Mind the Gap: Bridging Behavioral Silos with LLMs in Multi-Vertical Recommendations
本文提出了一种新颖的框架，该框架利用大语言模型在分层检索增强生成流水线中，从数据丰富的领域合成跨垂直的用户偏好，从而有效解决数据稀疏的电子商务垂直领域的冷启动问题并增强个性化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将 DoorDash 想象成一个规模宏大、繁忙有序的美食广场。在其中一侧，有数百家受欢迎的餐厅，每个人都熟悉那些常客。在另一侧，则有售卖杂货、零售商品和美容产品的新型摊位。问题在于：这些新摊位还不了解它们的顾客。如果你从未在 App 上购买过一袋面粉或一瓶洗发水，系统就不知道你可能会喜欢什么。这就是“冷启动”问题。
论文《弥合差距》（Mind the Gap）描述了一种巧妙的解决方法，即使用一个“超级智能翻译官”（一种被称为大语言模型或 LLM 的人工智能）来架起连接你在美食区所做行为与你在杂货区可能需求之间的桥梁。
以下是他们实现这一目标的步骤，通过简单的步骤进行了拆解：
1. “秘密成分”检测器
研究人员意识到，即使你还没有买过杂货，你的订餐历史也能反映出很多关于你口味的信息。
- 旧方法： 系统仅仅看到“你点了印度菜”。
- 新方法： 他们使用人工智能充当一名美食侦探。AI 不仅仅是看到订单，它还会观察你的历史记录并说：“啊，这个人喜欢辣咖喱、像 Naan 这样口感柔软的面包，以及特定类型的奶酪。”
AI 将你杂乱无章、非结构化的历史记录（例如“从 Royal Spice 点了黄油鸡”）转化为一份整洁、有序的偏好清单（例如“特色面包”、“鸡肉”、“奶酪”）。这就像是将一堆混乱的收据变成一份完美组织的购物清单。
2. “智能搜索”（层级化 RAG）
为了确保 AI 不会产生困惑或凭空捏造（这种问题被称为“幻觉”），他们构建了一个名为 层级化 RAG 的特殊系统。
- 类比： 想象你正试图在一座巨大的图书馆里找一本特定的书。你不是大喊“我要一本书！”然后听天由命，而是先告诉管理员，“我要小说。”然后是，“我要悬疑类。”接着是，“我要一部以伦敦为背景的悬疑小说。”
- 工作原理： AI 首先确定大类（例如“乳制品”），然后缩小范围到具体类型（例如“硬质奶酪”）。这种循序渐进的方法确保了 AI 只会推荐真正符合你口味的东西，从而过滤掉随机的猜测。
3. 两类线索
该系统使用两种不同类型的线索来理解你：
- 长期口味： 基于你数月以来的订购记录。这告诉系统你的整体性格（例如，“这个人是个健康达人”）。
- 短期情绪： 基于你刚刚在搜索栏中输入的内容。这告诉系统你现在想要什么（例如，“这个人正在寻找快速补充蛋白质的零食”）。
4. “超级推荐”引擎
一旦 AI 创建了这些整洁的偏好清单，就会将它们输入到 DoorDash 的主推荐引擎中。
- 结果： 当你第一次进入杂货板块时，系统不会向你展示随机商品。相反，它会说：“既然你喜欢香辣的印度美食和健康的零食，这里有一些你可能会喜欢的特定杂货商品。”
有效吗？
团队通过两种方式测试了它：
- 离线测试： 他们使用旧数据进行了模拟。与旧系统相比，新系统在预测用户点击或购买方面表现得显著更好。
- 在线测试： 他们让新系统在真实 App 运行的同时在后台静默运行（影子部署）。结果与模拟一致：新系统提供了更好的推荐，尤其是在杂货和零售板块针对新用户时。
简而言之： 论文表明，通过使用智能 AI 将你的饮食历史转化为杂货偏好，DoorDash 可以停止盲目猜测，转而开始精准掌握你的需求，即使你以前从未在他们那里买过杂货。这就像拥有一位私人购物顾问，只需看一眼你的午餐订单，就能了解你的整个生活史。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。