在電商平臺的搜索場景中，用戶輸入的簡短關鍵詞往往蘊含著截然不同的購買意圖。例如，當用戶搜索“蘋果”時，系統是推薦“水果”相關內容，還是直接關聯到手機品牌，這直接關系到用戶體驗與平臺轉化效率。傳統查詢推薦系統受限于多階段級聯架構，難以精準捕捉用戶意圖，而快手提出的創新方案為這一難題提供了新解法。

快手推出的端到端生成式統一查詢推薦框架OneSug，首次將召回、粗排、精排等環節整合至單一生成模型中。該框架通過統一建模方式，顯著提升了語義理解能力與個性化推薦精度，在快手電商場景中實現了業務指標與用戶體驗的同步提升。相關研究成果《OneSug: The Unified End-to-End Generative framework for E-commerce Query Suggestion》已被人工智能領域頂級會議AAAI 2026接收。

查詢推薦作為電商搜索系統的核心功能，旨在通過實時推薦相關搜索詞幫助用戶明確意圖。傳統方法采用多階段級聯架構，雖在效率與效果間取得平衡，但存在階段目標不一致、長尾查詢召回困難等瓶頸。生成式檢索技術雖展現出強大潛力，但現有方案多聚焦于視頻推薦等開集任務，難以直接應用于輸入輸出均為開放詞表的電商查詢場景。

OneSug框架的創新性體現在三大核心模塊：首先，Prefix-Query表征增強模塊通過語義與業務空間對齊技術，解決了短前綴輸入的意圖模糊問題。該模塊采用層次化語義ID生成方法，有效區分“蘋果”作為水果或品牌的雙重含義。其次，統一的Enc-Dec生成架構基于自回歸機制，直接生成用戶最可能點擊的查詢詞，突破了傳統級聯架構的階段隔離限制。

用戶行為偏好對齊（RWR）機制是該框架的另一亮點。通過量化用戶搜索行為、構建混合排序框架及獎勵加權優化，系統實現了對用戶偏好的精細化分級。該機制利用正負樣本間的獎勵差異，使模型能夠學習不同查詢詞的個性化吸引力，從而提升推薦結果的精準度。例如，對于頻繁搜索電子產品的用戶，“蘋果”更可能被關聯至手機品牌。

作為電商領域首個全流量部署的端到端生成式查詢推薦系統，OneSug的實踐驗證了統一建模的技術優勢。該框架不僅簡化了傳統系統的復雜架構，更通過生成式模型的強大語義理解能力，為搜索、推薦、廣告等多業務場景提供了可復用的技術范式。其成功部署標志著生成式技術在電商領域的落地邁出關鍵一步。