快手發(fā)布EMER框架，“自進化”AI重塑短視頻推薦模式

近日，快手發(fā)布全新端到端多目標融合排序框架——EMER。該框架以“會比較、自進化”的核心能力，重構(gòu)了傳統(tǒng)依賴人工經(jīng)驗公式的推薦模式，在快手主站App與極速版應(yīng)用中實現(xiàn)了七日留存提升0.13%到0.2%、用戶停留時長提升1.2%到1.4%的顯著效果，為行業(yè)推薦系統(tǒng)的智能化升級提供了可落地方案。

告別“一刀切”：傳統(tǒng)推薦公式的瓶頸與破局

過去十年，行業(yè)普遍采用“人工設(shè)計公式”進行推薦排序：工程師將用戶點贊、觀看時長等指標賦予不同權(quán)重，通過線性公式計算視頻的優(yōu)先級。這種方法雖簡單直觀，卻難以應(yīng)對日益復(fù)雜的用戶需求：一套公式如何適配千萬用戶的個性化偏好？當“提升留存”與“增加播放量”等目標發(fā)生沖突時，人工調(diào)參又該如何精準權(quán)衡？

傳統(tǒng)方法本質(zhì)上是讓模型為每個視頻“單獨打分”，但排序的真諦在于“比較”�？焓滞瞥龅腅MER框架的核心突破在于，它讓AI模型學(xué)會了在同一批候選視頻中進行比較和選擇，更貼近真實的推薦場景。同時，EMER構(gòu)建了一套基于“相對優(yōu)勢滿意度 + 多維滿意度代理指標”的方法體系，形成有效的監(jiān)督目標，從而精準量化并持續(xù)優(yōu)化用戶滿意度。

推薦模型常面臨“離在線效果不一致”的難題。對此，快手提出新指標——“單位時間互動概率”，將模型的優(yōu)化方向從“提高用戶對單個視頻的互動概率”調(diào)整為“提升用戶在一分鐘內(nèi)產(chǎn)生的互動頻次”，顯著增強了離線訓(xùn)練與在線效果的一致性，為模型高效迭代打下堅實基礎(chǔ)。

落地成效顯著，跨場景復(fù)用能力凸顯

EMER 框架并非理論方案，而是經(jīng)實戰(zhàn)驗證的 “增效利器”。從實驗數(shù)據(jù)來看，效果超出預(yù)期，對比傳統(tǒng)人工公式，快手極速版七日留存提升0.196%、停留時長提升1.392%；快手App七日留存提升0.133%、停留時長提升1.199%，單列短視頻觀看次數(shù)提升2.996%，實現(xiàn)多目標均衡增長。

此外，EMER框架已成功擴展至快手端到端生成式推薦系統(tǒng)OneRec的獎勵模型中，并帶來停留時長0.56%的額外提升，證明了其強大的跨場景、跨鏈路復(fù)用能力。

引領(lǐng)行業(yè)變革，提供可落地的智能排序方案

從 “人工調(diào)公式” 到 “AI 自進化”，EMER 框架不僅為快手帶來業(yè)務(wù)增長，更破解行業(yè)三大長期難題：定義模糊的用戶滿意度、排序中的比較關(guān)系感知、模型目標與評估 Metric 設(shè)計。其 “可落地、可驗證” 的特性，為短視頻乃至整個推薦領(lǐng)域提供了全新思路，推動行業(yè)向更智能、更高效的方向邁進。

未來，快手將持續(xù)優(yōu)化 EMER 框架，挖掘更精準的用戶信號，進一步提升個性化能力，為用戶創(chuàng)造更優(yōu)質(zhì)的內(nèi)容消費體驗。