OneRec：快手推荐系统全解析

各位小伙伴们，大家好呀！看看今天我又给各位带来了什么文章？本文标题是《OneRec：快手端到端生成推荐系统揭秘》，很明显是关于科技周边的文章哈哈哈，其中内容主要会涉及到等等，如果能帮到你，觉得很不错的话，欢迎各位多多点评和分享！

OneRec 是快手开发的全新端到端生成式推荐系统。该系统基于编码器-解码器结构，引入稀疏 Mixture-of-Experts（MoE）机制，以增强模型容量并维持高效的计算效率。与传统级联式推荐系统不同，OneRec 采用会话式生成策略，能够输出上下文一致的推荐内容，并通过迭代偏好对齐模块结合直接偏好优化（DPO）来进一步提升推荐质量。在训练流程中，OneRec 将多模态信息量化为 token 序列输入模型，采用两阶段训练方式：首先进行基础 item 预测任务训练，随后利用 DPO 进行偏好对齐。

OneRec的核心功能

• 端到端生成式架构：OneRec 使用编码器-解码器结构，将推荐问题转化为序列生成任务。编码器整合用户的历史行为数据，解码器则借助稀疏混合专家（MoE）结构逐步生成可能感兴趣的视频内容。
• 会话式生成方法：区别于传统的单点预测方式，OneRec 创新性地提出会话式生成机制，可生成完整的推荐列表，从而更有效地捕捉上下文关系。
• 实验验证与性能提升：在快手平台进行的在线 A/B 测试显示，OneRec 带来了 1.6% 的观看时长增长，在多项指标上优于传统方法。

OneRec的技术机制

• 编码器-解码器结构：OneRec 采用 Encoder-Decoder 框架，把推荐任务建模为序列生成问题。编码器提取用户全生命周期行为特征，解码器使用稀疏 MoE 架构逐个生成候选视频。该方式能更好地追踪用户兴趣演变，并输出连贯的推荐结果。
• 多模态分词机制：OneRec 首创协同感知的多模态分词方案，融合视频标题、标签、语音识别、图像理解等多源信息，转换为分层语义 ID，实现更精细的兴趣建模。
• 强化学习偏好对齐：系统引入奖励驱动的偏好对齐机制，通过强化学习提升模型表现。模型综合运用偏好奖励、格式奖励和业务目标构建复合奖励体系，优化生成推荐序列。有助于更准确把握用户的深层偏好，提高推荐相关性。
• 性能优化设计：通过对架构的重构，大幅减少关键算子数量，并借助稀疏 MoE 扩展模型规模，显著提高了计算效率。经过训练与推理优化，系统实现了更高的浮点运算利用率（MFU），从而提升了整体算力效率。

OneRec的项目链接

• arXiv技术论文：http://export.arxiv.org/pdf/2502.18965

OneRec的应用领域

• 短视频推荐：在快手短视频主场景中，OneRec 承担约 25% 的请求流量（QPS）。依托生成式结构与偏好对齐机制，在用户停留时间、点赞、评论、关注等互动指标方面均有明显提升。
• 本地生活服务：在本地生活场景中，OneRec 同样展现出卓越效果。AB 实验结果显示，推动交易总额（GMV）增长 21.01%，订单量提升 17.89%，购买用户数增加 18.58%，新增用户获取效率提升 23.02%。
• 直播内容匹配：系统被应用于直播推荐场景，通过动态生成推荐序列，精准匹配用户实时兴趣，显著提升用户参与度与互动频率。
• 广告投放：在广告推荐方面，OneRec 的生成式结构可根据用户行为动态生成广告推荐内容，有效提高广告点击率与转化效果。

终于介绍完啦！小伙伴们，这篇关于《OneRec：快手推荐系统全解析》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布科技周边相关知识，快来关注吧！