多目标优化权重怎么定?

回答与解析

核心设计思路

多目标权重分配的本质是业务目标数学化，需先明确：主优化目标（如平台收入）、约束目标（如用户体验底线）、各目标的量纲与边际收益。

三类主流方法对比

B站场景的具体考量

• UP主生态保护：CVR权重不宜过高，避免过度商业化损伤内容生态
• 年轻用户群体：需引入"互动率"等辅助目标，权重设计需反映社区属性
• 品牌广告vs效果广告：分场景设定权重模板，而非全局统一

落地关键细节

1. 离线验证：用历史数据模拟不同权重下的帕累托前沿
2. 在线AB：小流量逐步放量，监控长期指标（如7日留存）
3. 兜底机制：动态权重设置上下界，防止极端值

最终选型往往是线性加权+轻量动态化的折中方案，而非纯自动优化。

学习建议

建议先掌握CTR、CVR等基础指标定义，再学习多目标优化常用方法如线性加权、EWIS、MMOE等，结合实际案例理解权衡逻辑。

口语版讲法(约4分钟)

• 多目标权重本质是业务目标数学化
• 线性加权简单可控，动态权重灵活适配，梯度方法理论优雅但落地难
• B站场景要平衡UP主生态和商业化
• 落地关键：离线验证、在线AB、兜底机制

面试官你好，多目标权重分配这个问题，我觉得本质上是把业务目标翻译成数学模型。你需要先想清楚：哪个是主目标，比如平台收入；哪些是约束目标，比如用户体验不能低于某个底线。然后还要搞清楚每个目标的量纲和边际收益，不然直接加权就是乱来。

具体怎么做，主流有三类方法。先说最简单的线性加权，就是人工定死权重，比如 score = w1 CTR + w2 CVR price。优点是简单可控，业务方一眼能看懂，适合业务稳定、目标关系明确的场景。缺点也很明显，流量一变就得重新调参，全靠AB实验去试，效率很低。

再一个就是动态权重，根据上下文特征比如时段、用户类型、广告位实时调整权重。你可以这么理解，同一套广告位，上班族午休和宝妈带娃时段，CTR和CVR的权重肯定不一样。动态权重能适配异质流量，但特征设计很复杂，而且可能引入不稳定，比如某个特征突然失效导致权重跳变。

还有一类是基于梯度的方法，像MGDA、Pareto优化，自动找帕累托最优解。理论很优雅，不用人工调参，但计算开销大，结果可能不符合业务直觉。比如说，它可能为了整体最优大幅压低CTR权重，业务方接受不了。所以这类方法适合目标冲突严重、研发资源充足、且能容忍黑盒的团队。

说白了，没有银弹。落地时往往是线性加权加轻量动态化的折中。举个例子，在B站场景，UP主生态是命根子，CVR权重就不能太高，不然全是带货内容用户就跑了。年轻用户还看重互动率，所以权重设计得反映社区属性。品牌广告和效果广告也得分开设权重模板，不能全局统一。

这里有个坑，就是动态权重一定要设上下界，防止极端值。我之前见过一个案例，某个时段特征异常导致CVR权重飙到0.9，结果所有广告都推高转化商品，用户体验直接崩了。所以上线前我会先离线模拟不同权重下的帕累托前沿，看收益和风险；然后小流量AB，监控7日留存这类长期指标，不能只看短期CTR。

还有一个延伸点，就是当目标数超过三个时，线性加权和动态权重都很难调，这时候可以考虑用 MMOE 这类多目标模型，让网络自己学底层的共享表达和门控权重，但前提是样本量足够大，不然容易过拟合。

所以我的倾向是，先明确业务主目标和红线，再用线性加权作为基线，逐步引入轻量动态化，最后用离线加在线验证兜底。纯自动优化我一般不敢直接上，太容易跑偏。

关键一句:目标数超过三个时，线性加权和动态权重都很难调，可以考虑MMOE等多目标模型，但前提是样本量足够大。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你正在优化一个电商广告系统，需要同时优化点击率和转化率。但这两个目标有时候是冲突的：点击率高不一定转化好，转化好的点击率可能低。你怎么给这两个目标分配权重，才能让整体收益最大？

2. 问法 2 · 层层追问

   多目标优化你一般怎么处理？……比如CTR和CVR，权重怎么设？……如果流量变化很大，不同时段用户意图不一样，固定权重还够用吗？你会不会让权重动态调整？

3. 问法 3 · 直球架构

   在广告多目标优化中，如何科学制定CTR和CVR的权重？请从线性加权、动态权重、基于梯度的方法这三个角度，比较它们的优缺点和适用场景。