精选今天0 投票
GrocLM：用大语言模型革新电商杂货品类推荐
随着线上杂货购物迅猛增长，传统的商品级推荐系统在捕捉周期性购买行为和多样化用户意图时面临可扩展性与准确性的双重挑战。为此，研究者提出了一种更结构化的替代方案——品类级推荐，并开发了名为 GrocLM 的微调语言模型，专门用于真实生产环境中的杂货品类推荐。
GrocLM 的核心创新在于其两阶段 LoRA 微调策略。与依赖提示词（prompt）来注入购买周期信息的方法不同，该模型直接将周期性购买模式编码进模型参数中，从而更有效地利用复购信号。为了确保输出结果的合法性与可控性，研究团队还引入了一种基于字典树的约束解码机制，使模型输出严格限定在预定义的品类空间内。
实验在专有生产数据与公开基准上展开，结果显示 GrocLM 显著优于多个强基线模型。在真实的补货任务中，GrocLM 实现了每次展示的加购量（cart-adds per impression）相对提升 7.5%，同时通过一次性生成所有品类推荐保持了高效的推理速度。
这一成果表明，将大语言模型整合到结构化推荐系统中不仅可行，而且能带来实际业务价值。GrocLM 为电商推荐系统提供了一种全新思路：从商品级转向品类级，利用 LLM 的语义理解能力与结构化控制机制，在复杂多变的购买场景中实现更精准、可扩展的推荐。未来，该技术有望进一步应用于库存管理、个性化营销等环节，推动在线杂货行业的智能化升级。