Netflix 如何打造 GenPage：一个用于构建个性化主页的生成式 AI 模型

GenPage 是 Netflix 开发的一款生成式 AI 系统，旨在通过直接生成个性化的用户首页来取代传统的多阶段推荐流程。GenPage 利用用户历史记录和请求上下文作为提示来生成整个页面，从而提高了用户参与度并降低了服务延迟。Netflix 此前采用的解决方案依赖于“复杂的多阶段管道，其中候选项生成和排序由单独的组件负责”。对于每一行以及行内的每个实体，这个过程会重复执行，并在随后由最终阶段完成页面布局。相比之下，GenPage 采用单步方法，将条目选择、行构建和布局生成这三个层面的操作统一到一个模型当中：大型语言模型已经证明，单个生成模型仅需针对提示词生成响应，即可完成多种任务。受这种提示-响应范式的启发，我们训练了一个生成式模型来构建主页，方法是直接回答以下问题：基于我们对该用户及本次请求的所有了解，应该生成什么样的主页才能最大限度地提高用户满意度？除了将工作流简化为一个步骤外，通过整页优化，GenPage 在性能上也超越了以往的方法。借助训练后强化学习（RL），它不仅能考虑行内交互，还能考虑跨行以及条目层面的交互：例如，位于页面顶部附近的“继续观看”行，虽然非常有利于满足用户的即时意图，但也可能减少用户浏览页面的范围。Netflix 还强调，GenPage 在适应不同内容类型方面的灵活性更高，而且更容易扩展用于支持新的产品体验和布局变体。在实际应用中，有两项关键的发现：丰富提示词所产生的效果比扩大模型规模更为显著，而且训练后强化学习（RL）通过提升首页的多样性和个性化程度，带来了意想不到的额外收益。更具体地说，Netflix 工程师观察到，虽然将模型参数从 1.2 亿扩展到 9 亿以及优化提示词都能提升性能，但丰富提示词带来的收益更大：两者之间的差距非常显著。将模型参数从 1.2 亿扩展至 9 亿可以将 WBC 损失降低约 1.3%，而丰富上下文的累积效果则约为 6.9%。在某些情况下，上下文的一次精心设计所带来的改进，甚至超过了将模型容量扩大约 7.5 倍所带来的整体提升。不过，他们指出，上下文增强的效果会逐渐递减：一旦输入上下文达到饱和状态，扩大模型容量很可能会成为推动进一步改进的主要动力。更广泛地说，他们认为，在其他行业级的个性化场景中，提示词增强可能比模型扩展更有效。GenPage 的优势已经通过 A/B 测试得到验证，测试结果显示，其核心用户参与度指标取得了具有统计学意义的提升。GenPage 带来的另一个主要优势是端到端服务延迟降低了 20%，这与“生成式模型天生运行缓慢”这一普遍看法相悖。原文中还有许多本文未涵盖的内容，包括该系统如何设计、训练和后训练的细节，以及所遇到的权衡取舍和经验教训。若想全面地了解相关内容，请务必阅读全文。原文链接：https://www.infoq.com/news/2026/07/netflix-llm-homepage-generation/