近日，快手發布全新端到端多目標融合排序框架——EMER。該框架以“會比較、自進化”的核心能力，重構了傳統依賴人工經驗公式的推薦模式，在快手主站App與極速版應用中實現了七日留存提升0.13%到0.2%、用戶停留時長提升1.2%到1.4%的顯著效果，為行業推薦系統的智能化升級提供了可落地方案。
告別“一刀切”：傳統推薦公式的瓶頸與破局
過去十年，行業普遍采用“人工設計公式”進行推薦排序：工程師將用戶點贊、觀看時長等指標賦予不同權重，通過線性公式計算視頻的優先級。這種方法雖簡單直觀，卻難以應對日益復雜的用戶需求：一套公式如何適配千萬用戶的個性化偏好？當“提升留存”與“增加播放量”等目標發生沖突時，人工調參又該如何精準權衡？
傳統方法本質上是讓模型為每個視頻“單獨打分”，但排序的真諦在于“比較”。快手推出的EMER框架的核心突破在于，它讓AI模型學會了在同一批候選視頻中進行比較和選擇，更貼近真實的推薦場景。同時，EMER構建了一套基于“相對優勢滿意度 + 多維滿意度代理指標”的方法體系，形成有效的監督目標，從而精準量化并持續優化用戶滿意度。
推薦模型常面臨“離在線效果不一致”的難題。對此，快手提出新指標——“單位時間互動概率”，將模型的優化方向從“提高用戶對單個視頻的互動概率”調整為“提升用戶在一分鐘內產生的互動頻次”，顯著增強了離線訓練與在線效果的一致性，為模型高效迭代打下堅實基礎。
落地成效顯著，跨場景復用能力凸顯
EMER 框架并非理論方案，而是經實戰驗證的 “增效利器”。從實驗數據來看，效果超出預期，對比傳統人工公式，快手極速版七日留存提升0.196%、停留時長提升1.392%；快手App七日留存提升0.133%、停留時長提升1.199%，單列短視頻觀看次數提升2.996%，實現多目標均衡增長。
此外，EMER框架已成功擴展至快手端到端生成式推薦系統OneRec的獎勵模型中，并帶來停留時長0.56%的額外提升，證明了其強大的跨場景、跨鏈路復用能力。
引領行業變革，提供可落地的智能排序方案
從 “人工調公式” 到 “AI 自進化”，EMER 框架不僅為快手帶來業務增長，更破解行業三大長期難題：定義模糊的用戶滿意度、排序中的比較關系感知、模型目標與評估 Metric 設計。其 “可落地、可驗證” 的特性，為短視頻乃至整個推薦領域提供了全新思路，推動行業向更智能、更高效的方向邁進。
未來，快手將持續優化 EMER 框架，挖掘更精準的用戶信號，進一步提升個性化能力，為用戶創造更優質的內容消費體驗。
