推荐系统
2023-02-09 15:50:06 0 举报
AI智能生成
推荐系统知识导图
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
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
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》
0 条评论
下一页