M7-076M7: 检索、排序与推荐系统多目标与约束Easy
⚡闪卡盲测➔掌握度:
解释多目标优化的常见做法
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
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。
📌 核心要点提炼
- •加权和:简单但权重难调、目标可互补
- •乘法/排序公式:表示'都必须满足'(如 CTR×CVR)
- •约束优化:主目标 + 其他目标不低于阈值
- •多任务模型(MMoE)+ 融合层:共享底层、各自预测、再组合
📐 数学机理与严密推导
数学机理:四类做法——(1) 加权和(weighted sum)——score=Σ w_i·ŷ_i;语义——各目标可互补(一个高可以弥补另一个低);优点——简单、可导、易优化;缺点——(a) 权重难调(不同目标量纲不同,需归一化);(b) 无法表达'必须满足'(某目标为 0 时仍可能被其他目标'救回');(c) 帕累托前沿的'凹部'无法达到(加权和只能达到帕累托前沿的凸部分)。(2) 乘法/排序公式——score=Π ŷ_i 或 ŷ_1·ŷ_2·...;语义——'都必须满足'(任一为 0 则总分为 0);例——电商的 'pCTR × pCVR × price'(必须点击且转化);优点——表达'必要条件';缺点——(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) 约束优化(constrained optimization)——max 主目标 s.t. 其他目标 ≥ 阈值;实现——(a) 拉格朗日松弛(把约束加入目标:max y₁ − λ·max(0, c−y₂));(b) 分阶段(先满足约束、再优化主目标);(c) 投影(每步把解投影到约束集);优点——语义明确('在主目标最优的前提下满足约束');缺点——实现复杂、λ 需调。(4) 多任务模型 + 融合层——(a) MMoE/PLE 输出多个目标的预测;(b) 再用'融合公式'(加权/乘法/规则)组合;优点——共享底层(互相促进)、融合灵活;缺点——融合仍需设计。其他做法——(a) 帕累托多目标优化(直接搜索帕累托前沿);(b) 强化学习(把长期目标作为奖励);(c) 规则层(在重排阶段强制约束)。选择依据——(a) 目标可互补 → 加权和;(b) 目标必须同时满足(如'点击且转化') → 乘法;(c) 有硬性下限(如'多样性 ≥ X') → 约束优化或规则;(d) 多目标 + 复杂交互 → 多任务模型 + 融合。权重/参数的调优——(a) 在线 A/B(离线不可靠);(b) 帕累托前沿可视化(帮助决策);(c) 按场景/用户分组(不同群体不同权重);(d) 动态调整(如新品期提升探索权重)。实践建议——(a) 明确每个目标的语义(互补还是必需);(b) 乘法用于'必要条件'、加权用于'可互补';(c) 硬约束用规则层(重排阶段);(d) 权重用在线实验调;(e) 监控各目标(防此消彼长)。度量——(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。
🏭 深度剖析与工业落地权衡
深度剖析与工程权衡:① '加权和 vs 乘法的语义差异'是关键——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 '加权和无法达到帕累托前沿的凹部'——这是多目标优化的理论限制(凸包限制);故有帕累托方法。③ '乘法需校准'——因为乘积依赖概率绝对值;故需各目标校准良好。④ '硬约束放规则层'——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 '权重用在线实验调'——离线调权重不可靠(与在线行为有差距)。⑥ 面试要点——被问'多目标怎么优化',应给出'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';能指出'加权和无法达到帕累托凹部'是深度理解的标志。
⚠️ 常见面试陷阱与高频失分点
- ✕用加权和表达'必须同时满足'(应为乘法)
- ✕把硬约束塞进排序模型(扭曲主目标)
🎯 面试官连环追问与延伸考察
- ?加权和 vs 乘法的语义差异?
- ?约束优化怎么实现?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!