LLM превращает историю покупок в конкретные интересы
Список категорий слишком грубо описывает человека: «одежда» мало помогает понять стиль, а разрозненные покупки могут относиться к одному хобби. Модель выводит структурированные интересы из сокращённой истории, после чего работают существующие источники товаров.
Видео · на русском
LLM в рекомендациях: теперь мы знаем почти всё о стиле жизни и вкусах покупателя / Владислав УржумовВладислав Уржумов · Опубликовано: 31 марта 2026 г.
Исходный доклад · Открыть оригинал
Что уже умел прежний подход
Интересы были самостоятельным источником кандидатов и до LLM. Они помогали выходить в новые категории, но слишком общие названия теряли смысл поведения. Доклад не описывает создание рекомендаций с нуля.
Работа Taobao послужила отправной точкой. Её метрики спикер приводит отдельно: их нельзя приписывать российскому внедрению, у которого другие логи, аудитория и модель.
05:00 — фрагмент докладаИсторию сокращали с сохранением сильных сигналов
Использовали YandexGPT, но доступное контекстное окно было меньше, чем у модели из исходной работы. Для одного товара более сильное действие позволяло убрать слабые: после заказа не обязательно повторять все клики и добавление в корзину. Любимые категории сокращали осторожнее.
В измерениях доклада сохранялось покрытие около 98% категориальных сигналов, а длина в токенах уменьшалась примерно на 35–36%. На 95-м перцентиле история помещалась менее чем в 30 тысяч токенов. Это характеристики их способа подготовки данных.
Причины выбора собственной модели.
Источник: Кадр из докладаСвободный текст заменили ограниченным ответом
Одинаковый интерес модель может назвать десятками способов, а иногда выдать слишком общее «одежда и обувь». Поэтому зафиксировали пространство интересов и применили структурированный вывод с JSON-схемой.
Для каждого интереса получают категории и параметры товаров, например бренд или цвет. Этот результат сохраняют в профиль и передают прежним генераторам кандидатов. LLM не выбирает каждую карточку в реальном времени.
Проверка потерь при сокращении истории.
Источник: Кадр из докладаЧто изменилось в продукте
Автор сообщает о росте атрибуцированных заказов примерно на 2,5% в A/B-тесте и расширении покрытия категорий долгосрочными интересами. Показанные личные примеры иллюстрируют механизм, но не заменяют эксперимент.
Холодный старт без истории остаётся ограничением. В ответах спикер поясняет, что в таком случае нужны другие источники рекомендаций, пока не накопятся действия: LLM не извлекает индивидуальные предпочтения из отсутствующих данных.
23:00 — фрагмент доклада