LLP：基于LLM的电商产品定价
计算与语言
2025-10-13 v1
摘要
与商业对消费者（B2C）电商平台（如Amazon）不同，消费者对消费者（C2C）平台（如eBay）上的缺乏经验的个人卖家在高效地为二手产品定价方面经常面临重大挑战。因此，已有大量研究提出用于自动化价格预测。然而，大多数方法基于静态回归模型，存在泛化性能差且无法捕捉市场动态（例如，二手iPhone的价格随时间下降）的问题。受大语言模型（LLM）近期突破的启发，我们引入了LLP——首个用于二手产品定价的基于LLM的生成式框架。LLP首先检索相似产品以更好地与动态市场变化对齐。之后，它利用LLM对自由文本中关键定价信息的细微理解来生成准确的价格建议。为增强LLM对检索产品的领域推理能力，我们应用了两阶段优化——先进行监督微调（SFT），再进行组相对策略优化（GRPO），基于双向推理构建的数据集。此外，LLP采用基于置信度的过滤机制来拒绝不可靠的价格建议。大量实验表明，LLP显著超越了现有方法，同时能很好地泛化到未见过的类别。我们已成功将LLP部署在闲鱼上，显著优于之前的定价方法。在相同的30%产品覆盖率下，它将静态采纳率（SAR）从40%提升至72%，即使在90%召回率下仍保持47%的强SAR。
引用
@article{arxiv.2510.09347,
title = {LLP: LLM-based Product Pricing in E-commerce},
author = {Hairu Wang and Sheng You and Qiheng Zhang and Xike Xie and Shuguang Han and Yuchen Wu and Fei Huang and Jufeng Chen},
journal= {arXiv preprint arXiv:2510.09347},
year = {2025}
}