主要观点总结
本文介绍了工业界中目标冲突问题的背景及常见解决方案，提出了一种被称为NMT的方法来解决多目标学习中的建模问题。NMT方法旨在解决高优先级目标不受破坏的前提下，最大化次有目标的效果。文章详细阐述了NMT方法的原理、实现过程以及实验验证。该方法包括两个阶段：首先优化高优先级任务，然后在高优先级任务的约束下优化低优先级任务。此外，文章还讨论了如何将该方法扩展到任意数量的任务，并提供了代码实现的部分内容。最后，文章鼓励个人或团队在PaperWeekly平台上分享原创内容，让知识真正流动起来。
关键观点总结
关键观点1: 工业界中的目标冲突问题
在工业界实际的搜广推系统中，一个模型通常需要兼顾多个目标，如CTR、相关性、商业化效率等。实践中发现，绝大多数目标之间都存在目标冲突的问题，多个目标之间往往不能兼得。
关键观点2: 多目标学习的常见解决方案
多目标学习策略（Multi-task Learning, MTL）是常见的解决方案，但在权重调整上存在问题，并且无法考虑到目标的优先级。
关键观点3: NMT方法的原理
NMT方法通过拉格朗日乘子法解决带约束的优化问题，不需要调整参数，就可以实现在高优先级目标不受破坏的前提下，最大化次有目标的效果。
关键观点4: NMT方法的实现过程
NMT方法分为两个阶段：优化主要任务，迭代优化剩余任务。该方法可以自然地扩展到任意数量的任务。
关键观点5: 分享原创内容鼓励
PaperWeekly鼓励个人或团队在其平台上分享原创内容，让知识真正流动起来。稿件基本要求包括原创性、清晰配图和无版权问题。
文章预览
©PaperWeekly 原创 · 作者 | 咕咕 背景：工业界中的目标冲突问题 在工业界实际的搜广推系统中，一个模型通常需要兼顾多个目标。例如，在通用搜索场景中，需要兼顾 CTR、相关性、商业化效率等目标；在电商推荐中，需要同时兼顾成交效率、丰富性等目标。 在实践中，我们发现，绝大多数目标之间或多或少都存在目标冲突的问题，多个目标之间往往不能兼得。例如，在电商推荐系统中，如果希望最大化成交效率，通常在丰富性上会有较大的损失。一个更常见的例子是广告收入和自然流量效率之间的矛盾，两者的此消彼长几乎存在于所有广告系统中。 常见的解决方案是一个多目标学习策略（Multi-task Learning, MTL），即在损失函数中，同时加入多个目标的 loss，并使用 loss 的权重来调整不同目标对模型带来的影响。然而，权重调整是一个费心费力的工
………………………………
