从点击到意图：使用 LLM 金融服务建议的蒸馏分类法进行跨平台会话嵌入

顺序用户行为建模在工业推荐系统中被广泛采用；然而，金融服务领域仍存在巨大差距，登录前的网络交互和经过身份验证的应用内体验存在巨大差异。具体来说，登录前的网络用户通常会探索新产品，而登录的应用程序用户则专注于帐户服务。由于跨渠道实体解析的挑战（例如，将匿名网络会话与经过身份验证的移动帐户相匹配），基于网络的意图信号在身份验证后个性化方面仍未得到充分利用。捕获基于网络的意图的现有方法通常是临时的和狭隘的，缺乏支持定量下游建议和大规模定性理解的灵活性。在这项工作中，我们提出了一个用于基于网络的交互的可扩展和双重目的的意图预测框架，并证明了其对个性化的适用性。我们的方法将原始网络点击流转换为两个输出：自我监督的 Transformer 将多模式点击流编码为紧凑的会话嵌入，而基于 LLM 的分类生成和 蒸馏 管道生成可解释的意图标签。我们的系统证明，自监督点击流表示与 LLM 提炼的分类法相结合可以共同服务于生产中的定量任务和定性理解：在移动主页图块排名任务中，会话嵌入将宏 Recall@1 提高了 1.88%，并将 Log Loss 比生产基线提高了 13.38%。在用户转化预测任务中，嵌入在 micro F1 上的性能比 LLM 标签高 4.3%，而 蒸馏 层以超低延迟提供可解释的标签，性能仅下降 7%。