推荐系统5---多目标排序

一、多目标排序

1.1为什么要有多目标排序？

⼯业界推荐系统多基于隐式反馈
•Global bias：不同⽬标表达不同的偏好程度
•Item bias：单个⽬标衡量不全⾯（标题党）
•User bias：⽤户表达满意度的⽅式不同
•综合⽬标收益最⼤化

多⽬标排序的难点
多⽬标 vs CTR预估
**•**部分⽬标数据稀疏，模型准确率低
**•**在线服务计算量⼤
**•**多个⽬标间重要性难以量化
**•**分数融合的超参难以学习
•>⼈⼯标注为label
•>长期⽬标为label
**•**规则不够智能化

1.2多⽬标排序流程

MAP:相关的又多大概率排到了前边

F1-Score

AUC

1>train AUC 》test AUC:模型过拟合
2>test AUC 》online AUC:特征不一致（偷窥数据）；模型online精简
3>多用户AUC:
nDCG:
n:Normalization，不同指标大小不同，需要做normalization
D:Position discount,位置越靠前影响越大
C:Cumulating,
G:Gain,可以使相关性、点击率等指标

备注：NDCG是由各DCG除以当前DCG中最大的值得到的

Bayesian Personalized Ranking
•每个⽤户之间的偏好⾏为相互独⽴
•同⼀⽤户对不同物品的偏序相互独⽴
• ui>uj表⽰⽤户u对i的偏好⼤于对j的偏好
•>u满⾜完全性，反对称性和传递性
•最⼤后验估计

上图可看出BPR指标是模拟AUC的，其中

代表正样本排在负样本前边的数量；Iu+代表正样本数量，I\Iu+代表负样本。（即分母为正负样本的pair数）

Lambda-mart

Learning to Rank
•优势
•直接优化排序⽬标，排序效果好
•单模型融合多⽬标，serving压⼒⼩

•劣势
•样本数量⼤，训练速度慢
•有些偏序关系不容易构造
•多⽬标间的关系不易调整

MTL

•前提：多个任务具有相似性，可以共享底层特征
•解决数据稀疏问题
•不同模型善于学习不同特征，特征学习更充分
•引⼊归纳偏置（inductive bias），提⾼泛化性

1、所有参数共享，在全连接层针对不同目标再进行设计

2、部分参数共享