DRGrad：面向多任务学习推荐系统的个性化信息手术
机器学习
2025-10-14 v1 人工智能
摘要
多任务学习（MTL）已成为工业级推荐系统中的成功策略，在捕捉用户多样化兴趣和准确检测“点击”或“停留时间”等不同行为方面具有显著优势。然而，由于现实推荐中任务间复杂且常常矛盾的关联性，负迁移和跷跷板现象给MTL模型带来了挑战。为解决这一问题并更好地利用个性化信息，我们提出了一种个性化的直接路由梯度框架（DRGrad），该框架由三个关键组件组成：路由器、更新器和个性化门控网络。DRGrad在训练过程中判断任务间的利害关系，能够利用所有有效梯度来减少各自任务的冲突。我们使用一个包含150亿样本的真实世界推荐数据集，在复杂MTL上评估了DRGrad的效率。结果表明，DRGrad在性能上优于竞争性的最先进MTL模型，尤其是在AUC（曲线下面积）指标方面，表明它能在不增加模型复杂度的情况下有效管理多任务学习环境中的任务冲突，同时解决了噪声处理中的缺陷。此外，在公共Census-income数据集和合成数据集上的实验证明了DRGrad在判断和路由具有不同程度相关性和个性化的任务间利害关系方面的能力。
引用
@article{arxiv.2510.09643,
title = {Direct Routing Gradient (DRGrad): A Personalized Information Surgery for Multi-Task Learning (MTL) Recommendations},
author = {Yuguang Liu and Yiyun Miao and Luyao Xia},
journal= {arXiv preprint arXiv:2510.09643},
year = {2025}
}