instacart.com

이 이메일 도메인이 관측된 논문 2건

arXiv:2607.27172v1cs.IR

연관 의도 생성을 통한 이커머스 검색에서의 상품 발견 가능성 향상

Improving Item Discoverability in e-Commerce Search via Related Intent Generation

전통적인 검색 시스템은 검색어(query)와 엄격하게 일치하는 상품을 검색하도록 최적화되어 있어, 재현율(recall)보다 정밀도(precision)를 우선시하는 경우가 많습니다. 이커머스 마켓플레이스, 특히 식료품 부문에서는 사용자 만족도와 상업적 성과가 대체재, 보완재 및 주제별 연관 상품의 발견 가능성에 크게 의존하기 때문에 이러한 패러다임은 한계가 있습니다. 본 논문에서는 의도 기반 재현율 확장을 활용하는 탐색 증강 검색(discovery-augmented search)을 위한 확장 가능한 시스템을 제시합니다. 우리의 접근 방식은 관련성을 유지하면서 후보 재현율을 확장하기 위해 사용자의 암시적 의도를 생성합니다. 이 시스템은 2단계 하이브리드 아키텍처를 통해 생성형 검색의 비용-품질 트레이드오프를 해결합니다. 먼저, 폐쇄형 가중치 대규모 언어 모델(LLM)을 활용하여 헤드(head) 검색어에 대한 발견 가능성을 극대화합니다. 이러한 이점을 테일(tail) 검색어로 확장하기 위해, LoRA 어댑터와 교사-학생 지식 증류(teacher-student distillation)를 통해 학습된 파인튜닝된 소형 언어 모델(SLM)을 도입합니다. 우리는 엄격한 이중 프레임워크를 사용하여 시스템을 평가합니다: (a) 의미적 품질에 대해 인간 선호도와 교차 검증된 LLM-as-a-judge 지표, (b) 엔드투엔드 세션 수준 구매 분석. 실험 결과에 따르면 본 접근 방식은 의도 생성 품질과 다운스트림 검색 효과를 모두 향상시키며, 교사 모델 추론 비용의 약 30% 수준으로 검색 트래픽의 발견 범위를 약 60%에서 80%로 확장하여 대규모 마켓플레이스 배포를 위한 실현 가능한 경로를 제공합니다. 관련성 향상을 넘어, 탐색 증강 검색은 롱테일 및 신규 공급 상품에 검색어 기반 노출 기회를 제공함으로써 마켓플레이스 균형 메커니즘으로 기능할 수 있습니다.

arXiv:2607.24764v1cs.AI

GrocLM: 대규모 언어 모델을 활용한 이커머스 식료품 카테고리 추천

GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models

온라인 식료품 쇼핑의 급격한 성장은 주기적인 구매 행동과 다양한 사용자 의도를 포착할 수 있는 추천 시스템을 필요로 합니다. 기존의 아이템 수준 방식은 확장성과 정확도 측면에서 한계에 직면해 있으며, 이에 따라 보다 구조화되고 실용적인 대안으로 카테고리 수준 추천이 주목받고 있습니다. 본 논문에서는 실제 상용 환경에서 식료품 카테고리를 추천하기 위해 파인튜닝된 언어 모델인 GROCLM을 제시합니다. GROCLM은 2단계 LoRA 기반 학습 전략을 채택하여 주기적 구매 패턴을 모델 파라미터에 직접 인코딩함으로써, 프롬프트 기반 조건화 방식에 비해 재구매 신호를 더욱 효과적으로 활용할 수 있도록 합니다. 또한 유효하고 제어 가능한 출력을 보장하기 위해 사전 정의된 카테고리 공간에서 트라이(trie) 기반의 제약 디코딩(constrained decoding) 메커니즘을 도입합니다. 독점 프로덕션 데이터와 공개 벤치마크 모두에서 수행한 실험을 통해 GROCLM이 강력한 베이스라인들을 일관되게 능가함을 입증합니다. 실제 상용 환경의 재구매(restocking) 작업에서 GROCLM은 모든 카테고리를 공동으로 생성하여 효율적인 추론을 유지하면서도 노출당 장바구니 담기(cart-adds per impression) 비율을 상대적으로 7.5% 향상시켰습니다. 이러한 결과는 대규모 언어 모델(LLM)을 구조화된 추천 시스템에 통합하는 것의 효과성과 실용성을 잘 보여줍니다.