Η γωνία του Anderson
Νέα Έρευνα Προτείνει Πραγματικά Προσωποποιημένη Διαφήμιση

Βασικά σημείαΤο Uni-AdGen παράγει διαφημίσεις από το ίδιο το ιστορικό κλικ του χρήστη αντί από…
Δείτε περισσότερα
- Το Uni-AdGen παράγει διαφημίσεις από το ίδιο το ιστορικό κλικ του χρήστη αντί από εικαζόμενες ομάδες κοινού.
- Το σύστημα εγκαταλείπει τα μοντέλα διάχυσης για αυτοπαλινδρομική παραγωγή που χτίζει κείμενο και εικόνες token προς token.
- Η εμβέλειά του παραμένει περιορισμένη εντός του κλειστού περιβάλλοντος ενός λιανοπωλητή, όπου οι χρήστες έχουν ήδη συναινέσει στην παρακολούθηση.
Σε μια επαναδιατύπωση της ‘αυτοπροώθησης’, μια νέα μέθοδος εξορύσσει τα δικά σας κλικ για να δημιουργήσει εξατομικευμένες διαφημίσεις ιστού με βάση την ιδιαίτερη ιστορία σας.
Αν και οι διαφημιστικές εταιρείες είναι ενθουσιασμένες να ανασκευάσουν την ιδέα ότι υπάρχουν διαφημιστικά κανάλια που μπορούν να σας προβάλλουν διαφημίσεις με βάση ό,τι μόλις είπατε στο σπίτι σας, ο βαθμός ‘προσωποποίησης’ που έχουν δείξει οι διαφημίσεις στους ιστότοπους και τις εφαρμογές κοινωνικών μέσων έχει ωστόσο παραγάγει επικεφαλίδες τα τελευταία χρόνια.
Η ιδανική περίπτωση για τον διαφημιστή ήταν πάντα ότι η διαφήμιση που προβάλλεται να είναι ‘απόλυτα ταιριαστό’ για τον θεατή. Μέσα στα όρια δημόσιας αντίδρασης για την παρακολούθηση στο διαδίκτυο και όποια προληπτικά μέτρα ο χρήστης μπορεί να έχει εγκαταστήσει ενάντια σε τέτοια παρακολούθηση, η παραγωγική τεχνητή νοημοσύνη (αφήνοντας στην άκρη τους φόβους γύρω από διαφήμιση LLM σε ένα μετα-αναζήτηση κόσμο) είναι αρκετά ικανή να παράγει εικόνες διαφήμισης και κείμενο σε πραγματικό χρόνο.
Ωστόσο, η κύρια ώθηση της έρευνας και η πλειονότητα των εφαρμογών σε αυτή τη γραμμή μέχρι σήμερα έχουν βασιστεί γύρω από συγκεντρωτικές στατιστικές χρήσης, ώστε οποιαδήποτε διαφήμιση που παράγεται για έναν θεατή να βασίζεται στην υποτιθέμενη ομάδα κοόρτη του θεατή αντί για την ιδιαίτερη ιστορία του.
Τώρα, μια νέα ερευνητική συνεργασία μεταξύ Κίνας και ΗΠΑ παρουσιάζει ένα σύστημα για την παραγωγή διαφημιστικών εικόνων και κειμένου για μεμονωμένους χρήστες, μαθαίνοντας από τα δικά τους προηγούμενα κλικ όταν συνδεθούν σε έναν ιστότοπο, μεταβαίνοντας πέρα από τις υποθέσεις κοόρτης που έχουν κυβερνήσει την περισσότερη έρευνα προσωποποιημένης διαφήμισης μέχρι σήμερα:

Παραδείγματα εξατομικευμένων διαφημίσεων. Φυσικά, χωρίς την ιστορία του χρήστη ως πλαίσιο, μπορούμε μόνο να φανταστούμε τον πλήρη αντίκτυπο. Πηγή
Ασυνήθιστα, η νέα προσέγγιση απορρίπτει βασισμένα στη διάχυση μοντέλα υπέρ ενός αυτοπαλινδρομικού αρχιτεκτονικού στυλ – η κύρια διαφορά είναι ότι μοντέλα διάχυσης βελτιώνουν σταδιακά μια εικόνα από οπτικό θόρυβο, ενώ αυτοπαλινδρομικά μοντέλα παράγουν περιεχόμενο ένα κομμάτι κάθε φορά, προβλέποντας κάθε νέο στοιχείο από όλα αυτά που προηγήθηκαν.
Για να υποστηρίξουν το νέο παραγωγικό μοντέλο, οι συγγραφείς ανέπτυξαν αυτό που ισχυρίζονται ότι είναι το πρώτο μεγάλης κλίμακας σύνολο εικόνων/κειμένου για προσωποποιημένη διαφήμιση, καθώς και έναν νέο δείκτη που σχεδιάστηκε για να αξιολογήσει αυτήν την πολύ συγκεκριμένη εργασία. Σε δοκιμές, βρήκαν ότι η προσέγγισή τους ξεπέρασε τόσο τις γενικές βάσεις όσο και τις υφιστάμενες μεθόδους και πλαίσια που αντιμετωπίζουν αυτήν την πρόκληση.
Κλειστός Κήπος
Αξίζει να σημειωθεί ο προτεινόμενος σκοπός του έργου, ο οποίος δεν προσφέρει στους διαφημιστές έναν τρόπο να παραβιάσουν τα νέα μέτρα κατά της παρακολούθησης από τρίτους, αλλά αντίθετα δίνει σε έναν μεγάλο λιανοπωλητή την δύναμη να προβάλλει σε έναν συνδεδεμένο πελάτη διαφημίσεις που σχετίζονται άμεσα με εκείνον τον άνθρωπο.
Αυτό δεν είναι απαραίτητα περιορισμένο στους πελάτες που είναι τώρα στην ιστοσελίδα του λιανοπωλητή: ανάλογα με ο βαθμός στον οποίο ο χρήστης έχει χορηγήσει στον λιανοπωλητή την δύναμη να τον παρακολουθήσει σε άλλους ιστότοπους, μπορεί να του παρουσιαστούν στοχευμένες διαφημίσεις σε οποιονδήποτε άλλον ιστότοπο που συμμετέχει σε διαφημιστικές δημοπρασίες που ο λιανοπωλητής χρησιμοποιεί.
Είδος διαφήμιστικής εμβέλειας τείνει να περιοριστεί σε επιχειρήσεις υψηλού όγκου και μεγάλης κλίμακας όπως η Amazon, στη Δύση (και σημειώνουμε ότι ένας αντίστοιχα μεγάλος Κινέζος λιανοπωλητής έχει συμμετάσχει στο νέο έργο – δείτε παρακάτω), αν και οποιαδήποτε παρόμοιου μεγέθους εταιρεία (όπως ένας δημοφιλής ιστότοπος κοινωνικών μέσων) θα μπορούσε θεωρητικά να δημιουργήσει ένα παρόμοιο παραγωγικό πλαίσιο.
Το νέο έγγραφο έχει τον τίτλο Σχεδιάστε τη Διαφήμιση Σας: Προσωποποιημένη Διαφήμιση Εικόνας και Κειμένου με Ενοποιημένα Αυτοπαλινδρομικά Μοντέλα, και προέρχεται από 18 συγγραφείς σε Πανεπιστήμιο Sun Yat-Sen στη Γκουανγκτζόου, Πανεπιστήμιο Northeastern και τον μεγαλύτερο λιανοπωλητή της Κίνας, JD.com (JD ) (ο οποίος έχει αυτήν την πολύτιμη πρόσβαση στην ιστορία και τις συνήθειες των αγοραστών). Ο κώδικας έχει δημοσιευθεί μέσω GitHub, και τα σχετικά σημεία ελέγχου έχουν δημοσιευθεί επίσης.
Δεδομένα και Μέθοδος
Το σύνολο δεδομένων που κατασκευάστηκε για το έργο έχει τον τίτλο Προσωποποιημένη Διαφήμιση Εικόνας-Κειμένου (PAd1M), και τροφοδοτείται από δεδομένα που παρέχονται από τον συνεργάτη του έργου JD.com. Οι συγγραφείς δηλώνουν:
‘Κάθε προϊόν συνήθως παρέχει περισσότερες από δέκα υποψήφιες εικόνες και κείμενο, εξασφαλίζοντας ότι οι διαφορετικές προτιμήσεις μπορούν να ανιχνευτούν πλήρως. Για να ενεργοποιήσετε αξιόπιστη μοντελοποίηση προτίμησης, συλλέγουμε πλήρη ιστορικά κλικ χρηστών και σε εικόνες και κείμενο, φιλτράροντας τους χρήστες με ανεπαρκή δραστηριότητα για να μειώσουμε τον θόρυβο.
‘Αυτό μας δίνει ένα σύνολο δεδομένων 1.145.371 χρηστών, με 18.923.555 κλικ εικόνων και κειμένου προϊόντων, με μέσο όρο περισσότερες από δεκαέξι πολυτροπικές ιστορικές συμπεριφορές ανά χρήστη.’
Για κάθε χρήστη, ένα προηγουμένως κλικ εικόνας-κειμένου ζευγάρι επιλέχθηκε ως το στόχο παράδειγμα, μετά από οποίο το ίδιο το προϊόν απομονώθηκε από την εικόνα χρησιμοποιώντας Grounded SAM.
Περιγραφές και πωλησιακά σημεία που παρέχονται από τον πωλητή προστέθηκαν στο ρεκόρ, δημιουργώντας ένα σύνολο δεδομένων στο οποίο κάθε στόχος διαφήμιση συνοδεύεται από μια διαφανή εικόνα προϊόντος: δομημένη πληροφορία προϊόντος και μια ιστορία προηγούμενων εικόνων και κειμένου αλληλεπιδράσεων, που προορίζεται να καταγράψει τα προηγούμενα ενδιαφέροντα και προτιμήσεις του χρήστη:

Ένα προφίλ χρήστη από το σύνολο δεδομένων PAd1M, που δείχνει μια διαφήμιση-στόχο μαζί με τις πληροφορίες προϊόντος που χρησιμοποιήθηκαν για να τη δημιουργήσουν, και τις ιστορικές εικόνες και κειμένου αλληλεπιδράσεις που χρησιμοποιήθηκαν για να μοντελοποιήσουν τις προτιμήσεις του χρήστη.
Το αποτέλεσμα σύνολο δεδομένων προσφέρει μια κλίμακα πάνω από 1 εκατομμύριο χρήστες και σχεδόν 19 εκατομμύρια κλικ εικόνων και κειμένου εγγραφών, με τους συγγραφείς να δηλώνουν ότι η συλλογή είναι σημαντικά μεγαλύτερη από τις προηγούμενες βάσεις δεδομένων προσωποποίησης.
Επιπλέον, τα δεδομένα, ασυνήθιστα για αυτήν την κατηγορία ερευνών, συνδυάζουν και εικόνες και κείμενο, επιτρέποντας στις προτιμήσεις χρηστών να μοντελοποιηθούν σε πολλαπλές τροπικότητες, αντί να μοντελοποιηθούν μέσα σε έναν μόνο τομέα.
PAd1M επίσης χαρακτηρίζεται από ατομική-επίπεδο παρακολούθηση προτίμησης: αντίθετα με τις προηγούμενες βάσεις δεδομένων διαφήμισης, οι οποίες χτίστηκαν γύρω από ποσοστά κλικ που συναθροίζονται σε μεγάλες ομάδες, PAd1M συνδέει αλληλεπιδράσεις με συγκεκριμένους χρήστες από τα δεδομένα JD.com.
Για μετρήσεις, εκτός από τις τυπικές επιλογές BLEU και ROUGE, οι ερευνητές ανέπτυξαν το δικό τους μετρητή με τίτλο Ομοιότητα Φόντου Προϊόντος (PBS). Βασισμένο στο προηγούμενο MoCo-v3 πρωτοβουλία, PBS εκπαιδεύτηκε σε 681.123 ζευγάρια εικόνων που δείχνουν το ίδιο προϊόν σε διαφορετικά φόντα, επιτρέποντας στον μετρητή να επικεντρωθεί στην παραλλαγή του πλαισίου αντί για το ίδιο το προϊόν:

Ομοιότητα Φόντου Προϊόντος (PBS) αναθέτει σημαντικά διαφορετικές βαθμολογίες ομοιότητας σε διαφημίσεις που περιέχουν το ίδιο προϊόν, αλλά το τοποθετούν σε διαφορετικά οπτικά περιβάλλοντα. Αντίθετα, άλλοι μετρητές παράγουν πολύ μικρότερες αποστάσεις.
Κατά τη διάρκεια της εκπαίδευσης, κάθε εικόνα ζευγαρώθηκε με τον εαυτό της ως θετικό παράδειγμα, ενώ μια εικόνα του ίδιου προϊόντος σε ένα διαφορετικό περιβάλλον υπηρέτησε ως αρνητικό παράδειγμα, μια στρατηγική εκπαίδευσης που προορίζεται να αυξήσει την ευαισθησία στο φόντο.
Αποτελέσματα αξιολόγησης, το έγγραφο ισχυρίζεται, δείχνουν μεγαλύτερες διαφορές ομοιότητας μεταξύ ταιριαστών και μη ταιριαστών φόντων από αυτές που παράγονται από CLIP, DINO v3, ή το προαναφερθέν MoCov3.
Όπως φαίνεται στην επάνω-αριστερή ενότητα της εικόνας παρακάτω*, το Ενοποιημένο Παραγωγικό Μοντέλο Διαφήμισης (Uni-AdGen) των ερευνητών χρησιμοποιεί μια αυτοπαλινδρομική αρχιτεκτονική οράματος-γλώσσας για να παράγει και διαφημιστικό κείμενο και εικόνες. Η διαδικασία καθοδηγείται από μια δομημένη οδηγία που περιλαμβάνει τον ορισμό της εργασίας και μια περιγραφή προϊόντος, μαζί με κρίσιμους πωλησιακούς σημεία:

Επισκόπηση μεθόδου.
Ειδικοί διαχωριστικοί token ορίζουν το τμήμα της ακολουθίας που είναι διατηρημένο για διαφημιστικό κείμενο. Μετά τη δημιουργία του κειμένου, ένα αφιερωμένο εικόνας token προκαλεί τη δημιουργία εικόνας, ενώ ένα κλείσιμο εικόνας token σηματοδοτεί την ολοκλήρωσή της, με τα δημιουργημένα token να στέλνονται σε ξεχωριστούς αποκωδικοποιητές κειμένου και εικόνας.
Για εικόνες, ο αποκωδικοποιητής VQ-GAN του LlamaGen χρησιμοποιείται για να μετατρέψει διακριτά token εικόνας πίσω σε pixels.
Με αυτόν τον τρόπο, η ενοποιημένη αρχιτεκτονική παράγει κείμενο και εικόνες μέσα σε ένα μόνο πρόβλεψη επόμενου token πλαίσιο, αντί να βασίζεται σε ξεχωριστές διαδικασίες – η μέθοδος που υιοθετήθηκε για προηγούμενα συστήματα διαφήμισης με παρόμοιο πεδίο.
Κατά τη διάρκεια της εκπαίδευσης, το μοντέλο μαθαίνει και τις δύο τροπικότητες μαζί, με token κειμένου που προβλέπονται με βάση την εισαγμένη ακολουθία και το προηγουμένως δημιουργημένο κείμενο. Token εικόνας προβλέπονται χρησιμοποιώντας την εισαγμένη ακολουθία, το δημιουργημένο κείμενο και τα προηγουμένως δημιουργημένα token εικόνας.
Για να διατηρήσει τις δημιουργημένες διαφημίσεις συνδεδεμένες με το προωθούμενο προϊόν, το Uni-AdGen χρησιμοποιεί ένα μονάδα αντίληψης του προσκηνίου που βασίζεται στο DINO v2, για να εισαγάγει πληροφορίες από διαφανείς εικόνες προϊόντων στο αυτοπαλινδρομικό μοντέλο.
Προσαρμογή βάσει οδηγιών (εκπαίδευση του μοντέλου να ακολουθεί οδηγίες δημιουργίας προϊόντος που προέρχονται από περιγραφές και πωλησιακά σημεία) χρησιμοποιήθηκε επίσης για να βελτιώσει την συμμόρφωση με τις περιγραφές και τα πωλησιακά σημεία που παρέχονται από τον πωλητή, με GPT-4o να χρησιμοποιείται για να φιλτράρει ακατάλληλα παραδείγματα εκπαίδευσης.
Η προσωποποίηση βασίστηκε σε ένα από το γενικό στο λεπτομερές μοντέλο κατανόησης προτίμησης. Ιστορικές αλληλεπιδράσεις φιλτράρονταν πρώτα μέσω ενός διαδικασίας δειγματοληψίας ομοιότητας προϊόντος (PSS) για να ευνοήσουν προϊόντα που μοιάζουν με το στόχο αντικείμενο. Τα υπόλοιπα ρεκόρ επεξεργάζονταν τότε από ένα εξαγωγής πολυτροπικών προτιμήσεων στάδιο που σχεδιάστηκε για να αναγνωρίσει τα οπτικά και κειμενικά στοιχεία που είναι πιο πιθανό να αντανακλούν τα ενδιαφέροντα του χρήστη – με αυτές τις προτιμήσεις να εισάγονται στο prompt, για να καθοδηγήσουν τη δημιουργία.
Δοκιμές
Οι συγγραφείς δηλώνουν ότι η προσέγγισή τους δοκιμής προέρχεται από DeepSeek’s Janus-Pro 7B.
Το μοντέλο εκπαιδεύτηκε σε ένα μέγεθος batch των τεσσάρων, υπό τον AdamW βελτιωτή σε μια ταχύτητα μάθησης 5e-5. Το βασικό μοντέλο προσαρμόστηκε μέσω LoRA, με τις μονάδες αντίληψης του προσκηνίου και εξαγωγής πολυτροπικών προτιμήσεων να υποβάλλονται σε πλήρη προσαρμογή (δηλαδή, αντίθετα με το LoRA, τα βάρη του βασικού μοντέλου τροποποιήθηκαν μόνιμα).
Όλες οι δοκιμές εκτελέστηκαν σε μια NVIDIA B200 GPU με 192GB VRAM. Για τη δημιουργία εικόνας, PickScore, ImageReward, και ASE χρησιμοποιήθηκαν για να μετρήσουν την ποιότητα εικόνας, ενώ m-BLEU και m-ROUGE† χρησιμοποιήθηκαν για να αξιολογήσουν το διαφημιστικό κείμενο. Ανθρώπινοι αξιολογητές αξιολόγησαν επίσης τον ρεαλισμό της εικόνας και την ποιότητα διάταξης, μαζί με την ακρίβεια και τη ροή του κειμένου, με όλα τα μετρητικά να υπολογίζονται σε 500 προϊόντα.
Για τη δημιουργία εικόνας, οι βάσεις που χρησιμοποιήθηκαν ως σύγκριση αποτελούσαν Qwen2.5-VL και GPT-4o για τη δημιουργία προτροπών για το φόντο από εικόνες προϊόντων, ακολουθούμενα από ReliableAd, PosterMaker, και Flux-Fill για τη δημιουργία των τελικών διαφημίσεων. Οι συγκρίσεις κειμένου διεξήχθησαν ενάντια στο Qwen2.5, Qwen3, και DeepSeek-R1.
Αρχικές βάσεις ποσοτικών αποτελεσμάτων για τη δημιουργία διαφήμισης εμφανίζονται παρακάτω:

Επίδοση στο γενικό σύνολο αξιολόγησης δημιουργίας διαφήμισης. Το Uni-AdGen ισοφάρισε ή ξεπέρασε τις ισχυρότερες βάσεις δημιουργίας εικόνας σε αισθητική ποιότητα και PickScore, ενώ το ενοποιημένο μοντέλο εικόνας και κειμένου πέτυχε το υψηλότερο m-ROUGE σκορ μεταξύ όλων των προσεγγίσεων κειμένου. Τα αποτελέσματα αξιολόγησης ανθρώπων παρέμειναν ανταγωνιστικά και στις δύο τροπικότητες.
Από αυτά τα αποτελέσματα, οι συγγραφείς δηλώνουν:
‘Η μέθοδός μας επιτυγχάνει την καλύτερη απόδοση σε ImageReward και κατατάσσεται δεύτερη και σε PickScore και ανθρώπινη αξιολόγηση, αποδεικνύοντας την υπεροχή της σε αισθητική ποιότητα και υψηλό ποσοστό αξιοποιήσιμων αποτελεσμάτων. Ενώ το ReliableAd προηγείται στην ανθρώπινη αξιολόγηση, υστερεί σημαντικά σε αισθητικές μετρήσεις. Αντίθετα, το PosterMaker και το Flux-Fill παράγουν οπτικά ελκυστικές εικόνες αλλά υποφέρουν από προφανείς περιορισμούς χρηστικότητας.
‘Χάρη στις αποτελεσματικές προσεγγίσεις ελέγχου, η μέθοδός μας επιτυγχάνει με επιτυχία μια ιδανική ισορροπία μεταξύ οπτικού περιεχομένου και πρακτικής χρησιμότητας.’
Προσωποποιημένη δημιουργία διαφήμισης αξιολογήθηκε σε 500 χρήστες με καταγεγραμμένες ιστορίες αλληλεπιδράσεων, χρησιμοποιώντας τον προαναφερθέν PBS για να μετρήσει την ομοιότητα εικόνας, και BLEU και ROUGE για να συγκρίνει το δημιουργημένο κείμενο με προϊόντα που οι χρήστες είχαν πραγματικά κάνει κλικ.
Επειδή οι γενικές βάσεις διαφήμισης που χρησιμοποιήθηκαν στην προηγούμενη πειραματική διαδικασία δεν μπορούσαν να ενσωματώσουν ιστορίες χρηστών, οι συγκρίσεις μεταφέρθηκαν σε συστήματα που σχεδιάστηκαν για προσωποποίηση. Για τη δημιουργία εικόνας, Flux-Kontext και Pigeon επιλέχθηκαν ως βάσεις. Το Flux-Kontext προμήθευσε με έναν πίνακα ιστορικών εικόνων χρήστη μαζί με την εικόνα προϊόντος-στόχο, επιτρέποντας στις προηγούμενες προτιμήσεις να επηρεάσουν τη δημιουργία.
Επειδή το Pigeon δεν υποστηρίζει φυσικά ελεγχόμενη τοποθέτηση προϊόντος, το μονάδα αντίληψης του προσκηνίου που αναπτύχθηκε για το Uni-AdGen ενσωματώθηκε για να διατηρήσει τη συνέπεια προϊόντος. Για τη δημιουργία κειμένου, Qwen3 και DeepSeek-R1 χρησιμοποιήθηκαν, με ιστορικές περιγραφές προϊόντων που εισάγονται απευθείας στο πρότυπο οδηγιών τους για να παρέχουν πλαίσιο προσωποποίησης:

Αποτελέσματα προσωποποιημένης δημιουργίας διαφήμισης. Το Uni-AdGen ξεπέρασε το Flux-Kontext, Pigeon, Qwen3, και DeepSeek-R1 σε όλα τα αναφερόμενα μέτρα προσωποποίησης, ενώ η μελέτη ablation έδειξε ότι τα ιστορικά δεδομένα χρηστών, η δειγματοληψία ομοιότητας προϊόντος (PSS), και η εξαγωγή πολυτροπικών προτιμήσεων συνεισέφεραν μετρήσιμα οφέλη.
Εδώ οι συγγραφείς σχολιάζουν:
‘Τα οπτικά αποτελέσματα [περιλαμβάνονται στην εικόνα παρακάτω] δείχνουν ότι το Flux-Kontext αποτυγχάνει να κατανοήσει τις προτιμήσεις του χρήστη και παραμένει ευάλωτο σε θόρυβο δείγματος, οδηγώντας σε σημαντική απόκλιση από την πραγματικότητα, όπως τα μη σχετικά αντικείμενα στην εικόνα μοτοσικλέτας.’

Παραδείγματα προσωποποιημένης δημιουργίας διαφήμισης. Σε σύγκριση με το Flux-Kontext, Pigeon, Qwen3, και DeepSeek-R1, το Uni-AdGen παρήγαγε εικόνες που ταιριάζουν περισσότερο με τον οπτικό στυλ και το πλαίσιο διαφημίσεων που οι χρήστες είχαν πραγματικά κάνει κλικ, ενώ παράγοντας κείμενο που κατέγραψε μεγαλύτερο ποσοστό των χαρακτηριστικών προϊόντων και πωλησιακών σημείων που παρουσιάζονται στα παραδείγματα αναφοράς. Οι αντίστοιχοι όροι επισημαίνονται με πράσινο.
Τα ποιοτικά παραδείγματα, οι συγγραφείς ισχυρίζονται, δείχνουν ότι το Flux-Kontext και το Pigeon συχνά παρήγαγαν εξόδους που απομακρύνθηκαν από τις οπτικές ιδιότητες διαφημίσεων που οι χρήστες είχαν προηγουμένως κάνει κλικ: ενώ το κείμενο που παράγεται από το Qwen3 και το DeepSeek-R1 παρέλειψε κάποια πωλησιακά σημεία που παρουσιάζονται στα παραδείγματα αναφοράς.
Συμπέρασμα
Η χρησιμότητα αυτού του έργου εξαρτάται πλήρως από την ενεργή συγκατάθεση του χρήστη, και η επέκταση της εμβέλειας αυτού του ‘προβλεπτικού’ συστήματος πέρα από το πεδίο του ιστοτόπου που ελέγχει το ιστορικό του χρήστη – σε αυτήν την περίπτωση, JD.com – απαιτεί ακόμη πιο χαλαρά σύνολα ρητών αδειών από τον χρήστη, στις περισσότερες περιοχές.
Ωστόσο, το σύστημα βασίζεται στο είδος του υπερκλίμακας δικτύου που λειτουργεί σε τέτοια περίπτωση, και στην (ίσως κάπως αισιόδοξη) ιδέα ότι οι χρήστες θα βρουν αυτό το είδος πραγματικά προσωποποιημένου και ακόμη και προγνωστικού συστήματος συστάσεων χρήσιμο αντί για ενοχλητικό, τουλάχιστον μέσα στο κλειστό οικοσύστημα ενός γίγαντα λιανικής.
* Αυτή η εικόνα κτίζει στην ανησυχητική νέα τάση ‘συνδυασμένων σχημάτων’ σε ερευνητικά έγγραφα, όπου εικονογραφήσεις που θα ήταν κάποτε 3-4 διαφορετικά σχήματα συνδυάζονται σε ένα (για τον σκοπό της υπακοής στις οδηγίες υποβολής για το μέγιστο μήκος του κύριου εγγράφου) και χρησιμοποιούνται μόνο ως αναφορά υλικό, συχνά χωρίς επαρκή εξήγηση στο συνοδευτικό σχόλιο.
† ‘m’-prefix υποδηλώνει σύγκριση με πολλαπλά υποψήφια κείμενα.
Πρώτη δημοσίευση Τρίτη, 2 Ιουνίου 2026. Τροποποιήθηκε 18:21 EET για να διορθώσει το τελικό ‘τοίχο’ σε ‘κλειστό κήπο’ στην τελευταία παράγραφο.












