MMoE 应用篇
这篇文章再仔细看一下,这篇讲得还不错
https://mp.weixin.qq.com/s/w2U5GBPLmWTDSFKBGaViQQ
《多任务学习经典品读:MMoE 应用篇》
- 优化的多个目标往往不同,有时相互冲突。例如,除了点击观看视频(ctr)外,我们可能还想推荐给用户评价较高或者更可能个朋友分享的视频。
- 系统中经常存在隐性偏见。例如,用户单击并观看视频可能仅仅是因为该视频被排在物理位置的前面,而不是因为该视频是用户最喜欢的视频。因此,使用当前系统生成的数据训练的模型将有偏差,可能会出现反馈循环,导致模型越学偏差越大。如何有效地学习减少此类偏差是也是一个需要解决的问题。
消除位置、选择偏差
训练时,浏览时的位置信息作为输入,drop-out rate为10%,从而防止过度依赖。线上服务时,位置特征被设置为"missing"。上图中文章将 位置特征 与 设备特征 交叉,是因为作者发现在不同类型的设备上观察到不同的位置偏差。
sigmoid之前的叫作logit
模型学习到了每个位置的偏差,越靠下位置,position bias消除的越好。说明shallow tower在position bias消除方面有效果。