LLM Session Personalization Cache — LLM 驱动的会话意图缓存与千人千面推荐
Skill-LLM-Session-Personalization-Cache · 05-推荐系统
causalexperimentforecastingrecommendationpricing推荐与搜索定价与利润WF-F 动态定价WF-G Listing内容优化WF-I 智能体工程WF-J DTC 独立站增长
年化 ROI¥40-120 万
实现难度⭐⭐⭐☆☆
业务视角
适用角色运营负责人 / 选品负责人 · 产品经理 · 广告优化师
适用平台Amazon · DTC 独立站 · 邮件/SMS 个性化
什么情况下用老客来了只买一件就走，相关产品没被推出去；Bundle 商品连带销售做不起来；站内推荐位点击率低
成功是什么样的老客连带购买率提升 20-35%，客单价提升，品类交叉销售做起来
业务痛点
1. 解决的问题
母婴独立站首页对所有用户展示相同商品，哺乳妈妈和奶爸看到的首屏完全一样导致CTR仅2.3%——LLM会话意图三层缓存（长期偏好+近期行为+即时session）驱动千人千面排序，首页CTR提升到4-5%，年化GMV增益40-120万元
2. 核心算法逻辑
传统会话推荐的痛点：用户当前 session 行为极少（平均37次点击），协同过滤没有足够信号推断意图。SPRINT 的解法：用 LLM 离线预生成用户意图画像（Intent Profile），缓存为向量，在线推理时直接检索而非实时调用 LLM。
3. 业务应用场景
业务问题：独立站首页对所有用户展示相同的商品排列——妈妈群体（关注吸奶器/哺乳配件）和奶爸群体（关注安全座椅/学步车）看到完全相同的首屏。首页 CTR 只有 2.3%，远低于行业 4-6% 的基准。
数据要求： - 用户历史浏览/加购/购买记录（近 90 天） - 商品属性向量（品类/价格带/年龄段适用/品牌） - 当前 session 实时行为流（需要前端埋点）
预期产出： - 每位用户的三层意图缓存：长期偏好 + 近期需求 + 实时意图 - 千人千面首页：基于意图缓存重排商品顺序 - 实时 CTR 预估：每次展示预估用户点击概率
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 独立站首页千人千面：CTR 从 2.3% 提升到 4-5%，月增流量价值 ¥10-30 万
- 搜索结果个性化重排：CVR 提升 30-50%，月增净收入 ¥10-30 万
- 配件/复购推荐精准化：复购率提升 10-15%，LTV 提升
- 年化综合 ROI：¥40-120 万
- 实施难度：⭐⭐⭐☆☆（需要用户行为埋点基础设施 + Redis 缓存层；LLM 画像生成离线批处理，约 3-4 周工程量）
7. 代码模板
代码块数量：2 · 路径：paper2skills-code/05-推荐系统/llm_session_personalization_cache
"""
LLM Session Personalization Cache
SPRINT 框架的轻量级实现：三层意图缓存 + 千人千面商品排序
"""
import numpy as np
import json
from datetime import datetime, timedelta
from collections import defaultdict
def generate_sample_users_and_items():
"""生成模拟用户行为和商品数据"""
np.random.seed(42)
items = {
'I001': {'name': 'Quiet Double Breast Pump', 'category': 'breast_pump',
'price': 149.99, 'age_stage': 'newborn', 'brand': 'BrandA', 'attrs': [1,0,1,0,1]},
'I002': {'name': 'Portable Wearable Breast Pump', 'category': 'breast_pump',
'price': 99.99, 'age_stage': 'newborn', 'brand': 'BrandB', 'attrs': [1,1,0,0,1]},
'I003': {'name': 'Baby Car Seat 0-4 Years', 'category': 'car_seat',
'price': 299.99, 'age_stage': 'infant', 'brand': 'BrandC', 'attrs': [0,0,1,1,0]},
'I004': {'name': 'Infant Learning Walker', 'category': 'walker',
'price': 79.99, 'age_stage': 'toddler', 'brand': 'BrandD', 'attrs': [0,1,0,1,0]},
'I005': {'name': 'Breast Pump Replacement Parts', 'category': 'accessories',
'price': 24.99, 'age_stage': 'newborn', 'brand': 'BrandA', 'attrs': [0,0,0,0,1]},
'I006': {'name': 'Baby Bottle Sterilizer', 'category': 'sterilizer',
'price': 59.99, 'age_stage': 'newborn', 'brand': 'BrandE', 'attrs': [0,0,1,0,0]},
}
users = {
'U001': { # 新妈妈，关注哺乳
'history': ['I001', 'I005', 'I002', 'I006', 'I001'],
'session': ['I002', 'I005'],
'profile': 'nursing_mom',
},
'U002': { # 奶爸，关注安全
'history': ['I003', 'I004', 'I003'],
'session': ['I004'],
'profile': 'safety_dad',
},
'U003': { # 孕期妈妈，全品类
'history': ['I001', 'I003', 'I006'],
'session': ['I001', 'I003'],
'profile': 'pregnant_mom',
},
}
return users, items
def build_item_vector(item):
"""构建商品嵌入向量"""
category_map = {'breast_pump': [1,0,0,0,0,0], 'car_seat': [0,1,0,0,0,0],
'walker': [0,0,1,0,0,0], 'accessories': [0,0,0,1,0,0],
'sterilizer': [0,0,0,0,1,0]}
cat_vec = category_map.get(item['category'], [0,0,0,0,0,1])
age_map = {'newborn': 1.0, 'infant': 0.6, 'toddler': 0.3}
age_score = age_map.get(item['age_stage'], 0.5)
price_norm = 1.0 - min(item['price'] / 400, 1.0) # 越便宜分越高（价格敏感）8. 论文来源
- 2508.00570