온라인 쇼핑몰에서 식료품 카테고리 추천 시스템

온라인 슈퍼마켓 쇼핑의 급속한 성장으로 인해 순환 구매 행동과 다양한 사용자 의도 캡처하는 추천 시스템이 필요하다. 전통적인 아이템 단위 방법은 확장성과 정확성 문제를 겪고 있기 때문에 카테고리 단위 추천은 더 구조화된 실용적인 대안으로 여겨진다. 우리는 실제-world 운영 환경에서 온라인 슈퍼마켓 카테고리 추천을 위한 고도fine-tuned 언어 모델인 GROCLM을 제시한다. GROCLM은 두 단계의 LoRA-based 훈련 전략을 사용하여 모델 매개 변수에 순환 구매 패턴을 직접 인코딩하여 재구매 신호의 효과적인 활용을 가능하게 한다. 또한, 사전 정의된 카테고리 공간에서 trie-based 제한된 디코딩 메커니즘을 도입하여 유효하고 제어 가능한 출력을 보장한다. 온라인 슈퍼마켓 운영 데이터와 공개 벤치마크 데이터에 대한 실험 결과로 GROCLM은 강력한 베이스라인보다 일관되게 우수한 성능을 보인다. 실제-world 운영 환경에서 재고 재고를 위한 실시간 추천 작업에서 GROCLM은 1회 인상당한 카트에 추가되는 비율이 7.5% 향상되었으며, 효율적인 추론을 가능하게 하기 위해 모든 카테고리를 동시에 생성한다. 이러한 결과는 대규모 언어 모델(LLM)을 구조화된 추천 시스템에 통합하는 것이 효과적이고 실용적인 것임을 강조한다.