ranking algorithms are fundamental to various online platforms across
e-commerce sites to content streaming services. Our research addresses the
challenge of adaptively ranking items from a candidate pool for heterogeneous
users, a key component in personalizing user experience. We dev
级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题,而学习排序是优化级联排序系统模型的重要方法;本文提出了一种新颖的适应级联排序系统的优化目标的方法,通过多任务学习框架自适应地结合放松和完整优化目标的优化;并且引入置换矩阵表示排序度量,并使用可微排序技术获得带有可控逼近误差界限的放松置换矩阵,从而在深度学习框架内直接且适当地优化放松和完整优化目标,通过提出的代理损失进行;实验证明了方法的有效性和泛化性,并且在线实验表明了方法的显著应用价值。