北京—— 在人工智能驱动的推荐系统领域，中国短视频巨头快手近日推出了一款名为OneRec的端到端生成式推荐系统，该系统采用编码器-解码器架构，并结合稀疏混合专家（MoE）技术，旨在提升推荐质量和计算效率。据快手官方数据，OneRec在实际应用中已取得显著成效，观看时长提升1.6%，并在本地生活服务场景中推动交易总额（GMV）增长21.01%。
技术创新：端到端生成与会话式推荐
传统的推荐系统通常采用级联结构，各个模块独立运行，信息传递效率较低。OneRec打破了这一传统，采用端到端生成式架构，将推荐问题转化为序列生成任务。编码器负责整合用户的历史行为序列，解码器则通过稀疏混合专家（MoE）架构逐步生成用户可能感兴趣的视频。
与传统的逐点预测不同，OneRec提出会话式生成方法，能够生成整个推荐列表，更好地捕捉上下文信息。这种方法模拟了人类对话的连贯性，使得推荐结果更加自然流畅。
多模态分词与强化学习偏好对齐
为了更精准地建模用户兴趣，OneRec首创了协同感知的多模态分词方案，融合视频的标题、标签、语音转文字、图像识别等多维信息，转化为分层的语义ID。这种多模态融合的方式，能够更全面地理解视频内容，并将其与用户的兴趣偏好进行匹配。
此外，OneRec还引入了基于奖励机制的偏好对齐方法，通过强化学习增强模型效果。模型利用偏好奖励、格式奖励和业务奖励构建综合奖励系统，优化生成结果。这种方法能够使模型更好地感知用户的细粒度偏好，提升推荐的精准度。
性能优化与应用场景
在性能优化方面，OneRec通过架构重构，将关键算子数量大幅压缩，并通过稀疏MoE架构扩展模型容量，显著提升了计算效率。通过训练和推理优化，实现了更高的模型浮点运算利用率（MFU），使得算力效率大幅提升。
目前，OneRec已在快手的多个核心场景中得到应用，包括：
- 短视频推荐： OneRec承担了快手短视频推荐主场景中约25%的请求（QPS），并在用户停留时长、点赞、关注、评论等交互指标上均取得了显著提升。
- 本地生活服务： 在快手的本地生活服务场景中，OneRec推动了交易总额（GMV）增长21.01%，订单量提升17.89%，购买用户数增长18.58%，新客获取效率提升了23.02%。
- 直播内容匹配： OneRec被应用于直播内容匹配，通过动态生成推荐序列，能更好地匹配用户的实时兴趣，提升用户在直播场景中的参与度和互动率。
- 广告投放： 在广告投放领域，OneRec的生成式架构能根据用户的兴趣和行为动态生成广告推荐，提高广告的精准度和转化率。
未来展望：生成式推荐的潜力
OneRec的成功实践表明，生成式推荐系统在提升推荐质量和用户体验方面具有巨大潜力。随着人工智能技术的不断发展，未来生成式推荐系统有望在更多领域得到应用，并为用户带来更加个性化、智能化的服务。
参考文献：
- arXiv技术论文: https://export.arxiv.org/pdf/2502.18965 (请注意，此链接为示例链接，实际链接可能需要根据快手官方发布的信息进行更新)
致谢：
感谢快手公司提供的信息，以及AI工具集网站提供的相关资料。
（完）
Views: 0