一、主要功能

1. 端到端生成式架构：采用编码器-解码器架构，将推荐问题转化为序列生成任务。编码器整合用户历史行为序列，解码器通过稀疏混合专家（MoE）架构逐步生成用户可能感兴趣的视频。
2. 会话式生成方法：与传统的逐点预测不同，OneRec能够生成整个推荐列表，更好地捕捉上下文信息。
3. 强化学习偏好对齐：引入基于奖励机制的偏好对齐方法，通过强化学习增强模型效果，使模型能够更好地感知用户的细粒度偏好，提升推荐的精准度。
4. 多模态分词器：首创协同感知的多模态分词方案，融合视频的标题、标签、语音转文字、图像识别等多维信息，转化为分层的语义ID，能更精准地建模用户兴趣。

二、技术原理

1. 编码器-解码器架构：编码器负责将用户的全生命周期行为序列压缩成兴趣向量，解码器则通过稀疏混合专家（MoE）架构逐步生成用户可能感兴趣的视频，能更好地捕捉用户兴趣的变化，并生成连贯的推荐列表。
2. 多模态分词器：通过融合视频的标题、标签、语音转文字、图像识别等多维信息，采用RQ-Kmeans技术，将每个视频转化为3层粗到细的语义ID。
3. 强化学习偏好对齐：模型利用偏好奖励、格式奖励和业务奖励构建综合奖励系统，优化生成结果，使模型更好地感知用户的细粒度偏好。
4. 性能优化：通过架构重构，将关键算子数量大幅压缩，通过稀疏MoE架构扩展模型容量，显著提升了计算效率。

三、应用场景

1. 短视频推荐：在快手的短视频推荐主场景中表现突出，承担了约25%的请求（QPS），通过生成式架构和强化学习偏好对齐，在用户停留时长、点赞、关注、评论等交互指标上均取得了显著提升。
2. 本地生活服务：推动了交易总额（GMV）增长21.01%，订单量提升17.89%，购买用户数增长18.58%，新客获取效率提升了23.02%。
3. 直播内容匹配：通过动态生成推荐序列，能更好地匹配用户的实时兴趣，提升用户在直播场景中的参与度和互动率。
4. 广告投放：根据用户的兴趣和行为动态生成广告推荐，提高广告的精准度和转化率。

四、使用方法

五、适用人群

1. 快手平台用户：能够获得更精准、更连贯的推荐内容，提升使用体验。
2. 内容创作者：通过OneRec的精准推荐，能够更好地触达目标受众，提升内容的传播效果。
3. 企业与广告商：在广告投放和本地生活服务等领域，OneRec能够帮助其更精准地定位目标客户，提高营销效果。

六、优缺点介绍

优点

1. 推荐效果显著提升：通过端到端生成式架构和强化学习偏好对齐，OneRec能够生成更精准、更连贯的推荐内容。
2. 成本大幅降低：运营成本仅为传统方案的10.6%，显著降低了计算和存储开销。
3. 创新性强：首次将大模型技术应用于推荐系统，为推荐系统的发展提供了新的思路。
4. 多场景适用：不仅适用于短视频推荐，还在本地生活服务、直播内容匹配和广告投放等领域表现出色。

缺点

1. 技术复杂度高：OneRec采用了复杂的编码器-解码器架构和多模态分词技术，对技术团队的研发和维护能力要求较高。
2. 数据依赖性强：需要大量的用户行为数据和内容数据来训练模型，数据的质量和规模直接影响推荐效果。
3. 实时性挑战：虽然OneRec能够动态生成推荐序列，但在实时性要求极高的场景中，可能需要进一步优化以满足需求。

七、分类标签