DeepAffinity：利用小型语言模型预测电子商务中的长期商品属性偏好
文章背景与核心概要
在电子商务领域，精准捕捉用户的长期偏好对于提升推荐质量、搜索体验以及营销效果至关重要。本文探讨了一项被称为“属性偏好（Aspect Affinity）”的新任务，即预测用户对特定商品属性（如品牌、尺寸和颜色）的长期偏好。通过将该任务构建为基于时间排序的交互历史的时间序列预测任务，作者超越了仅关注当前会话的局限，能够捕捉随时间演变的长期用户偏好。
为了解决这一挑战，研究团队提出了 DeepAffinity 框架。该框架利用配备了结构化提示词（Structured Prompts）和专用预测头（Specialized Prediction Heads）的小型语言模型（SLMs），并进行了针对性的微调。实验结果表明，DeepAffinity 的表现显著优于标准的生成式微调方法；而缺乏任务特定微调的通用开源大语言模型（LLMs）则表现较差，凸显了它们在建模细微行为时的局限性。最终，DeepAffinity 在一个大型跨国电商平台上成功验证了其提升推荐质量的实际效用。
摘要 (Summary)
DeepAffinity is a novel framework designed to predict long-term eCommerce user preferences for specific product aspects (such as brand, size, and color)—a task the authors define as Aspect Affinity. By framing this as a temporal prediction task using time-ordered interaction histories, DeepAffinity leverages Small Language Models (SLMs) equipped with structured prompts and specialized prediction heads. The research demonstrates that DeepAffinity outperforms standard generative fine-tuning methods and generalizes much better than general-purpose open-source LLMs (which struggle without task-specific tuning), ultimately enhancing recommendation quality on a large-scale multinational eCommerce platform.
DeepAffinity 是一个新颖的框架，旨在预测电子商务用户对特定商品属性（如品牌、尺寸和颜色）的长期偏好——作者将这一任务定义为属性偏好（Aspect Affinity）。通过利用按时间排序的交互历史将其构建为时间预测任务，DeepAffinity 采用了配备结构化提示词和专用预测头的小型语言模型（SLMs）。研究表明，DeepAffinity 的性能优于标准的生成式微调方法，并且比通用开源大语言模型（在没有针对特定任务微调时表现不佳）具有更好的泛化能力，最终提升了大规模型跨国电商平台上的推荐质量。
元数据 (Metadata)
- arXiv 标识符: arXiv:2609.02468 [cs.LG]
- 主要学科: 机器学习 (
cs.LG) - 次要学科: 人工智能 (
cs.AI) - 会议收录: 已被
RecTemp@ACM RecSys 2026接收 - 发布日期:
- 提交于：2026年9月2日
- 最后修订：2026年9月4日 (v2)
- DOI: 10.48550/arXiv.2609.02468
作者 (Authors)
- Yotam Eshel
- Guy Hadad
- Guy Feigenblat
- Yuri M. Brovman
- Matt Gearhart
- Bracha Shapira
摘要正文 (Abstract)
We explore predicting eCommerce user preferences for product aspects such as brand, size, and color — a task we define as Aspect Affinity. Solving this task improves customer understanding and enables fine-grained personalization in recommendation, search, and marketing.
我们探讨了预测电子商务用户对商品属性（如品牌、尺寸和颜色）偏好的任务，我们将其定义为属性偏好（Aspect Affinity）。解决这一任务可以加深对客户的理解，并在推荐、搜索和营销中实现细粒度的个性化。
We frame Aspect Affinity as a temporal prediction task: forecasting a user's future aspect choices from their time-ordered interaction history, capturing long-term preferences that evolve beyond the current session. To this end, we propose DeepAffinity, which leverages Small Language Models (SLMs) with structured prompts and specialized prediction heads fine-tuned for this task.
我们将属性偏好构架为一个时间预测任务：根据用户按时间排序的交互历史预测其未来的属性选择，从而捕捉超越当前会话演变的长期偏好。为此，我们提出了 DeepAffinity，它利用配备了结构化提示词和专用预测头的小型语言模型（SLMs），并针对该任务进行了微调。
We show DeepAffinity outperforms standard generative fine-tuning methods, while general-purpose open-source LLMs perform poorly without task-specific tuning, highlighting their limits in modeling nuanced behavior. Finally, DeepAffinity enhances recommendation quality on a large-scale multinational eCommerce platform.
我们证明了 DeepAffinity 的表现优于标准的生成式微调方法，而通用开源大语言模型在没有进行任务特定微调的情况下表现不佳，这突显了它们在建模细微行为方面的局限性。最后，DeepAffinity 提升了一个大型跨国电商平台上的推荐质量。