在短视频与电商融合的浪潮中，快手作为行业领军者，其推荐系统的效率与精准度直接关系到用户体验与商业价值。近日，快手AI平台算法负责人深入解析了其核心的多阶段漏斗模型——从召回、粗排到精排、重排的全流程，揭示了快手如何通过技术创新不断优化推荐链路，实现个性化推荐的新高度。
召回阶段：从海量到精准的初步筛选
召回阶段是推荐系统的第一道关卡，其任务是从亿万级别的物料库中快速筛选出几千个可能相关的候选项。快手算法团队采用了多种策略来提升召回效率与准确性。一方面，通过Embedding-based retrieval（EBR）方法，即双塔召回模型，将用户与物料编码为向量，通过向量相似度计算实现快速匹配。另一方面，针对传统双塔模型在用户兴趣多样性表示上的不足，快手创新性地提出了分组治理策略，将候选物料按相似度分组，每组内独立进行负样本抽取与召回，有效避免了召回结果的聚集现象，增加了多样性。
此外，快手还积极探索图神经网络在召回阶段的应用，通过构建异构图，捕捉物料间的高阶结构关系，进一步提升召回的精准度。图神经网络的应用不仅增强了模型对复杂关系的理解能力，还通过动态更新图结构，适应了内容生态的快速变化。
粗排阶段：初步排序，筛选优质候选
经过召回阶段，系统已获取了数千个候选项。粗排阶段的任务是对这些候选项进行初步排序，筛选出几百个最有可能符合用户兴趣的物料。快手在这一阶段采用了相对简单的模型，以平衡计算效率与排序质量。通过优化模型结构与特征工程，粗排模型能够在保证一定准确性的同时，快速处理大量数据，为后续精排阶段提供高质量的输入。
精排阶段：深度学习，精准预测用户行为
精排阶段是推荐系统的核心环节，其任务是对粗排筛选出的几百个候选项进行精准排序。快手在这一阶段部署了万亿参数级别的深度学习模型，结合序列模型、长短期兴趣模型、门控模型等多种先进技术，实现对用户行为的深度理解与精准预测。
为了应对用户行为的多样性与复杂性，快手精排模型采用了多Domain多任务学习框架，通过共享底层特征与独立任务塔的设计，实现了对不同场景、不同用户群体的个性化推荐。同时，模型还引入了短期与长期行为序列建模，通过Transformer等结构捕捉用户兴趣的动态变化，提升了推荐的时效性与准确性。
重排阶段：考虑业务规则，优化最终呈现
重排阶段是推荐系统的最后一道工序，其任务是在精排结果的基础上，考虑具体的业务规则与用户体验，对推荐列表进行微调。快手在这一阶段采用了序列重排与混排相结合的策略，通过Transformer等模型对推荐序列进行整体评估与优化，确保推荐结果的多样性、新颖性与满意度。
序列重排方面，快手采用了generator-evaluator范式，先通过生成器生成多种可能的序列类型，再通过评估器对每种序列进行整体价值评估，选择最优序列作为最终推荐结果。这一策略有效解决了传统重排方法中贪心打散、MMR多样性召回等方案的局限性，实现了序列层面的全局优化。
混排方面，快手则考虑了不同业务返回结果的组合问题，通过定义社会综合价值最大的返回序列为目标，采用listwise方案与RL方案相结合的策略，实现了业务价值与用户体验的平衡。这一策略不仅提升了广告等商业内容的曝光效率，还确保了自然内容的优质体验，实现了平台与用户的双赢。
持续创新，引领推荐系统新未来
面对不断变化的用户需求与日益激烈的行业竞争，快手AI平台算法团队始终保持着对技术创新的追求与探索。从端到端生成式推荐系统OneRec的推出，到电商搜索端到端生成式框架OneSearch的应用，再到广告出价技术的持续演进，快手正通过生成式框架等前沿技术，不断突破传统级联架构的局限，实现推荐系统的全面升级。
未来，快手将继续深化在推荐系统领域的技术研发与应用实践，通过更加精准的用户理解、更加高效的计算架构与更加智能的排序机制，为用户提供更加个性化、多样化的推荐体验，引领推荐系统行业的新未来。
