue estimates providing a baseline for policy gradient updates of the actor. To evaluate our approach, we develop an evaluation framework with three synthetic demand models and a demand simulator built from real-world marketplace data. Finally, we compare our algorithm with benchmarks that do not jointly optimize price selection and advertisement generation, achieving expected revenue gains over the reference policy of 5.69%, 5.18% and 55.96% under the three synthetic demand models and 5.81% under the marketplace simulator.
- Abstract（参考訳）: 本研究では,販売者が大規模言語モデル(LLM)で生成した価格と広告を共同で投稿する逐次価格問題について検討する。
売り手は、両方の決定に依存する未知の製品需要の下で収益を最大化し、各オファーが購入に繋がるかどうかを観察することを目的としている。
本稿では,LLMの低ランク適応(LoRA)と,利用可能なデータに適合した需要モデルを組み合わせたオンラインアクタ批判アルゴリズムを提案する。
各ラウンドにおいて、アクターは広告を生成し、批評家は価格選択を導くための購入確率を推定する。
そして、得られたフィードバックはアクターと批評家の両方を更新するために使用され、批評家の収益予測はアクターのポリシー勾配更新のベースラインを提供する。
提案手法を評価するために,実世界の市場データから構築した3つの需要モデルと需要シミュレータを用いた評価フレームワークを開発した。
最後に,5.69%,5.18%,55.96%,マーケットプレースシミュレータの5.81%に対して,価格選択と広告生成を協調的に最適化しないベンチマークとの比較を行った。
関連論文リスト
- Dynamically Allocating Evaluation Effort for Model Ranking [60.00410111594536]
相関アームを用いたマルチアームバンディット構成において,マルチモデル人体評価をベストアーム識別問題として定式化する。
トップパフォーマンスモデル間の差別を改善することを示します。
これにより、評価はより速く、より安価で、より大規模な競争評価目標に適合する。
論文 参考訳（メタデータ） (2026-08-04T10:33:04Z) - LLM-Powered Virtual Population for Demand Simulation and Pricing [5.586191108738564]
LLMを用いた仮想人口モデルを構築し、価格決定の需要をシミュレートする。
本フレームワークは,オンラインH&Mファッションデータセット上で,製品記述とイメージを用いてテストする。
論文 参考訳（メタデータ） (2026-06-15T03:56:31Z) - SalesSim: Benchmarking and Aligning Multimodal Language Models as Retail User Simulators [63.68151307455963]
本稿では,マルチモーダル大規模言語モデル(MLLM)の現実的,ペルソナ主導の顧客行動のシミュレート能力を評価するためのフレームワークとテストベッドであるSalesSimを紹介する。
我々は,シミュレータの動作とペルソナ仕様との整合性,および会話品質を測定する。
実験により,UserGRPOは,会話品質を改善しつつ,ベースラインモデルの整合性を13.8%向上させることを示した。
論文 参考訳（メタデータ） (2026-05-08T17:59:23Z) - Learning to Predict Future-Aligned Research Proposals with Language Models [59.79457676644722]
我々は目標から得られた17,771の論文とそれらの事前カットオフ引用の時間一貫性のあるデータセットを構築した。
モデルをトレーニングするために、ターゲットとそれらのカットオフ前の引用から17,771枚のタイム一貫性のあるデータセットを構築します。
Llama-3.1 と Qwen2.5 のモデル全体で、将来のアライメントチューニングは、非アライメントベースラインに対する将来のアライメントを改善する。
論文 参考訳（メタデータ） (2026-03-28T05:41:15Z) - LLaVA-Critic-R1: Your Critic Model is Secretly a Strong Policy Model [99.71684530652942]
LLaVA-Critic-R1は高い評価を受けた批評家としてだけでなく、競争政策モデルとしても現れることを示す。
テスト時に自己批判を適用すると、5つの代表的な推論タスクに対して平均+13.8%の改善が得られる。
その結果,評価と生成の両面において優れた統一モデルが得られることがわかった。
論文 参考訳（メタデータ） (2025-08-31T03:08:02Z) - LLMs for Customized Marketing Content Generation and Evaluation at Scale [3.704327107754112]
オフサイトマーケティングはeコマースにおいて不可欠であり、企業は外部プラットフォームを通じて顧客にリーチし、小売ウェブサイトへのトラフィックを推進できる。
現在のオフサイトマーケティングコンテンツのほとんどは、過剰にジェネリックでテンプレートベースであり、ランディングページと整合性がない。
キーワード固有の広告コピーを生成するために複数のデータソースを統合する検索拡張システムであるMarketingFMを提案する。
論文 参考訳（メタデータ） (2025-06-22T00:28:35Z) - By Fair Means or Foul: Quantifying Collusion in a Market Simulation with Deep Reinforcement Learning [1.5249435285717095]
本研究は、反復価格競争の実験的なオリゴポリーモデルを用いる。
我々は,エージェントが開発する戦略と価格パターンについて検討し,その結果を導出する可能性がある。
以上の結果から,RLをベースとしたAIエージェントは,超競争的価格帯電を特徴とする癒着状態に収束することが示唆された。
論文 参考訳（メタデータ） (2024-06-04T15:35:08Z) - An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳（メタデータ） (2024-02-02T07:25:53Z) - RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation [4.182702249796689]
顧客の買い物行動をシミュレーションする多段階モデルを提案する。
私たちはこのモデルを,作業シミュレーション環境 – Retail Synth に組み入れました。
収益、カテゴリー浸透、顧客維持への影響について分析した。
論文 参考訳（メタデータ） (2023-12-21T18:17:16Z)
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。