近日，快手发布全新端到端多目标融合排序框架——EMER。该框架以“会比较、自进化”的核心能力，重构了传统依赖人工经验公式的推荐模式，在快手主站App与极速版应用中实现了七日留存提升0.13%到0.2%、用户停留时长提升1.2%到1.4%的显著效果，为行业推荐系统的智能化升级提供了可落地方案。

告别“一刀切”：传统推荐公式的瓶颈与破局

过去十年，行业普遍采用“人工设计公式”进行推荐排序：工程师将用户点赞、观看时长等指标赋予不同权重，通过线性公式计算视频的优先级。这种方法虽简单直观，却难以应对日益复杂的用户需求：一套公式如何适配千万用户的个性化偏好？当“提升留存”与“增加播放量”等目标发生冲突时，人工调参又该如何精准权衡？

传统方法本质上是让模型为每个视频“单独打分”，但排序的真谛在于“比较”。快手推出的EMER框架的核心突破在于，它让AI模型学会了在同一批候选视频中进行比较和选择，更贴近真实的推荐场景。同时，EMER构建了一套基于“相对优势满意度 + 多维满意度代理指标”的方法体系，形成有效的监督目标，从而精准量化并持续优化用户满意度。

推荐模型常面临“离在线效果不一致”的难题。对此，快手提出新指标——“单位时间互动概率”，将模型的优化方向从“提高用户对单个视频的互动概率”调整为“提升用户在一分钟内产生的互动频次”，显著增强了离线训练与在线效果的一致性，为模型高效迭代打下坚实基础。

落地成效显著，跨场景复用能力凸显

EMER 框架并非理论方案，而是经实战验证的 “增效利器”。从实验数据来看，效果超出预期，对比传统人工公式，快手极速版七日留存提升0.196%、停留时长提升1.392%；快手App七日留存提升0.133%、停留时长提升1.199%，单列短视频观看次数提升2.996%，实现多目标均衡增长。

此外，EMER框架已成功扩展至快手端到端生成式推荐系统OneRec的奖励模型中，并带来停留时长0.56%的额外提升，证明了其强大的跨场景、跨链路复用能力。

引领行业变革，提供可落地的智能排序方案​

从 “人工调公式” 到 “AI 自进化”，EMER 框架不仅为快手带来业务增长，更破解行业三大长期难题：定义模糊的用户满意度、排序中的比较关系感知、模型目标与评估 Metric 设计。其 “可落地、可验证” 的特性，为短视频乃至整个推荐领域提供了全新思路，推动行业向更智能、更高效的方向迈进。​

未来，快手将持续优化 EMER 框架，挖掘更精准的用户信号，进一步提升个性化能力，为用户创造更优质的内容消费体验。