面向金融服务营销的基于机器学习和RAG增强型大语言模型的混合意图感知个性化方案

金融服务的个性化营销需要能够预测客户行为并生成合规、情境恰当内容的模型。本文提出一种混合架构，将经典机器学习用于分段、潜在意图建模和个性化预测，与检索增强型大语言模型（RAG）用于基于检索的内容生成相结合。构建了一个反映时间序列客户行为、产品互动和营销响应的合成、可复现数据集。该框架集成了时间编码器、潜在表示和多任务分类，以估计分段成员身份、客户意图和产品渠道推荐。随后，检索增强生成层生成客户面临的消息，受检索到的领域文档约束。实验表明，时间建模和意图特征可提升个性化精度，而基于引用的检索可减少不受支持的生成并支持在受监管环境下的可审计性。该工作的贡献主要在于架构层面，展示了预测建模与RAG生成如何整合为金融服务个性化的透明、可解释管道。