.png?table=collection&id=1e16e373-c263-81c6-a9df-000bd9c77bef&t=1e16e373-c263-81c6-a9df-000bd9c77bef)
快手OneSug入选AAAI 2026：端到端生成式搜索推荐新突破
type
status
date
slug
summary
tags
category
icon
password
网址
在当今的电商环境中，搜索框是用户意图最直接的表达窗口。然而，当用户输入“苹果”二字时，他究竟是在寻找新鲜水果，还是最新款的智能手机？短短一个词，背后隐藏着千差万别的购买意图。查询推荐（Query Suggestion）系统的核心任务，就是要在用户输入的瞬间，精准捕捉并补全这些意图。
长期以来，业界普遍采用多阶段级联架构（MCA）来解决这一问题，但随着AI资讯和大模型技术的飞速发展，传统架构在长尾召回和全链路优化上的瓶颈日益凸显。近日，快手技术团队提出的端到端生成式统一查询推荐框架——OneSug，不仅成功打破了这一僵局，更凭借其卓越的创新性被人工智能顶级会议 AAAI 2026 接收。作为关注前沿科技的AI门户，AIGC.BAR 将带您深入解读这一里程碑式的技术突破。
传统多阶段级联架构的痛点与挑战
在OneSug出现之前，大多数电商平台的查询推荐系统遵循着“召回 -> 粗排 -> 精排”的经典漏斗模式。这种多阶段级联架构虽然在过去十年中支撑了互联网搜索的半壁江山，但也存在着难以调和的结构性缺陷：
- 错误累积效应：这是一个典型的“木桶效应”，前一阶段（如召回）如果漏掉了高质量的Query，后续的排序模型无论多么强大都无法挽回，导致整体性能受限于链路中最弱的一环。
- 目标不一致：各个阶段往往由不同的团队维护，使用不同的模型和优化目标。召回侧可能关注相关性，而排序侧关注点击率，这种割裂导致全链路难以实现统一的目标优化。
- 长尾查询难题：对于缺乏历史行为数据的冷门或新颖的前缀输入，传统基于统计的方法往往难以召回高质量的结果。
面对这些挑战，快手团队将目光投向了生成式检索（Generative Retrieval），试图利用LLM（大语言模型）强大的语义理解与生成能力，重构搜索推荐的底层逻辑。
核心创新一：Prefix-Query 表征增强模块
在电商搜索场景中，用户输入的“前缀”（Prefix）通常非常短且意图模糊。为了解决这个问题，OneSug 引入了 Prefix-Query 表征增强模块（PRE）。
这一模块巧妙地结合了对比学习与离散化编码技术：
* 语义空间对齐：利用BGE作为基础模型，通过引入用户真实的搜索日志数据进行微调，将通用的语义空间强行拉齐到快手电商的业务特征空间中。
* 层次化语义ID生成：引入了RQ-VAE技术，将文本映射为离散的语义ID。这意味着，即使是含义相近但表述不同的Query，也会被编码到同一个簇中。
通过这种方式，系统能在用户仅输入几个字时，迅速匹配到Top-K个语义最接近的相关Query作为上下文，极大地增强了模型对用户模糊意图的理解能力，这是人工智能在理解人类自然语言方面的一大进步。
核心创新二：统一的 Enc-Dec 生成架构
OneSug 最大的突破在于它抛弃了复杂的级联流程，采用了一个统一的 Encoder-Decoder（编码器-解码器） 生成架构。
在这个架构中，模型不再是简单地从库里“找”词，而是根据上下文“写”词。模型的输入包含了四个维度的丰富信息：
1. 用户当前输入的前缀。
2. 由PRE模块增强的相关查询序列。
3. 用户的历史搜索行为序列。
4. 用户画像信息。
基于这些信息，OneSug 直接以自回归（Autoregressive）的方式，生成用户最有可能点击的Query列表。这种端到端的生成方式，不仅简化了系统复杂度，还让模型能够充分利用大模型的上下文推理能力，实现个性化程度极高的推荐。
核心创新三：用户行为偏好对齐（RWR）
生成式模型虽然强大，但如果缺乏有效的引导，可能会生成“通顺但无用”的内容。为了让模型生成的Query更符合用户的点击偏好，快手提出了一种新颖的对齐策略——奖励加权排序（Reward Weighted Ranking, RWR）。
传统的DPO（直接偏好优化）通常将样本简单分为“正”和“负”，但在电商场景中，样本的优劣是分等级的（例如：下单 > 点击 > 曝光 > 随机）。RWR 的核心思想包括：
* 精细化权重计算：根据正负样本之间的奖励差距（如点击与随机负样本的差距远大于点击与曝光的差距），为不同的样本对赋予不同的学习权重。
* 混合排序框架：为了避免模型只学会“二选一”而忽略全局排序，OneSug 引入了 Listwise 排序损失。这迫使模型在面对大量负样本时，依然能将最佳结果排在最前。
理论证明，这种混合排序框架能够兼顾生成的准确性与排序的全局最优性，是AI强化学习技术在搜索领域的成功落地。
效果实测：性能与体验的双重飞跃
OneSug 的提出并非仅停留在论文层面，它已经在快手电商搜索场景下完成了全流量部署，并取得了显著的业务收益：
- 业务指标提升：在在线A/B测试中，OneSug 显著提高了CTR（点击率）、订单量和GMV（商品交易总额），证明了生成式推荐在商业转化上的巨大潜力。
- 系统性能优化：通过将召回、粗排、精排统一为一个生成模型，线上推理流程被大幅简化，平均耗时降低了 43.2%。这意味着在同样的算力资源下，平台可以服务更多的用户，或运行更复杂的大模型逻辑。
总结与展望
快手 OneSug 框架的成功，标志着电商搜索推荐系统正式迈入了“端到端生成式”的新时代。它证明了通过统一建模，不仅可以解决传统架构的固有缺陷，还能在AGI技术的加持下实现效率与效果的双赢。
对于关注AI变现和技术落地的从业者来说，OneSug 提供了一个极具参考价值的新范式。未来，随着大语言模型在排序阶段的进一步强化学习优化，我们有理由相信，搜索体验将变得更加智能、精准和人性化。
想要了解更多关于AI新闻、大模型技术进展以及Prompt技巧，请持续关注 AIGC.BAR，我们为您提供最新、最全的AI资讯与深度解读。
Loading...