چکیده
هوش مصنوعی مولد، شیوهی رساندن شرکتها به مشتریان را تغییر میدهد؛ با این حال، دادههای بازاریابی استاندارد، میزان دیدهشدن نام شرکت و توجه کاربران به آن را در پاسخهای تولیدشده ثبت نمیکنند. ما برای تخمین اثرات علّی، مدل آمیخته بازاریابی مولد (GMMM) را توسعه میدهیم. برای GEO، GMMM پاسخهای تولیدشدهی تکراری را با تعداد سؤالها، سهم استفاده در سیستمهای مولد و احتمالات توجه ترکیب میکند. برای GEM، این مدل سوابق قرارگیری تبلیغاتی را با احتمالات توجه ترکیب میکند. GMMM پاسخهای تجاری مورد انتظار را در قالب دنبالههای درمانی جایگزین مقایسه میکند و شرایط کافی برای شناسایی اثرات حاصل را تعیین مینماید. ما کارایی تجربی روش پیشنهادی را با استفاده از پاسخهای شبیهسازیشده برای توصیه محصول به زبانهای انگلیسی و ژاپنی بررسی میکنیم.
متن کامل
نحوه امنیت کاربر: ایمن
افراد و سازمانهایی که با arXivLabs همکاری میکنند، ارزشهای ما را — از جمله گشودگی، جامعهمحوری، تعالی و حریم خصوصی داده کاربران — پذیرفته و به آنها پایبندند. arXiv به این ارزشها متعهد است و تنها با شرکایی که به آنها پایبند هستند همکاری میکند. ایدهای برای پروژهای دارید که به جامعه arXiv ارزش افزوده کند؟ بیشتر درباره arXivLabs با بدانید. نویسندگانی که این مقاله را تأیید کردهاند؟ | غیرفعال کردن MathJax (MathJax چیست؟)