当前位置：首页 > news >正文

【第五章:计算机视觉-项目实战之推荐/广告系统】3.精排算法-(3)精排模块多目标融合：从线性融合到Bayes方程融合原理

news 2025/11/1 18:52:51

第五章：计算机视觉-项目实战之推荐/广告系统

第三部分：精排算法

第三节：精排模块多目标融合：从线性融合到Bayes方程融合原理

一、引言：精排不止有一个目标

推荐系统的“精排阶段”是整个推荐链路中最精细、最关键的环节。
在召回与粗排之后，系统面对的是有限数量的候选项，目标是利用高复杂度的模型（如 DNN、DeepFM、ESMM、MMoE、PLE 等）精确预测每个候选内容的用户响应概率，并排序展示。

然而，真实业务场景中目标往往不止一个：

电商：点击率（CTR）、加购率、转化率（CVR）、GMV（交易额）；
视频：播放完成率、停留时长、点赞、关注；
信息流广告：CTR、CVR、广告收益（eCPM）；
内容社区：互动率、用户留存、创作者曝光。

不同目标往往相互牵制（例如 CTR 高的内容未必有高 CVR）。
因此，**多目标融合（Multi-Objective Fusion）**成为精排阶段不可或缺的核心技术点之一。

二、多目标融合的本质

多目标融合的本质是：
在多个预测目标（如 CTR、CVR、留存率等）之间寻找最优的加权或联合决策方式，使得最终的排序指标最大化整体业务收益。

融合方式可以分为两大类：

结果层融合（Post-Fusion）：模型分别输出 CTR、CVR、GMV 等预测，再通过公式进行融合；
模型层融合（Joint-Fusion）：在模型结构中共享部分参数或隐空间（如 ESMM、MMoE、PLE）。

本节聚焦于结果层的融合策略，从最简单的线性融合到基于概率论的 Bayes 融合，系统地讲清楚背后的理论与工程逻辑。

三、线性融合：最简单也最常用的方式

线性融合（Linear Fusion）是业界最常见、实现最简便的融合方式，其核心思想是：

$Score = \alpha \cdot CTR + \beta \cdot CVR + \gamma \cdot GMV + \dots$

其中 ( $\alpha, \beta, \gamma$ ) 为各目标的权重，表示目标在排序中的重要程度。

3.1 优点

简单直观，易实现；
可快速迭代与调参；
对模型无侵入，可直接在在线服务中实现。

3.2 缺点

权重选择主观；
各目标分布尺度不同（CTR≈0.1，CVR≈0.01），不归一化会导致失衡；
无法反映目标之间的条件依赖。

3.3 工程常用变体

归一化线性融合：
对各目标取 z-score 或 min-max 归一化后再加权；
$Score = \alpha \cdot Norm(CTR) + \beta \cdot Norm(CVR)$
自适应融合（Learn-to-Fuse）：
通过轻量神经网络或线性层学习最优权重，例如：
```
score = torch.sigmoid(w1 * ctr + w2 * cvr + b)
```
训练目标可以是 GMV、eCPM 或点击收益。
分场景加权：
不同用户群体、频道、时间段使用不同的 α/β 值，称为“动态融合权重”。

实践中，线性融合往往是系统上线的第一版本，随后再逐步过渡到概率融合或模型级融合。

四、非线性融合：从启发式到学习式

在一些复杂业务场景中（如电商广告），单纯的线性权重无法捕捉 CTR 与 CVR 的非线性关系。
例如：CTR 很高但 CVR 很低的广告会浪费曝光，而 CVR 很高但 CTR 极低的广告又难以被看到。
此时，需要非线性融合策略。

4.1 乘积式融合（Multiplicative Fusion）

经典的点击后转化率模型（CTCVR）：
$P(CTCVR) = P(CTR) \times P(CVR|click)$

在广告排序中，eCPM 常用表达为：
$eCPM = Bid \times CTR \times CVR$
该公式天然是乘法结构，体现了概率链式关系。

4.2 学习式融合（Learning Fusion）

使用一个轻量神经网络 (f_\theta) 来融合多个目标：
$Score = f_\theta(CTR, CVR, GMV, ...)$
模型可以是：

DNN；
GBDT；
Logistic regression；
甚至基于强化学习的融合器。

这种方式能自动学习非线性权重，但需要额外训练数据与计算资源。

五、Bayes 融合：从概率论出发的理论最优解

Bayes 融合是融合理论中最系统、最有逻辑基础的方式。

5.1 理论基础

设：

(E)：事件（用户点击、购买、转化等）；
(X)：特征向量；
(M_1, M_2, ...)：不同目标模型输出。

我们的目标是计算最终排序得分：
$P(E|X) = P(E|M_1(X), M_2(X), ...)$

根据 Bayes 定理：
$P(E|M_1, M_2) \propto P(M_1, M_2|E) \cdot P(E)$

若假设各模型独立（Naive Bayes 假设）：
$P(E|M_1, M_2) \propto P(E) \cdot P(M_1|E) \cdot P(M_2|E)$

通过取对数变换：
$\log P(E|M_1, M_2) = \log P(E) + \log P(M_1|E) + \log P(M_2|E) + C$

这表明，融合的最优形式其实是多模型 log 概率的加权求和，与线性融合在形式上类似，但权重由数据概率决定。

5.2 在推荐系统中的具体应用

假设我们有 CTR 与 CVR 两个模型：
$P(CTR) = P(\text{click}=1|X)$
$P(CVR) = P(\text{buy}=1|\text{click}=1, X)$

根据条件概率公式：
$P(\text{buy}=1|X) = P(CTR) \times P(CVR)$
这正是业界广泛采用的 Bayes 乘积融合（CTCVR 模型）。

在广告系统中，这一融合策略用于计算最终的 eCPM = Bid × P(CTR) × P(CVR)，即转化后收益的期望值。

六、从理论到实战：多目标融合的实现路径

在工程实现上，多目标融合通常出现在精排的最后一层或线上 Serving 阶段。
下面给出几种常见实践方案：

融合策略	核心公式	优点	典型应用场景
线性融合	α·CTR + β·CVR	简单快速、可解释	内容推荐
乘积融合	CTR × CVR	体现概率依赖	广告、eCPM
Log-Bayes 融合	log P(E) + Σ log P(M_i	E)	理论最优
学习式融合	NN(CTR, CVR, GMV, …)	自动学习非线性关系	大规模多目标排序
动态权重融合	f(user, scene) → w	场景自适应	个性化推荐

七、实战案例：电商广告中的多目标融合

假设广告系统有以下三个目标模型：

CTR 模型：点击概率；
CVR 模型：点击后购买概率；
ARPU 模型：用户平均收益。

系统可设计如下融合逻辑：

score = bid * ctr * cvr * arpu

或更一般地：

score = α * log(ctr) + β * log(cvr) + γ * log(arpu)

并通过 A/B 测试确定最优 α、β、γ 权重。
线上部署时可进一步将权重调整为实时动态函数，例如：

$\alpha = f(user_type, time, category)$
$\beta = g(item_price, device)$

这样可以根据用户类型与时间段动态调整推荐重点（曝光、转化、复购）。

八、未来趋势：从静态融合到决策级优化

传统融合多为静态函数，但随着强化学习和多任务优化的发展，业界正向更智能化方向演进：

基于强化学习（RL）的融合：将排序得分视为策略输出，通过 reward 信号动态学习最优融合方式；
Meta-Learning 融合：融合模型根据场景快速自适应；
Uncertainty-Aware 融合：融合时考虑模型不确定性，置信区间高的目标赋予更高权重；
End-to-End 多任务联合优化：通过多目标损失函数同时优化 CTR、CVR、留存等，内在实现动态融合。

九、总结

阶段	主要思想	优点	适用场景
线性融合	人工加权求和	实现简单	快速上线、A/B 调参
非线性融合	学习式或乘积式	捕捉复杂关系	大规模推荐、广告
Bayes 融合	概率论推导	理论最优	CTR+CVR 联合建模
动态融合	权重自适应	个性化排序	实时推荐场景