重思多目标排序集成在推荐系统中的实现：从得分融合到排序一致性

工业级推荐系统总是追求多个业务目标。不同目标之间的内在意图在排序阶段提出了显著的挑战。一个流行的解决方案是构建多目标集成（multi-objective ensemble, ME）模型，将多个目标预测整合到统一的评分中。尽管已有一些探索性努力，但鲜有工作能够系统描绘 ME 问题的核心要求。我们从两个角度重新思考 ME 问题。从每个 individual 目标的角度，要实现其最大值，评分应与其标签的排序尽可能一致。从整个目标集合的角度，只能在评分与大多数目标共享的 commonality 一致时，方能实现总体最优。然而，现有方法都无法满足这两个要求。为填补这一空白，我们提出了一种新的多目标集成框架 HarmonRank，以满足这两个要求。对于排序一致性，我们将排序一致性（AUC）指标 formulated 为排序求和问题，并使模型在 end-to-end 可微的方式下优化排序一致性。对于 commonality modeling，我们将原始的 relation-agnostic 集成范式改为 relation-aware 的范式。大量离线实验结果和在线实验表明，我们的方法显著优于现有的 state-of-the-art 方法。此外，我们的方法在标签偏斜情况下表现出优异的鲁棒性，这在工业场景中很常见。该方法已全线部署于库豪书（Kuaishou）的直播电商推荐平台，拥有 40 亿活跃用户，贡献了 2.6% 的购买提升。