企业官网建设流程全解析

建立com网站,免费的建筑设计网站,网站的后台怎么做,企业网站建设管理制度快手在业界首次提出端到端的生成式统一查询推荐框架 ——OneSug#xff0c;成功将召回、粗排、精排等多个阶段统一在一个生成模型中#xff0c;显著提升了推荐效果与系统效率#xff0c;在快手电商场景中实现了业务指标与用户体验的双重提升。当你在电商平台搜索“苹果”成功将召回、粗排、精排等多个阶段统一在一个生成模型中显著提升了推荐效果与系统效率在快手电商场景中实现了业务指标与用户体验的双重提升。当你在电商平台搜索“苹果”系统会推荐“水果”还是“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不同的购买意图。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。查询推荐Query Suggestion是现代电商搜索系统中的关键功能通过在用户输入过程中实时推荐相关查询帮助用户快速明确意图提升搜索体验与转化效率。传统方法通常采用多阶段级联架构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标不一致、长尾查询召回困难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生成式统一查询推荐框架 ——OneSug成功将召回、粗排、精排等多个阶段统一在一个生成模型中显著提升了推荐效果与系统效率在快手电商场景中实现了业务指标与用户体验的双重提升。本工作相关成果《OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion》已被人工智能顶级会议 AAAI 2026 接收。论文链接https://arxiv.org/abs/2506.06913一、研究背景传统查询推荐系统通常采用多阶段级联架构依次进行召回、粗排和精排。尽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明显的局限性级联式框架召回 - 粗排 - 排序前一链路性能决定下一链路上限召回、排序分离技术迭代范式全链路统一目标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。近年来生成式检索Generative Retrieval因其强大的语义理解与生成能力在推荐与搜索领域展现出巨大潜力。然而现有方法多聚焦于视频推荐其本质上是一个开集到开集的任务难以直接应用于输入输出都是开放词表的的查询推荐场景。二、方法简介OneSug 的三大核心模块针对上述问题快手提出了 OneSug 模型整体架构如上图所示主要包括 3 个部分Prefix-Query 表征增强模块Prefix2Query Representation Enhancement统一的 Enc-Dec 生成架构Unified Encoder-Decoder Architecture用户行为偏好对齐User Preference Alignment1. Prefix-Query 表征增强模块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式分为 2 个部分。语义与业务空间对齐以 BGE 作为 base 模型同时引入用户真实的 prefix2query、query2query 数据使用对比学习对 BGE 进行微调使其语义空间与快手电商的业务特征空间对齐。层次化语义 ID 生成在对齐语义空间的基础上引入 RQ-VAE为每个前缀和 Query 生成层次化的语义 ID。RQ-VAE 可将任意文本映射为离散的语义 ID同时保证语义相近的 query 会被编码到相同的簇中。通过这种方式对于任何一个用户输入的前缀可以快速匹配到与其语义 ID 最接近的 top-K 个相关 query作为增强上下文输入后续生成模型。2. 统一的 Enc-Dec 生成架构OneSug 的生成架构基于 Enc-Dec 结构并直接通过自回归Autoregressive方式生成用户最有可能点击的 Query。该模型的输入包含四个关键部分1用户当前输入前缀如 “智能手机”2由 PRE 模块增强的相关查询序列如 “智能手机性价比 2025”3用户历史行为序列如过去搜索的 “蓝牙耳机”、“手机壳” 等4用户画像信息输出即为模型生成的 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RWR3.1 用户偏好量化快手首先对用户在搜索场景下的真实行为进行了精细化分级将其划分为六个明确的层次并为每个层级赋予一个基础奖励权重Rand 随机负样本 0.0 为了进一步细致的调节样本权重额外引入了调节因子其中表示当前前缀下 query 的 ctr。3.2 混合排序框架奖励加权偏好优化传统的 DPO 使用 正样本负样本 对进行训练但默认两者同等重要。这在业务场景中是不合理的因为区分 “点击” 和 “曝光” 的难度远小于区分 “点击” 和 “随机负样本”。RWR 的核心思想是根据正负样本之间的奖励差距为不同的样本对赋予不同的学习权重。快手构建了九种类型的样本对如 Order, Show, Click, Rand。对于每一对样本计算其奖励差异权重 rwΔ值小说明正负样本奖励差距大如 Click, Rand是 “容易样本”模型正常学习即可。值大说明正负样本奖励差距小如 Click, Show是 “困难样本”RWR 会赋予更大的权重迫使模型更加努力地学习其间微妙的偏好差异。3.3 混合排序框架为了克服传统 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合排序框架。该框架将 listwise 范式的排序损失和 point-wise 范式的 sft loss 进行混合使得模型既能获得高效的排序能力同时避免 reward hacking 造成的生成能力下降。Pairwise 范式对齐模型在包含多个负样本的候选中无法学习到 “哪个是最好的”。受 Plackett-Luce 模型启发快手设计了 Listwise 排序损失对于正样本让模型同时拉大它与所有负样本的奖励差距迫使模型不仅要知道正样本比负样本好还要学会在负样本越多、越强的情况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。论文中分别提出了基于 Pairwise 和 ListWise 范式的混合排序框架同时在理论上证明了 Pairwise 范式的对齐模型是 ListWise 的特殊情况。三、实验结果离线效果在快手电商场景的大规模数据集上OneSug 在 HR16 和 MRR16 指标上均显著优于传统多阶段系统与生成式基线模型。论文中同时提到OneSug 不仅适用于 Enc-Dec 结构的生成式模型Decode-only 架构的模型同样适用且具有更高的离线指标因为现阶段的推理耗时约束暂时没有进行在线实验。在线 A/BOneSug 模型目前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%为后续优化提供了充足的空间。四、总结与展望OneSug 是业界首个在电商场景中实现全流量部署的端到端生成式 Query 推荐系统其统一建模方式显著提升了语义理解与个性化推荐的能力为生成式模型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型在排序阶段的强化学习优化、实时更新等方向持续推动端到端生成式系统在推荐、广告等多业务场景中的广泛应用。