Multi-Objective Ranking & Optimization: 解释多目标优化的常见做法。

Core Concept: 加权和（简单）、乘法/排序公式（'都必须满足'）、约束优化（主目标 + 约束）、多任务模型 + 融合层。

数学机理：<strong>四类做法</strong>——(1) <strong>加权和（weighted sum）</strong>——score=Σ w_i·ŷ_i；<strong>语义</strong>——各目标<strong>可互补</strong>（一个高可以弥补另一个低）；<strong>优点</strong>——简单、可导、易优化；<strong>缺点</strong>——(a) <strong>权重难调</strong>（不同目标量纲不同，需归一化）；(b) <strong>无法表达'必须满足'</strong>（某目标为 0 时仍可能被其他目标'救回'）；(c) <strong>帕累托前沿的'凹部'无法达到</strong>（加权和只能达到帕累托前沿的凸部分）。(2) <strong>乘法/排序公式</strong>——score=Π ŷ_i 或 ŷ_1·ŷ_2·...；<strong>语义</strong>——<strong>'都必须满足'</strong>（任一为 0 则总分为 0）；<strong>例</strong>——电商的 'pCTR × pCVR × price'（必须点击且转化）；<strong>优点</strong>——表达'必要条件'；<strong>缺点</strong>——(a) 对'小概率'敏感（一个很小的概率会主导）；(b) 需各目标校准（因为乘积依赖概率的绝对值）。(3) <strong>约束优化（constrained optimization）</strong>——max 主目标 s.t. 其他目标 ≥ 阈值；<strong>实现</strong>——(a) <strong>拉格朗日松弛</strong>（把约束加入目标：max y₁ − λ·max(0, c−y₂)）；(b) <strong>分阶段</strong>（先满足约束、再优化主目标）；(c) <strong>投影</strong>（每步把解投影到约束集）；<strong>优点</strong>——语义明确（'在主目标最优的前提下满足约束'）；<strong>缺点</strong>——实现复杂、λ 需调。(4) <strong>多任务模型 + 融合层</strong>——(a) <strong>MMoE/PLE</strong> 输出多个目标的预测；(b) 再用'融合公式'（加权/乘法/规则）组合；<strong>优点</strong>——共享底层（互相促进）、融合灵活；<strong>缺点</strong>——融合仍需设计。<strong>其他做法</strong>——(a) <strong>帕累托多目标优化</strong>（直接搜索帕累托前沿）；(b) <strong>强化学习</strong>（把长期目标作为奖励）；(c) <strong>规则层</strong>（在重排阶段强制约束）。<strong>选择依据</strong>——(a) <strong>目标可互补</strong> → 加权和；(b) <strong>目标必须同时满足</strong>（如'点击且转化'） → 乘法；(c) <strong>有硬性下限</strong>（如'多样性 ≥ X'） → 约束优化或规则；(d) <strong>多目标 + 复杂交互</strong> → 多任务模型 + 融合。<strong>权重/参数的调优</strong>——(a) <strong>在线 A/B</strong>（离线不可靠）；(b) <strong>帕累托前沿可视化</strong>（帮助决策）；(c) <strong>按场景/用户分组</strong>（不同群体不同权重）；(d) <strong>动态调整</strong>（如新品期提升探索权重）。<strong>实践建议</strong>——(a) <strong>明确每个目标的语义</strong>（互补还是必需）；(b) <strong>乘法用于'必要条件'、加权用于'可互补'</strong>；(c) <strong>硬约束用规则层</strong>（重排阶段）；(d) <strong>权重用在线实验调</strong>；(e) <strong>监控各目标</strong>（防此消彼长）。<strong>度量</strong>——(a) 各目标的指标；(b) 端到端业务指标；(c) 帕累托前沿；(d) 约束的满足率。

深度剖析与工程权衡：① <strong>'加权和 vs 乘法的语义差异'是关键</strong>——加权表示'可互补'、乘法表示'都必须满足'；面试中能指出这一点是深度理解的标志。② <strong>'加权和无法达到帕累托前沿的凹部'</strong>——这是多目标优化的理论限制（凸包限制）；故有帕累托方法。③ <strong>'乘法需校准'</strong>——因为乘积依赖概率绝对值；故需各目标校准良好。④ <strong>'硬约束放规则层'</strong>——如'多样性/合规'不适合放进排序模型（会扭曲 CTR 目标）；放重排阶段更清晰。⑤ <strong>'权重用在线实验调'</strong>——离线调权重不可靠（与在线行为有差距）。⑥ <strong>面试要点</strong>——被问'多目标怎么优化'，应给出'<strong>四类做法（加权/乘法/约束/多任务 + 融合）+ 语义差异 + 权重在线调 + 硬约束放规则层</strong>'；能指出'加权和无法达到帕累托凹部'是深度理解的标志。