【论文】多场景多任务推荐

ICDE 2023 | 多场景多任务学习在美团到店餐饮推荐的实践

背景：

· 多场景：美食关键词搜索、限时秒杀推荐、套餐推荐、商家商品推荐等。随着推荐场景数量的增加，传统地针对单个场景独立开发推荐模型有很多劣势和局限性
· 多任务：在这些场景中需要优化的指标是点击（CTR）和转化（CVR）

本文提出了一种层次化信息抽取网络（HiNet）也就是一个端到端的两层信息抽取框架，来共同建模场景间和任务间的信息共享和协作，其中包括场景抽取层（Scenario Extraction Layer）和任务抽取层（Task Extraction Layer）。

创新点：
· HiNet，用于优化多场景下的多种任务指标
· 在场景信息抽取层中，提出了场景感知注意力网络SAN模块

HINET

场景抽取层（Scenario Extraction Layer）

多场景共享，借鉴MMOE。用场景感知注意力网络（Scenario-aware Attentive Network，SAN）来衡量其他场景信息对当前场景信息表征贡献的重要性。

这一层的输出包含三个部分：
· Scenario-shared/specific Expert Network: G
· Scenario-aware Attentive Network：Ai 其他场景的加权和
· Scenario-specific expert network：Si

任务抽取层（Task Extraction Layer）

借鉴PLE，采用了自定义门控网络CGC模块

自定义门控网络主要用来控制共享专家网络和特有专家网络的权重。前者主要负责学习当前场景中所有任务中的共享信息，后者用于提取当前场景中各个任务的特有信息。

Loss

i是场景数，j是任务数，$\lambda$是控制多个任务loss之间的权重的超参

评估