PROMINET: Prototype-based Multi-View Network for Interpretable Email Response Prediction

要約

電子メールはビジネス コミュニケーションに広く使用されているツールであり、電子メール マーケティングは企業にとって費用対効果の高い戦略として浮上しています。
これまでの研究では電子メール マーケティングのパフォーマンスに影響を与える要因が調査されてきましたが、電子メールのコンテンツとメタデータを考慮して電子メールの応答行動を理解することに焦点を当てた研究は限られていました。
この研究では、電子メール データからの意味情報と構造情報を組み込むプロトタイプベースのマルチビュー ネットワーク (PROMINET) を提案します。
プロトタイプ学習を利用することで、PROMINET モデルは潜在的な手本を生成し、解釈可能な電子メール応答予測を可能にします。
このモデルは、学習された意味および構造のサンプルを、文書、文、フレーズなどのさまざまな粒度レベルでトレーニング データ内の観察されたサンプルにマッピングします。
このアプローチは、エンロン コーパスと社内電子メール マーケティング コーパスという 2 つの実際の電子メール データセットで評価されます。
実験結果は、PROMINET モデルがベースライン モデルよりも優れたパフォーマンスを示し、両方のデータセットで F1 スコアが最大 3% 向上したことを示しています。
さらに、このモデルは、解釈不可能なモデルと同等のパフォーマンスを維持しながら、さまざまな粒度レベルでのプロトタイプを通じて解釈可能性を提供します。
学習されたプロトタイプは、電子メールのテキスト編集を強化し、効果的な電子メール応答の可能性を高めるための提案を生成できる可能性も示しています。
この調査は、電子メールのやり取りにおける送信者と受信者のコミュニケーションと顧客エンゲージメントの強化に貢献します。

要約(オリジナル)

Email is a widely used tool for business communication, and email marketing has emerged as a cost-effective strategy for enterprises. While previous studies have examined factors affecting email marketing performance, limited research has focused on understanding email response behavior by considering email content and metadata. This study proposes a Prototype-based Multi-view Network (PROMINET) that incorporates semantic and structural information from email data. By utilizing prototype learning, the PROMINET model generates latent exemplars, enabling interpretable email response prediction. The model maps learned semantic and structural exemplars to observed samples in the training data at different levels of granularity, such as document, sentence, or phrase. The approach is evaluated on two real-world email datasets: the Enron corpus and an in-house Email Marketing corpus. Experimental results demonstrate that the PROMINET model outperforms baseline models, achieving a ~3% improvement in F1 score on both datasets. Additionally, the model provides interpretability through prototypes at different granularity levels while maintaining comparable performance to non-interpretable models. The learned prototypes also show potential for generating suggestions to enhance email text editing and improve the likelihood of effective email responses. This research contributes to enhancing sender-receiver communication and customer engagement in email interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google