触及核心：探索推荐系统中混合目标间的任务依赖性

随着用户行为在商业平台上变得复杂，在线推荐更加关注如何触及与平台利益高度相关的核心转化。这些核心转化通常是连续目标，例如观看时长、收入等，其预测可以通过之前的离散转化行为得到增强。因此，多任务学习（MTL）可被用作学习这些混合目标的范式。然而，现有工作主要强调研究离散转化行为之间的顺序依赖，忽略了离散转化与最终连续转化之间依赖的复杂性。此外，同时优化具有更强任务依赖性的混合任务会遇到波动性问题，其中核心回归任务可能对其他任务产生更大影响。本文首次研究了具有混合目标的MTL问题，并提出了名为混合目标学习网络（HTLNet）的模型，以探索任务依赖性并增强优化。具体而言，我们为每个任务引入标签嵌入，以在这些任务之间显式传递标签信息，从而有效探索逻辑任务依赖性。我们还进一步设计了最终回归任务与其他分类任务之间的梯度调整机制，以增强优化。在两个离线公开数据集和一个真实工业数据集上进行了大量实验，验证了HTLNet的有效性。此外，在金融推荐系统上的在线A/B测试也表明我们的模型有显著提升。我们的实现可在此处获取：\footnote{\url{https://github.com/fuyuanlyu/HTLNet}}。