Multi-objective Learning to Rank by Model Distillation

在在线市场中，搜索排名的目标不仅是购买或转化（主要目标），还包括购买结果（次要目标），例如订单取消（或退货），评论评级，客户服务查询，平台长期增长等。多目标学习排名已被广泛研究，以平衡主要和次要目标。但是，工业界传统方法面临一些挑战，包括昂贵的参数调整导致次优解，遭受不平衡数据稀疏问题，并且不与特定目标兼容。在本文中，我们提出了一种基于蒸馏的多目标排名解决方案，该解决方案通过优化Airbnb的端到端排名系统，跨越多个排名模型和各种考虑因素，以优化培训和服务效率，以满足行业标准。我们发现它比传统方法表现要好得多，它不仅显着增加了主要目标，而且满足了次要目标的约束条件，并提高了模型的稳定性。我们还展示了该系统可以通过模型自蒸馏进一步简化。除此之外，我们进行了额外的模拟，以表明这种方法还可以帮助我们有效地将特定的非可微业务目标注入排名系统，同时使我们能够平衡我们的优化目标。

本文提出了一种基于蒸馏的多目标排名解决方案，以平衡在线市场中的主要和次要目标，并解决了传统方法中的一些挑战。

本文提出的解决方案是优化Airbnb的端到端排名系统，涵盖不同目标的多个排名模型，并考虑各种因素以优化训练和服务效率。

本文的解决方案不仅在主要目标方面显著提高了性能，而且满足了次要目标约束并改善了模型稳定性。此外，本文还进行了其他模拟实验，证明了该方法能够有效地将非可微商业目标注入排名系统中，并实现优化目标的平衡。

最近的相关研究包括基于多目标学习的排名方法，但传统方法在参数调整、数据稀疏性和与特定目标的兼容性方面存在挑战。