公司技术突破 - 公司发布全新端到端多目标融合排序框架EMER 该框架以“会比较、自进化”为核心能力 重构了传统依赖人工经验公式的推荐模式 [1] - EMER框架的核心突破在于让AI模型学会在同一批候选视频中进行比较和选择 更贴近真实的推荐场景 [2] - 框架构建了基于“相对优势满意度 + 多维满意度代理指标”的方法体系 形成有效的监督目标 从而精准量化并持续优化用户满意度 [2] 技术实施与优化 - 公司提出新指标“单位时间互动概率” 将模型优化方向从“提高用户对单个视频的互动概率”调整为“提升用户在一分钟内产生的互动频次” 显著增强离线训练与在线效果的一致性 [3] - EMER框架已成功扩展至公司端到端生成式推荐系统OneRec的奖励模型中 并带来停留时长0.56%的额外提升 证明其强大的跨场景、跨链路复用能力 [6] 应用成效 - 在快手主站App与极速版应用中 EMER框架实现七日留存提升0.13%到0.2% 用户停留时长提升1.2%到1.4% [1] - 具体实验数据显示 对比传统人工公式 快手极速版七日留存提升0.196% 停留时长提升1.392% 快手App七日留存提升0.133% 停留时长提升1.199% 单列短视频观看次数提升2.996% [3] - 在Scenario1和Scenario2中 EMER框架相比FF在多项指标上实现提升 例如LT7分别提升0.302%和0.231% AppStayTime分别提升1.392%和1.199% WatchTime分别提升1.542%和2.283% VideoView分别提升1.044%和2.996% [4] 行业影响 - EMER框架为行业推荐系统的智能化升级提供了可落地方案 [1] - 传统推荐排序方法普遍采用“人工设计公式” 难以应对日益复杂的用户需求 例如一套公式适配千万用户的个性化偏好 以及当多个目标发生冲突时进行精准权衡 [2]