Verankerte überzeugende Spracherzeugung für automatisiertes Marketing

Grounded Persuasive Language Generation for Automated Marketing

February 24, 2025

Autoren: Jibang Wu, Chenghao Yang, Simon Mahns, Chaoqi Wang, Hao Zhu, Fei Fang, Haifeng Xu

cs.AI

Zusammenfassung

Dieses Paper entwickelt ein agentisches Framework, das große Sprachmodelle (LLMs) einsetzt, um die automatisierte Generierung überzeugender und fundierter Marketinginhalte zu ermöglichen, wobei Immobilienbeschreibungen als unser Hauptanwendungsgebiet dienen. Unsere Methode zielt darauf ab, die generierten Inhalte mit den Nutzervorlieben in Einklang zu bringen und nützliche Fakten hervorzuheben. Dieser Agent besteht aus drei Schlüsselmodulen: (1) Grounding-Modul, das das Verhalten von Experten imitieren soll, um vermarktbare Merkmale vorherzusagen; (2) Personalisierungsmodul, das Inhalte an Nutzervorlieben anpasst; (3) Marketing-Modul, das die faktische Richtigkeit und die Einbeziehung lokaler Merkmale sicherstellt. Wir führen systematische Experimente mit menschlichen Probanden im Bereich des Immobilienmarketings durch, mit einer Fokusgruppe potenzieller Hauskäufer. Die Ergebnisse zeigen, dass Marketingbeschreibungen, die von unserem Ansatz generiert wurden, von einem klaren Vorsprung gegenüber denen, die von menschlichen Experten verfasst wurden, bevorzugt werden. Unsere Ergebnisse deuten auf ein vielversprechendes, auf LLM basierendes agentisches Framework hin, um groß angelegtes zielgerichtetes Marketing zu automatisieren, während eine verantwortungsbewusste Generierung nur auf Fakten basiert.

English

This paper develops an agentic framework that employs large language models (LLMs) to automate the generation of persuasive and grounded marketing content, using real estate listing descriptions as our focal application domain. Our method is designed to align the generated content with user preferences while highlighting useful factual attributes. This agent consists of three key modules: (1) Grounding Module, mimicking expert human behavior to predict marketable features; (2) Personalization Module, aligning content with user preferences; (3) Marketing Module, ensuring factual accuracy and the inclusion of localized features. We conduct systematic human-subject experiments in the domain of real estate marketing, with a focus group of potential house buyers. The results demonstrate that marketing descriptions generated by our approach are preferred over those written by human experts by a clear margin. Our findings suggest a promising LLM-based agentic framework to automate large-scale targeted marketing while ensuring responsible generation using only facts.