作者 | Leela Kumili

譯者 | 平川

為了應(yīng)對其龐大的零售目錄中配套產(chǎn)品組合日益復(fù)雜的挑戰(zhàn)，Target 公司部署了一個基于生成式 AI 的配件推薦系統(tǒng)。在推薦相關(guān)配件時，這個由產(chǎn)品推薦團隊開發(fā)的 GRAM（基于生成式 AI 的家居類關(guān)聯(lián)配件模型，英文名 GenAI-based Related Accessory Model）使用大型語言模型來識別哪些產(chǎn)品屬性最重要，幫助購物者找到最匹配的商品。

正如 Target 公司工程師所強調(diào)的那樣，龐大的商品目錄以及商品屬性的多樣性使得推薦高質(zhì)量的配件成為一項復(fù)雜的挑戰(zhàn)。根據(jù)產(chǎn)品不同，購物者可能會優(yōu)先考慮顏色、材質(zhì)、品牌、目標(biāo)受眾或其他因素。傳統(tǒng)上基于規(guī)則的方法往往脆弱且難以擴展，特別是當(dāng)需要根據(jù)數(shù)百個屬性判斷什么是合適的配件時。為了應(yīng)對這一挑戰(zhàn)，GRAM 通過自動化評估跨類別的屬性重要性，在保持推薦相關(guān)性的同時減少了人工篩選的需求。

GRAM 設(shè)計的核心是使用大型語言模型來分析結(jié)構(gòu)化的產(chǎn)品數(shù)據(jù)。該模型評估每個核心配件組合中哪些屬性最重要，據(jù)此分配相應(yīng)的權(quán)重，并生成相關(guān)性得分，從而確定向購物者展示哪些商品。例如，在推薦與沙發(fā)搭配的抱枕時，系統(tǒng)可能會強調(diào)顏色和材質(zhì)，而在為玩具推薦電池時則優(yōu)先考慮兼容性和兒童安全特性。

為確保業(yè)務(wù)相關(guān)性，Target 公司將生成式 AI 模型與人工審核流程相結(jié)合，允許商家提供購買組合清單或季節(jié)相關(guān)的商品清單。這種方法的好處在于，既可以由 大型語言模型 處理可擴展性和商品發(fā)現(xiàn)，又可以用人為輸入指導(dǎo)跨類別配對，保持與商品銷售目標(biāo)的一致性。

在 LinkedIn 上的一篇 博文 中，Target 公司數(shù)據(jù)科學(xué)高級總監(jiān) Adnan Awow 提到：

有了 GRAM，我們基于生成式 AI 的關(guān)聯(lián)配件模型，系統(tǒng)能自動優(yōu)先考慮數(shù)百個產(chǎn)品屬性，如顏色、材質(zhì)和品牌，優(yōu)先呈現(xiàn)最相關(guān)的附加配件。該系統(tǒng)還能捕捉美學(xué)協(xié)調(diào)性，推薦視覺和諧的搭配方案——例如與床單相得益彰的枕套組合。

Adnan Awow 還提到：

GRAM 專為大規(guī)模應(yīng)用而設(shè)計，能在產(chǎn)品類型層面進行評分，輕松處理數(shù)十萬家居 SKU，并具備跨品類擴展能力。

正如博文所述，早期的 A/B 測試顯示，GRAM 在參與度和轉(zhuǎn)化率方面取得了可度量的改進。家居類配件的加入購物車（Add-to-cart）互動增加了約 11%，展示到轉(zhuǎn)化率（display-to-conversion）上升了 12%，可歸因需求增長了 9%。基于這些測試結(jié)果，該系統(tǒng)已全面投入生產(chǎn)環(huán)境，體現(xiàn)了 Target 公司將 AI 融入數(shù)字購物體驗以提升個性化服務(wù)和推薦質(zhì)量的戰(zhàn)略

引入 GRAM 模型前后的產(chǎn)品推薦對比（圖片來源：Target 公司技術(shù)博客）

來自 Target 公司的工程師表示，GRAM 已經(jīng)創(chuàng)建了一個可擴展的系統(tǒng)，用于推薦跨類別的配件。這種方法提高了用戶參與度，并使購物體驗更加流暢。該模型已于 2025 年 4 月全面投入生產(chǎn)應(yīng)用，彰顯了 Target 公司為持續(xù)提升其數(shù)字渠道個性化服務(wù)與推薦質(zhì)量所做的努力。

https://www.infoq.com/news/2025/12/target-genai-model-recommend/

聲明：本文為 InfoQ 翻譯，未經(jīng)許可禁止轉(zhuǎn)載。