當你打開短視頻 App，手指上下滑動的每一秒，背后都藏著一套決定 “你接下來看什么” 的排序邏輯。
過去十年，行業里的推薦排序大多依賴 “人工設計公式”—— 工程師們把 “用戶會不會點贊”、“能看多久” 等指標，按經驗分配權重、套進公式，算出每個視頻的 “優先級分數”。
但這套模式正在遭遇瓶頸：有人喜歡 “短平快” 的搞笑視頻，有人偏愛 “慢節奏” 的生活記錄，一套公式怎么滿足千萬用戶的個性化需求？當 “留存”、“時長”、“播放量” 等目標沖突時，比如推長視頻能提升時長，卻可能降低播放量，人工調權重又該如何平衡？
為解決這些問題，快手策略算法團隊提出了一套全新框架 —— 端到端多目標融合排序 EMER。它用 “會比較、能進化的 AI 模型”，徹底替代了傳統推薦排序，不僅在快手主 App 和極速版實現 “七日留存 + 0.23%~0.3%、停留時長 +1.2%~1.4%” 的顯著提升，更給行業提供了一套可落地的 “智能排序” 解決方案。
那么，這一效果是怎么實現的？在快手發布的技術論文中，我們能找到完整答案。
- 論文標題：An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation
- 鏈接：https://arxiv.org/pdf/2508.05093
一、讓模型學會 “比較”，而不是 “單獨打分”
在深入 EMER 的技術細節前，我們先搞懂推薦排序的 “行業常規操作”。
簡單來說，工業界廣泛應用的推薦排序模塊范式是兩階段的，第一階段通過大體量模型預估用戶在多個維度上的滿意度，第二階段將多目標標量化作為最終排序依據，即多目標融合排序。工業界普遍采用的標量化方法是人工設計的啟發式排序公式，把這些預估結果合并成一個 “最終排序分”，分數高的視頻優先展示。
這套模式的優點很明顯 —— 成本低、調整靈活、可解釋性強。但缺點也同樣突出：
- 個性化不足：一套公式覆蓋所有用戶，無法適配 “有人愛刷短劇、有人愛刷知識” 的差異需求。
- 非線性能力弱：公式只能處理簡單的線性關系，沒法捕捉 “用戶看了 A 視頻后，更可能喜歡 B 視頻” 這類復雜關聯。
- 多目標平衡難：當 “留存” 和 “播放量” 沖突時，只能靠工程師反復試錯調權重，既耗時又難找到最優解。
過去的排序模型，本質是 “給每個視頻打個獨立的分，按分數排序”。快手提出的端到端多目標融合排序 EMER 的核心思路是 —— 排序的本質是 “比較”，得讓模型看多個視頻之間的相對好壞。
為了實現這點，EMER 從數據、特征、模型三個層面做了創新性的設計：
1、數據：給模型看 “全量候選”，而非 “個別樣本”
傳統模型只關注 “用戶最終互動過的視頻”（比如用戶點贊了 A 視頻，就只拿 A 視頻當訓練樣本），相當于 “只看考試分數，不看考生在全班的排名”。EMER 則反其道而行：把用戶一次請求中的所有候選視頻（哪怕沒被用戶看到）都打包成一個訓練樣本。這樣做有兩個好處：1）解決 “曝光偏差”：避免模型只學過 “被推薦過的視頻”，忽略那些沒機會展示的優質內容；2）提供 “比較基礎”：讓模型能直接對比 “同一批候選里，哪個視頻更適合用戶”，和線上真實的排序場景完全對齊。
2、特征：給模型加 “相對位置信息”
光有全量候選還不夠，EMER 還為每個視頻增加了Normalized Ranks（original item rank/total number of candidate items ）特征 —— 簡單說，就是告訴模型：“這個視頻在這一批候選中的排名是第幾（從某單一維度的信號來看）”，讓模型明確知道每個 item 在當前候選集中的相對地位。
3、模型：用 Transformer 捕捉 “視頻間的關聯”
為了處理 “多個視頻之間的比較關系”，EMER 基于Transformer 的網絡架構。本身 Transformer 天然就擅長處理序列和關系，它能顯式地捕捉候選 item 之間的復雜關系，評估每個 item 對其他 item 的影響。最終，模型給出的得分，不再僅僅是 item 本身的質量分，更包含了它在當前上下文中的相對價值
