试图全面完成任务的算法背后的科学和工程
虽然多任务学习在计算机视觉和自然语言处理中已经得到了广泛应用，但在现代推荐系统中的使用仍然相对较新，因此并不是很好理解。
在本文中，我们将深入探讨多任务推荐系统中最重要的设计考虑因素和最近的研究突破。我们将涵盖以下内容：
- 为什么我们需要多任务推荐系统，
- 积极和消极的转移：多任务学习中的关键挑战，
- 硬参数共享和专家建模，以及
- 辅助学习：为了改善主要任务而添加新任务的想法。
让我们开始吧。
为什么需要多任务推荐系统？
多任务推荐系统的关键优势在于它们能够同时解决多个业务目标。例如，在视频推荐系统中，我们可能希望同时优化点击次数、观看时间、点赞、分享、评论或其他形式的用户参与度。在这种情况下，单个多任务模型不仅计算成本更低，而且每个任务的预测准确性也更高。
即使在我们只想预测一个事件的情况下，例如在电子商务推荐系统中预测“购买”，我们仍然可以添加额外的任务，目的只是为了提高主要任务的性能。我们将这些额外的任务称为“辅助任务”，并将这种学习形式称为“辅助学习”。在电子商务示例中，学习“加入购物车”以及“添加到列表”也许是有意义的，因为所有这些事件都与彼此紧密相关：它们表示购物意图。
哪些任务可以很好地一起学习？
从高层次上看，预测第二个任务可以对第一个任务有所帮助，也可以相反：使第一个任务的预测变差。我们将前一种情况称为“积极转移”，而将后一种情况称为“消极转移”…