OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search

传统的电商搜索系统采用多阶段级联架构（MCA），通过召回、预排序和排序等阶段逐步筛选商品。虽然这种架构在计算效率与业务转化之间取得了良好平衡，但各阶段计算分散且优化目标存在冲突，最终限制了系统性能上限。为解决这些问题，我们提出了OneSearch，首个在工业场景中成功部署的端到端生成式电商搜索框架。该框架包含三个关键创新：（1）关键词增强的层次化量化编码模块（KHQE），在保持商品层次语义和独特属性的同时，强化查询与商品之间的相关性约束；（2）多视角用户行为序列注入策略，构建由行为驱动的用户ID，并融合显式的短期行为和隐式的长期行为序列，全面建模用户偏好；（3）偏好感知的奖励系统（PARS），包含多阶段监督微调和自适应奖励加权排序机制，以捕捉更精细的用户偏好。在大规模工业数据集上的大量离线评估表明，OneSearch在高质量召回和排序任务中表现出色。严格的线上A/B测试也验证了其在相同曝光位置提升相关性的能力，取得了具有统计显著性的改进：商品点击率提升1.67%，买家数提升2.40%，订单量提升3.22%。此外，OneSearch将运营成本降低了75.40%，并将模型FLOPs利用率从3.26%提升至27.32%。该系统已在快手多个搜索场景中成功上线，服务数百万用户，日均页面浏览量达数千万次。

传统电商搜索系统采用多阶段级联架构（MCA），虽然在计算效率和业务转化之间取得了平衡，但存在计算碎片化和各阶段优化目标冲突的问题，限制了系统性能上限。论文试图解决如何提升电商搜索系统的整体性能与效率，并克服MCA架构的局限性。

论文提出OneSearch，首个在工业场景中部署的端到端生成式电商搜索框架。其核心创新包括：关键词增强的层次量化编码（KHQE）以提升查询与商品的相关性；多视角用户行为序列注入策略，全面建模用户短期与长期偏好；以及偏好感知奖励系统（PARS），通过多阶段监督微调和自适应奖励加权排序来捕捉细粒度用户偏好。

1. OneSearch在大规模工业数据集上表现优异，尤其在高质量召回和排序方面。 2. 在线A/B测试结果显示显著提升：商品点击率+1.67%，买家转化率+2.40%，订单量+3.22%。 3. 系统显著降低运营支出（OPEX）达75.40%，模型FLOPs利用率从3.26%提升至27.32%。 4. 该框架已在快手多个搜索场景中部署，服务数百万用户，每日产生数千万PV。 5. OneSearch为电商搜索系统提供了可扩展、高效且端到端的解决方案，未来可探索在更多交互式搜索场景中的应用。

1. 《DIN: Deep Interest Network for Click-Through Rate Prediction》 2. 《DIEN: Deep Interest Evolution Network for Click-Through Rate Prediction》 3. 《Multi-Task Learning for Sequential Recommendation》 4. 《Towards Universal Sequential Recommendation》 5. 《SASRec: Self-Attention Based Recommender System》 6. 《Twin Tower Models for Dense Retrieval in E-commerce Search》 7. 《Towards End-to-End Search: A Dynamic Reranking Framework for E-commerce Search Systems》