GrocLM：大语言模型电商杂货品类推荐

arXiv:2607.24764v1 公告类型：新 摘要：在线杂货购物的快速增长需要能够捕捉周期性购买行为和多样化用户意图的推荐系统。传统的项目级方法面临可扩展性和准确性的挑战，促使类别级推荐成为一种更加结构化和实用的替代方案。我们提出了 GROCLM，这是一种在现实生产环境中用于杂货品类推荐的微调语言模型。 GROCLM 采用基于 LoRA 的两阶段训练策略，将周期性购买模式直接编码到模型参数中，与基于提示的调节相比，能够更有效地利用重新购买信号。为了确保有效且可控的输出，我们进一步在预定义的类别空间上引入基于特里树的约束解码机制。对专有生产数据和公共基准的实验表明，GROCLM 始终优于强大的基准。在实时生产补货任务中，GROCLM 将每次展示的购物车添加量相对提高了 7.5%，同时通过联合生成所有类别来保持高效推理。这些结果凸显了将大型语言模型集成到结构化推荐系统中的有效性和实用性。