Gefundeerde persuasieve taalgeneratie voor geautomatiseerde marketing.

Grounded Persuasive Language Generation for Automated Marketing

February 24, 2025

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

cs.AI

Samenvatting

Dit artikel ontwikkelt een agentisch kader dat gebruikmaakt van grote taalmodellen (LLM's) om de automatisering van de generatie van overtuigende en goed gefundeerde marketinginhoud mogelijk te maken, met behulp van vastgoedadvertentiebeschrijvingen als ons focusapplicatiedomein. Onze methode is ontworpen om de gegenereerde inhoud af te stemmen op de gebruikersvoorkeuren en tegelijkertijd nuttige feitelijke kenmerken te benadrukken. Deze agent bestaat uit drie belangrijke modules: (1) Grondingsmodule, die expert menselijk gedrag nabootst om verhandelbare kenmerken te voorspellen; (2) Personalisatiemodule, die de inhoud afstemt op gebruikersvoorkeuren; (3) Marketingmodule, die zorgt voor feitelijke nauwkeurigheid en de inclusie van gelokaliseerde kenmerken. We voeren systematische menselijke proeven uit in het domein van vastgoedmarketing, met een focusgroep van potentiële huizenkopers. De resultaten tonen aan dat marketingbeschrijvingen die zijn gegenereerd door onze aanpak de voorkeur genieten boven die geschreven door menselijke experts met een duidelijke marge. Onze bevindingen suggereren een veelbelovend LLM-gebaseerd agentisch kader om grootschalige gerichte marketing te automatiseren, met behoud van verantwoorde generatie met alleen feiten.

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.