（转自）https://lumingdong.cn/multi-task-learning-in-recommendation-system.html

一、多目标排序

1、概念

多目标排序：指有两个或两个以上的目标函数，目的是寻求一种排序使得所有的目标函数都达到最优或满意。

在工业界推荐系统中，大多是基于隐式反馈来进行推荐的，用户对推荐结果的满意度通常依赖很多指标（比如，淘宝基于点击，浏览深度（停留时间），加购，收藏，购买，重复购买，好评等行为的相关指标），在不同的推荐系统、不同时期、不同的产品形态下，这些指标的重要程度或者所代表的意义会有所不同，如何优化最终推荐列表的顺序来使得众多指标在不同的场景下尽可能达到最优或者满意，这是一个多目标排序问题。

2、为什么

因为工业界都基于隐式反馈进行推荐，因此在评估用户满意度的时候会有不同程度的偏差：

Global bias：不同目标表达不同的偏好程度。比如淘宝，购买表达的偏好程度要高于点击、浏览所表达的偏好程度；

Item bias：单个目标衡量不全面; 

比如今日头条，仅以点击率为目标，可能会存在标题党；

比如抖音短视频，只是以视频播放完成度为目标，可能会存在设置悬念而后需要关注才能观看的视频，用户看完了可能也不满意；

还有微博，如果仅以转发分享为目标，但内容可能存在类似转发保平安，或者是拼多多之类的营销；

User bias：用户表达满意度的方式不同.比如淘宝，用户表示喜欢可能会以收藏或者加购的形式，不同的人偏好也不一样；

综合目标收益最大化。比如快手，要鼓励用户发布视频，该目标虽然与用户满意度不是那么相关，但对于平台的生态来说也是至关重要的，所以利用多目标可以兼顾更大的范围，使综合目标收益最大化。

3、

推荐系统(7)-----多目标排序综述（转）

原文：https://www.cnblogs.com/Lee-yl/p/13179019.html