大语言模型中通过代理推理增强本地生活服务推荐

本地生活服务推荐因其强烈的生活需求驱动性而区别于一般的推荐场景。从根本上来说，准确识别用户的即时生活需求并推荐相应的服务是密不可分的任务。然而，先前的工作通常孤立地对待它们，未能实现需求预测和服务推荐的统一建模。在本文中，我们提出了一种基于 大语言模型 的新颖框架，该框架联合执行生活需求预测和服务推荐。为了解决原始消费数据中噪声的挑战，我们引入了一种行为聚类方法，可以过滤掉偶然因素并有选择地保留典型模式。这使得模型能够学习需求生成的强大逻辑基础，并自发地推广到长尾场景。为了驾驭来自不同需求、商家和复杂映射路径的巨大搜索空间，我们采用了课程学习策略，结合具有可验证奖励的强化学习。这种方法引导模型顺序学习从需求生成到类别映射和特定服务选择的逻辑。大量的实验表明，我们的统一框架显着提高了生活需求预测性能和推荐准确性，验证了联合建模生活需求和用户行为的有效性。