原子意图推理：将 LLM 语义引入工业跨域推荐

跨域推荐是内容到电商平台的核心问题。其目标是利用用户与内容的交互来推断电子商务方面的潜在购买意图，从而提高转化率和商业价值。然而，在实际的工业场景中，跨域推荐面临多重挑战：不同域之间存在显着的语义鸿沟，用户跨域行为序列往往规模庞大且噪声丰富。尽管大语言模型（LLM）具有强大的语义理解和推理能力，但其毫秒级的推理延迟使得直接应用于在线推荐系统中变得困难。为了解决这些问题，本文介绍了 AIR（原子意图推理），这是一种专为工业级部署而设计的 LLM 驱动的跨域推荐框架。通过将 LLM 推理迁移到离线阶段，并通过在线操作期间的高效检索和组合动态构建用户意图表示，在保持语义一致性的同时实现了约 400* 的推理加速。多个公共数据集的实验结果表明，我们的方法在跨域推荐任务中实现了最先进的性能。此外，在快手电商的真实业务场景中进行的大规模在线A/B测试表明，我们的方法在多个核心业务指标上实现了稳定且显着的改进，其中GMV增加了+3.446%，充分验证了其在工业规模推荐系统中的有效性和实用价值。