DTN: Deep Multiple Task-specific Feature Interactions Network for Multi-Task Recommendation

神经网络多任务学习已经成功应用于许多推荐应用中。然而，这些多任务学习模型（例如MMoE、PLE）在优化过程中没有考虑特征交互，这对于捕捉复杂的高阶特征至关重要，并且在实际推荐系统的排名模型中被广泛使用。此外，通过在多任务学习中跨各种任务进行特征重要性分析，我们观察到了一个有趣的分歧现象，即相同的特征在不同任务中的重要性可能会有显著的差异。为了解决这些问题，我们提出了一种新颖的模型结构设计，称为深度多任务特定特征交互网络（DTN）。DTN引入了多种多样化的任务特定特征交互方法和任务敏感网络，使得模型能够学习任务特定的多样化特征交互表示，从而提高了在一般设置下的联合表示学习的效率。我们将DTN应用于公司的真实电子商务推荐数据集，该数据集包含超过63亿个样本，结果表明，DTN显著优于最先进的多任务学习模型。此外，在大规模电子商务推荐系统中在线评估DTN时，我们观察到与最先进的多任务学习模型相比，点击率增加了3.28％，订单增加了3.10％，GMV（总商品价值）增加了2.70％。最后，在公共基准数据集上进行的广泛离线实验表明，DTN可以应用于各种场景，提高排名模型的性能。

本论文旨在解决多任务学习模型中特征交互问题以及任务之间特征重要性差异的挑战。

提出了一种名为DTN的深度多任务特定特征交互网络，采用多种多样化的任务特定特征交互方法和任务敏感网络，在多任务学习中学习任务特定的多样化特征交互表示，从而提高联合表示学习的效率。

在真实的电子商务推荐数据集上，DTN明显优于现有的多任务学习模型，同时在大规模电子商务推荐系统的在线评估中，相比于现有的多任务学习模型，DTN在点击率、订单量和GMV等方面均有显著提高。此外，通过在公共基准数据集上进行离线实验，证明DTN可以应用于各种场景，提高排名模型的性能。

与本论文相关的研究包括MMoE、PLE等多任务学习模型，以及一些用于特征交互的排名模型，如DeepFM、NFM等。