GrocLM：利用大语言模型进行电子商务中的杂货类别推荐
本文提出GrocLM，一个经过微调的语言模型，用于电子商务中的杂货类别推荐。该模型采用两阶段LoRA训练策略，将周期性购买模式直接编码到模型参数中，并通过基于trie的约束解码机制确保输出有效。实验表明，在真实场景中，GrocLM的每次展示购物车添加量相对提升了7.5%。
随着在线杂货购物的快速增长，推荐系统需要捕捉周期性购买行为（如每周的食品杂货采购）以及多样化的用户意图。传统的基于物品的推荐方法面临可扩展性和准确性挑战，因为杂货品类繁多且购买模式具有重复性。因此，类别级推荐作为一种更结构化和实用的替代方案应运而生。本文介绍了GrocLM，一个在真实生产环境中为杂货类别推荐而微调的语言模型。该模型由Yuan Zhong等六位作者于2026年6月4日提交至arXiv，隶属于人工智能（cs.AI）领域。
GrocLM采用两阶段基于低秩适应（LoRA）的训练策略，以高效地将周期性购买模式直接编码到模型参数中。第一阶段在通用数据上进行预训练，第二阶段则专注于利用重复购买信号进行微调。与基于提示的条件方法相比，这种方法能更有效地捕捉用户的复购行为。为了确保输出的有效性和可控性，研究团队还引入了一种基于字典树（trie）的约束解码机制，在预定义的类别空间内进行解码，从而避免生成无效的类别推荐。
实验在专有生产数据和公开基准上进行，结果显示GrocLM consistently优于强基线方法，包括传统的协同过滤和基于深度学习的推荐模型。在一个真实的在线杂货补货任务中，GrocLM实现了每次展示购物车添加量相对7.5%的提升，同时通过联合生成所有类别保持了高效的推理速度。这一成果凸显了将大语言模型整合到结构化推荐系统中的有效性和实用性，为电商推荐领域提供了新的思路。
该研究不仅展示了语言模型在结构化任务中的潜力，也为未来在更广泛的推荐场景中应用大型语言模型奠定了基础。对于从事推荐系统、自然语言处理以及电商平台开发的工程师和研究人员而言，GrocLM提供了一种可借鉴的新范式。