迈向更好的排序一致性：一种用于早期阶段广告排序的多任务学习框架

将广告排序系统划分为检索、早期和最终阶段是大规模广告推荐中平衡效率与精度的常见做法。早期阶段排序通常使用高效模型从一组被检索的广告中生成候选。这些候选随后被输入到计算更密集但更精确的最终阶段排序系统，以产生最终广告推荐。由于系统约束，早期和最终阶段排序使用不同的特征和模型架构，从而产生了严重的排序一致性问题：早期阶段广告召回率低，即最终阶段的头部广告在早期阶段排名靠后。为了将更好的广告从早期传递到最终阶段排序，我们提出一种用于早期阶段排序的多任务学习框架，以捕获多个最终阶段排序组件（即广告点击和广告质量事件）及其任务关系。借助我们的多任务学习框架，我们不仅能从模型整合中实现服务成本节约，还能改善广告召回率和排序一致性。在在线 A/B 测试中，我们的框架在大规模工业广告排序系统中实现了显著更高的点击率（CTR）、转化率（CVR）、总价值以及更好的广告质量（例如降低的广告划掉率）。