大语言模型通过推断客户偏好来改进商品推荐系统-Multimodal Preference Discerner

大语言模型通过推断客户偏好来改进商品推荐系统-Multimodal Preference Discerner

大语言模型能够通过推断客户偏好，为改进商品推荐系统带来新的契机，助力电商等行业更精准地把握客户需求，提升推荐效果与用户体验。

近期，林茨约翰内斯·开普勒大学、威斯康星大学以及Meta的法比安·派舍尔（Fabian Paischer）及其同事，推出了一款名为多模态偏好识别器（Multimodal Preference Discerner，简称Mender）的创新推荐系统，它将大语言模型（LLM）巧妙集成，开启了精准推荐的新路径。

在客户与商品交互产生的海量文本信息里，隐藏着宝贵的偏好线索。像产品描述，其用生动的语言描绘商品特性，吸引客户的点往往反映了客户潜在偏好；客户撰写的产品评论，更是直接表达了对商品的感受与看法。然而，这些文本是复杂的混合体，既包含能体现客户偏好的关键内容，比如对特定手工项目所需工具的偏好描述，也充斥着干扰推荐系统的无关信息，诸如对商品交付延迟的抱怨等。在过去，传统推荐系统面对这类复杂文本常常力不从心，难以精准提取真正有用的偏好信息，导致推荐偏离客户实际需求。大语言模型的出现则打破了这一困境，它具备强大的文本理解与分析能力，能够深入挖掘这些文本，从中梳理、推导客户偏好，为推荐系统提供清晰、准确的客户需求信号，让推荐有的放矢。

Mender系统的构成精妙且协同性强，由功能各异的组件共同搭建起智能推荐的桥梁。其中，Llama 3 70B-Instruct大语言模型作为核心“智囊”，负责对各类文本信息进行深度剖析，推断客户偏好；Flan-T5编码器在各种文本上预先训练且后续保持冻结状态，它如同严谨的信息整理员，将客户数据进行嵌入处理，为后续分析做准备；从零开始训练的Transformer解码器则扮演预测专家的角色，依据前面组件处理后的信息，预测客户下一次购买的商品。

在实际运行时，Mender系统有着一套有序且高效的流程。首先，研究团队以客户已购买和评论过的产品列表作为起点。大语言模型依据商品描述以及截至当时客户留下的所有评论，施展其强大的文本分析能力，以指令形式推断出客户的偏好，比如“青睐色彩鲜艳、风格大胆的产品”。接着，为构建一个精准有效的数据集，团队将每个客户购买的商品序列，与通过特定方式匹配的推断偏好关联起来。具体操作上，他们借助预训练的Sentence-T5嵌入模型，分别对所有先前的偏好和商品描述进行嵌入处理，从中筛选出与下一次购买嵌入最为相似的偏好，以此确保数据集中的偏好与购买行为紧密相关。最后，编码器将购买列表和选定的偏好进行嵌入，解码器依据这些嵌入信息，通过不断学习来精准预测客户下一次的购买行为。

为了验证Mender系统的性能，研究人员将其与另一个在业界有一定影响力的推荐系统TIGER（TIGER同样会参考购买历史来预测下一次购买），放在Steam和亚马逊数据集上展开全面对比，选用召回率@5作为评估指标。召回率@5聚焦于正确商品出现在模型最有可能预测的前五个商品中的频率，能直观反映推荐系统的精准度。

在Steam数据集上，Mender表现卓越，召回率@5达到16.8%，TIGER也较为接近，为16.3%；而在亚马逊的玩具和游戏数据集上，Mender的优势更加凸显，召回率@5达到5.3%，TIGER仅为3.75%。综合来看，在所有参与测试的数据集上，Mender都给出了最佳推荐结果，充分证明了其在推荐精准度上的领先地位。

Mender系统带来的变革意义深远。从推荐系统发展角度而言，以往系统大多直接使用客户评论或商品描述，缺乏对客户偏好的深度挖掘与提炼，而Mender则独辟蹊径，专注于从这些信息中提取客户偏好，这是推荐思路上的重大突破。从商业应用层面出发，对于电商平台等企业来说，精准的商品推荐意味着更高的用户满意度和购买转化率。当客户在平台上频繁看到符合自己心意的商品推荐，会极大提升购物体验，进而增加对平台的信任与依赖，更愿意在平台上消费，最终推动企业业绩增长。