推荐系统中多任务学习的成对排序损失
信息检索
2024-06-06 v2
摘要
多任务学习在推荐系统等现实广告应用中扮演着关键角色，旨在实现鲁棒表示的同时最小化资源消耗。MTL 致力于同时优化多个任务，以构建服务于不同目标的统一模型。在线广告系统中，点击率和转化率等任务通常被同时视为 MTL 问题。然而，一个转化 () 必然需要先有一次点击 ()，这一点被忽视了。换句话说，虽然某些 CTR 任务与相应的转化相关联，但其他任务则没有这种关联。此外，在没有发生转化的 CTR 任务中，噪声的可能性显著高于那些发生了转化的任务，而现有方法缺乏区分这两种情况的能力。在本研究中，与转化对应的曝光标签被视为确定性指标，并通过计算模型预测之间的\textbf{成}对\textbf{排}序损失，引入了一种新颖的任务特定损失函数，表现为成对排序损失，以鼓励模型更多地依赖这些标签。为了展示所提损失函数的效果，我们在四个不同的公开 MTL 数据集（即 Alibaba FR、NL、US 和 CCP）以及一个专有工业数据集上，对不同的 MTL 和单任务学习模型进行了实验。结果表明，在 AUC 指标方面，我们提出的损失函数在大多数情况下优于 BCE 损失函数。
引用
@article{arxiv.2406.02163,
title = {Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems},
author = {Furkan Durmus and Hasan Saribas and Said Aldemir and Junyan Yang and Hakan Cevikalp},
journal= {arXiv preprint arXiv:2406.02163},
year = {2024}
}