Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations

📄 arXiv: 2606.10357v1 📥 PDF

作者: Zhuohang Jiang, Yuxin Chen, Shijie Wang, Haohao Qu, Zhou Jindong, Wenqi Fan, Li Qing, Dongxu Liang, Jun Wang

分类: cs.IR, cs.AI

发布日期: 2026-06-09

期刊: Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09--13, 2026, Jeju Island, Republic of Korea

DOI: 10.1145/3770855.3818320

💡 一句话要点

提出AIR框架以解决跨域推荐中的语义差距问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨域推荐 用户意图 大型语言模型 推理加速 电商应用 语义理解 在线推荐

📋 核心要点

  1. 跨域推荐面临语义差距和用户行为序列噪声等多重挑战，现有方法难以有效应对。
  2. 本文提出AIR框架，通过将LLM推理迁移到离线阶段，动态构建用户意图表示，从而提升推荐效果。
  3. 实验结果显示，该方法在公共数据集上实现了最先进的性能，并在实际业务中显著提升了核心指标。

📝 摘要（中文）

跨域推荐是内容到电商平台的核心问题，旨在利用用户与内容的交互推断电商侧的潜在购买意图。然而，现有方法面临语义差距和用户行为序列噪声等挑战。本文提出AIR（Atomic Intent Reasoning）框架，通过将LLM推理迁移到离线阶段，并在在线操作中动态构建用户意图表示，实现了约400倍的推理加速，同时保持语义一致性。实验结果表明，该方法在多个公共数据集上达到了最先进的性能，并在Kuaishou电商的实际业务场景中进行了大规模在线A/B测试，显示出核心业务指标的显著提升，验证了其在工业级推荐系统中的有效性和实际价值。

🔬 方法详解

问题定义：本文旨在解决跨域推荐中的语义差距和用户行为序列噪声问题。现有方法在处理大规模用户行为数据时，推理延迟较高，难以满足在线推荐的实时性要求。

核心思路：AIR框架的核心思路是将大型语言模型（LLM）的推理过程迁移到离线阶段，并在在线操作中通过高效的检索和组合动态构建用户意图表示，从而实现快速推理和语义一致性。

技术框架：该框架主要包括离线推理模块和在线意图构建模块。离线模块负责处理用户行为数据并生成意图表示，而在线模块则根据实时用户交互动态调整推荐结果。

关键创新：AIR框架的最大创新在于将LLM推理与用户意图表示的动态构建相结合，显著降低了推理延迟，同时保持了推荐的语义准确性。这一设计与传统的在线推理方法形成了鲜明对比。

关键设计：在技术细节上，AIR框架采用了高效的检索算法和意图组合策略，以确保在大规模数据下仍能快速响应用户请求。具体的损失函数和网络结构设计也经过优化，以提升模型的学习效果和推理速度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多个公共数据集上，AIR框架实现了最先进的性能，推理速度提升约400倍。此外，在Kuaishou电商的实际业务场景中，核心业务指标如GMV提升了3.446%，验证了其在工业级推荐系统中的有效性。

🎯 应用场景

AIR框架在电商推荐系统中具有广泛的应用潜力，能够有效提升用户的购买转化率和商业价值。其设计理念也可扩展到其他领域，如社交媒体推荐和内容分发系统，未来可能对推荐系统的实时性和准确性产生深远影响。

📄 摘要（原文）

Cross-domain recommendation is a core problem in content-to-e-commerce platforms. Its objective is to leverage user interactions with content to infer potential purchasing intent on the e-commerce side, thereby enhancing conversion rates and commercial value. However, in real industrial scenarios, cross-domain recommendation faces multiple challenges: significant semantic gaps exist between different domains, and user cross-domain behavior sequences are often massive in scale and rich in noise. Although large language models (LLMs) possess powerful semantic understanding and reasoning capabilities, their millisecond-level inference latency makes direct application in online recommendation systems difficult. To address these issues, this paper introduces AIR (Atomic Intent Reasoning), an LLM-driven cross-domain recommendation framework designed for industrial-grade deployment. By migrating LLM inference to the offline phase and dynamically constructing user intent representations through efficient retrieval and composition during online operations, it achieves approximately 400* inference acceleration while maintaining semantic consistency. Experimental results across multiple public datasets demonstrate that our method achieves state-of-the-art performance in cross-domain recommendation tasks. Furthermore, large-scale online A/B testing conducted in Kuaishou E-commerce's real-world business scenarios shows that our approach delivers stable and significant improvements across multiple core business metrics, including a +3.446% increase in GMV, fully validating its effectiveness and practical value in industrial-scale recommendation systems.