3.2 未来规划多业务多场景模型在转转搜索场的成功实践，为后续在其他目标（如CVR）、其他算法?。ㄈ缤萍鱿低常┥系耐乒阌τ玫於?诵判挠牖? 。?庖彩俏蠢垂ぷ鞯囊徊糠?。
与此同时需要注意到，该模型在兼容新增场景或物料库新增独有特征时并不友好 ， 需要解决冷启动的问题，这可能成为限制模型全站推广应用的瓶颈，后续也会继续沿着该思路进行深耕和优化 。
关于作者李光明，算法工程师，参与转转搜索算法、推荐算法、用户画像等系统的算法体系建设 ， 在GNN、小样本学习、对比学习、NLP等相关领域有实践经验，微信号：gmlldgm，欢迎建设性交流 。
参考资料[1]MMoE: Modeling_Task_Relationships_in_Multi-task_Learning_with_Multi-gate_Mixture-of-Experts
[2]PLE: Progressive_Layered_Extraction_(PLE):A_Novel_Multi-task_Learning(MTL)_Model_for_Personalized_Recommendations
[3]MoE: Adaptive_Mixtures_of_Local_Experts
[4]ESMM: Entire_Space_Multi-Task_Model:_An_Effective_Approach_for_Estimating_Post-Click_Conversion_Rate
[5]LHUC: Learning_Hidden_Unit_Contribution_for_Unsupervised_Speaker_Adaptation_of_Neural_Network_Acoustic_Models
[6]PEPNet: Parameter_and_Embedding_Personalized_Network_for_Infusing_with_Personalized_Prior_Information
[7]M2M: A_Multi-Scenario_Multi-Task_Meta_Learning_Approach_for_Advertiser_Modeling
[8]AdaSparse: Learning_Adaptively_Sparse_Structures_for_Multi-Domain_Click-Through_Rate_Prediction
[9]STAR: One_Model_to_Serve_All:_Star_Topology_Adaptive_Recommender_for_Multi-Domain_CTR_Prediction
[10]MTMS: Multi-Task_and_Multi-Scene_Unified_Ranking_Model_for_Online_Advertising
[11]HiNet: Novel_Multi-Scenario_&_Multi-Task_Learning_with_Hierarchical_Information_Extration
[12]DCN: Deep_&_Cross_Network_for_Ad_Click_Predictions
【多任务多场景问题解决方案与实践】
推荐阅读
- 深入理解实践场景下的DNS隧道通信
- GPT-4完成正确率仅6%，北大等提出首个“多轮、多模态”PPT任务完成基准PPTC
- 如何精确控制 asyncio 中并发运行的多个任务
- 睡觉多梦怎么办
- 因长相太美无人敢娶，父亲为她终身不找，她的魅力到底有多大？
- 跑步多少公里，能达到瘦身目标？3个因素影响减肥速度！
- 她被誉为最美郭襄，爆红却患精神病，嫁给外国人，50多岁住在山上
- 一个槟榔嚼多久
- TVB离巢女星近况曝光！称将再自资出两首新歌，结婚多年仍未生育
- 《乐游原》首播4集开分9.0，打了多少资方的脸，景甜又赌对了