KuaiFormer是快手技术团队推出的基于Transformer的检索框架，用在大规模内容推荐系统。基于重新定义检索流程，从传统的分数估计任务转变为Transformer驱动的“下一个动作预测”范式，有效进行实时兴趣获取和多兴趣提取，显著提升检索性能。KuaiFormer用多兴趣查询Token、自适应序列压缩机制，实现在亿级候选集上的稳定训练。已在2024 年 5 月集成到快手 App 的短视频推荐系统，为超过4亿日活用户提供服务，显著增加用户日均使用时长。
KuaiFormer的主要功能多兴趣提取：引入多个查询Token捕捉用户的多样化兴趣，模型能更好地理解和预测用户的复杂兴趣。自适应序列压缩：为提高长序列建模的效率，KuaiFormer设计自适应序列压缩机制，基于压缩早期观看的视频序列减少输入序列长度，保留最新的视频信息。稳定训练技术：KuaiFormer用一种定制的softmax学习目标和LogQ校正方法，稳定地训练模型，在面对亿级候选集时能保持性能。实时推荐：实时响应用户的请求，从数十亿的选项中快速选出与用户实时兴趣相关的候选项目。KuaiFormer的技术原理Transformer架构：基于自注意力机制捕捉用户行为序列中的复杂依赖关系。Next Action Prediction：KuaiFormer将检索过程转变为预测用户的下一个动作，有助于更准确地捕捉用户的实时兴趣。多兴趣Query Token：受到BERT中[CLS] Token的启发，引入多个可学习的Query Token，结合多兴趣训练策略，从历史项目序列中提取不同的用户兴趣表示。自适应Item压缩机制：KuaiFormer将早期项目序列分组并压缩，减少输入序列长度，同时对最新项目进行细粒度建模。 Smooth In-Batch Softmax Loss：KuaiFormer基于In-Batch Softmax作为学习目标，应用LogQ校正方法纠正采样偏差。KuaiFormer的项目地址arXiv技术论文：https://arxiv.org/pdf/2411.10057KuaiFormer的应用场景短视频推荐：快手App的短视频推荐系统，分析用户的历史观看行为和兴趣，为用户推荐可能感兴趣的新视频。内容发现：在内容发现方面，帮助用户探索和发现新内容，增加内容的多样性和新颖性，提升用户体验。个性化推荐：捕捉用户的多维兴趣，提供更加个性化的推荐，满足用户的个性化需求。实时推荐系统：实时响应用户的行为变化，快速更新推荐列表，适用于需要实时推荐更新的场景。大规模数据处理：在处理数十亿级别的视频库时，KuaiFormer 的高效率和可扩展性成为大规模数据处理的理想选择。 
