推荐系统笔记5：多目标排序_多目标用于排序吗

一、多⽬标排序介绍

1.1、 什么是多目标排序：什么是多目标排序，假设判断淘宝推荐系统的好坏，有点击率、浏览深度、加购/收藏、购买、重复购买/好评等，以上单个目标都可以作为衡量推荐系统的好坏标准；
1.2、 为什么要有多目标排序 ，常见的推荐的系统多见于隐式反馈：

• 不同目标表达的偏好程度不一样；
• 单个目标衡量不全面；（例如转发锦鲤，是因为真的喜欢还是随波逐流呢？）
• 每个用户表达的满意度方式不一样；
• 多目标可以使得综合收益最大化；

1.3、常见的多目标排序流程： 如下图所示，
首先根据模型和数据库DB中的用户相关特征来预选出一部分用户，这部分用户先通过Rank排序，也就是多目标来衡量排序先后，常见的有CTR（点击率）、CVR（点击转化率）、collect(收藏)、stay（页面停留时间）等来使得多目标最大化，可使用下面等式来综合多目标：$$score=CTR\ast (\alpha +CVR)\ast (\beta +price)\ast sta{y}^a\ast car{t}^b\ast collec{t}^c\ast rule\dots$$其中$\alpha$等是权重超参数，那么rule是干什么用的呢？比如按照多目标排序好的物品以后，为什么不能直接按照排序好的结果推荐给用户呢？举个例子，比如你喜欢逛鞋子、衣服，可能多目标排序以后的结果就是一直是鞋子、衣服，少了推荐的新颖性，这也就是reranker的作用；通过设定一些rules，比如对于某个用户rank排序的10个结果中、通过新品扶持或者活动扶持，且最多允许有一个推荐的商品修改，如上图右边所示。
1.4、多目标排序的难点：

• 部分⽬标数据稀疏，模型准确率低
• 在线服务计算量⼤
• 多个⽬标间重要性难以量化
• 分数融合的超参难以学习
• Rules不够智能化

二、Learning To Rank

2.1、如何解决排序问题呢？LTR（Learning To Rank）就是一种很好的解决办法。LTR算法主要包括三种类别：PointWise，PairWise，ListWise。详细见博客LTR介绍。

• PointWose方法主要使用传统的分类、回归等方法来对用户进行推荐，比如矩阵分解，是由一个绝对分数来衡量排序关系，实际上在排序中，排在最前的几个物品对排序效果的影响非常重要，Pointwise没有考虑这方面的影响。
• Pairwise方法考虑给定用户，两个物品之间的相对相关度。亦即给定用户一个喜欢的物品序列，我们只需要考虑任意两个相关度不同的物品之间的相对相关度：$d_i>d_j$，或者$d_i<d$