

首页  思维导图  详情



推荐系统

2023-02-09 15:50:06   0  举报





仅支持查看

AI智能生成

推荐系统知识导图

recsys

模版推荐

作者其他创作

大纲/内容

多目标推荐系统

多目标优化（MOO）问题

问题定义

对于多个target function，寻找Pareto Set & Pareto Front

求解思路

标量化方法

特点

概念简单，可以套用单目标求解方法

无法处理非凸函数

决策者难以事先得知最优的标量化组合方式

求解方法

加权求和法（最常见）

其他方法

基于种群的生成式算法

特点

可以处理非凸函数

容易陷入局部最优

计算消耗大

求解方法

遗传算法

蚁群算法

粒子群算法

解的选取方法

knee point

超体积

MCDM

多目标推荐系统（MORS）

特点

决策者（DM）往往无法准确确定各目标之间的偏好，需要进行后验分析<br>

相比其他场景中需要求解Pareto Set，MORS往往只需要一个帕累托最优解

挑战

如何选择合适的MOO方法

如何从帕累托解集中选取最优解

如何在多目标之间进行平衡

常见MORS模型

问题定义

在MOO问题基础上，每个target function即为每个优化指标的loss function

模型

ESMM

解决的问题：对于序列性质的用户行为（如：CTR/CVR）有两个问题

样本选择偏差（SSB）

数据稀疏（DS）

优化点

提出多目标模型结构，底层shared embedding，上层基于条件概率，在entire space上进行训练

MMOE

解决的问题

当多个目标间的关系非常复杂时，传统模型难以捕捉数据的pattern<br>

优化点

在MOE的基础上，使用多专家作为shared bottom，对不同任务使用不同的gated layer

PLE

解决的问题

negative transfer

seesaw phenomenon

优化点

在MMOE基础上，对底层专家网络进行拆解，每个任务拥有独立的专家网络

对于每个任务的loss function的数学表达式进行了修改

特点

往往使用标量化方法进行loss结合，使用梯度下降方法进行迭代求解

不注重考虑求解过程（即训练过程）中是否能达到pareto front

改进方法：《A pareto-efficient algorithm for multiple objective optimization in e-commerce recommendation》

 Collect

Get Started

10.1（5）

 Collect

Get Started

设想5

 Collect

Get Started

parcial 5

 Collect

Get Started

PROYECTO 5





0 条评论

下一页