1、课程导论：多目标优化问题定义、推荐系统面临的多个目标、课程整体框架与学习路径
1.1 多目标优化到底是个啥？
先聊聊多目标优化。说白了，就是我们要同时优化好几个指标。
你想想看，现实世界里哪有「一招鲜吃遍天」的好事？做推荐系统也一样。你不能只看点击率，也不能只看转化率。得兼顾。
我刚开始做推荐那会儿，就犯过这个错。当时老板说「把点击率提上去」，我就死磕CTR。结果呢？点击率上去了，用户点进来一看内容不对，立马就走了。停留时长掉得惨不忍睹。嗯，这就是典型的「单目标优化陷阱」。
多目标优化，数学上可以这么理解：
maximize F(x) = [f1(x), f2(x), ..., fk(x)]
subject to x ∈ S这里 f1 到 fk 就是我们要优化的各个目标。比如点击率、转化率、停留时长、多样性等等。S 是可行域，也就是我们能用的策略空间。
关键问题来了：这些目标之间往往是冲突的。你提高点击率，可能就牺牲了多样性。你追求转化率，可能就降低了用户的新鲜感。怎么平衡？这就是多目标优化的核心。
核心要点：多目标优化不是找一个「最优解」，而是找一组「帕累托最优解」。简单说，就是没有其他解能在不损害至少一个目标的前提下，让另一个目标变得更好。
1.2 推荐系统要面对哪些目标？
我这些年做过的推荐系统，目标少说也有七八个。但最核心的，无非这几个：
| 目标 | 含义 | 我踩过的坑 |
|---|---|---|
| 点击率（CTR） | 用户看到推荐后点击的比例 | 曾经为了提CTR，疯狂推标题党内容，结果用户进来就跑了 |
| 转化率（CVR） | 用户点击后完成购买/注册等行为的比例 | 转化率模型做太深，线上延迟爆炸，用户早走了 |
| 停留时长 | 用户在推荐内容上花费的时间 | 光看时长，结果推的全是长视频，用户没耐心看完 |
| 多样性 | 推荐结果中不同类别的覆盖程度 | 多样性加太多，用户觉得推荐不精准，CTR暴跌 |
你看，每个目标都有它的脾气。我曾经在一个电商项目中，CTR和CVR同时优化，结果发现：点击率高的商品，转化率不一定高。比如那些「9块9包邮」的，点的人多，但买的人少。为什么？因为用户就是好奇点进去看看，根本没打算买。
所以，多目标优化不是简单地把几个目标加起来。你得理解它们之间的关系。
我的建议：刚开始做多目标优化时，别贪多。先选2-3个最核心的目标，跑通了再往上加。我见过太多团队一上来就搞5个目标，结果模型训不出来，线上效果一塌糊涂。
1.3 课程整体框架与学习路径
这门课一共30章。我把它分成了四个阶段：
- 基础篇（第1-8章）：多目标优化的数学基础、推荐系统的基本架构、常见的优化方法。这部分我会带你打好理论基础。
- 方法篇（第9-18章）：各种多目标优化算法的原理和实现。包括加权法、帕累托优化、基于梯度的多目标优化等等。每个方法我都会给出代码示例。
- 实战篇（第19-26章）：在真实推荐系统中的应用。怎么设计多目标模型？怎么调参？怎么评估？这部分我会分享我在项目中的实际经验。
- 进阶篇（第27-30章）：前沿话题。比如多目标强化学习、多目标联邦学习、多目标大模型推荐等。
学习路径上，我建议你按顺序来。别跳着看。为什么？因为后面的内容会用到前面的知识。比如你不理解帕累托最优，后面看多目标梯度下降就会一头雾水。
注意：第15章和第16章讲的是两种不同的多目标优化框架，很多人容易搞混。我会在课程里专门对比它们的区别。如果你时间紧，至少这两章要一起看。
每章我都会留一个思考题。别偷懒，试着做一下。我记得有个学员，就是认真做了第5章的思考题，后来在面试中直接答出了面试官的多目标优化问题，当场拿了offer。
好了，导论就到这里。下一章我们开始讲多目标优化的数学基础。别怕，我会用最通俗的方式讲清楚。
公众号:蓝海资料掘金营，微信deep3321