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<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》
0 条评论
下一页
