원자적 의도 추론: LLM의 의미론적 이해를 활용한 산업용 다중 도메인 추천

Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations

다중 도메인 추천은 콘텐츠 플랫폼에서 전자상거래로 이어지는 핵심적인 문제이며, 사용자의 콘텐츠 상호작용을 통해 잠재적인 구매 의도를 파악하여 전환율과 상업적 가치를 향상시키는 것을 목표로 합니다. 그러나 실제 산업 환경에서는 다중 도메인 추천이 여러 가지 어려움에 직면합니다. 서로 다른 도메인 간에 상당한 의미론적 격차가 존재하며, 사용자의 다중 도메인 행동 시퀀스는 규모가 매우 크고 노이즈가 많습니다. 대규모 언어 모델(LLM)은 강력한 의미론적 이해 및 추론 능력을 가지고 있지만, 밀리초 단위의 추론 지연 시간으로 인해 온라인 추천 시스템에 직접 적용하기 어렵습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 산업용 수준의 배포를 위한 LLM 기반 다중 도메인 추천 프레임워크인 AIR (Atomic Intent Reasoning)을 소개합니다. AIR는 LLM 추론을 오프라인 단계로 옮기고, 온라인 운영 중에 효율적인 검색 및 조합을 통해 사용자 의도 표현을 동적으로 구성함으로써 약 400배의 추론 속도 향상을 달성하면서 의미론적 일관성을 유지합니다. 여러 공개 데이터 세트를 사용한 실험 결과는 본 방법이 다중 도메인 추천 작업에서 최첨단 성능을 달성함을 보여줍니다. 또한, Kuaishou E-commerce의 실제 비즈니스 시나리오에서 진행된 대규모 온라인 A/B 테스트 결과, 본 접근 방식은 GMV (Gross Merchandise Volume)가 +3.446% 증가하는 등 여러 핵심 비즈니스 지표에서 안정적이고 상당한 개선 효과를 보여주었으며, 이는 산업 규모의 추천 시스템에서의 효용성과 실질적인 가치를 충분히 입증합니다.

Cross-domain recommendation is a core problem in content-to-e-commerce platforms. Its objective is to leverage user interactions with content to infer potential purchasing intent on the e-commerce side, thereby enhancing conversion rates and commercial value. However, in real industrial scenarios, cross-domain recommendation faces multiple challenges: significant semantic gaps exist between different domains, and user cross-domain behavior sequences are often massive in scale and rich in noise. Although large language models (LLMs) possess powerful semantic understanding and reasoning capabilities, their millisecond-level inference latency makes direct application in online recommendation systems difficult. To address these issues, this paper introduces AIR (Atomic Intent Reasoning), an LLM-driven cross-domain recommendation framework designed for industrial-grade deployment. By migrating LLM inference to the offline phase and dynamically constructing user intent representations through efficient retrieval and composition during online operations, it achieves approximately 400* inference acceleration while maintaining semantic consistency. Experimental results across multiple public datasets demonstrate that our method achieves state-of-the-art performance in cross-domain recommendation tasks. Furthermore, large-scale online A/B testing conducted in Kuaishou E-commerce's real-world business scenarios shows that our approach delivers stable and significant improvements across multiple core business metrics, including a +3.446% increase in GMV, fully validating its effectiveness and practical value in industrial-scale recommendation systems.