電商個人化推薦引擎:從協同過濾到 LLM,轉換率提升的實作路徑

半年前,一家做居家生活選品的電商找我們看數據。他們的推薦欄位掛在商品頁下方,叫「你可能也喜歡」,點擊率長期卡在 1.8%。工程團隊沒閒著,協同過濾模型調了三輪,離線指標(recall、NDCG)每次都漂亮一點。但線上轉換,一動不動。

問題不在模型。在於他們以為「換更強的演算法」等於「賺更多的錢」。這兩件事,中間隔了一整條實作路徑。

電商個人化推薦 AI 的三代演進,不是替換而是疊加

先把話說清楚:電商 個人化推薦 AI 走到今天,不是「用 LLM 取代協同過濾」,而是把不同世代的技術擺在不同的位置上。理解每一代解決什麼問題、代價是什麼,才知道你的錢該花在哪。

第一代是協同過濾(Collaborative Filtering)。核心邏輯是「買了 A 的人也買了 B」,靠使用者與商品的互動矩陣算相似度。它便宜、成熟、對熱門商品準得驚人。但它有兩個致命傷:冷啟動(新商品、新用戶沒有互動紀錄,推不出來)與長尾失明(小眾商品因為互動稀疏,永遠沉在底部)。

第二代是深度學習召回加排序,像雙塔模型、DeepFM 這類。它把使用者行為序列、商品屬性、情境特徵一起吃進去,能捕捉「這個人週五晚上愛看什麼」這種非線性訊號。準度明顯提升,代價是特徵工程重、需要即時特徵管線,對工程團隊的要求陡然拉高。

第三代才是 LLM 與語意理解。它的價值不在於「取代前兩代的排序」,而在於補上前兩代看不見的東西:商品文案的語意、使用者評論的意圖、跨品類的常識關聯。舉個例子,協同過濾不知道「露營新手」會需要什麼,但 LLM 讀得懂商品描述,能推理出帳篷、營燈、防潮墊之間的搭配關係,即使這些商品從沒被同一個人一起買過。

轉換率的槓桿,藏在「哪個環節」而不是「哪個模型」

回到那家選品電商。我們沒有一上來就上 LLM。先做的事很土:把推薦位從商品頁下方,搬到加入購物車後的彈窗,並且把推薦邏輯從「相似商品」改成「互補商品」。光是這一步,點擊率從 1.8% 跳到 6.4%。演算法沒換,換的是投放時機與意圖。

這是我們踩過最多次的雷,也最想提醒你的:離線指標漂亮,不代表線上賺錢。recall 提升 10% 可能一毛錢都沒多賺,因為使用者根本沒走到那個推薦位,或走到了但當下沒有購買意圖。

之後我們才引入 LLM,而且只用在一個明確場景:新品與長尾。這些商品協同過濾天生推不動,正是 LLM 語意理解的主場。做法是用 LLM 把商品描述與使用者近期瀏覽轉成 embedding,做語意召回,再交給既有的排序模型定序。LLM 不直接決定最終排序,只負責「把對的候選撈進來」。這樣既拿到語意的好處,又把 LLM 的高延遲與幻覺風險關在召回層,不會直接噴給使用者。

三個月後,新品的推薦轉換率提升約 2.3 倍,整體推薦帶來的營收佔比從 7% 到 15%。

選型的取捨,取決於你現在卡在哪

如果你的痛點是「熱門商品推薦不夠準」,別急著碰 LLM,把協同過濾的資料清乾淨、把推薦位擺對地方,投報率最高。如果你的痛點是「新品跟長尾永遠曝光不了」,那才是 LLM 語意召回真正值得投資的地方。如果你連即時特徵管線都還沒有,先別談第二代,那會是一個吞人的維運黑洞。

技術世代要疊加,不要盲目跳級。每一層都要有它明確要解決的商業問題,否則你只是買了一套很貴、Demo 很美、但沒人用的系統。

我們在 Tenten 做這類導入時,習慣先問一句話:這個模型上線後,是哪個環節的轉換數字會動?答不出來的專案,我們寧可先不開工。工程師會進到你的現場,盯著真實流量把它調到有人用、有轉換,而不是交付一份離線指標很漂亮的報告就走人。