💡 站外导读：在信息过载的时代，传统推荐系统常陷入“预测-排序”的级联瓶颈，难以捕捉用户的动态兴趣与上下文连贯性。行业亟需突破性技术来提升用户粘性与商业转化。快手最新发布的OneRec系统，正瞄准这一核心痛点，它将推荐任务重构为端到端的序列生成过程，利用先进的生成式AI架构，直接生成个性化推荐列表，从而更深刻地理解用户意图，驱动平台核心指标全面增长。
OneRec是什么
OneRec 是快手推出的新型端到端生成式推荐系统。采用编码器-解码器架构，通过稀疏 Mixture-of-Experts（MoE）技术提升模型容量，保持高效的计算性能。与传统级联推荐系统不同，OneRec 使用会话式生成方法，能生成上下文连贯的推荐结果，通过迭代偏好对齐模块结合直接偏好优化（DPO），进一步提升推荐质量。在训练过程中，OneRec 将多模态表征量化为 token 序列输入模型，采用两阶段训练策略：先进行基础的 item 预测任务训练，再通过 DPO 进行偏好对齐。
OneRec的主要功能
-
端到端生成式架构：OneRec 采用编码器-解码器架构，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序列，解码器通过稀疏混合专家（MoE）架构逐步生成用户可能感兴趣的视频。
-
会话式生成方法：与传统的逐点预测不同，OneRec 提出会话式生成方法，能生成整个推荐列表，更好地捕捉上下文信息。
-
实验验证与效果提升：OneRec 在快手平台的在线 A/B 测试中实现了 1.6% 的观看时间提升，显著优于传统方法。
OneRec的技术原理
-
编码器-解码器架构：neRec 采用 Encoder-Decoder 架构，将推荐问题转化为序列生成任务。编码器负责将用户的全生命周期行为序列压缩成兴趣向量，解码器则通过稀疏混合专家（MoE）架构逐步生成用户可能感兴趣的视频。能更好地捕捉用户兴趣的变化，并生成连贯的推荐列表。
-
多模态分词器：OneRec 首创了协同感知的多模态分词方案，融合视频的标题、标签、语音转文字、图像识别等多维信息，转化为分层的语义 ID。能更精准地建模用户兴趣。
-
强化学习偏好对齐：OneRec 引入了基于奖励机制的偏好对齐方法，通过强化学习增强模型效果。模型利用偏好奖励、格式奖励和业务奖励构建综合奖励系统，优化生成结果。能使模型更好地感知用户的细粒度偏好，提升推荐的精准度。
-
性能优化：OneRec 通过架构重构，将关键算子数量大幅压缩，通过稀疏 MoE 架构扩展模型容量，显著提升了计算效率。通过训练和推理优化，实现了更高的模型浮点运算利用率（MFU），使得算力效率大幅提升。
OneRec的项目地址
- arXiv技术论文：https://export.arxiv.org/pdf/2502.18965
OneRec的应用场景
- 短视频推荐：OneRec 在快手的短视频推荐主场景中表现突出，承担了约 25% 的请求（QPS）。通过生成式架构和强化学习偏好对齐，OneRec 在用户停留时长、点赞、关注、评论等交互指标上均取得了显著提升。
- 本地生活服务：OneRec 在快手的本地生活服务场景中也取得了显著成效。AB 对比实验表明，推动了交易总额（GMV）增长 21.01%，订单量提升 17.89%，购买用户数增长 18.58%，新客获取效率提升了 23.02%。
- 直播内容匹配：OneRec 被应用于直播内容匹配，通过动态生成推荐序列，能更好地匹配用户的实时兴趣，提升用户在直播场景中的参与度和互动率。
- 广告投放：在广告投放领域，OneRec 的生成式架构能根据用户的兴趣和行为动态生成广告推荐，提高广告的精准度和转化率。
📝 站长洞察 (Editor’s Insight)
OneRec的发布标志着推荐系统从“判别式”范式向“生成式”范式的战略性跃迁。它不仅仅是一个工程优化，更是对推荐本质的重新思考：推荐不再是给候选集打分，而是像对话一样为用户“创造”一个连续的兴趣流。其融合的稀疏MoE、多模态分词和DPO偏好对齐，精准踩中了当前大模型落地的三大关键——效率、多模态与价值对齐。快手将其在25%的线上流量中验证，并撬动了本地生活等核心商业场景的显著增长，这为行业树立了新标杆：生成式AI正在从“玩具”变为重塑业务逻辑的“引擎”。未来，谁能将生成能力与用户微观意图更深度耦合，谁就能在下一代互联网竞争中占据制高点。
