多目标优化_多目标优化求解方法

定义问题

1. 数据偏差

在有点击的数据上训练 stay 模型，在全局估计。（然而我们系统里面，是用了非点击的数据的 = = 跟论文里面不一样啊！！！我要不要剔除这部分数据呢）

2. 数据稀疏

正例样本少。

常见多目标优化形式

1. 针对每一个目标单独建模，线上加权。难以维护。

2. 针对样本进行加权，boost stay… 可以快速上线，不方便迭代。

3. 用 learning to rank，直接对排序目标进行优化，但是需要构造期望排序的样本对，样本数量大，且偏序关系不容易构造，多目标之间的关系不易调整。

4. 同一个模型训练多个目标，好处迭代方便，节省资源，缺点是模型比较复杂，各个人物之间学习可能相互影响，影响训练速度。

所有多目标的模型结构

单层多目标模型本质上的区别：share embedding 的方式

– hard parameter sharing

　　完全 share embedding，然后输出分别输入到不同任务的多塔模型中。

– asymmetry sharing

　　感觉建了两套 embedding，其中底层 embedding 可能被多个任务利用。（可能写 feature_config 的时候写多份？，但是我们 slot_id 决定了每个特征只能对应一个 embedding？）

– customized sharing

　　疑惑：如果只看图的话，感觉更像是，有公用的特征，有任务独立用的特征。or 一个特征对应两个任务的 embedding？

– mmoe

　　原身是 moe, 全局只有一个 gate。

　　mmoe 引进 #任务 的 #gate。网络学习如何对 expert 进行加权求和。

– customized gate control

　　就是在 customized sharing 里面引入 gate。

疑惑：embedding到底是哪里。是蓝色的方块吗？

这个图可以解决我不懂 embedding 是哪层的问题

多目标中的常见问题

1. 样本空间不一致

　　定义：不同任务使用的训练样本不一样，stay只在有点击的样本上训练。

　　solution：

　　　　- 目标转换： 从预估 [ctr, stay] 改成预估 [ctr*stay] 注意我们这里

　　　　注意 esmm 本质上利用的是依赖关系，相当于有先验知识。而我们这里改成 0，1 以后，可能就丧失了

　　　　- 不回传梯度：只用有点击的样本进行 stay 的学习。需要注意下 batch 内求梯度平均值的时候要改成正样本数量，而非 batch_size！

2. loss

　　- 调整学习率相当于调整总loss的各任务占比

　　　　- 增大点击率模型的学习率，可以弥补时长未能学习未点击样本造成的训练偏差问题。

　　- regression 也可以用 logloss

　　　　- loss 的本质是为了衡量预估和真实目标的差距。

　　　　- sigmoid 后面接 mse 容易造成梯度消失。（可推导）

　　　　- 但是这里还是因为业务形式的问题，完播率 label 一般接近 0 或1 ，所以用 logloss 是比较合理的。stay duration 还是不太能够放量。

阿里多目标的优化路径

参考：

https://zhuanlan.zhihu.com/p/299913604

今天的文章多目标优化_多目标优化求解方法分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。