在线文章排序作为受约束的动态多目标优化问题

社交新闻网站中的内容排序问题通常被建模为最大化某个标量指标（如停留时间）的函数。然而，与大多数现实世界应用一样，我们关注的指标不止一个——例如需同时最大化点击率、货币化指标和停留时间——并且还需满足不同出版商承诺的流量要求。所有这些都需要在在线数据环境下完成，且目标函数和约束条件可能动态变化；例如新增出版商、调整部分合同或某些合同到期等情况。本文将该问题形式化为一个受约束的动态多目标优化问题。我们提出了一种新颖的框架，扩展了成功的遗传优化算法 NSGA-II 以解决这一在线数据驱动问题。我们设计了适配该问题的 NSGA-II 模块。我们使用 Hypervolume 评估优化性能，并引入置信区间指标来评估解的实用性。我们在真实的文章排序问题上展示了该框架的应用。观察发现，相较于当前生产环境中使用的暴力基线技术，我们在时间和性能上均取得了显著改进。