3.4. 多目标建模¶

多目标建模（Multi-Task Learning, MTL）通过联合优化多个相关任务，在推荐系统中实现用户体验与商业目标的协同提升。相比独立建模，多目标方法能够降低参数量、提升系统效率，并通过知识迁移缓解数据稀疏问题。

在实际应用中，电商场景联合优化CTR、CVR、GMV避免单一指标导致的低质商品推荐；视频平台同时优化播放完成率、评分预测、用户留存率提升长期用户价值。然而，多目标建模面临任务冲突、跷跷板效应和负迁移等核心挑战。

针对这些挑战，业界发展出三大解决方向：模型架构从Shared-Bottom到MMoE再到PLE的演进，解决任务冲突与负迁移；ESSM和ESM2等依赖关系建模方法，处理用户行为链路的样本偏差；以及从手工加权到自适应优化的多损失融合策略，解决量级失衡与收敛异步问题。