快手OneSearch揭秘：AI大模型如何颠覆电商搜索，实现一步到位

type

status

date

slug

summary

传统电商搜索的“三座大山”与AI破局之道

长期以来，主流电商平台普遍采用“召回 -> 粗排 -> 精排”的级联式架构。这套体系如同三道筛子，层层过滤商品，但其固有的缺陷也日益凸显，成为阻碍用户体验的“三座大山”：

信息噪音干扰：商家为博取曝光，在标题中堆砌大量无关热词，严重污染商品描述，让机器难以理解商品的核心属性。

相关性鸿沟：用户的搜索词往往简短模糊，而传统的关键词匹配难以捕捉深层语义差异，导致“裙裤”被误判为“阔腿裤”的尴尬时常发生。

结构性瓶颈：级联架构中，第一步“召回”的效果决定了最终结果的上限。一旦初始召回出错，后续再精妙的排序也无力回天。同时，各阶段目标不一，协同效率低下。

冷启动困境：新商品、长尾搜索词因缺乏历史数据，很难获得曝光机会，陷入“无人问津”的恶性循环。

面对这些顽疾，简单的修补已无济于事。真正的突破，需要借助AI大模型的强大语义理解和生成能力，从根本上重构搜索链路。OneSearch正是基于这一理念，用一个统一的生成式模型取代了繁琐的三级火箭，旨在从源头解决问题。

核心解密一：KHQE编码，为每个商品打造“智能身份证”

OneSearch的第一个杀手锏，是其创新的关键词增强层次量化编码（KHQE）模块。它旨在解决商品信息混乱的根源问题，为海量商品构建一个清晰、准确、且具备层次化语义的“智能身份证”（SID）。

这个过程分为两步：

* 第一步：提取核心属性 面对“法式挂脖连衣裙女夏宽松显瘦绝美温柔初恋优雅皮靴搭配红色浅蓝色粉色”这样混乱的标题，OneSearch利用AI模型自动识别并提取出“连衣裙”、“法式”、“挂脖”、“夏季”等核心属性，同时过滤掉“绝美”、“皮靴”这类无关或冲突的噪音词汇。

* 第二步：生成层次化编码 仅仅提取属性还不够，如何让机器理解这些属性的内在关系？OneSearch独创了RQ-OPQ编码方案，精妙地结合了两种量化技术： * RQ（残差量化）：负责构建商品的层次化语义。如同一个分类体系，它会从粗到细地为商品打上标签。例如，第一层是“服装”，第二层是“连衣裙”，第三层是“法式款式”。 * OPQ（优化乘积量化）：负责捕捉商品的独特性征。在完成大的分类后，OPQ专注于编码那些区分商品的细微差异，比如“星宇橙色”、“256GB内存”等关键信息。

通过这种方式，每个商品都被赋予一个由5层编码组成的SID，既包含了它的品类归属，又保留了个性化细节。这套“智能身份证”系统，极大地提升了生成式模型对商品的理解深度和区分能力，为精准匹配奠定了坚实基础。

核心解密二：多视角用户建模，读懂你“没说出口”的需求

精准的商品理解需要与深刻的用户洞察相结合。OneSearch的第二个核心创新在于构建了多视角用户行为序列，彻底告别了传统搜索中那个毫无意义的数字ID，转而为每个用户生成一个动态的、充满语义的“个性化标识”。

它通过融合两种视角来实现：

显式引入短期行为：系统会将你最近的搜索词（Query）和点击过的商品（SID）直接作为Prompt的一部分输入到模型中。比如，你近期频繁搜索“宿舍神器”，模型会立刻捕捉到你可能是准大学生的即时意图，从而优先推荐相关商品。

隐式融入长期行为：用户的长期偏好，如消费层级、品牌倾向、审美风格等，则通过嵌入（Embedding）的方式隐式地融入模型。这种方法既能让模型理解用户的稳定画像，又避免了因行为序列过长而导致的计算延迟。

通过这种长短结合的方式，OneSearch能够更全面、立体地理解用户的真实意图，甚至是你“没说出口”的潜在需求，从而实现千人千面的个性化搜索。

核心解密三：偏好感知奖励系统（PARS），从“匹配”到“优选”的飞跃

找到了相关的商品，理解了用户的偏好，最后一步就是如何呈现一个完美的排序列表。为此，OneSearch引入了偏好感知奖励系统（PARS），通过“学习+实践”的两阶段训练，让模型从一个只会“匹配”的学生，成长为懂得“优选”的专家。

* 第一阶段：监督微调（SFT） 这就像是模型的“课堂学习”阶段，分为三节课，循序渐进： 1. 基础课：认识商品和类目，建立基本语义对应。 2. 进阶课：学习用户行为中的共现关系，比如搜“极简风”的用户常买哪些商品。 3. 高级课：结合用户画像进行个性化排序练习，实现真正的“投其所好”。

* 第二阶段：强化排序学习（RL4Ranking） 学完理论就要“上考场”。这一阶段，OneSearch引入强化学习机制，通过对齐线上精排模型的分布和学习用户真实交互反馈，让模型的排序能力突破上限。它设计了一套自适应奖励机制，综合考虑点击、转化、订单额等商业指标，并动态调整权重，鼓励模型生成不仅相关、而且最有可能被用户喜欢和购买的商品列表。

惊人成效：OneSearch带来的业务与效率革命

理论的先进最终要靠实践来检验。OneSearch上线后，交出了一份亮眼的成绩单：

业务指标全面提升：最终版本实现了订单量提升3.22%，买家数提升2.4%，同时在CTR（点击率）和CVR（转化率）上均有显著增长。

攻克长尾与冷启动：在处理中低频搜索词和新上架商品时，OneSearch的效果远超传统系统，展现了AI大模型卓越的泛化和推理能力。

实现降本增效：在提升效果的同时，线上推理成本（OPEX）降低了75.40%，计算效率（MFU）相对提升了8倍，真正实现了技术驱动的AI变现。

OneSearch的成功，标志着生成式AI模型首次在工业级大规模电商搜索场景下，实现了对全链路的取代和超越。它不仅是快手技术的一次重大突破，更为整个电商行业的搜索技术演进指明了新的方向。这背后是人工智能技术从理论走向应用的又一个里程碑。

未来，随着多模态特征的融合和更强强化学习机制的引入，我们有理由相信，以OneSearch为代表的生成式搜索将为我们带来更智能、更人性化的购物体验。想了解更多关于AI、大模型的前沿AI资讯和深度解读，欢迎访问AI门户网站 AIGC.bar (https://aigc.bar)，获取最新的AI新闻和技术动态。