GrocLM：电商中基于大语言模型的杂货品类推荐

在线杂货购物的快速增长要求推荐系统能够捕捉周期性购买行为和多样的用户意图。传统的商品级方法面临可扩展性和精度挑战，促使品类级推荐成为更结构化、更实用的替代方案。我们提出GROCLM，一个在真实生产环境中用于杂货品类推荐的微调语言模型。GROCLM采用两阶段基于LoRA的训练策略，将周期性购买模式直接编码进模型参数，与基于提示的条件化相比能更有效地利用复购信号。为确保输出有效且可控，我们进一步引入了在预定义品类空间上基于trie的受限解码机制。在自有生产数据和公开基准上的实验表明，GROCLM持续优于强基线。在线上生产的补货任务中，GROCLM在每次曝光加购率上取得7.5%的相对提升，同时通过联合生成所有品类保持高效推理。这些结果凸显了将大语言模型集成到结构化推荐系统中的有效性与实用性。