OneRec

OneRec – 快手推出的端到端生成式推荐系统

OneRec 是快手推出的一款革新性的端到端生成式推荐系统，它采用编码器-解码器架构和稀疏混合专家（MoE）技术，实现高效的计算性能，并能生成上下文连贯的推荐结果。通过会话式生成方法和迭代偏好对齐，OneRec 致力于提升推荐质量，并在快手平台上取得了显著的实际效果。

### 什么是 OneRec？

OneRec 是快手公司研发的下一代端到端生成式推荐系统。 摒弃了传统的级联推荐模式，OneRec 采用先进的编码器-解码器架构， 结合稀疏 Mixture-of-Experts (MoE) 技术，在保证高效计算的同时，能够生成更具连贯性的推荐结果。它通过会话式生成方法，并结合迭代偏好对齐模块与直接偏好优化（DPO），旨在全面提升推荐的质量。

### OneRec 的核心功能是什么？

* **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。 编码器负责整合用户的历史行为序列， 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，实现对用户兴趣的深度理解。
* **会话式生成方法：** 区别于逐点预测的传统方式，OneRec 采用会话式生成方法，一次性生成整个推荐列表，从而更好地捕捉用户当前的上下文信息。
* **显著的实验效果：** 在快手平台的 A/B 测试中，OneRec 实现了1.6% 的观看时长提升，显著优于传统推荐方法。

### OneRec 的技术亮点有哪些？

* **编码器-解码器架构：** OneRec 基于 Encoder-Decoder 架构，将推荐问题转化为一个序列生成任务。编码器将用户的历史行为序列压缩成兴趣向量，解码器则利用稀疏混合专家（MoE）架构生成用户可能感兴趣的视频，实现对用户兴趣的精准捕捉和连贯推荐。
* **多模态分词方案：** OneRec 创新性地采用了协同感知的多模态分词方案，融合了视频的标题、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，从而更精确地建模用户兴趣。
* **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，通过强化学习来增强模型的效果。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，从而更好地捕捉用户的细粒度偏好，提升推荐的精准度。
* **卓越的性能优化：** OneRec 通过架构重构，显著压缩了关键算子的数量，并利用稀疏 MoE 架构扩展了模型容量，大大提高了计算效率。 此外，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），从而大幅提升了算力效率。

### OneRec 的应用场景有哪些？

* **短视频推荐：** OneRec 在快手的短视频推荐主场景中表现出色，承担了约 25% 的请求（QPS）。 凭借其生成式架构和强化学习偏好对齐技术，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 测试结果显示，其推动了交易总额（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。

### 常见问题解答

* **OneRec 与传统推荐系统的区别是什么？** OneRec 采用端到端生成式架构，而传统推荐系统通常是级联架构。 OneRec 通过会话式生成方法，生成上下文连贯的推荐列表，更注重用户当前的兴趣。
* **OneRec 如何提升推荐质量？** OneRec 通过编码器-解码器架构、会话式生成方法、多模态分词、强化学习偏好对齐等技术，全面提升推荐的准确性、相关性和用户体验。
* **OneRec 的未来发展方向是什么？** OneRec 将持续优化模型架构和算法，探索更高效的推荐策略，并拓展在更多应用场景中的应用，为用户带来更好的体验。