Campaign-2-PT-RAG：面向可扩展营销排名的 LLM 引导的语义产品类型归属
信息检索
2026-02-19 v2
摘要
电商营销排名模型需要大量训练标签以指示用户因营销影响而发生购买，但生成这些标签具有挑战性，因为营销活动常使用创意、主题化语言，难以直接映射到产品购买。若缺乏清晰的产品层级归属，监督式学习在营销优化方面受限。我们提出 Campaign-2-PT-RAG，一个可扩展的标签生成框架，通过推断每场营销活动推广的产品类型（PT）来构建用户-营销购买标签。该框架首先利用大语言模型（LLM）解读营销内容以捕获隐含意图，然后通过语义搜索从平台主题 taxonomy 中检索候选 PT。基于结构化 LLM 分类器评估每种 PT 的相关性，生成针对该营销活动的产品覆盖集。匹配这些 PT 的用户购买产生正向训练标签，用于下游排名模型。该方法将模糊的归属问题转化为可求解的语义对齐任务，为电商生产环境中的营销排名优化提供可扩展且一致的监督信号。在内部和合成数据集上的实验显示，我们的 LLM 辅助方法在 78-90% 精度下生成高质量标签，同时保持超过 99% 的召回率。
引用
@article{arxiv.2602.10577,
title = {Campaign-2-PT-RAG: LLM-Guided Semantic Product Type Attribution for Scalable Campaign Ranking},
author = {Yiming Che and Mansi Ranjit Mane and Keerthi Gopalakrishnan and Parisa Kaghazgaran and Murali Mohana Krishna Dandu and Archana Venkatachalapathy and Sinduja Subramaniam and Yokila Arora and Evren Korpeoglu and Sushant Kumar and Kannan Achan},
journal= {arXiv preprint arXiv:2602.10577},
year = {2026}
}
备注
fix typo and author names