← 返回动态
企业经营

淘宝正在重做“猜你喜欢”:未来企业竞争,不是推荐商品,而是读懂客户

从\x26quot;猜你喜欢商品\x26quot;到\x26quot;理解用户需求并主动完成购物决策\x26quot;淘宝基于 LLM......

热带小公举5 分钟阅读
淘宝正在重做“猜你喜欢”:未来企业竞争,不是推荐商品,而是读懂客户
引言

从"猜你喜欢商品"到"理解用户需求并主动完成购物决策"

淘宝基于 LLM(Large Language Model,大语言模型)的电商推荐系统,本质上是一次从"猜你喜欢商品"到"理解用户需求并主动完成购物决策"的升级。

传统淘宝推荐系统主要依赖机器学习 + 深度学习排序模型,而 LLM 的加入,让推荐系统从"预测你会点什么",变成"理解你为什么需要"。

可以从几个层面理解。

· · ·01

传统淘宝推荐:预测行为,而不是理解需求

过去的推荐逻辑大致是:

传统推荐链路

用户行为数据

↓

特征提取

↓

推荐模型

↓

商品排序

↓

展示商品

例如:

用户

搜索跑鞋

浏览 Nike、阿迪

点击轻量运动鞋

收藏几个商品

最近购买运动袜

系统判断

"这个用户大概率喜欢跑步装备。"

于是推荐:

跑鞋

运动服

跑步耳机

运动手表

这套系统非常强,但它有一个天然限制:

它知道用户做了什么,不一定知道用户真正想解决什么问题。

比如:

用户搜索:

"适合每天通勤5公里,不累脚的鞋"

传统推荐可能理解成:

关键词匹配

通勤

鞋

5公里

然后匹配类似商品。

但它不知道:

用户是男性还是女性?

城市还是乡村?

是否需要商务一点?

是否经常下雨?

是否脚容易疲劳?

预算是多少?

是买自己还是送人?

· · ·02

LLM 推荐系统的核心变化:从商品匹配到需求理解

LLM 加入后,推荐链路变成:

LLM 推荐链路

用户自然语言需求

↓

大模型理解意图

↓

结合用户画像

↓

调用商品知识库

↓

生成个性化推荐理由

↓

完成购买决策

例如:

用户:

"我35岁,经常出差,每天走路比较多,想买一双舒服一点但是不要太运动的鞋。"

LLM 可以拆解:

用户身份

35岁

商务人士

场景

高频出差

长时间步行

隐含需求

舒适

轻便

不像跑鞋

可以商务穿搭

然后推荐:

"根据你的出差场景,更推荐轻量缓震型皮质休闲鞋,而不是纯运动跑鞋。因为你需要兼顾机场步行和商务会议。"

这就是传统推荐没有的能力:

理解人的真实目的。

· · ·03

淘宝 LLM 推荐系统可能包含的技术架构

一个完整的 LLM 电商推荐系统通常不是"大模型直接推荐商品"。

而是:

用户输入

↙  ↘

行为数据对话需求

↘  ↙

用户画像系统  LLM语义理解

↘  ↙

用户兴趣模型

↓

商品知识库 / 商品 Embedding

↓

推荐召回系统

↓

排序模型 Ranker

↓

LLM 生成解释

↓

推荐结果

第一层:用户理解 Agent

LLM 首先理解:

用户是谁?

年龄

性别

城市

消费能力

品牌偏好

用户现在为什么买?

不是:"买羽绒服"

↓

而是:"北方冬天上班穿,不想太臃肿。"

真实需求

保暖

通勤

轻便

好搭配

第二层:商品知识增强(RAG)

淘宝拥有:

亿级商品

商品评价

参数

店铺信息

用户反馈

售后数据

LLM 不可能直接读取全部商品。

所以需要:

RAG(Retrieval-Augmented Generation)

即:

大模型 + 商品数据库

例如:

用户问:

"有没有适合油皮男生的防晒?"

系统先检索:

商品标签

男士

油皮

清爽

不泛白

用户评价

"夏天不油"

"军训适用"

然后交给 LLM 生成回答。

· · ·04

淘宝未来可能出现的推荐形态

① 对话式购物助手

过去:

过去

用户搜索:"电脑"

得到:10000个结果。

未来

用户:"我预算6000,做设计,需要PS和剪辑,不玩游戏。"

↓

AI 分析:CPU需求、显卡需求、内存需求、屏幕需求

↓

推荐3台。甚至帮你比较优劣。

② AI 购物导购

未来淘宝可能不是:

被动推荐

"你可能喜欢这些商品"

而是:

AI 主动服务

"发现你最近经常购买咖啡豆,而且办公室人数增加,推荐适合企业采购的咖啡设备。"

从被动推荐变主动服务。

③ AI 销售员

对于商家:

过去

客服等待用户咨询。

未来:AI Agent

理解客户 → 推荐商品

解答疑问 → 处理优惠

促进成交

一个优秀店铺可能拥有:

一个24小时在线的 AI 销售团队。

· · ·05

淘宝为什么必须做 LLM 推荐?

因为传统推荐系统已经接近瓶颈。

原因一:信息越来越丰富

以前

名称

价格

图片

现在

视频

评论

用户晒单

使用场景

内容社区

需要 AI 理解非结构化信息。

原因二:用户需求越来越复杂

今天用户不是

"我要买手机。"

而是

"我要一个拍孩子清楚、电池够用、不要太贵、老人也能用的手机。"

这不是关键词搜索问题。

这是:需求理解问题。

· · ·06

对企业老板最大的启发

淘宝做 LLM 推荐,本质不是增加一个聊天机器人。

真正变化是:

过去

数据告诉企业客户喜欢什么。

未来

AI 理解客户为什么购买。

这会影响所有行业:

汽车销售

传统:客户浏览车型。

↓

未来:AI 理解家庭结构、收入、使用场景,主动推荐车型。

企业软件

传统:客户提出需求。

↓

未来:AI 理解企业经营状态,主动提醒:"你的现金流可能在45天后出现风险。"

所以淘宝 LLM 推荐系统的核心,不是"大模型替代推荐算法"。

而是:

用大模型理解人的意图

+

用传统推荐系统保证效率

+

用企业数据形成长期记忆

未来电商竞争的关键,不是谁拥有更多商品,而是谁拥有一个更懂用户的 AI 销售团队。

— END —


字竞未来|企业AI研发与应用落地


KEEP READING

继续阅读

查看全部文章 ↗