ktt算法 约化_推荐系统的多目标优化(4)-PE-LTR

目录：

[toc]

1. 提出背景

电商场景下，需要同时优化GMV和CTR，但这两个优化目标并不是严格相关的，甚至是冲突的。当CTR/GMV最优时，另一个可能是次优甚至是不好的。

因此，该问题可以看作是寻找帕累托最优的问题来处理。现有的帕累托优化方法有两种，一种是启发式搜索(heuristic search)，缺点是不能保证帕累托最优；另一种是标量化方法(scalarization)，缺点是需要手动指定权重。

帕累托最优(Pareto Optimum)：也称为帕累托效率(Pareto Efficiency)。形象解释的话，在该状态下，“从此以后，非损人不能利己”。

作者在KKT条件下提出PE-LTR(Pareto-Efficient Learning to Rank)，有LTR过程优化多个目标。

2. PE-LTR

该算法偏向于理论证明，本节先对算法整体步骤进行描述，然后对其中的关键步骤进行推导。

2.1 算法描述

定义多目标问题的目标函数：

其中，$ L_i(\theta)$ 为单目标的损失函数，$w_i$ 为该目标的权值，满足$\sum_{i=1}^Kw_i=1,w_i \geq c_i$。

用SGD更新参数$\theta$ ：

通过 PECsolver算法 更新 k 个 $w_i$，算法如下；

定义帕累托最优条件(Pareto Efficient Condition)：

将$w_i=\hat w_i+c_i$代入，得到等价的松弛问题&#x