扔掉人工公式：快手EMER框架，用“会比较、自进化”的模型重构短视频推荐排序（

1.快手框架模块

当你打开短视频 App，手指上下滑动的每一秒，背后都藏着一套决定 “你接下来看什么” 的排序逻辑过去十年，行业里的推荐排序大多依赖 “人工设计公式”—— 工程师们把 “用户会不会点赞”、“能看多久” 等指标，按经验分配权重、套进公式，算出每个视频的 “优先级分数”。

2.快手框架图

但这套模式正在遭遇瓶颈：有人喜欢 “短平快” 的搞笑视频，有人偏爱 “慢节奏” 的生活记录，一套公式怎么满足千万用户的个性化需求？当 “留存”、“时长”、“播放量” 等目标冲突时，比如推长视频能提升时长，却可能降低播放量，人工调权重又该如何平衡？

3.快手模块

为解决这些问题，快手策略算法团队提出了一套全新框架 —— 端到端多目标融合排序 EMER它用 “会比较、能进化的 AI 模型”，彻底替代了传统推荐排序，不仅在快手主 App 和极速版实现 “七日留存 0.23%~0.3%、停留时长 1.2%~1.4%” 的显著提升，更给行业提供了一套可落地的 “智能排序” 解决方案。

4.快手模块使用教程

那么，这一效果是怎么实现的？在快手发布的技术论文中，我们能找到完整答案。

5.快手里模块在哪里

论文标题：An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation链接：https://arxiv.org/pdf/2508.05093

6.快手模块是什么东西

一、让模型学会 “比较”，而不是 “单独打分”在深入 EMER 的技术细节前，我们先搞懂推荐排序的 “行业常规操作”简单来说，工业界广泛应用的推荐排序模块范式是两阶段的，第一阶段通过大体量模型预估用户在多个维度上的满意度，第二阶段将多目标标量化作为最终排序依据，即多目标融合排序。

7.快手模块下载安装

工业界普遍采用的标量化方法是人工设计的启发式排序公式，把这些预估结果合并成一个 “最终排序分”，分数高的视频优先展示这套模式的优点很明显 —— 成本低、调整灵活、可解释性强但缺点也同样突出：个性化不足：一套公式覆盖所有用户，无法适配 “有人爱刷短剧、有人爱刷知识” 的差异需求。

8.快手的模块在快手哪设置

非线性能力弱：公式只能处理简单的线性关系，没法捕捉 “用户看了 A 视频后，更可能喜欢 B 视频” 这类复杂关联多目标平衡难：当 “留存” 和 “播放量” 冲突时，只能靠工程师反复试错调权重，既耗时又难找到最优解。

9.快手框架模块插件

过去的排序模型，本质是 “给每个视频打个独立的分，按分数排序”快手提出的端到端多目标融合排序 EMER 的核心思路是 —— 排序的本质是 “比较”，得让模型看多个视频之间的相对好坏为了实现这点，EMER 从数据、特征、模型三个层面做了创新性的设计：。

10.快手框架下载

1、数据：给模型看 “全量候选”，而非 “个别样本”传统模型只关注 “用户最终互动过的视频”（比如用户点赞了 A 视频，就只拿 A 视频当训练样本），相当于 “只看考试分数，不看考生在全班的排名”EMER 则反其道而行：把用户一次请求中的所有候选视频（哪怕没被用户看到）都打包成一个训练样本。

这样做有两个好处：1）解决 “曝光偏差”：避免模型只学过 “被推荐过的视频”，忽略那些没机会展示的优质内容；2）提供 “比较基础”：让模型能直接对比 “同一批候选里，哪个视频更适合用户”，和线上真实的排序场景完全对齐。

2、特征：给模型加 “相对位置信息”光有全量候选还不够，EMER 还为每个视频增加了