黄色网址黄色网址黄色网址黄色网址黄色视频黄色视频黄色视频

电脑版下载

90129
3

黄色网址黄色网址黄色网址黄色网址黄色视频黄色视频黄色视频截图Q8X2R7L1T4J5M9B6W3

内容详情

黄色网址黄色网址黄色网址黄色网址黄色视频黄色视频黄色视频

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。

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。

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。

论文链接：https://arxiv.org/abs/2506.06913

一、研究配景

古板盘问推荐系统通常接纳多阶段级联架构，依次举行召回、粗排和精排。只管该架构在响应时间与转化率之间实现了一定平衡，但也带来了显着的局限性：

级联式框架（召回 -> 粗排 -> 排序），前一链路性能决议下一链路上限；召回、排序疏散手艺迭代范式，全链路统一目的优化难；长尾前缀由于缺乏历史行为数据，难以召回高质量 Query。

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。

二、要领简介：OneSug 的三大焦点�？�

针对上述问题，快手提出了 OneSug 模子，整体架构如上图所示，主要包括 3 个部分：

（1）Prefix-Query 表征增强�？椋≒refix2Query Representation Enhancement）

（2）统一的 Enc-Dec 天生架构（Unified Encoder-Decoder Architecture）

（3）用户行为偏好对齐（User Preference Alignment）

1. 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 2 个部分。

语义与营业空间对齐：以 BGE 作为 base 模子，同时引入用户真实的 prefix2query、query2query 数据，使用比照学习对 BGE 举行微调，使其语义空间与快手电商的营业特征空间对齐。条理化语义 ID 天生：在对齐语义空间的基础上，引入 RQ-VAE，为每个前缀和 Query 天生条理化的语义 ID。RQ-VAE 可将恣意文本映射为离散的语义 ID，同时包管语义相近的 query 会被编码到相同的簇中。通过这种方法，关于任何一个用户输入的前缀，可以快速匹配到与其语义 ID 最靠近的 top-K 个相关 query，作为增强上下文输入后续天生模子。

2. 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。

该模子的输入包括四个要害部分：

（1）用户目今输入前缀（如 “智能手机”）

（2）由 PRE �？樵銮康南喙嘏涛市蛄校ㄈ� “智能手机性价比 2025”）

（3）用户历史行为序列（如已往搜索的 “蓝牙耳机”、“手机壳” 等）

（4）用户画像信息

输出即为模子天生的 Query 列表（如 “智能手机推荐 2025”、“智能手机性价比排行”）。

3. 用户行为偏好对齐（RWR）

3.1 用户偏好量化

3.2 混淆排序框架奖励加权偏好优化

古板的 DPO 使用 < 正样本，负样本 > 对举行训练，但默认两者一律主要。这在营业场景中是不对理的，由于区分 “点击” 和 “曝光” 的难度远小于区分 “点击” 和 “随机负样本”。

RWR 的焦点头脑是凭证正负样本之间的奖励差别，为差别的样本对付与差别的学习权重�？焓止菇司胖掷嘈偷难径裕ㄈ�

）。关于每一对样本，盘算其奖励差别权重 rwΔ：

3.3 混淆排序框架

为了战胜古板 Pairwise 范式的 DPO 在全局排序能力上的局限性，快手引入了一种混淆排序框架。该框架将 listwise 范式的排序损失和 point-wise 范式的 sft loss 举行混淆，使得模子既能获得高效的排序能力，同时阻止 reward hacking 造成的天生能力下降。

Pairwise 范式对齐模子，在包括多个负样本的候选中无法学习到 “哪个是最好的”。受 Plackett-Luce 模子启发，快手设计了 Listwise 排序损失，关于正样本，让模子同时拉大它与所有负样本的奖励差别，迫使模子不但要知道正样本比负样本好，还要学会在负样本越多、越强的情形下，依然将正样本排在前面，从而直接优化列表的整体排序质量。

论文中划分提出了基于 Pairwise 和 ListWise 范式的混淆排序框架，同时在理论上证实晰 Pairwise 范式的对齐模子是 ListWise 的特殊情形。

三、实验效果

离线效果

在快手电阛阓景的大规模数据集上，OneSug 在 HR@16 和 MRR@16 指标上均显著优于古板多阶段系统与天生式基线模子。论文中同时提到，OneSug 不但适用于 Enc-Dec 结构的天生式模子，Decode-only 架构的模子同样适用，且具有更高的离线指标，由于现阶段的推理耗时约束暂时没有举行在线实验。

在线 A/B

OneSug 模子现在已在快手电商搜索场景下全量推全。在 AB 实验中，OneSug 大幅度提高了 Ctr、订单和 GMV 等指标，同时人工测评 GSB 指标也有很大幅度的提升。

在线推理

线上流程完全取代了召回 - 粗排 - 精排，使平均耗时降低了 43.2%，为后续优化提供了富足的空间。

四、总结与展望

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，快手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。