AI Papers Daily

#generative AI

3 篇

Two-sided receptivity to conversational AI agents in online dating: Bilingual survey data from Fledge.Love

在线约会中对话AI代理的双向接受度：Fledge.Love双语调查数据集

🧭 对话式AI Agent 用户态度数据集

Fleamily, Inc., Delaware, USA · Lucy Family Institute for Data & Society, University of Notre Dame, Notre Dame, Indiana, USA

发布两个双语调查数据集，分离用户对部署自身代理与遭遇他人代理的接受度及对生成式AI功能的兴趣

📌 工作参考价值（4 点）

• 调查设计将用户角色拆分为“代理部署方”和“代理遭遇方”，电商/客服场景中评估用户对 Agent 的态度时也应分开测量，避免混淆部署意愿与接受接触意愿。
• 数据集发布流水线包含 k-anonymity 审计和双语 codebook，可复用为内部用户研究数据匿名化与文档规范，尤其适合跨境多语言产品的用户调研。
• 对被动生成式 AI 功能（如自动摘要、消息建议）的兴趣测量，可直接迁移到电商详情页生成、客服话术建议等功能的 pre-launch 接受度调研。
• 该数据集本身不涉及推荐算法，但可作为用户对生成式推荐解释或对话式购物助手态度的先验参考；若做类似用户研究，可借鉴其量表结构。

Agent | 2026-08-20 | cs.IR | score 6/10

conversational AIuser acceptancesurvey datasetagent receptivitygenerative AIcross-cultural

AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence

生成式AI搜索降低发布者点击且未改善体验：实验证据

🧭 生成式AI搜索的因果效应评估

University of Pennsylvania · Northeastern University

基于1,100人的预注册田野实验，证明Google AI搜索减少发布者点击，AI Mode还损害体验与信任

📌 工作参考价值（4 点）

• 在搜索/推荐结果页引入LLM摘要或对话式回答时，必须同时观测下游详情页、广告、商家页的CTR和GMV；本实验显示AI Overviews会系统性蚕食外部点击，不能只看搜索侧满意度。
• 完全“无链接”的AI Mode会显著降低用户信任与体验，电商搜索应保留原文链接、商品卡片等可点击出口，采用混合UI而非纯答案界面。
• 可复用其预注册现场实验设计：在真实搜索引擎上通过浏览器扩展随机屏蔽/保留AI功能，估计因果效果；对AI搜索/推荐功能灰度可用类似RCT，避免观察性偏差。
• 生成式推荐/Agent回答场景需监控“答案终结率”和后续跳转率，防止Agent直接给结论抑制用户探索和交易路径，必要时加入引用、相关推荐、追问按钮来平衡信息效率与商业流量。

LLM | 2026-08-18 | cs.IR | score 6/10

generative AIweb searchfield experimentpublisher trafficclick-through rateuser experience

Offline-to-Online Creative Optimization with Generative Models and Adaptive Testing

从离线到在线：用生成模型与自适应实验优化广告创意

🧭 广告创意优化与自适应实验设计 ★ 深度解读

University of Michigan · Meta

用历史A/B数据训排序模型引导创意生成，结合自适应在线实验筛选，AI最佳创意较人工最优提升45%

📌 工作参考价值（4 点）

• 历史实验数据用于生成引导：将历史 A/B 测试中的创意比较数据训练 Bradley‑Terry 排序模型，在推理时作为“批评者”指导 LLM 生成变体，而不是直接用排序模型选 Top1 部署。这种用法可迁移到电商商品标题、推送文案的批量生成与筛选。
• 候选集召回 > 单点精度：离线评价模型时，改用 Recall@k（如 Top‑30 石板对高表现创意的召回率）取代 Top1 准确率，更适应“生成→在线实验筛选”的两阶段范式。可借鉴到搜索词推荐、广告文案生成的离线评估中。
• 自适应实验降低试错成本：在线阶段采用 Thompson 采样的分批自适应实验，能快速识别强势创意并将流量从弱臂移开，相比固定均匀分配可降低约 66% 的探索遗憾。在电商/广告多臂测试预算有限时，这种批量自适应分配可直接复用。
• 生成迭代火候控制：推理时对生成候选只做一次排序再精炼即可获得最大提升，进一步迭代会过拟合到排序模型。在类似“文本梯度优化”的营销文案自动生成中，控制一轮精炼是工程上的有效经验。

RecSys | 2026-07-26 | cs.LG | score 10/10

creative optimizationgenerative AIadaptive testingmulti-armed banditranking modelinference-time critic