A Cascaded Generative Approach for e-Commerce Recommendations

Personalized storefronts in large e-commerce marketplaces are often assembled from many independent components: static themes per page section ("placement"), retrieval systems to fetch eligible products per placement, and pointwise rankers to order content. While effective in optimizing for aggregate preferences, this paradigm is rigid and can limit personalization and semantic cohesion across the page. This makes it poorly suited to support dynamic objectives and merchandising requirements over time. To address this, we introduce a cascaded merchandising framework that decomposes storefront construction into two generative tasks: (i) placement-level theme generation and (ii) constrained keyword generation per placement to power product retrieval. Teacher-student fine-tuning is leveraged to improve scalability of this framework under production latency and cost constraints. Fine-tuned model ablations are shown to approach closed-weight LLM performance. We further contribute frameworks for AI-driven content evaluation and quality filtering, enabling safe and automated deployment of dynamic content at scale. Generative output is fused with traditional ranking models to preserve hybrid infrastructure. In online experiments, this framework yields an estimated +2.7% lift in cart adds per page view over a strong baseline.

📋 한 줄 요약

**[추천 시스템 / 생성형 AI]** 전자상거래 스토어프론트 구성을 placement-level 테마 생성과 키워드 생성 두 단계 생성 태스크로 분해하는 cascaded 머천다이징 프레임워크 제안.

🎯 핵심 기여도

정적 테마·검색·랭킹으로 분리되던 스토어프론트 구성 패러다임의 경직성을 진단.
placement-level 테마 생성과 제약 기반 키워드 생성을 잇는 cascaded 프레임워크 설계.
teacher-student fine-tuning으로 closed-weight LLM에 근접하는 성능을 production latency·비용 제약 내에서 달성.
AI 기반 콘텐츠 평가·품질 필터링 프레임워크와 결합해 안전한 자동 배포 경로 제시.

💡 핵심 아이디어

전자상거래 페이지를 "정적 슬롯에 제품을 채워 넣는" 방식이 아니라 "테마와 키워드가 동적으로 생성되어 페이지 전체의 의미적 응집성을 만들어내는" 생성 태스크로 재정의. 생성 출력은 기존 랭킹 모델과 fusion되어 하이브리드 인프라를 보존한다.

🔬 기술적 접근법

**모델/방법론**: placement-level theme generation과 constrained keyword generation 두 LLM 태스크로 분해된 cascaded 파이프라인.
**핵심 기법**: teacher-student fine-tuning으로 LLM 비용 축소, 키워드는 retrieval을 위한 제약 조건으로 작용, AI judge 기반 콘텐츠 품질 게이트로 자동 배포 가능성 확보, 생성 출력을 traditional ranker와 fusion.

📊 주요 결과

Fine-tuned 모델 ablation이 closed-weight LLM 성능에 근접.
온라인 실험에서 강력한 베이스라인 대비 페이지뷰당 cart adds 약 +2.7% 상승.
콘텐츠 품질 평가·필터링 자동화로 안전한 대규모 배포 입증.

💭 의의 및 한계

**의의**: 검색·랭킹 중심 e-commerce 스택에 생성형 AI를 안전하게 통합하는 production-grade 청사진. **한계**: 평가가 한 마켓플레이스 도메인 중심이며, 신규 카테고리나 콜드스타트 시나리오 일반화는 추가 검증이 필요.

🚀 실용적 활용

대형 e-commerce 마켓플레이스의 동적 머천다이징 자동화.
테마 기반 큐레이션 페이지·캠페인의 콘텐츠 생성·운영.
키워드 검색 시스템에 LLM 기반 의미 확장 레이어를 추가하는 하이브리드 검색 파이프라인.