在在线杂货购物快速增长的背景下，推荐系统亟需捕捉周期性购买行为和多样化用户意图。传统的商品级方法面临可扩展性和准确性挑战，因此类目级推荐成为一种更结构化且实用的替代方案。我们提出了GROCLM，一种针对杂货类目推荐的微调语言模型，适用于真实生产环境。
GROCLM采用两阶段的LoRA训练策略，将周期性购买模式直接编码到模型参数中，从而比基于提示的条件化更有效地利用重复购买信号。为了确保输出的有效性和可控性，我们进一步引入了基于前缀树的约束解码机制，限制在预定义的类目空间内。
在对专有生产数据和公共基准进行的实验中，GROCLM始终优于强基线。在实时生产补货任务中，GROCLM在每次展示中的购物车添加量上实现了7.5%的相对提升，同时通过联合生成所有类目来保持高效推理。这些结果突显了将大语言模型集成到结构化推荐系统中的有效性和实用性。
博主点评： GROCLM通过创新的训练策略和解码机制，成功将复杂的用户购买行为模型化，展示了大语言模型在推荐系统中的巨大潜力。这为电商领域的个性化推荐提供了新的思路，值得其他领域借鉴。