OneRec ： 快手推出的端到端生成式推荐系统

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

主要介绍

OneRec是快手推出的一款基于生成式AI的端到端推荐系统，旨在突破传统推荐系统依赖多阶段流水线（如召回、粗排、精排）的架构限制。通过将推荐任务转化为序列生成问题，OneRec直接从用户历史行为中生成推荐列表，实现了推荐流程的一体化。该系统已在快手App和极速版中全面上线，承接约25%的请求量，显著提升了用户停留时长和生命周期价值，同时大幅降低了算力成本。

功能特点

1. 端到端生成：通过Encoder-Decoder架构直接生成推荐列表，无需多阶段排序。
2. 多模态融合：结合视频标题、图像等多维信息与用户行为，生成更精准的推荐。
3. 强化学习偏好对齐：引入综合奖励系统（用户偏好、格式奖励、业务奖励），提升推荐质量。
4. 高效算力利用：通过架构优化和算子压缩，训练和推理的算力利用率（MFU）分别提升至23.7%和28.8%，运营成本仅为传统方案的10.6%。
5. 大规模工业应用：已在快手主场景全量部署，支持512大Beam Size生成需求。

优缺点

优点：

• 效果提升：推荐更精准，用户停留时长和生命周期显著增长。
• 成本降低：算力利用率大幅提升，运营成本降低近90%。
• 架构简化：端到端设计减少了传统推荐系统的复杂性和目标冲突。

缺点：

• 计算资源需求：尽管MFU提升，但大规模生成式模型仍需较高的计算资源。
• 冷启动问题：对于新用户或新物品，生成式推荐可能面临数据稀疏的挑战。
• 可解释性：生成式模型的推荐结果可能较难解释，影响调试和优化。

如何使用

OneRec已在快手内部全面上线，开发者无法直接调用其API。但快手可能通过开放平台或合作方式提供相关技术能力。对于外部开发者，建议关注快手开放平台的动态，或参考快手发布的技术报告和论文（如《OneRec: Unifying Retrieve and Rank with Generative Recommender and Preference Alignment》）了解技术细节。

框架技术原理

1. Encoder-Decoder架构：
   • Encoder：整合用户终身/短期行为序列，实现多尺度建模。
   • Decoder：基于MoE（Mixture-of-Experts）增强的结构，通过Next Token Prediction生成推荐结果。
2. 多模态分词器：
   • 融合视频标题、图像等多维信息与用户行为，利用RQ-Kmeans分层生成语义ID。
3. 强化学习偏好对齐：
   • 通过融合偏好奖励、格式奖励及业务奖励构建综合奖励系统，利用个性化P-Score作为强化信号。
   • 采用改进的ECPO算法提升训练稳定性。
4. 性能优化：
   • 训练侧：请求分组特征复用、变长Flash Attention、自研SKAI系统实现Embedding全流程GPU训练。
   • 推理侧：Encoder单次前向、Beam间KV共享、Decoder层KV Cache，支持512大Beam Size生成需求。

创新点

1. 端到端生成式推荐：首次将推荐任务转化为序列生成问题，替代传统多阶段排序。
2. 会话级列表生成：考虑每个会话内物品的相对内容和顺序，生成更连贯、多样化的推荐列表。
3. 迭代偏好对齐（IPA）：通过奖励模型生成偏好数据，优化生成结果，提升推荐质量。
4. 高效算力利用：通过架构重构和算子压缩，实现算力效能的显著提升。

评估标准

1. 推荐效果：用户停留时长、点赞、关注、评论等交互指标。
2. 算力利用率：训练和推理的MFU（Machine Floating-point Utilization）。
3. 运营成本：与传统推荐系统的成本对比。
4. 业务指标：如GMV、订单量、购买用户数等（在本地生活服务场景中）。

应用领域

1. 短视频推荐：快手App和极速版的主场景。
2. 本地生活服务：如电商、到店服务等，推动GMV和订单量增长。
3. 其他内容推荐场景：如新闻、音乐、直播等，具有广泛的适用性。

项目地址

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