Generación de Lenguaje Persuasivo Fundamentado para Marketing Automatizado

Grounded Persuasive Language Generation for Automated Marketing

February 24, 2025

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

cs.AI

Resumen

Este artículo desarrolla un marco agencial que emplea modelos de lenguaje de gran escala (LLMs) para automatizar la generación de contenido de marketing persuasivo y fundamentado, utilizando las descripciones de listados inmobiliarios como nuestro dominio de aplicación principal. Nuestro método está diseñado para alinear el contenido generado con las preferencias del usuario, destacando al mismo tiempo atributos factuales útiles. Este agente consta de tres módulos clave: (1) Módulo de Fundamentación, que imita el comportamiento humano experto para predecir características comercializables; (2) Módulo de Personalización, que alinea el contenido con las preferencias del usuario; (3) Módulo de Marketing, que garantiza la precisión factual y la inclusión de características localizadas. Realizamos experimentos sistemáticos con sujetos humanos en el ámbito del marketing inmobiliario, con un grupo focal de compradores potenciales de viviendas. Los resultados demuestran que las descripciones de marketing generadas por nuestro enfoque son preferidas sobre las escritas por expertos humanos por un margen claro. Nuestros hallazgos sugieren un marco agencial prometedor basado en LLMs para automatizar el marketing dirigido a gran escala, asegurando al mismo tiempo una generación responsable utilizando únicamente hechos.

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.