在电商平台的搜索场景中，用户输入的简短关键词往往蕴含着截然不同的购买意图。例如，当用户搜索“苹果”时，系统是推荐“水果”相关内容，还是直接关联到手机品牌，这直接关系到用户体验与平台转化效率。传统查询推荐系统受限于多阶段级联架构，难以精准捕捉用户意图，而快手提出的创新方案为这一难题提供了新解法。
快手推出的端到端生成式统一查询推荐框架OneSug，首次将召回、粗排、精排等环节整合至单一生成模型中。该框架通过统一建模方式，显著提升了语义理解能力与个性化推荐精度，在快手电商场景中实现了业务指标与用户体验的同步提升。相关研究成果《OneSug: The Unified End-to-End Generative framework for E-commerce Query Suggestion》已被人工智能领域顶级会议AAAI 2026接收。
查询推荐作为电商搜索系统的核心功能，旨在通过实时推荐相关搜索词帮助用户明确意图。传统方法采用多阶段级联架构，虽在效率与效果间取得平衡，但存在阶段目标不一致、长尾查询召回困难等瓶颈。生成式检索技术虽展现出强大潜力，但现有方案多聚焦于视频推荐等开集任务，难以直接应用于输入输出均为开放词表的电商查询场景。
OneSug框架的创新性体现在三大核心模块：首先，Prefix-Query表征增强模块通过语义与业务空间对齐技术，解决了短前缀输入的意图模糊问题。该模块采用层次化语义ID生成方法，有效区分“苹果”作为水果或品牌的双重含义。其次，统一的Enc-Dec生成架构基于自回归机制，直接生成用户最可能点击的查询词，突破了传统级联架构的阶段隔离限制。
用户行为偏好对齐（RWR）机制是该框架的另一亮点。通过量化用户搜索行为、构建混合排序框架及奖励加权优化，系统实现了对用户偏好的精细化分级。该机制利用正负样本间的奖励差异，使模型能够学习不同查询词的个性化吸引力，从而提升推荐结果的精准度。例如，对于频繁搜索电子产品的用户，“苹果”更可能被关联至手机品牌。
作为电商领域首个全流量部署的端到端生成式查询推荐系统，OneSug的实践验证了统一建模的技术优势。该框架不仅简化了传统系统的复杂架构，更通过生成式模型的强大语义理解能力，为搜索、推荐、广告等多业务场景提供了可复用的技术范式。其成功部署标志着生成式技术在电商领域的落地迈出关键一步。
