arXiv cs.CL· Dianjing Fan, Yao Li, Kyaw Hpone Myint, Dwipam Katariya, Alexandre G. R. Day, Pranab Mohanty, Giri Iyengar·· 3 天前AI 评分20
从点击到意图：面向金融服务推荐的跨平台会话嵌入与 LLM 蒸馏意图分类体系
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
AI 导读
该研究提出一个面向金融服务的双用途意图预测框架，用自监督 Transformer 将多模态点击流编码为紧凑会话嵌入，并用 LLM 分类体系生成与蒸馏流程产出可解释意图标签。
正文 · AI 翻译
摘要：序列用户行为建模在工业推荐系统中被广泛采用；然而在金融服务领域仍存在显著空白，因为登录前的网页交互与登录后的应用内体验差异巨大。具体而言，登录前的网页用户通常探索新产品，而登录后的应用用户则专注于账户服务。由于跨渠道实体解析（例如将匿名网页会话与已认证的移动账户进行匹配）存在挑战，基于网页的意图信号在认证后个性化中仍未得到充分利用。现有的捕获网页意图的方法往往是临时且狭窄的，缺乏灵活性，无法在大规模下同时支持定量的下游推荐和定性的理解。在这项工作中，我们提出了一种可扩展且双用途的基于网页交互的意图预测框架，并展示了其在个性化中的适用性。我们的方法将原始网页点击流转化为两个输出：一个自监督 Transformer 将多模态点击流编码为紧凑的会话嵌入，而一个基于 LLM 的分类体系生成与蒸馏流水线则产生可解释的意图标签。我们的系统表明，自监督点击流表示与 LLM 蒸馏的分类体系相结合，可以在生产中同时服务于定量任务和定性理解：在移动端首页磁贴排序任务上，会话嵌入相比生产基线将宏 Recall@1 提升了 1.88%，并将 Log Loss 降低了 13.38%。在用户转化预测任务上，该嵌入在微 F1 上比 LLM 标签高出 4.3%，而蒸馏层以超低延迟提供可解释标签，性能仅下降 7%。
| 评论： | Dianjing Fan 和 Yao Li 对本工作贡献相同。7 页，1 张图 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2606.26277 [cs.IR] |
| （或此版本的 arXiv:2606.26277v3 [cs.IR]） | |
| https://doi.org/10.48550/arXiv.2606.26277 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Kyaw Hpone Myint [查看电子邮件]
[v1]
2026年6月24日星期三 18:18:56 UTC（267 KB）
[v2]
2026年10月13日星期二 17:32:30 UTC（216 KB）
[v3]
2026年10月14日星期三 17:04:12 UTC（216 KB）
来源：arXiv cs.CL · arxiv.org