效果、性能雙突破！快手OneSug端到端生成式框架入選AAAI 2026

當(dāng)你在電商平臺搜索“蘋果”，系統(tǒng)會推薦“水果”還是“手機”？或者直接跳到某個品牌旗艦店？短短一個詞，背后承載了完全不同的購買意圖。而推薦是否精準(zhǔn)，直接影響用戶的搜索體驗，也影響平臺的轉(zhuǎn)化效率。

基于上述問題，快手在業(yè)界首次提出端到端的生成式統(tǒng)一查詢推薦框架——OneSug，成功將召回、粗排、精排等多個階段統(tǒng)一在一個生成模型中，顯著提升了推薦效果與系統(tǒng)效率，在快手電商場景中實現(xiàn)了業(yè)務(wù)指標(biāo)與用戶體驗的雙重提升。

本工作相關(guān)成果《OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion》已被人工智能頂級會議 AAAI 2026 接收。

查詢推薦（Query Suggestion）是現(xiàn)代電商搜索系統(tǒng)中的關(guān)鍵功能，通過在用戶輸入過程中實時推薦相關(guān)查詢，幫助用戶快速明確意圖，提升搜索體驗與轉(zhuǎn)化效率。傳統(tǒng)方法通常采用多階段級聯(lián)架構(gòu)（MCA），雖然在效率與效果之間取得了一定平衡，但由于各階段目標(biāo)不一致、長尾查詢召回困難等問題，限制了系統(tǒng)性能的進一步突破。

而近年來，生成式檢索（Generative Retrieval）因其強大的語義理解與生成能力，在推薦與搜索領(lǐng)域展現(xiàn)出巨大潛力。然而，現(xiàn)有方法多聚焦于視頻推薦，其本質(zhì)上是一個開集到開集的任務(wù)，難以直接應(yīng)用于輸入輸出都是開放詞表的的查詢推薦場景。

針對上述問題，快手提出的 OneSug 模型主要包括3個部分：

首先是 Prefix-Query表征增強模塊。Sug場景下，用戶輸入的前綴往往較短且意圖模糊（如“蘋果”可指水果或品牌）。為此，快手提出的解決方式分為語義與業(yè)務(wù)空間對齊、層次化語義ID生成2個部分。

其次是統(tǒng)一的Enc-Dec生成架構(gòu)。OneSug 的生成架構(gòu)基于Enc-Dec結(jié)構(gòu)，并直接通過自回歸（Autoregressive）方式生成用戶最有可能點擊的Query。

此外，借助用戶行為偏好對齊（RWR）的方式，通過用戶偏好量化、混合排序框架獎勵加權(quán)偏好優(yōu)化、混合排序框架的方法，分別對用戶在搜索場景下的真實行為進行了精細(xì)化分級。RWR 的核心思想是根據(jù)正負(fù)樣本之間的獎勵差距，讓模型學(xué)習(xí)到用戶對不同query的個性化偏好。

總體而言，OneSug 是業(yè)界首個在電商場景中實現(xiàn)全流量部署的端到端生成式Query推薦系統(tǒng)，其統(tǒng)一建模方式顯著提升了語義理解與個性化推薦的能力，為生成式模型在搜廣推的落地提供了新范式。

未來，我們將進一步探索大語言模型在排序階段的強化學(xué)習(xí)優(yōu)化、實時更新等方向，持續(xù)推動端到端生成式系統(tǒng)在推薦、廣告等多業(yè)務(wù)場景中的廣泛應(yīng)用。