电商智能导购方案

通过推荐+大语言模型提升个性化营销的效率。

1、售前导购

•雨天穿什么鞋踢球比较好？–>推荐球鞋并生成为什么该商品适合雨天踢球的营销文案

•那款显示器适合程序员用？–>推荐显示器生成为什么该商品程序员用的营销文案

2、个性化商品标题

•消费水平低的客户强调性价比，消费水平高的客户强调商品稀缺性

•喜欢家居的客户强调商品在家居的使用，喜欢旅游的客户强调商品在旅游的使用

售前导购架构图

问询

1. 前端页面通过API请求服务

2. API将用户ID和用户query传递到Lambda

3. 根据用户ID到DynamoDB获取用户同session的对话记录

4. 根据用户query和对话记录，构造成Prompt并请求LLM，生成回复内容

5. 对话回复内容返回到用户

商品推荐

1. 前端页面通过API请求服务

2. API将用户ID和用户query传递到Lambda

3. 根据用户ID到DynamoDB获取用户同session的对话记录

4. 根据当前query和对话记录，构造成Prompt并请求LLM，生成用户的购物意图文本

5. 将用户的购物意图文本，通过Embedding model 生成购物意图向量

6. 使用购物意图向量，到OpenSearch搜索引擎检索相关商品

7. 将用户ID和多个相关商品送到Personalize，进行个性化排序，选取Top_n商品

8. 根据用户ID到DynamoDB获取用户的历史行为记录

9. 使用用户的历史行为记录和Top_n商品的商品信息，生成商品的营销文案

10. 将推荐商品和营销文案回复到用户

个性化商品标题架构图

1. 前端页面通过API请求服务

2. API将用户ID和商品ID传递到Lambda

3. 根据用户ID到DynamoDB获取用户的历史行为记录

4. 根据商品ID到Personalize获取推荐相关商品

5. Lambda将用户历史行为记录和推荐商品的信息，构造成Prompt并请求LLM，生成商品的个性化标题

6. 推荐商品及个性化标题返回前端页面展示