基于大语言模型和推荐系统构建电商智能导购机器人

背景

我们在逛商场时，有时候不知道买哪一款商品，通常通过商店导购人员的介绍来决定是否购买，这种情况在线上电商购物也经常发生，电商平台一般通过人工客服来帮助顾客挑选商品，解答购买的疑惑。不论线上或线下场景，通常提问的顾客有以下几种类型：

知道要解决具体的问题，但不清楚购买什么产品的顾客，提问如：“去海边玩带什么装备比较实用”、“油性皮肤用那款化妆品比较好”
知道要解决具体的问题，也清楚想买什么产品，但不知道那款产品匹配的顾客，提问如：“程序员用什么显示器比较好”、“雨天踢球买什么鞋比较好”，“皮肤偏黄，选哪款粉底比较好”

该类问题涉及的商品众多，需要导购人员充分了解各个商品的特征和适用场景，另外还需要了解顾客购物偏好，如品牌和价格等，才能给出既符合用户意图，又符合用户偏好的商品推荐。因为回复难度较大，导购人员或人工客服一方面回复效率较低，另一方面通常难以给出顾客比较满意的回答。

我们基于 Amazon SageMaker、Amazon OpenSearch、AWS Lambda、Amazon Personalize 和 Amazon API Gateway 等基础云服务，结合大语言模型、开源大语言模型应用框架 langchain 以及开源前端架构 Stramlit，构建了智能导购方案。智能导购方案分智能问询、商品推荐、商品个性化营销文案共 3 部分功能，利用大语言模型的对话能力，充分挖掘客户的购物需求，结合客户的历史行为数据，推荐最合适的商品给到用户，并使用大语言模型生成个性化的营销文案。在售前咨询场景通过智能导购方案代替或辅助人工回复，主要有以下 3 方面的价值：

提升售前咨询的工作效率
提升商品的转化效率
提升顾客的购物体验和满意度

方案工作流程

方案总体分为智能问询、智能推荐和智能文案共 3 个步骤，工作流程如下所示：

多轮对话：使用大语言模型，指定大语言模型从商品购物意图问询的角度，挖掘用户的购物需求。如指定大语言模型从商品的品牌、价格、材质、用途、使用场景等角度，与用户进行对话。功能流程示例：

意图总结：使用大语言模型，对用户的多轮对话进行归纳和总结，得到用户的购物意图，购物意图可以对多个商品特征进行总结，商品特征可以细分到类目、价格和功能等。功能流程示例：

商品检索：将商品意图转化为向量，通过向量引擎检索相关商品。商品离线导入到向量引擎时，同样会将商品信息转化为向量后再存储，通过计算用户意图向量和商品信息向量的相似度来检索商品。输出示例：

个性化排序：通过推荐系统的排序功能，将检索出来的多个相关商品进行个性化排序，个性化排序使用的用户历史行为数据往往包含用户的购物偏好信息，如果品牌、类目、价格水平等，通过个性化排序系统，将最符合用户兴趣的相关商品推荐给用户。输出示例：

个性化营销文案：使用大语言模型，结合用户的历史行为信息和商品信息，生产商品的个性化营销文案。通过分析用户行为和偏好洞察，针对不同的用户群体，设置不同的 Prompt，实现更有说服力的文案生成。输出示例：

方案架构图

各步骤的具体工作流程和架构图如下。

智能问询

当顾客提出购物需求时，通过大语言模型自动生成对话内容，挖掘用户的购物需求。

具体工作流程：

1. 前端页面通过 API 发送用户 ID 和 query
2. API 将用户 ID 和用户 query 传递到 Lambda
3. 根据用户 ID 到 DynamoDB 获取用户同 session 的对话记录
4. 根据用户 query 和对话记录生成回复

- 如果是对话阶段，构造对话 Prompt 并请求 LLM，生成对话回复内容
- 如果是意图总结阶段，构造意图总结 Prompt 并请求 LLM，生成用户购物意图内容

5. 对话回复或用户购物意图内容返回到用户

智能推荐与智能文案

通过多轮对话收集到用户的需求后，通过向量搜索在商品数据库中检索出符合客户意图的多个相关商品，并送到推荐系统对相关商品进行个性化排序，最后选取 topk 个商品推荐给用户，并对每个推荐商品生成个性化的营销文案。

智能推荐工作流程：

1. 前端页面通过 API 发送用户 ID 和购物意图
2. API 将用户 ID 和购物意图传递到 Lambda
3. 将用户的购物意图文本，通过 Embedding model 生成购物意图向量
4. 使用购物意图向量，到 OpenSearch 搜索引擎检索相关商品
5. 将用户 ID 和多个相关商品送到 Personalize，通过分析用户行为和偏好洞察，实现更有说服力的个性化匹配，选取 Top_n 商品

智能文案工作流程：

6. 根据用户 ID 到 DynamoDB 获取用户的历史行为记录
7. 结合用户标签和 Top_n 商品的商品信息，生成商品的营销文案
8&9. 将推荐商品和营销文案回复到用户

方案 Demo 示例

方案 Demo 模拟顾客进入商品购物咨询页面后，与智能导购机器人的交互，Demo 使用了亚马逊云科技 retail-demo-store 的 2000 多个虚拟商品数据、6000 多个虚拟顾客数据和 2 万多条虚拟交互信息作为基础的数据库。下面对话中，黄色图标是智能导购机器人的回复，红色图标是顾客的输入：

点击图片下面的链接后，可以直接进入商品详情页进行商品详细浏览：

上面的交互示例中，智能导购机器人的前面 3 句为多轮对话的内容，最后的回复，包含了意图总结、商品搜索、个性化推荐和个性化营销文案的工作，最后输出“个性化营销文案+商品图片+商品链接”内容，输出的推荐商品个数可以根据实际场景配置。

如果不喜欢推荐的商品，可以继续与智能推荐机器人对话，重复商品搜索和商品推荐流程。

方案适用场景

智能导购机器人的应用场景主要有：

1、智能导购可以作为电商智能客服的重要一环，在电商的智能客服售前场景发挥促进商品转化的作用。在售前场景中，顾客可能会问到商品或导购的问题，如果是关于导购的问题，可以进入智能导购机器人，与客户互动后推荐商品。如果是关于产品或平台政策的问题，可以使用 AWS 的智能搜索问答方案，自动生成相应的答案。

2、电商平台也可以把智能导购机器人作为平台的一个特色功能，放在平台的首页入口与客户交互，帮助顾客选购商品，提升客户购物的惊喜度。

3、智能导购机器人也可以在线下零售场景使用，作为辅助店面销售人员的工具，通过智能推荐功能，提供服装搭配建议，通过大语言模型生成服装搭配营销文案，促进店面商品转化。

总结

随着大语言模型的应用越来越广，大语言模型不断地重塑现有各行各业的业务流程，特别是客服场景，利用大语言模型对与文字的理解、总结归纳和推理能力，能大大提高人机交互的智能化水平，快速完成像电商导购这种人工难以胜任的工作。智能化导购作为一个新兴业务形态，结合了大语言模型、搜索和推荐等技术，正成为数字化营销的前沿探索方向，方案实施的主要难点和解决方法有：

大语言模型的能力能否达到预期效果。包括能否理解客户的问询并给出合理的回复、对客户的需求进行准确总结以及根据用户历史行为数据生成贴合用户兴趣的营销文案等，不同的场景对回复内容和生成文案的要求不同，需要根据场景对模型提示词进行调整。目前方案在亚马逊云科技上使用 Llama2 或 Claude2 模型来实现上述功能，并结合电商营销专家经验调整模型提示词，确保大语言模型输出符合预期效果。
商品搜索是否精准。精准搜索需要关键词提取、多维度特征匹配和特征比较（如价格范围查找）等功能，目前方案主要使用向量检索，后续将加入将用户意图文本转化为 SQL 查询语句检索的方式，提升商品检索的准确率。
商品推荐是否合理。使用个性化排序的目的是提升商品的点击或购买概率，从而提升商品的转化效率，目前方案使用亚马逊云科技的 Personalize 服务进行商品排序，并可以在重排阶段加入不同的营销策略进行重排序，有效提升商品转化效率。

目前，各大电商平台都在积极探索智能化导购功能的应用和落地，智能导购必将成为以后电商的重要业务形态。

亚马逊AWS官方博客