作者 | Leela Kumili

译者 | 平川

正如 Target 公司工程师所强调的那样，庞大的商品目录以及商品属性的多样性使得推荐高质量的配件成为一项复杂的挑战。根据产品不同，购物者可能会优先考虑颜色、材质、品牌、目标受众或其他因素。传统上基于规则的方法往往脆弱且难以扩展，特别是当需要根据数百个属性判断什么是合适的配件时。为了应对这一挑战，GRAM 通过自动化评估跨类别的属性重要性，在保持推荐相关性的同时减少了人工筛选的需求。

GRAM 设计的核心是使用大型语言模型来分析结构化的产品数据。该模型评估每个核心配件组合中哪些属性最重要，据此分配相应的权重，并生成相关性得分，从而确定向购物者展示哪些商品。例如，在推荐与沙发搭配的抱枕时，系统可能会强调颜色和材质，而在为玩具推荐电池时则优先考虑兼容性和儿童安全特性。

为确保业务相关性，Target 公司将生成式 AI 模型与人工审核流程相结合，允许商家提供购买组合清单或季节相关的商品清单。这种方法的好处在于，既可以由 大型语言模型 处理可扩展性和商品发现，又可以用人为输入指导跨类别配对，保持与商品销售目标的一致性。

在 LinkedIn 上的一篇 博文 中，Target 公司数据科学高级总监 Adnan Awow 提到：

有了 GRAM，我们基于生成式 AI 的关联配件模型，系统能自动优先考虑数百个产品属性，如颜色、材质和品牌，优先呈现最相关的附加配件。该系统还能捕捉美学协调性，推荐视觉和谐的搭配方案——例如与床单相得益彰的枕套组合。

Adnan Awow 还提到：

GRAM 专为大规模应用而设计，能在产品类型层面进行评分，轻松处理数十万家居 SKU，并具备跨品类扩展能力。

正如博文所述，早期的 A/B 测试显示，GRAM 在参与度和转化率方面取得了可度量的改进。家居类配件的加入购物车（Add-to-cart）互动增加了约 11%，展示到转化率（display-to-conversion）上升了 12%，可归因需求增长了 9%。基于这些测试结果，该系统已全面投入生产环境，体现了 Target 公司将 AI 融入数字购物体验以提升个性化服务和推荐质量的战略

引入 GRAM 模型前后的产品推荐对比（图片来源：Target 公司技术博客）