GrocLM: 대규모 언어 모델을 활용한 이커머스 식료품 카테고리 추천
GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models
한국어 초록
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.
원문 초록
The rapid growth of online grocery shopping requires recommendation systems that capture cyclical purchasing behavior and diverse user intents. Traditional item-level methods face scalability and accuracy challenges, motivating category-level recommendation as a more structured and practical alternative. We present GROCLM, a fine-tuned language model for grocery category recommendation in a real-world production environment. GROCLM employs a two-stage LoRA-based training strategy to encode cyclical purchasing patterns directly into model parameters, enabling more effective utilization of rebuying signals compared to prompt-based conditioning. To ensure valid and controllable outputs, we further introduce a trie-based constrained decoding mechanism over a predefined category space. Experiments on both proprietary production data and a public benchmark demonstrate that GROCLM consistently outperforms strong baselines. In a live production restocking task, GROCLM achieves a 7.5% relative improvement in cart-adds per impression, while maintaining efficient inference by generating all categories jointly. These results highlight the effectiveness and practicality of integrating large language models into structured recommendation systems.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.24764v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
공통 태그로 연결된 공개 논문이 아직 없습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.