摘要： 
粗排/精排的个性化多任务学习模型，能预估20多个不同的预估值，如点击率、有效播放率、播放时长、点赞率、关注率等，那如何用它来排序呢？从多任务学习到多目标排序，中间有一个过渡，即如何把这些预估值融合成一个单一的排序分，最后实现多目标精排。这也就引入了本文要介绍的正题：多目标融合（multi-task fusion, MTF）。手工融合的优点在于其目标权重就指示了目标在融合公式中的重要度，比较直观且可解释性强。当然其缺点也非常明显，这个权重系数对于所有用户都是一样的，缺少个性化。那么，我们是否可以用模型来学习超参数呢？这就涉及到了融合超参数的学习方法了，也即用一个模型来学习各预估分数的组合权重。 阅读全文
粗排/精排的个性化多任务学习模型，能预估20多个不同的预估值，如点击率、有效播放率、播放时长、点赞率、关注率等，那如何用它来排序呢？从多任务学习到多目标排序，中间有一个过渡，即如何把这些预估值融合成一个单一的排序分，最后实现多目标精排。这也就引入了本文要介绍的正题：多目标融合（multi-task fusion, MTF）。手工融合的优点在于其目标权重就指示了目标在融合公式中的重要度，比较直观且可解释性强。当然其缺点也非常明显，这个权重系数对于所有用户都是一样的，缺少个性化。那么，我们是否可以用模型来学习超参数呢？这就涉及到了融合超参数的学习方法了，也即用一个模型来学习各预估分数的组合权重。 阅读全文