摘要： 承接上文： 链接：多目标优化概论及基础算法ESMM与MMOE对比 这次这篇文章写点实用的。可以当做推荐算法工程师面试的考前突击，也可以当做面试官的面试题库。ESSM和MMOE都是最基本的算法，相当于多目标优化的入门级的读物。越经典越需要细嚼，温故而知新嘛。 这些题目和答案都是我自己在看论文过程中自我 阅读全文

摘要： 多目标优化现在成为了排序算法的主流方式。之所以有这个算法方向其实还是业务的需求驱动的，拿广告算法来说，主体逻辑是平台业务的目标是提升点击挣广告费，但广告主希望花出去的广告费能带来成交量。次逻辑是新广告主希望他买了广告就有成单的机会，不要冷启动买了广告也没有啥流量；对平台而言，（抛开反作弊刷单）希望提升平台吸引力，能让新广告主看到希望，也能让老买家持续爆单。 阅读全文

摘要： 论文：Progressive Layered Extraction (PLE): A Novel Multi-TaskLearning (MTL) Model for Personalized Recommendations 会议：RecSys2020最佳长论文奖 这篇文章其实就是MMOE的改进版。解决了一个问题，做了两件事情。 一个问题：任务不相关时，多个专家网络联结在一起容易导致多个任务此消彼长现象（Seesaw Phenomenon），例如优化CTR和GMV两个任务，结果GMV涨了，CTR跌了。MMOE对不相关任务的优化效果比ESSM强不少，但还是不够强，PLE就让他更强了。多个目标可以同时增长。比帕累托最优化这种方法训练model方便多了。这个我觉得是得最佳论文奖的主要看点。 两件事情：一个是提出了一个改进的网络结构版本，一个是提出了一种多loss融合训练的方法。后面细讲。 阅读全文

摘要： 当然，这些都是业务上的痛点。解决这些痛点，技术上的挑战有以下方面： 1） 客单价是不能预测的。因为买家今天买鞋子，明天买包包，后天买手机，客单价跨度大。 2） 有的人100减10还是减5，这个没有监督信号，根本无从学起。 3） 怎么样发个靠谱的优惠券，能刺激消费，是门玄学。不知怎么建模。让买100块钱的买家花200块？ 阅读全文