Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems

多任务学习（MTL）在现实世界的广告应用中扮演着关键角色，例如推荐系统，旨在实现强大的表示，同时最小化资源消耗。MTL致力于同时优化多个任务，构建服务于不同目标的统一模型。在在线广告系统中，点击率（CTR）和转化率（CVR）等任务通常被同时视为MTL问题。然而，人们忽视了一个事实，即转化（$y_{cvr}=1$）需要先前的点击（$y_{ctr}=1$）。换句话说，虽然某些CTR任务与相应的转化相关联，但其他任务则缺乏这样的关联。此外，在不发生转化的CTR任务中，噪声的可能性显著高于发生转化的任务，并且现有方法缺乏区分这两种情况的能力。在本研究中，与转化相对应的曝光标签被视为确定性指标，并通过计算模型预测之间的成对排名（PWiseR）损失引入了一种新的任务特定损失，表现为成对排名损失，以鼓励模型更多地依赖它们。为了展示所提出的损失函数的效果，使用四个不同的公共MTL数据集（阿里巴巴FR、NL、US和CCP）以及一个专有的工业数据集，在不同的MTL和单任务学习（STL）模型上进行了实验。结果表明，我们提出的损失函数在大多数情况下在AUC指标方面优于BCE损失函数。

本论文旨在解决在线广告系统中的多任务学习问题，其中CTR和CVR被同时视为MTL问题，但现有方法无法区分与转化相关的CTR任务和不相关的CTR任务，因此提出了一种新的任务特定损失函数。

提出了一种新的任务特定损失函数，即PWiseR损失，通过计算模型预测之间的排名损失来鼓励模型更多地依赖与转化相关的曝光标签。

论文在四个公共MTL数据集和一个专有工业数据集上进行了实验，结果表明所提出的PWiseR损失函数在AUC指标上优于BCE损失函数。同时，论文还提出了一种新的数据增强策略，并通过实验证明其有效性。

在相关研究方面，近年来已有很多关于MTL在广告推荐系统中的应用的研究，如《Multi-Task Learning for Click-Through Rate Prediction》和《Deep Learning for Multi-task Recommender Systems》等。