隨著線上雜貨購物的快速增長，推薦系統需要捕捉週期性購買行為（如每週的食品雜貨採購）以及多樣化的使用者意圖。傳統的基於物品的推薦方法面臨可擴充套件性和準確性挑戰，因為雜貨品類繁多且購買模式具有重複性。因此，類別級推薦作為一種更結構化和實用的替代方案應運而生。本文介紹了GrocLM，一個在真實生產環境中為雜貨類別推薦而微調的語言模型。該模型由Yuan Zhong等六位作者於2026年6月4日提交至arXiv，隸屬於人工智慧（cs.AI）領域。
GrocLM採用兩階段基於低秩適應（LoRA）的訓練策略，以高效地將週期性購買模式直接編碼到模型引數中。第一階段在通用資料上進行預訓練，第二階段則專注於利用重複購買訊號進行微調。與基於提示的條件方法相比，這種方法能更有效地捕捉使用者的復購行為。為了確保輸出的有效性和可控性，研究團隊還引入了一種基於字典樹（trie）的約束解碼機制，在預定義的類別空間內進行解碼，從而避免生成無效的類別推薦。
實驗在專有生產資料和公開基準上進行，結果顯示GrocLM consistently優於強基線方法，包括傳統的協同過濾和基於深度學習的推薦模型。在一個真實的線上雜貨補貨任務中，GrocLM實現了每次展示購物車新增量相對7.5%的提升，同時透過聯合生成所有類別保持了高效的推理速度。這一成果凸顯了將大語言模型整合到結構化推薦系統中的有效性和實用性，為電商推薦領域提供了新的思路。
該研究不僅展示了語言模型在結構化任務中的潛力，也為未來在更廣泛的推薦場景中應用大型語言模型奠定了基礎。對於從事推薦系統、自然語言處理以及電商平臺開發的工程師和研究人員而言，GrocLM提供了一種可借鑑的新正規化。