Touch the Core: Exploring Task Dependence Among Hybrid Targets for Recommendation

随着商业平台上用户行为变得复杂，在线推荐更加关注如何触及与平台利益高度相关的核心转化。这些核心转化通常是连续的目标，如观看时间、收入等，它们的预测可以通过先前的离散转化行为来增强。因此，多任务学习（MTL）可以作为学习这些混合目标的范例。然而，现有的研究主要强调研究离散转化行为之间的序列依赖性，忽略了离散转化和最终连续转化之间依赖关系的复杂性。此外，同时优化具有更强任务依赖性的混合任务将面临易变问题，其中核心回归任务可能会对其他任务产生更大的影响。本文首次研究了具有混合目标的MTL问题，并提出了名为混合目标学习网络（HTLNet）的模型来探索任务依赖关系并增强优化。具体而言，我们为每个任务引入标签嵌入，以明确地在这些任务之间传递标签信息，这可以有效地探索逻辑任务依赖性。我们还进一步设计了最终回归任务和其他分类任务之间的梯度调整机制，以增强优化。在两个离线公共数据集和一个实际工业数据集上进行了广泛的实验，以验证HTLNet的有效性。此外，金融推荐系统的在线A/B测试也显示出我们的模型具有更高的改进效果。

解决问题：论文旨在解决多任务学习中存在的核心连续目标与离散目标之间复杂依赖关系的问题，提出了一种名为HTLNet的模型来探索任务依赖性并增强优化。

关键思路：论文采用多任务学习（MTL）的范式，引入标签嵌入和梯度调整机制，以探索任务依赖性并增强优化。标签嵌入用于在各个任务之间显式传递标签信息，梯度调整机制则用于增强回归任务与其他分类任务之间的优化。

其他亮点：论文在两个离线公共数据集和一个实际工业数据集上进行了广泛的实验，证明了HTLNet的有效性。此外，对金融推荐系统进行的在线A/B测试也显示出了该模型的卓越改进。

相关研究：最近的相关研究包括《Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics》和《Multi-Task Learning with Adversarial Examples for Text Classification》。