47、MT-BICN：用于推荐的多任务平衡信息级联网络

MT-BICN：用于推荐的多任务平衡信息级联网络

1. 引言

随着电子商务的蓬勃发展，信息过载逐渐成为一个普遍存在的问题，这给在线购物平台的用户获取心仪商品带来了障碍。推荐系统为解决这一问题提供了有效方案，它通过挖掘用户的隐藏模式，为用户匹配一系列符合其需求的商品，大大减轻了信息过载的负面影响。

推荐系统通常需要同时优化多个目标，以满足不同的业务需求。例如，平台会同时预测点击率（CTR），以评估商品对用户的吸引力；预测浏览后点击转化率（CTCVR）和点击后转化率（CVR），以衡量商品或策略的实际经济效益；还会分析用户对商品的评分，以了解用户的复购意愿，并指导商家改进策略。

由于逐个构建这些任务的模型效率极低，因此多任务学习（MTL）在推荐系统的研究和应用领域都得到了广泛应用。MTL是一种机器学习范式，它通过同时训练不同任务的数据来获取共享表示。其中，硬参数共享机制是MTL最常用的建模方法之一，它通常为所有任务设置一个共享的底层特征提取器，并为每个任务保留几个特定的输出层。然而，任务之间的有害参数干扰会显著影响硬参数共享模型的性能，而且该机制无法有效捕捉任务之间的差异和更复杂的依赖关系。

为了应对这些挑战，近年来研究人员进行了许多有效的尝试，以建模任务之间的关系。主要有以下几种策略：
- 混合专家底层模式（Mixture - Experts - Bottom pattern） ：在底层设置多个专家以捕捉更丰富的共享特征，并利用特定任务的门控网络聚合多个专家的输出，将其输入到顶层的特定任务塔中，从而自适应地建模任务之间的关系和差异。但这种模式只能在任务之间传递浅层表示。
- 概率转移模式（