GROCLM：基于大模型的杂货品类推荐方案

电商杂货场景下，用户购买行为具有明显的周期性，传统的商品级推荐方法在扩展性与准确性上存在瓶颈。近期发表于 arXiv 的一篇论文提出 GROCLM，将大语言模型微调后用于杂货品类推荐，并在真实生产环境中取得了可观的效果提升。

研究背景与动机

在线杂货购物增长迅速，推荐系统需要同时捕捉周期性复购信号与多样化的用户意图。与商品级推荐相比，品类级（category-level）推荐结构更稳定、实用性更强，更适合规模化部署。然而，直接使用大语言模型进行品类推荐存在两个核心难题：一是复购信号难以有效融入模型，二是输出必须严格落在预定义的品类空间内。GROCLM 针对这两个问题给出了对应的工程解法。

方法设计

GROCLM 的核心是一个经过微调的语言模型，整体采用两阶段 LoRA（低秩适配）训练策略，将周期性购买模式直接编码进模型参数，而不是通过提示词（prompt）进行条件化控制。这种做法相比 prompt 条件化能够更充分地利用复购信号。

在推理阶段，GROCLM 引入基于前缀树（trie）的受限解码机制，使模型输出被约束在一个预定义的品类空间内，确保结果的合法性与可控性。同时，模型一次性联合生成所有相关品类，而非逐项生成，从而保持较高的推理效率，适合线上部署。

实验结果

研究团队在两类数据上验证了 GROCLM 的效果：一是来自真实生产环境的专有数据集，二是公开基准数据集。实验结果显示，GROCLM 在多个评估指标上均稳定优于强基线方法。

更具说服力的是线上生产测试：在补货推荐（restocking）任务中，GROCLM 带来了 7.5% 的「每次曝光带来的购物车添加数」相对提升，同时保持了较高的推理效率。这一结果直接证明了大语言模型在结构化推荐场景中的实用价值。

总结

GROCLM 的工作表明，通过两阶段 LoRA 微调与 trie 受限解码的组合，大语言模型可以有效迁移到品类级推荐任务中，并在真实业务指标上带来可衡量的增益。对于正在探索 LLM 与推荐系统结合的工程团队而言，这一案例提供了可参考的训练与解码范式。