效果、性能双突破，快手OneSug端到端生成式框架入选AAAI 2026

主要观点总结

本文介绍了快手在电商搜索系统中提出的端到端的生成式统一查询推荐框架——OneSug。该框架成功将召回、粗排、精排等多个阶段统一在一个生成模型中，显著提升了推荐效果与系统效率，并在快手电商场景中实现了业务指标与用户体验的双重提升。文章还介绍了研究背景、方法简介、实验结果、总结与展望等内容。

关键观点总结

关键观点1: 研究背景

传统查询推荐系统采用多阶段级联架构，存在明显的局限性，如前一链路性能决定下一链路上限、召回和排序分离技术迭代范式等。生成式检索在推荐与搜索领域展现出巨大潜力，但现有方法多聚焦于视频推荐，难以直接应用于电商查询推荐场景。

关键观点2: 方法简介

OneSug模型主要包括三部分：Prefix-Query 表征增强模块、统一的Enc-Dec生成架构和用户行为偏好对齐。通过对比学习、层次化语义ID生成等方式增强查询表征，采用自回归方式生成用户最有可能点击的Query。

关键观点3: 实验结果

OneSug在快手电商场景的大规模数据集上显著优于传统多阶段系统与生成式基线模型。在线AB实验中，OneSug大幅度提高了Ctr、订单和GMV等指标。

关键观点4: 总结与展望

OneSug是业界首个在电商场景中实现全流量部署的端到端生成式Query推荐系统，其统一建模方式显著提升了语义理解与个性化推荐的能力。