不知道有沒有跟我一樣想法的朋友

就是我一直特別好奇一件事：為什么我每次打開那些短視頻App，隨便刷刷，出來的視頻全是我喜歡的。

你可能會覺得，這不廢話嘛，人家平臺要留住你，肯定得給你看你想看的啊。注冊的時候不都讓你選興趣標簽了嗎。

但這事兒吧，有時候離譜得有點駭人。

比如，我有一次剛在某寶上搜了一下露營用的帳篷，后腳打開短視頻App，刷到的就是各種戶外露營的視頻。

甚至有一次，我就是腦子里閃過一個念頭，想在車里面搞點香水什么的，也沒跟任何人說，也沒搜索。結果晚上就刷到車載香薰了。。

那一瞬間，我真的感覺自己是不是被什么神秘力量給監視了，簡直不寒而栗。

但理智告訴我，這背后，一定有它的科學道理。

沒錯，它就是我們"最熟悉的陌生人"：推薦算法。

你可能覺得，推薦算法嘛，也不是啥新鮮詞了，都聽出繭子了。

但快手最近公開了他們最新的短視頻推薦算法，叫EMER。全稱是End-to-end Multi-objective Ensemble Ranking，中文叫端到端多目標排序融合框架。

聽名字就感覺很復雜，對不對？

關鍵是，推薦算法是需要結合大模型技術來做的，這一下子就把我的興趣給勾起來了。

今天這篇文章，就是想帶你一起，用最通俗易懂的方式撥開這層迷霧。

探索一下，為什么短視頻App能比我媽還了解我，為什么它能神不知鬼不覺地猜到我的想法。

所以EMER到底是啥？它跟以前的算法有啥不一樣？

EMER論文在此：

https://arxiv.org/pdf/2508.05093

在EMER出現之前，工業界廣泛應用的推薦排序模塊是兩階段的，第一階段通過大體量模型預估用戶在多個維度上的滿意度，第二階段將多目標量化作為最終排序依據。

但有一個核心難題是用戶滿意度很難定義：

不同用戶表達滿意的行為模式完全不同，甚至同一個用戶對不同視頻的滿意表達方式也不一樣 。用一個指標或分數來衡量滿意度是極其困難的 。

比如我刷短視頻就基本很少點贊，但有有趣的視頻，我會看得比較久。對于有用的工具視頻通常不會一下子看完，但會先收藏等等。

EMER的解決方案是引入多維滿意度代理指標 ，它不再只看一個標簽，而是將每個先驗信號 (比如點贊、完播、評論等Pxtrs) 作為一個獨立的監督目標 ，目的是優化每一個信號的排序性能AUC。這些信號共同反映了用戶滿意度的不同維度。

舉個例子，你開了一家餐廳。老的算法，就是個只會看收銀臺總額的老板