Generazione di Linguaggio Persuasivo Contestualizzato per il Marketing Automatizzato

Grounded Persuasive Language Generation for Automated Marketing

February 24, 2025

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

cs.AI

Abstract

Questo articolo sviluppa un framework agentico che utilizza modelli linguistici di grandi dimensioni (LLM) per automatizzare la generazione di contenuti di marketing persuasivi e fondati, utilizzando le descrizioni degli annunci immobiliari come dominio applicativo di riferimento. Il nostro metodo è progettato per allineare i contenuti generati con le preferenze degli utenti, evidenziando al contempo attributi fattuali utili. Questo agente è composto da tre moduli chiave: (1) Modulo di Fondamento, che imita il comportamento umano esperto per prevedere caratteristiche commercializzabili; (2) Modulo di Personalizzazione, che allinea i contenuti con le preferenze degli utenti; (3) Modulo di Marketing, che garantisce l'accuratezza fattuale e l'inclusione di caratteristiche localizzate. Abbiamo condotto esperimenti sistematici con soggetti umani nel campo del marketing immobiliare, coinvolgendo un gruppo di potenziali acquirenti di case. I risultati dimostrano che le descrizioni di marketing generate dal nostro approccio sono preferite rispetto a quelle scritte da esperti umani con un margine significativo. I nostri risultati suggeriscono un promettente framework agentico basato su LLM per automatizzare il marketing su larga scala e mirato, garantendo al contempo una generazione responsabile basata esclusivamente su fatti.

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.