多目标学习一般做法：
1、多模型建模
2、多任务学习（MTL）
各有优缺点，对于前者，优点是：独立建模，针对特定目标容易深度优化；缺点是：模型难融合。对于后者，优点是：任务相关性比较强的时候，能提升综合价值；但恰恰由于参数共享，当任务之间相关性不强时，会相互干扰而影响学习效果。
多任务学习是机器学习的一种范式，并不局限于特定问题或模型。
推荐排序的演进划分成四个阶段，从线性模型+大规模人工组合特征，到非线性模型+少量人工特征，再到深度学习模型+用户行为序列特征，最后是从单目标优化到多目标优化。
polling：https://www.cnblogs.com/makefile/p/pooling.html
NFM:https://github.com/hexiangnan/neural_factorization_machine/blob/master/NeuralFM.py
从公开资料上了解到美图的实践，排序模型从传统的LR+特征工程，到NFM模型以及改进的NFwFM ，到最后的多目标学习。
17年论文中介绍的NFM模型结构如下：
1.png
美图在此基础上做了引入右侧多层感知机学习隐式的高阶特征交叉
2.png
参考资料：https://www.infoq.cn/article/0ueIPm2VFrOqECLU3316
https://www.infoq.cn/article/0xdVNHshA02egyr1QaAX
多任务的缺点是在参数共享的情况下，如果两个任务有不相关的部分，两个任务就会互相干扰，从而影响效果。学术界将这种现象称为共享冲突。
多目标：
https://zhuanlan.zhihu.com/p/89387632
https://zhuanlan.zhihu.com/p/82584437
http://wd1900.github.io/2019/09/15/Recommending-What-Video-to-Watch-Next-A-Multitask-Ranking-System/
网友评论