从「找视频」到「产视频」：快手 RaG 推动推荐系统迈向完全生成时代

📌 一句话摘要

快手提出 Recommendation-as-Generation（RaG）系统，将推荐系统从检索已有内容演进为根据用户兴趣直接生成个性化视频，在线 A/B 实验显示广告收入相对强基线提升 1.870%。

📝 详细摘要

文章详细介绍了快手在推荐系统领域的最新成果 RaG（Recommendation-as-Generation），旨在突破传统「retrieve-and-rank」范式的限制，将推荐系统从「找视频」推进到「产视频」。核心创新包括：Disentangled Semantic IDs (D-SIDs)将视频解耦为内容语义和创意语义，作为统一语义接口；Generative Recommendation Model (GRM)自回归预测用户兴趣语义 token；Instruction Model 将语义译为 shot 级生产指令；Video Generation Agents (VGAs)以多 Agent 流水线组织视频生成；Synergistic Cross-Domain Reward Learning (SCRL)将用户反馈、兴趣对齐和视频质量纳入闭环优化。文章还详细阐述了工业部署架构（在线推荐+近线生成+缓存扩展），并给出了线上实验结果：GRM 较传统 DLRM 提升 3.526%，完整 RaG 在 GRM 基础上再提升 1.870%。文章最后讨论了推荐系统从内容分发到内容创造的范式外扩趋势。

💡 主要观点

- RaG 将推荐系统从「找视频」推进到「产视频」。 通过预测用户兴趣语义并生成个性化视频，使推荐系统从内容分发器变为内容生产链路的上游大脑。

D-SIDs 解耦了视频的内容语义和创意语义。 分别对内容和创意进行离散量化，降低码本碰撞率（从 18.24%降至 2.62%），提供更干净的语义接口。

GRM 预测的是兴趣语义 token 而非具体视频 ID。 自回归输出可被生成系统消费的「可生成的内容意图」，使推荐结果从候选升级为生产蓝图。

SCRL 在统一框架内联合优化用户反馈、兴趣对齐和视频质量。 以用户反馈为主目标，将兴趣对齐和视频质量作为约束，通过 PID 控制动态调整权重，避免多目标 RL 震荡。

💬 文章金句

- 它把推荐系统的边界从「分发已有内容」推进到「创造潜在供给」。

从找视频，到产视频。
过去推荐系统回答的是：用户想看的内容在哪里？RaG 开始回答的是：用户想看的内容应该长什么样？

📊 文章信息

AI 初评：88

来源：快手技术

作者：快手技术

分类：人工智能

语言：中文

阅读时间：22 分钟

字数：5352

标签：推荐系统, 视频生成, AIGC, 广告技术, 多模态模型

阅读完整文章

从「找视频」到「产视频」：快手 RaG 推动推荐系统迈向完全生成时代

🤖 問 AI