1. 多任务推荐系统的核心价值在真实业务场景中推荐系统往往需要同时优化多个目标。比如电商平台既要提升点击率CTR又要关注转化率CVR内容平台既要考虑用户停留时长又要平衡内容多样性。传统单目标模型通过串联多个独立模型如CTR模型→CVR模型的方式存在误差累积、样本利用效率低等问题。多任务学习Multi-Task Learning, MTL通过共享底层特征表示、差异化任务特定参数的方式实现了一次预测多个输出的效果。我们团队在多个业务线的AB测试表明相比单任务模型合理的多任务建模方案能带来平均12.7%的GMV提升同时降低28%的线上服务计算开销。2. 多任务建模的典型架构2.1 Shared-Bottom 基础结构最经典的共享底层结构包含class SharedBottomModel(tf.keras.Model): def __init__(self, task_names): super().__init__() self.shared_bottom tf.keras.Sequential([ layers.Dense(256, activationrelu), layers.Dropout(0.3) ]) self.task_towers { name: tf.keras.Sequential([ layers.Dense(128, activationrelu), layers.Dense(1, activationsigmoid) ]) for name in task_names } def call(self, inputs): shared_features self.shared_bottom(inputs) return {name: tower(shared_features) for name, tower in self.task_towers.items()}这种结构虽然简单但在任务相关性较强时如CTR和CVR效果显著。我们实践中发现当任务数超过4个时共享层宽度应至少保持为最大任务塔层的2倍。2.2 进阶网络结构选型当任务间存在明显冲突时如点击率和用户停留时长可能负相关需要考虑更复杂的结构MMoEMulti-gate Mixture-of-Experts通过多个专家网络门控机制实现软共享每个任务可以动态选择专家组合计算开销约为Shared-Bottom的1.8倍但效果提升显著PLEProgressive Layered Extraction腾讯提出的分层专家共享方案包含共享专家和任务特定专家在腾讯视频场景中相比MMoE提升7.2%效果CGCCustomized Gate ControlPLE的简化版本减少专家数量以降低计算成本适合计算资源受限的场景3. Loss 融合的核心方法论3.1 动态加权法固定权重如0.5CTR_loss 0.5CVR_loss往往导致模型偏向简单任务。我们推荐# 基于任务难度动态调整 def dynamic_weighted_loss(y_true, y_pred, task_names): losses {} weights {} total_loss 0 # 计算各任务初始loss for name in task_names: losses[name] tf.keras.losses.binary_crossentropy(y_true[name], y_pred[name]) # 计算动态权重逆任务难度 avg_loss tf.reduce_mean(list(losses.values())) for name in task_names: weights[name] losses[name] / avg_loss # 归一化权重 weight_sum tf.reduce_sum(list(weights.values())) for name in task_names: weights[name] weights[name] / weight_sum total_loss weights[name] * losses[name] return total_loss3.2 Uncertainty Weighting考虑任务不确定性来自动平衡def uncertainty_loss(y_true, y_pred, task_names): total_loss 0 for name in task_names: log_var tf.Variable(initial_value0.0, trainableTrue) precision tf.exp(-log_var) loss tf.keras.losses.binary_crossentropy(y_true[name], y_pred[name]) total_loss precision * loss 0.5 * log_var return total_loss3.3 GradNorm 策略通过梯度标准化平衡学习速度计算各任务loss相对于共享层的梯度范数动态调整权重使各任务梯度范数保持相同比例每1000步更新一次权重避免训练波动4. 实战经验与避坑指南4.1 样本权重设计我们发现这些策略效果显著对曝光未点击样本CTR任务权重1.0CVR任务权重0.3对点击未转化样本CVR任务权重2.0加强困难样本学习引入课程学习Curriculum Learning逐步增加困难样本权重4.2 特征工程特殊处理共享特征用户画像、商品类目等强通用性特征任务专属特征CTR任务曝光位置、样式特征CVR任务价格敏感度、促销信息特征分桶对数值特征采用不同分桶策略适应各任务4.3 线上服务优化缓存共享层输出减少60%计算量任务塔层并行计算利用TF Serving的batch处理动态任务卸载根据流量峰值选择性执行次要任务5. 效果评估体系我们建立了多维评估矩阵评估维度指标项权重综合效益GMV提升率40%用户体验人均停留时长25%系统性能QPS/CPU利用率20%生态健康商品多样性15%在服饰类目实测中多任务模型相比单任务带来CTR提升9.3%CVR提升6.8%退单率下降2.1%服务响应时间降低35%6. 典型问题排查手册问题1某个任务效果持续下降检查样本分布是否偏移特别是该任务的正样本验证该任务专属特征的有效性适当提高该任务的loss权重问题2训练过程震荡严重尝试降低共享层学习率为任务塔层的1/5添加梯度裁剪norm1.0采用更小的batch size如512→256问题3线上效果与离线指标不符检查线上特征pipeline是否一致验证线上多任务预测的执行顺序确认AB测试分流是否纯净多任务建模需要持续监控各任务的表现平衡。我们开发了实时监控看板当出现以下情况时触发告警任一任务AUC下降超过2%任务间预测结果相关系数0.9或0.3共享层梯度范数超过任务塔层3倍