オンライン食品販売の急速な成長に伴い、消費者の購買パターンと多様なニーズを捉える推奨システムの重要性が高まっています。従来のアイテムレベルの推奨方式は、スケーラビリティと精度の課題に直面していることから、より構造的で実用的なアプローチとしてカテゴリーレベルの推奨が注目されています。今回発表されたGrocLMは、実際の本番環境での食品カテゴリー推奨を実現するために微調整された大規模言語モデルです。 GrocLMの核となる技術は、LoRAベースの二段階学習戦略です。この手法により、購買の周期性パターンをモデルのパラメータに直接エンコードすることで、プロンプトベースの条件付けと比べてリバイ信号をより効果的に活用できます。同時に、出力の有効性と制御性を確保するため、トライ木構造を利用した制約付きデコーディングメカニズムを導入し、事前定義されたカテゴリー空間内での出力を実現しました。 実験では、企業内の本番データと公開ベンチマークの両方で評価され、GrocLMは強力なベースラインモデルを一貫して上回る性能を発揮しました。実際の本番環境での商品補充タスクでは、インプレッション当たりのカート追加数で7.5%の相対的改善を達成し、すべてのカテゴリーを効率的に生成することで推論速度も維持しています。これらの成果は、大規模言語モデルを構造化された推奨システムに統合することの有効性と実用性を実証するものとなっています。