URM

URM是什么

URM（Universal Recommendation Model）是由阿里妈妈研发的通用推荐模型，结合了大语言模型的广泛知识与电商领域的专业数据。通过知识注入和信息对齐技术，该模型有效弥补了传统大语言模型在电商推荐场景中的不足。URM采用多模态融合的商品表征方式，并引入高效的Sequence-In-Set-Out生成机制，以应对多种推荐任务，如多场景推荐和长尾推荐，从而显著提升推荐效果。目前，URM已在阿里妈妈的展示广告系统中部署，优化了商家投放效果与用户购物体验。

URM的主要功能

• 多任务处理：支持包括多场景、多目标、长尾及发现性推荐在内的多种任务。
• 用户兴趣理解：精准捕捉用户兴趣和需求，提供更贴合情境的推荐结果。
• 高效率推荐：在单次前向传播中生成高质量推荐集合，满足工业级系统的低延迟和高吞吐量要求。
• 多模态融合：整合商品ID与语义信息（如文本、图像），增强商品表达能力与推荐准确性。
• 零样本学习能力：具备快速适应新任务和场景的能力，无需大量标注数据即可提供有效推荐。

URM的技术原理

• 多模态融合表征：
  • ID表征：通过分布式哈希表将商品ID转换为嵌入向量，反映商品间的协同关系。
  • 语义表征：利用文本和图像编码器提取商品的语义信息。
  • 融合机制：通过MLP层对齐并融合ID与语义表征，生成更具表达力的商品嵌入。
• Sequence-In-Set-Out生成方式：输入包含用户行为序列、任务提示及特殊标记，输出由用户建模头和语言模型头分别生成用户表征与文本结果，提升召回效果。
• 任务定义与提示工程：基于文本定义推荐任务，将商品ID作为特殊token嵌入文本描述，实现高效行为序列表达，并根据任务需求动态调整推荐策略。
• 训练方式：结合商品推荐任务的噪声对比估计损失和文本生成任务的负对数似然损失，进行有监督微调。
• 异步推理链路：优化推理流程以降低延迟、提高并发能力，支持高QPS场景。

URM的项目地址

• arXiv技术论文：https://arxiv.org/pdf/2502.03041

URM的应用场景

• 多场景推荐：根据不同页面（如首页、详情页）提供个性化推荐。
• 多目标推荐：综合分析用户点击、购买等行为，预测潜在兴趣商品。
• 长尾商品推荐：挖掘低频商品的价值，拓展用户选择范围。
• 发现性推荐：推荐用户未曾接触但可能感兴趣的新品类商品。
• 搜索增强推荐：结合用户查询意图与历史行为，提升搜索相关性。