LLM驱动的电子商务营销内容优化：平衡创意与转化
LLM-Driven E-Commerce Marketing Content Optimization: Balancing Creativity and Conversion
AI总结：
本文提出一种整合提示工程、多目标微调和后处理的LLM框架，用于生成兼顾创意与转化的电商营销文案，并通过A/B测试验证其提升点击率12.5%和转化率8.3%的效果。
摘要：
随着电子商务竞争加剧，在创意内容与转化效果之间取得平衡变得至关重要。利用大语言模型（LLM）的语言生成能力，我们提出一个框架，该框架整合了提示工程、多目标微调和后处理，以生成既具吸引力又以转化为导向的营销文案。我们的微调方法结合了情感调整、多样性增强和CTA嵌入。通过跨品类的离线评估和在线A/B测试，我们的方法在保持内容新颖性的同时，实现了点击率（CTR）提升12.5%和转化率（CVR）提升8.3%。这为自动化文案生成提供了一种实用解决方案，并为未来多模态、实时个性化指明了路径。
英文摘要：
As e-commerce competition intensifies, balancing creative content with conversion effectiveness becomes critical. Leveraging LLMs' language generation capabilities, we propose a framework that integrates prompt engineering, multi-objective fine-tuning, and post-processing to generate marketing copy that is both engaging and conversion-driven. Our fine-tuning method combines sentiment adjustment, diversity enhancement, and CTA embedding. Through offline evaluations and online A/B tests across categories, our approach achieves a 12.5 % increase in CTR and an 8.3 % increase in CVR while maintaining content novelty. This provides a practical solution for automated copy generation and suggests paths for future multimodal, real-time personalization.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
