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
-
前端页面通过API请求服务
-
API将用户ID和用户query传递到Lambda
-
根据用户ID到DynamoDB获取用户同session的对话记录
-
根据用户query和对话记录,构造成Prompt并请求LLM,生成回复内容
-
对话回复内容返回到用户
商品推荐
-
前端页面通过API请求服务
-
API将用户ID和用户query传递到Lambda
-
根据用户ID到DynamoDB获取用户同session的对话记录
-
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
-
将用户的购物意图文本,通过Embedding model 生成购物意图向量
-
使用购物意图向量,到OpenSearch搜索引擎检索相关商品
-
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
-
根据用户ID到DynamoDB获取用户的历史行为记录
-
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
-
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
-
前端页面通过API请求服务
-
API将用户ID和商品ID传递到Lambda
-
根据用户ID到DynamoDB获取用户的历史行为记录
-
根据商品ID到Personalize获取推荐相关商品
-
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
-
推荐商品及个性化标题返回前端页面展示