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