日老师学生

电脑版下载

38921
9

日老师学生截图Q8X2R7L1T4J5M9B6W3

内容详情

日老师学生

当你在电商平台搜索“苹果”，系统会推荐“水果”照旧“手机”？或者直接跳到某个品牌旗舰店？短短一个词，背后承载了完全差别的购置意图。而推荐是否精准，直接影响用户的搜索体验，也影响平台的转化效率。

基于上述问题，快手在业界首次提出端到端的天生式统一盘问推荐框架——OneSug，乐成将召回、粗排、精排等多个阶段统一在一个天生模子中，显著提升了推荐效果与系统效率，在快手电阛阓景中实现了营业指标与用户体验的双重提升。

本事情相关效果《OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion》已被人工智能顶级聚会 AAAI 2026 吸收。

盘问推荐（Query Suggestion）是现代电商搜索系统中的要害功效，通过在用户输入历程中实时推荐相关盘问，资助用户快速明确意图，提升搜索体验与转化效率。古板要领通常接纳多阶段级联架构（MCA），虽然在效率与效果之间取得了一定平衡，但由于各阶段目的纷歧致、长尾盘问召回难题等问题，限制了系统性能的进一步突破。

而近年来，天生式检索（Generative Retrieval）因其强盛的语义明确与天生能力，在推荐与搜索领域展现出重大潜力。然而，现有要领多聚焦于视频推荐，其实质上是一个开集到开集的使命，难以直接应用于输入输出都是开放词表的的盘问推荐场景。

针对上述问题，快手提出的 OneSug 模子主要包括3个部分：

首先是 Prefix-Query表征增强�？�。Sug场景下，用户输入的前缀往往较短且意图模糊（如“苹果”可指水果或品牌）。为此，快手提出的解决方法分为语义与营业空间对齐、条理化语义ID天生2个部分。

其次是统一的Enc-Dec天生架构。OneSug 的天生架构基于Enc-Dec结构，并直接通过自回归（Autoregressive）方法天生用户最有可能点击的Query。

别的，借助用户行为偏好对齐（RWR）的方法，通过用户偏好量化、混淆排序框架奖励加权偏好优化、混淆排序框架的要领，划分对用户在搜索场景下的真实验为举行了细腻化分级。RWR 的焦点头脑是凭证正负样本之间的奖励差别，让模子学习到用户对差别query的个性化偏好。

总体而言，OneSug 是业界首个在电阛阓景中实现全流量安排的端到端天生式Query推荐系统，其统一建模方法显著提升了语义明确与个性化推荐的能力，为天生式模子在搜广推的落地提供了新范式。

未来，我们将进一步探索大语言模子在排序阶段的强化学习优化、实时更新等偏向，一连推动端到端天生式系统在推荐、广告等多营业场景中的普遍应用。