【深度学习】多目标融合算法（一）：样本Loss加权（Sample Loss Reweight）

目录

一、引言

二、样本Loss提权

2.1 技术原理

2.2 技术优缺点

2.3 代码实例

三、总结

---

一、引言

在朴素的深度学习ctr预估模型中（如DNN），通常以一个行为为预估目标，比如通过ctr预估点击率。但实际推荐系统业务场景中，更多是多种目标融合的结果，比如视频推荐，会存在视频点击率、视频完整播放率、视频播放时长等多个目标，而多种目标如何更好的融合，在工业界与学术界均有较多内容产出，由于该环节对实际业务影响最为直接，特开此专栏对推荐系统深度学习多目标问题进行讲述。

今天重点介绍“样本Loss提权”，该方法通过训练时Loss乘以样本权重实现对其它目标的加权，方法最为简单。

二、样本Loss提权

2.1 技术原理

所有目标使用一个模型，在标注正样本时，考虑多个目标。例如对于点击和播放，在标注正样本时，给予不同的权重，使它们综合体现在模型目标中。如下表，以视频业务为例，每行为一条训练样本，根据业务需要，把点击视频、视频完播、视频时长的权重分别设置为1、3、5。

该方法通过对不同正向行为给予不同权重，将多目标问题转化为单目标问题。本质是保证一个主目标的同时，将其它目标转化为样本权重，达到优化其它目标的效果。

2.2 技术优缺点

优点：

• 模型简单：易于理解，仅在训练时通过Loss乘以样本权重实现对其它目标的加权
• 成本较低：相比于训练多个目标模型再融合，单模型资源及维护成本更低

缺点： 

• 优化周期长：每次调整样本加权系数，都需要重新训练模型至其收敛
• 跷跷板问题：多个目标之间可能存在相关或互斥的问题，导致一个行为指标提升的同时，另一个指标下降。

2.3 代码实例

首先，我们需要定义一个DNN模型，并实现一个多目标样本损失函数loss加权算法。这个算法会为不同的目标分配不同的权重，以便在训练过程中优化每个目标