重口秘猎奇50度灰入口

电脑版下载

18214
7

重口秘猎奇50度灰入口截图Q8X2R7L1T4J5M9B6W3

内容详情

重口秘猎奇50度灰入口

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。