注意差距：在多垂直推荐中使用 LLM 弥合行为孤岛

在 DoorDash 这样的多垂直电子商务平台中，食品杂货和零售等相对较新的产品垂直领域为个性化创新提供了重要机会。一个关键的挑战在于解决用户的“冷启动”问题。本文介绍了一种新颖的框架，通过将知识从数据丰富的垂直行业（例如 DoorDash 的餐厅）转移到数据稀疏的垂直行业来提高推荐质量。我们利用 大语言模型 (LLM) 来执行生成推理，合成封装潜在用户亲和力的稀疏、高维特征。具体来说，我们采用分层检索增强生成（RAG）管道从用户餐厅订单历史和搜索查询中导出多级分类特征。这些生成的特征编码了长期跨垂直偏好和短期意图，并被集成到生产多任务学习（MTL）排名模型中。我们通过广泛的离线和在线评估证明，这种方法显着提高了新兴业务垂直领域的个性化和参与度，有效地弥合了行为数据差距。