短视频推荐中异构多处理 uplift 模型的 trade-off 优化

短视频在社交媒体平台的快速普及为推荐系统带来了独特的挑战和机遇。用户表现出多样化的偏好，不同策略产生的响应往往相互冲突，可能在观看时长和视频观看次数等指标之间呈现逆相关。现有的 uplift 模型在处理短视频推荐的异构多处理场景时存在局限，往往无法有效捕捉不同策略的协同效应和单独效应。此外，传统的固定权重平衡方法缺乏个人化，可能导致偏差性决策。为此，我们提出了一种用于短视频推荐的 trade-off 优化的异构多处理 uplift 模型 (HMUM) 框架。HMUM 包含一个离线混合 uplift 模型 (HUM) 模块，用于捕捉多种策略的协同效应和单独效应，以及一个在线动态决策 (DDM) 模块，用于实时估计不同用户响应的价值权重，以实现个性化决策。在两个公开数据集、一个工业数据集以及在快手平台上的在线 A/B 实验中，我们的模型在离线性能方面表现优异，并在关键指标上取得显著改进。该模型已全线部署在平台上，惠及数亿用户。