2026 香港零售推薦引擎實戰：混合協同過濾 × LLM，為何「估你唔到」先係致勝關鍵？

為何香港零售的推薦引擎特別難做

香港零售有幾個結構性特徵，令「照搬內地或歐美方案」幾乎必然水土不服。第一是市場碎片化：一個平台可能同時服務本地客、內地客與東南亞客，同一件貨品要用廣東話、書面語、英文甚至潮語去描述。第二是 SKU 淺而廣——藥妝店動輒三萬個 SKU，但每個 SKU 的互動數據極稀疏，熱門商品可能只有幾十次點擊，冷門商品近乎零。第三是消費節奏快，香港人習慣即日下單、即日取貨，推薦的「時效性」權重要遠高於歐美市場。

在這種環境下，純協同過濾（Collaborative Filtering）會撞牆：數據稀疏令相似度矩陣充滿噪音，冷啟動商品永遠排不上號。而純 LLM 推薦雖然語義理解強，卻容易「講就天下無敵」——它知道「抗敏」和「敏感肌」是同一件事，但不知道上週三在旺角分店賣斷貨的那款精華才是真正該推的。2026 年的答案不是二選一，而是分層混合。

混合架構的核心：兩層各司其職

我們在幾個香港項目中沉澱出的架構，簡單講是「召回用 CF、排序用 LLM、解釋用 LLM」。第一層是協同過濾召回層，負責從數萬 SKU 中快速撈出 200 至 500 個候選，這層用矩陣分解（如 ALS）配合時序衰減，確保「近期熱賣」與「同客群偏好」被納入。第二層是 LLM 排序與重排層，把候選商品連同用戶畫像、實時情境（天氣、分店庫存、節日）餵入模型，輸出最終排序與推薦理由。

關鍵設計在於「情境注入」。香港的推薦成敗往往取決於情境：落雨天的推薦應偏向室內活動與外賣；農曆年前兩週應大幅提升禮盒權重；某分店裝修期間則要抑制到店取貨的推薦。這些規則若寫死在程式碼會難以維護，我們改為以結構化 prompt 注入 LLM，讓營運同事用自然語言調整策略，例如「今個星期銅鑼灣店裝修，嗰區客人唔好推自取」。

第三個組件是「反饋閉環」。LLM 的排序結果與用戶實際點擊、加購、退貨數據會回流至 CF 層，作為新的隱式反饋矩陣。這令系統具備自我修正能力——若 LLM 因語義聯想過度推薦某類商品而轉化率偏低，CF 層的權重會逐步下調，避免「語義正確但商業錯誤」。

LLM 在推薦中的三個實戰場景

第一個場景是冷啟動與新品上架。香港零售商每季引入大量新品牌，這些商品零互動數據，CF 完全失效。我們的做法是用 LLM 為每個商品生成「語義畫像」——從商品標題、描述、成分表、甚至包裝圖片 OCR 中抽取屬性標籤，再與用戶歷史購買的語義向量做匹配。某藥妝客戶導入後，新品首週點擊率由 1.8% 提升至 4.3%，因為系統能把「新到的韓國抗敏精華」推薦給「過去買過日系敏感肌產品」的客人，而非隨機曝光。

第二個場景是跨語言與跨文化推薦。香港平台的商品描述中英混雜，用戶搜尋行為亦如此——有人搜「防曬」，有人搜「sunscreen」，有人搜「物理防曬 唔黏」。傳統關鍵詞匹配會漏掉大量意圖，LLM 則能把這些查詢映射到同一語義空間。我們在一個跨境電商案例中，讓 LLM 處理「中英夾雜 + 潮語」的查詢改寫，搜尋到點擊的轉化率提升約 27%。

第三個場景是推薦理由生成與可解釋性。香港消費者對「硬銷」敏感，單純的「猜你喜歡」轉化有限。LLM 能生成貼合情境的理由，例如「你上次買嘅面膜用完啦，呢款同系列新出，銅鑼灣店仲有貨」。這類理由在 A/B 測試中令加購率提升 11%，退貨率反而下降，因為用戶预期更準確。

香港案例：從藥妝連鎖到內容平台

以一個本地藥妝連鎖為例。該客戶有 60 間分店、約 3.5 萬 SKU，原有推薦系統是基於規則的「熱賣榜 + 同類別」，個人化程度低。我們導入混合架構後，先以 CF 召回、LLM 重排，並把分店庫存與會員等級作為情境特徵。上線三個月，首頁推薦位的點擊率由 3.1% 升至 5.6%，推薦位帶動的客單價提升 8%。更重要的是「長尾激活」：過去從未進入推薦位的 1.2 萬個 SKU 中，有 34% 在三個月內獲得至少一次有效曝光。

另一個案例是本地內容平台（生活資訊 + 導購）。內容平台的難處是「興趣漂移」快——用戶今週看裝修、下週看親子。純 CF 會過度擬合舊興趣，LLM 則能從文章語義中捕捉「當前人生階段」的轉變。我們用 LLM 為每篇文章生成主題標籤與情感傾向，再與用戶的閱讀序列做時序匹配，令「相關文章」的點擊率提升 19%，而「導購轉化」提升 14%。這說明混合架構不只適用於電商，內容平台同樣受惠。

2026 年的落地考量：算力、成本與合規

在香港落地 LLM 推薦，第一個現實問題是成本。若每次請求都調用大模型排序 500 個候選，延遲與費用都不可接受。我們的做法是「分層緩存 + 小模型蒸餾」：高頻用戶與高頻商品組合的排序結果緩存 15 分鐘；同時用大模型的排序結果蒸餾出一個輕量排序模型，處理 80% 的常規請求，只有情境突變（如天氣、庫存）時才觸發大模型重排。這令平均延遲控制在 120 毫秒內，推理成本下降約六成。

第二個考量是私隱合規。香港個人資料私隱專員公署對用戶畫像的使用有明確要求，我們在架構上把「識別性資料」與「行為特徵」分離存儲，LLM 只接收去識別化的特徵向量與情境標籤，不接觸姓名、電話等直接識別資料。同時保留「推薦理由」的可追溯記錄，方便客戶應對查詢。

第三個考量是營運協作。推薦引擎不是一次交付就完結，香港零售的季節性與促銷節奏極快，我們為客戶建立「策略即配置」的介面：營運同事可用自然語言新增規則（例如「母親節前一週，禮品類權重 +30%」），系統自動轉為 prompt 與 CF 權重調整。這令策略迭代由「等 IT 排期」變成「即日生效」，是混合架構在香港環境下的關鍵軟實力。

結論：混合不是折衷，而是分工

2026 年的推薦引擎設計，與其爭論「CF 定 LLM 好」，不如承認兩者解決的是不同問題：CF 解決「邊個同邊個似」的統計規律，LLM 解決「呢件貨到底係乜」的語義理解。香港市場的碎片化、多語言與快節奏，正好把兩者的長短處同時放大。混合架構的價值不在於技術炫技，而在於讓召回、排序、解釋各司其職，並以情境注入與反饋閉環保持系統的商業嗅覺。

對香港零售商而言，下一步的行動建議很具體：先盤點自身數據的稀疏程度與語言混雜程度，若冷啟動商品佔比超過兩成，就應優先補上 LLM 語義層；若投訴集中在「推薦唔關事」，則應先強化 CF 的時序衰減與情境過濾。推薦引擎沒有 universal 的最優解，只有最貼合本地商業語境的組合。