オンライン食料品ショッピングの急速な成長に伴い、周期性購買行動（毎週の食品買い物など）や多様なユーザー意図を捉える推薦システムが求められている。従来のアイテムレベルの手法は、品目数が多く購買パターンが反復的であるため、スケーラビリティと精度に課題がある。そのため、カテゴリレベルの推薦がより構造的で実用的な代替手段として注目されている。本論文では、Yuan Zhong氏を含む6名の著者により2026年6月4日にarXivに提出された、実運用環境で食料品カテゴリ推薦を行うためにファインチューニングされた言語モデルGrocLMを紹介する。
GrocLMは2段階のLoRA（低ランク適応）ベースの学習戦略を採用し、周期性購買パターンをモデルパラメータに直接エンコードする。最初の段階では汎用データで事前学習し、第二段階では再購買シグナルを活用した微調整を行う。これにより、プロンプトベースの条件付けと比較して、再購買パターンをより効果的に捉えることができる。また、出力の有効性と制御可能性を確保するため、定義済みカテゴリ空間上でトライ木ベースの制約付きデコード機構を導入し、無効なカテゴリの生成を防止する。
実験は独自のプロダクションデータと公開ベンチマークの両方で行われ、GrocLMは従来の協調フィルタリングや深層学習ベースの推薦モデルを含む強力なベースラインを一貫して上回った。実際のオンライン食料品補填タスクでは、全カテゴリを同時生成することで効率的な推論を維持しつつ、1インプレッションあたりのカート追加数が7.5%向上した。この成果は、大規模言語モデルを構造化推薦システムに統合することの有効性と実用性を強調しており、Eコマース推薦分野に新たな指針を提供する。
本研究は、言語モデルの構造化タスクへの応用可能性を示すとともに、推薦システムや自然言語処理、Eコマースプラットフォーム開発に携わるエンジニアや研究者にとって、新たなパラダイムとして参考になるものである。