快手用大模型搞推荐，拿到收益了

主要观点总结

本文介绍了团队在快手生成式推荐上的方案，应用于推荐重排阶段，在多个场景取得了显著收益。文章讲述了推荐重排的挑战、现有方法和团队提出的非自回归生成模型。该模型解决了自回归生成模型的耗时、误差累积和非连续性等问题，通过匹配模型和序列不似然损失函数解决推荐场景的训练收敛和泛化问题。最后，文章给出了实验结果和在线ab测试的效果。

关键观点总结

关键观点1: 推荐重排的挑战

重排面临候选序列数量庞大、样本稀疏、资源约束和稀疏的训练样本下最大化推荐列表的用户收益等挑战。

关键观点2: 现有方法的问题

现有的一阶段和两阶段方法存在逻辑悖论、推理过程耗时高、误差累积和只考虑前序视频的影响等问题。

关键观点3: 非自回归生成模型的优势

非自回归生成模型能够在一次推理过程中生成整个推荐视频序列，大大减小线上模型的推理时间。通过匹配模型和序列不似然损失函数解决推荐场景的训练收敛和泛化问题。

关键观点4: 实验结果和在线效果

在多个数据集上的实验结果表明，非自回归生成模型在多个指标上实现了SOTA。线上ab实验结果显示，该方法取得了显著的收益。