Generation and annotation of item usage scenarios in e-commerce using large language models

这篇文章聚焦电商场景下的互补推荐问题，提出利用大型语言模型（LLMs）生成商品使用场景以构建推荐系统的新框架，核心是通过场景连接主商品与互补品，解决传统基于历史数据方法的局限性。

一、文章主要内容总结

1. 研究背景：传统电商互补推荐依赖历史数据的统计共现，但数据稀疏、有噪声，且难以捕捉主观的商品互补关系；用户需求会随场景变化，比如买相机后更需要SD卡而非同类相机，传统推荐无法满足这类动态需求。
2. 核心假设：人们选择互补商品时，会先想象具体使用场景，再基于场景识别需求。例如“用相机在家庭旅行拍纪念照”的场景，会引出对SD卡、三脚架的需求，该场景可作为连接主商品与互补品的中间载体。
3. 研究过程：
   • 输入设计：采用电商平台（ASKUL）的四级商品分类作为输入，而非单个商品，兼顾可扩展性与信息丰富度。
   • 场景生成：使用GPT-4o-mini，以“指令+任务要求+叶子类目名+完整层级路径”为提示词，生成场景（温度设为0.6平衡创造力与连贯性）。
   • 评估验证：15名参与者分5组，对300个类目的2925个场景进行人工标注，判断“场景真实性”与“商品使用合理性”。
4. 关键结果：
   • 约82.9%的场景获所有标注者认可，仅3.0%的场景被至少两名标注者判定为不合理，证明LLMs能有效生成可信场景。
   • 不合理场景分五类：商品误用（39.3%）、非使用场景（如选品、维护）、商品与场