電子商取引プラットフォームにおける顧客行動の分析は、購買意図の予測やセグメンテーション、商品親和性の特定など、ビジネス上重要な課題である。しかし従来のエンドツーエンド予測モデルは予測精度の最適化に重点を置くため、どのような要因に基づいて判断が下されたのかが不透明になりやすい。このため、規制対応や意思決定の正当性を示すことが困難になる。 SemantiCleanと名付けられた新しいモジュール型フレームワークは、この課題に対応するために設計された。Online Shoppers Purchasing Intention（OSPI）データセットを基盤として、e-commerceセッションデータから構造化されたセマンティック信号を抽出し、購買意図、顧客セグメンテーション、商品親和性といった複数の推論目標に対応する。従来の予測モデルとは異なり、SemantiCleanは予測精度よりも監査可能性、構造的ガバナンス、再現性を優先させており、限定的な精度向上と引き換えに要素レベルの透明性と防御可能な意思決定の追跡可能性を実現している。 24の行動要素を機能層、相互作用層、システム層、文脈層の4層アーキテクチャに整理し、RedundancyGroup寄与度上限、TieredPenaltyCalculatorバイアスペナルティ、AdaptiveConstraintModeコールドスタート保護という3つのインフレーション対策メカニズムを組み込んでいる。さらに、LLM統合セマンティック推論エンジンと呼ばれる2段階のLLM駆動推論アーキテクチャが実装されており、推論時に完全な要素メタデータを活用する。決定論的エンジン出力は完全に再現可能（sigma=0）であり、LLM依存結果は固定されたプロバイダー・モデル・温度設定下での制御された出力変動の対象となる。