論文の概要: LCM-Promo: An LLM-Based Uplift Model for Promotion Allocation

• arxiv url: http://arxiv.org/abs/2610.37570v1
• Date: Tue, 27 Oct 2026 17:15:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.728031
• Title: LCM-Promo: An LLM-Based Uplift Model for Promotion Allocation
• Title（参考訳）: LCM-Promo: プロモーションアロケーションのためのLCMベース昇降モデル
• Abstract要約: LCM-Promoはタスク固有の大規模商業モデル(LCM)である プロダクションログから単調なプロモーション応答曲線を学習する。 コンバージョンを1%増加させ、Segment-EMAの生産ベースラインと比較してプロモーションコストを6%削減した。
• 参考スコア（独自算出の注目度）: 0.018323001213919565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present LCM-Promo, an LLM-based uplift model for promotion allocation. LCM-Promo is a task-specific Large Commerce Model (LCM): a finetuned LLM trained on transactional commerce data to predict user intent and promotion response. It learns monotonic promotion-response curves from production logs by interpreting single-token outputs as conversion-threshold probabilities, while conditioning on session context such as day and delivery shift. In a production A/B test on churn reactivation, LCM-Promo increased conversion by 1% and reduced promotion cost by 6% relative to the Segment-EMA production baseline.
• Abstract（参考訳）: プロモーションアロケーションのための LLM ベースのアップリフトモデル LCM-Promo を提案する。 LCM-Promoは、タスク固有の大規模商業モデル(LCM: Large Commerce Model)である。 単一トークン出力を変換閾値確率として解釈し、日や納品のシフトといったセッションコンテキストを条件にすることで、生産ログから単調なプロモーション応答曲線を学習する。 チャーン再活性化のA/B試験では、LCM-PromoはSegment-EMAの生産ベースラインと比較して1%の変換率と6%のプロモーションコストを削減した。

関連論文リスト

• Modular Representation Compression: Adapting LLMs for Efficient and Effective Recommendations [53.53864188270018]
  大規模言語モデル(LLM)には高度なレコメンデーションシステム(RS)がある。 LLMのモジュラリティを明示的に制御するための MARC を提案する。 MARCは大規模な商用検索広告シナリオにおけるオンラインA/Bテストで2.82%のeCPMリフトを達成した。
  論文  参考訳（メタデータ） (2026-04-20T12:08:58Z)
• LLM-Auction: Generative Auction towards LLM-Native Advertising [10.695066036409274]
  LLMネイティブ広告のためのオークションとLLM生成を統合した学習型生成オークション機構を提案する。 本稿では,報酬モデルとLLMを交互に最適化するIRPOアルゴリズムを提案する。 LLM-Auctionは、所望の機構特性を達成しつつ、割り当て効率において既存のベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-11T11:31:20Z)
• rSIM: Incentivizing Reasoning Capabilities of LLMs via Reinforced Strategy Injection [49.74493901036598]
  大規模言語モデル(LLM)は強化学習(RL)を通して後訓練され、推論言語モデル(RLM)へと進化する。 本稿では, 小型プランナを用いることで, LLM を RLM にすることができる新規な強化戦略注入機構 (rSIM) を提案する。 実験結果から、rSIMによりQwen2.5-0.5BはRLMとなり、Qwen2.5-14Bより大幅に優れていた。
  論文  参考訳（メタデータ） (2025-12-09T06:55:39Z)
• E-CARE: An Efficient LLM-based Commonsense-Augmented Framework for E-Commerce [26.230331478424517]
  電子商取引業務における効率的なコモンセンス強化勧告エンハンサー(E-CARE)を提案する。 推論中、E-CAREで拡張されたモデルは、クエリ毎に1つのLSMフォワードパスでコモンセンス推論にアクセスすることができる。 2つの下流タスクの実験では、精度が最大12.1%向上した。
  論文  参考訳（メタデータ） (2025-11-06T05:57:48Z)
• Delta-CoMe: Training-Free Delta-Compression with Mixed-Precision for Large Language Models [79.46938238953916]
  多様なアプリケーションへの微調整された大規模言語モデル(LLM)は、複雑な要求を満たすために不可欠である。 近年の研究では、微調整LDMをベースモデルと対応するデルタウェイトに分解し、低ランクまたは低ビットのアプローチで圧縮してコストを削減することが示唆されている。 本研究では,従来の低ランク圧縮法と低ビット圧縮法がタスク固有の微調整LDMのモデル性能を著しく損なうことを観察する。
  論文  参考訳（メタデータ） (2024-06-13T07:57:27Z)
• Any-Precision LLM: Low-Cost Deployment of Multiple, Different-Sized LLMs [3.450141240227484]
  大規模言語モデル(LLM)の任意の精度量子化のための軽量な手法を提案する。 我々のソリューションは、複数の異なるサイズのLCMをデプロイする際のコストを大幅に削減します。 ビット幅の異なる全てのLLMは、最先端のモデル品質と推論スループットを示している。
  論文  参考訳（メタデータ） (2024-02-16T09:06:06Z)
• Looking Right is Sometimes Right: Investigating the Capabilities of Decoder-only LLMs for Sequence Labeling [0.0]
  最近のデコーダのみの大規模言語モデル(LLM)は、より小さなステートベースのエンコーダと同等に動作する。 因果マスクを階層的に除去することで,IEタスク上でのオープンLLMのSL性能を向上させる手法について検討する。 その結果,層依存性CM除去によるオープンLCMは,強いエンコーダや命令調整LDMよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-25T22:50:48Z)

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。