从点击到意图：基于 LLM 蒸馏分类法的跨平台会话嵌入与金融服务推荐

序列用户行为建模在工业推荐系统中被广泛采用；然而，在金融服务领域仍存在显著差距，其中登录前的 Web 交互与认证后的应用内体验截然不同。具体而言，登录前的 Web 用户通常探索新产品，而登录后的应用用户则专注于账户服务。由于跨渠道实体解析的挑战（例如，将匿名 Web 会话与认证后的移动账户进行匹配），基于 Web 的意图信号在认证后的个性化中仍未得到充分利用。现有的捕获基于 Web 意图的方法通常是临时且狭隘的，缺乏在规模上同时支持定量下游推荐和定性理解的灵活性。在这项工作中，我们提出了一个可扩展且双用途的基于 Web 交互的意图预测框架，并展示了其在个性化中的适用性。我们的方法将原始 Web 点击流转化为两个输出：一个自监督 Transformer 将多模态点击流编码为紧凑的会话嵌入，而一个基于 LLM 的分类法生成与蒸馏流水线产生可解释的意图标签。我们的系统表明，自监督点击流表示与 LLM 蒸馏分类法可以在生产中共同服务于定量任务和定性理解：在移动端首页磁贴排序任务中，会话嵌入使宏观 Recall@1 提升了 1.88%，并比生产基线降低了 13.38% 的 Log Loss。在用户转化预测任务上，该嵌入在微观 F1 上比 LLM 标签高出 4.3%，而蒸馏层以超低延迟提供可解释的标签，性能仅下降 7%。