得物如何将生成式召回技术成功落地？经验与挑战有哪些？

要说国内潮流电商领域的弄潮儿，还得是得物。这家公司在用户体验和技术创新上一直走在前沿，特别是在推荐算法的升级上更是层出不穷。而近年来生成式AI的浪潮席卷而来给推荐系统带来了前所未有的变革机遇。 动手。 得物也敏锐地捕捉到了这一趋势，启动了生成式召回技术的探索和实践，试图在激烈的市场竞争中抢占先机。

一、 背景：探索智能推荐新范式

传统的推荐系统主要依赖于基于协同过滤或基于内容的模型，它们往往受限于用户历史行为和商品特征的相似度。只是因为用户需求的多样性和商品标签的复杂性增加，这些方法越来越难以满足用户的个性化和多样化需求。得物希望式技术来打破传统推荐系统的局限，实现更精准、更具创造性的推荐效果，我直接起飞。。

1.1 架构升级：One-Rec 框架与生成-判别式范式

得物内部的 One-Rec 框架是其动态地 候选集，覆盖更多潜在兴趣的商品。

功能	判别模型	生成模型
任务	预测用户评分/点击	动态 候选集
输入	用户历史行为、 商品特征	用户上下文信息、领域知识
输出	排序后来啊	候选商品列表

1.2 FlinkSpec：实时数仓与AI赋能

换句话说... FlinkSpec 是得物在数据基础设施上的一个重要举措。它利用 AI 技术将实时数仓从需求落地阶段提升到更高的维度。比如 FlinkSpec 通过 AI 模型自动抽取、转换和加载数据到数仓中，从而实现对海量数据的智能化管理和分析。

二、核心技术：生成式召回方案详解

2.1 基于 I2I 的离线召回

离线召回是生成式推荐的核心环节之一。得物采用 I2I 的方式进行离线召回：先说说训练出用户embedding和item embedding 模型；然后使用 FAISS 索引构建倒排索引；再说说根据 userId 进行 I2I 召回，获取最相关的候选商品列表。

2.2 混合架构：检索+生成模型的协同工作

纯属忽悠。 在算法选型方面, 得物采用了混合架构策略:检索式模型处理明确意图查询，生成式模型应对开放域问题。这种结合的方式最大化了推荐效果。

2.3 代码生成引擎：语义一致性校验

在代码生成过程中,引擎会实时基于当前生成内容,匹配全内的相关语义指纹,实现跨文件、跨数十万字序列的全局语义召回。 引擎先将自然语言需求拆解为架构设计文档、 出岔子。 领域模型、接口规范、时序图,再基于架构输出逐层生成代码,每一步生成内容均与上一级需求做语义一致性校验,保证业务需求无偏差落地.

三、实践经验与挑战

3.1 阿里妈妈 AIGR 大模型的展示

在首届国际通用人工智能大会TongAI大会上,阿里妈妈首次在国内展示AIGR方面的最新进展,阿里妈妈LMA 2广告大模型系列中的URM通用召回大模型重磅亮相. 这表明行业对于AI驱动的广告创意和内容生产日益重视.，我们都曾是...

3.2 GEO 技术体系的先行布局

琢磨琢磨。 早年 AI 搜索尚未普及时,得物就前瞻性地布局了 GEO 技术体系. GEO 可以将用户的地理位置信息融入到推荐过程中,从而提高本地化推荐的效果.

3.3 生成式搜索重塑品牌可见度规则

LLM 信息召回机制完成了从 字面匹配 到 向量相关性 的根本进化. ① 自研垂直模型DeepReach:深度融合NLP、 另起炉灶。 高维向量解析、Transformer堆栈与温度控制适配技术,偏好与逻辑链.

四、未来展望

4.1 持续优化算法性能

.