KXZDQ1. 快手GR4AD系统架构解析：从Token到Revenue的技术跃迁
当推荐系统遇上生成式AI，广告变现效率正在经历一场范式转移。快手最新发布的GR4AD（Generative Recommendation for Advertisement）系统，通过全链路重构实现了从用户兴趣Token到广告Revenue的端到端优化。这套系统最核心的创新在于：用生成式模型统一了传统推荐系统中割裂的召回、排序、创意生成等模块，让广告投放像"对话"一样自然流畅。
1.1 生成式推荐的底层逻辑变革
传统广告推荐依赖"检索+排序"的管道式架构，各环节存在明显的信息损耗。GR4AD采用的大语言模型（LLM）基座，将用户行为序列、广告特征、上下文环境统一编码为语义Token。实测数据显示，这种处理方式使CTR预估的AUC提升达12.7%，关键突破在于：
- 动态兴趣建模：每个用户会话生成专属的Prompt Token，实时融合点击、停留、搜索等多模态信号
- 广告-用户联合编码：通过交叉注意力机制建立广告素材与用户兴趣的细粒度关联
- 生成式排序：直接用LLM输出广告候选集的点击概率分布，避免传统模型的特征工程偏差
技术细节：系统使用MoE架构处理高并发请求，专家网络包含128个垂直领域子模型，动态路由耗时控制在3ms以内
1.2 全链路重构的四大技术支柱
1.2.1 Token化用户意图理解
将用户30天内的行为序列压缩为768维的语义向量，通过自监督学习构建可解释的Token空间。例如"户外装备"类目下的行为会被聚类为[OUTDOOR_01]系列Token，支持细粒度兴趣调整。
1.2.2 生成式候选广告召回
摒弃传统的倒排索引，改用LLM直接生成候选广告ID。输入用户Token后，模型会并行输出：
python复制{
"direct_generate": [AD123, AD456], # 直接生成的广告
"augmented_retrieve": [AD789] # 增强检索结果
}
这种混合策略使长尾广告曝光量提升43%。
1.2.3 多目标联合优化框架
创新性地将GMV、ROI、用户体验等指标统一建模为Reward Token，在推理时通过强