快手 EMER 框架：重构排序，让模型 “自进化”

2025-11-14 17:50

短视频分享平台凭借其优质内容吸引了大量用户。用户满意度可通过多种行为体现，一类是用户显性互动，例如点赞、分享、评论等；另一类是用户隐性反馈，例如观看时长、长时间观看等。

其中，排名模块是推荐系统中最关键的组成部分，它最终决定向用户展示哪些视频。

业界广泛采用的模块排名范式是一个两阶段过程。第一阶段利用大规模模型从多个维度评估用户满意度。第二阶段将这些多维度目标整合为一个标量值，用于最终排名。

尽管这些公式具有实施成本低、调整灵活、可解释性强等优点，但在个性化和模拟复杂的非线性交互方面存在显著局限性。

为了解决该局限性，快手策略算法团队提出了一种端到端的多目标集成排序框架（EMER）。引入了“相对优势满意度”的概念，这是一种个性化的用户偏好比较度量，可以通过成对排序损失来实现这一度量。此外还引入了一个基于多维 AUC 的辅助损失，从而约束模型进行“自进化”。

EMER 框架

EMER 基于特定的样本组织方案，通过指定的特征工程方法和基于 Transformer 的模型架构，突出比较关系信息。

训练数据主要关注两个关键目标：

为了实现这些目标，团队组织了单个用户请求级别的训练样本，形成一个整合的训练样本。

为了增强 EMER 对比较关系进行建模的能力，团队还设计了特征来捕捉每个项目在候选集中的相对位置。引入了不同 Pxtr 的归一化排名，以提供明确的位置信息。

EMER 采用基于 Transformer 的网络来明确捕捉候选项目之间的复杂关系。这使得模型能够衡量每个项目对其他项目的影响，从而更好地理解它们在集合中的相对位置。

EMER 引入了一个名为“相对优势满意度”的标签，该标签基于推荐请求中可比的曝光后反馈，并从多目标优化的角度提出了一种解决方案，以同时提升模型在用户满意度多个维度上的排名能力.

对于多目标优化问题，及时找到最佳解决方案至关重要。EMER 提出了一种“自演化”优化方案，该方案采用“优势评估器”来动态地计算损失函数的权重。

EMER 方法在大多数指标上均显著优于基线方法。LT7 指标上均提升超过 0.10%，在 APP 停留时间指标上均提升超过 1.0%。这些在工业推荐系统中是显著的提升，证明了 EMER 方法在视频排序任务中的有效性。

除此之外，EMER 的多目标损失分布比 EMER-NoEvolve 更加均匀和集中，且损失值更低。这清楚地证明了自我演化方案对于引导模型的学习方向以及确保其长期稳健性和稳定性至关重要。

目前，EMER 框架已成功部署在快手的主信息流中，显著提升了用户参与度和系统整体性能，证明了 EMER 在实际工业环境中的实用性和可扩展性。

参考资料：

https://arxiv.org/pdf/2508.05093

声明： 本网站所刊载信息，不代表OFweek观点。刊用本站稿件，务经书面授权。未经授权禁止转载、摘编、复制、翻译及建立镜像，违者将依法追究法律责任。

共0条评论，0人参与

立即登录即可访问所有OFweek服务

忘记密码

其他方式

请输入评论内容...

请输入评论/评论长度6~500个字

暂无评论

图片新闻