Метод удосконалення рекламних текстів на основі генеративних моделей

Автор(и)

DOI:

https://doi.org/10.31498/2225-6733.46.2023.288087

Ключові слова:

генеративні моделі, удосконалення рекламних текстів, моделі серії GPT, автоматизація створення контенту, маркетинг в соціальних мережах

Анотація

Стаття присвячена розробці нового методу удосконалення рекламних текстів на основі використання генеративних моделей. Рекламний контент відіграє важливу роль в сучасному маркетингу, адже він сприяє взаємодії бренду з аудиторією та залученню нових клієнтів. Проте створення ефективного рекламного контенту – це часто виклик. Генеративні моделі відкривають нові можливості для створення рекламних текстів. Вони можуть використовуватися для автоматизації процесу створення контенту, забезпечуючи при цьому високий рівень оригінальності та творчості. Зокрема, ця стаття фокусується на використанні моделей серії GPT для генерування рекламних текстів. Першою задачею в рамках цього дослідження є вивчення теоретичних основ генеративних моделей та їх можливостей для створення тексту. Автори проводять детальний аналіз основних принципів роботи цих моделей, а також їх потенційного використання в контексті рекламного тексту. Далі, в статті описується метод збору та підготовки вхідних даних для навчання генеративних моделей. Оскільки якість вихідних текстів сильно залежить від якості вхідних даних, цей етап важливий для успішного застосування генеративних моделей. На наступному етапі автори розробляють алгоритм для навчання генеративної моделі на основі зібраних даних, для досягнення найкращих результатів. У цій статті представлений підхід є значним внеском в розробку нових методів удосконалення рекламних текстів. Він має великий потенціал для застосування в сфері маркетингу, де потрібно швидко та ефективно генерувати великі об'єми контенту. Водночас, результати дослідження можуть бути корисними для подальших наукових досліджень в цій області

Біографії авторів

Х.В. Ліп’яніна-Гончаренко , Західноукраїнський національний університет, м. Тернопіль

Кандидат технічних наук, доцент

І.Р. Кіт , Західноукраїнський національний університет, м. Тернопіль

Викладач

Посилання

Lund B., Ting W. Chatting about ChatGPT: How May AI and GPT Impact Academia and Libraries? SSRN Electronic Journal. 2023. Pp. 1-9. DOI: https://doi.org/10.2139/ssrn.4333415.

Sparks of artificial general intelligence: Early experiments with gpt-4 / S. Bubeck et al. 2023. 155 p. DOI: https://doi.org/10.48550/arXiv.2303.12712.

A Complete Survey on Generative AI (AIGC): Is ChatGPT from GPT-4 to GPT-5 All You Need? / C. Zhang et al. 2023. 56 p. DOI: https://doi.org/10.48550/arXiv.2303.11717. Chaoning Zhang, Chenshuang Zhang, Sheng Zheng, Yu Qiao, Chenghao Li, Mengchun Zhang, Sumit Kumar Dam, Chu Myaet Thwal, Ye Lin Tun, Le Luang Huy, Donguk kim, Sung-Ho Bae, Lik-Hang Lee, Yang Yang, Heng Tao Shen, In So Kweon, Choong Seon Hong

Lecler A., Duron L., Soyer P. Revolutionizing radiology with GPT-based models: Current applications, future possibilities and limitations of ChatGPT. Diagnostic and Interventional Imaging. 2023. Vol. 104, iss. 6. Pp. 269-274. DOI: https://doi.org/10.1016/j.diii.2023.02.003.

Wang H., Qin Z., Wan T. Text Generation Based on Generative Adversarial Nets with Latent Variables. Advances in Knowledge Discovery and Data Mining. 2018. Vol. 10938. Pp. 92-103. DOI: https://doi.org/10.1007/978-3-319-93037-4_8.

A Generative Model for category text generation / Y. Li, Q. Pan, S. Wang, T. Yang, E. Cambria. Information Sciences. 2018. Vol. 450. Pp. 301-315. DOI: https://doi.org/10.1016/j.ins.2018.03.050.

Content-aware generative modeling of graphic design layouts / X. Zheng, X. Qiao, Y. Cao, R. W. H. Lau. ACM Transactions on Graphics. 2019. Vol. 38, no. 4. Pp. 1-15. DOI: https://doi.org/10.1145/3306346.3322971.

A Deep Generative Model for Code Switched Text / S. Bidisha et al. Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19), Macao, China, 10-16 August 2019. 2019. Pp. 5175-5181. DOI: https://doi.org/10.24963/ijcai.2019/719.

Zen H. Generative Model-Based Text-to-Speech Synthesis. 2018 IEEE 7th Global Conference on Consumer Electronics (GCCE), Nara, 9-12 October 2018. 2018. Pp. 327-328. DOI: https://doi.org/10.1109/gcce.2018.8574762.

Decision tree based targeting model of customer interaction with business page / H. Lipyanina, S. Sachenko, T. Lendyuk, A. Sachenko. CMIS. 2020. Pp. 1001-1012. URL: https://ceur-ws.org/Vol-2732/20200487.pdf.

Lipyanina H., Sachenko S., Lendyuk T. Targeting Model of HEI Video Marketing based on Classification Tree. ICTERI Workshops. 2020. Vol. 2732. Pp. 487-498. URL: https://ceur-ws.org/Vol-2732/20200487.pdf.

##submission.downloads##

Опубліковано

2023-06-29

Як цитувати

Ліп’яніна-Гончаренко , Х., & Кіт , І. (2023). Метод удосконалення рекламних текстів на основі генеративних моделей. Вісник Приазовського Державного Технічного Університету. Серія: Технічні науки, (46), 6–13. https://doi.org/10.31498/2225-6733.46.2023.288087

Номер

Розділ

122 Комп'ютерні науки та інформаційні технології