DeepAffinity 预印本关注电商长期方面偏好预测，商家暂不宜据此改造推荐系统

记录显示，论文《DeepAffinity: Long-Term Aspect Preference Prediction in eCommerce using Small Language Models》的稳定 arXiv ID 为 2609.02468，事件 ID 为 event:07d36b6534c23b40f6f371d6。

该记录的 publicationStatus 为 preprint，发布场所为 arXiv cs.AI Daily Feed；它不是已经同行评审的研究成果。

研究记录列出的作者为 Yotam Eshel、Guy Hadad、Guy Feigenblat、Yuri M. Brovman、Matt Gearhart、Bracha Shapira，publicationYear 为 2026。

现有证据仅为书目信息，来源为单一研究订阅源；未保留正文、摘要、PDF、引语或实验结果。

论文标题直接指向电商中的长期方面偏好预测，若后续证据充分，可能与商品属性建模、个性化排序或复购触达等工作流相关，但当前不能确认其实际能力。

小语言模型这一方向可能引发商家对成本、部署位置和数据处理方式的关注，不过现有记录没有提供模型规模、资源消耗或效果指标。

对商家而言，当前最重要的信号不是立即采用某个模型，而是避免把一条预印本线索误读为已验证的推荐技术。