多任务模型中的跨任务关系学习
Learned Cross-Task Relationships in Multi-Task Models
浏览论文内容
中文总结 AI 辅助
提出一种通过成对关系近似任务标签联合分布的框架，学习多任务模型中的跨任务关系，提升YouTube推荐系统性能，并给出通用工作流模板。
中文摘要 AI 辅助
我们提出了一种框架，通过针对性的成对关系近似任务标签的联合分布，来学习多任务模型中的跨任务关系。该方法通过迁移学习提升性能，并增强信息提取，同时避免了建模完整联合空间所带来的难以处理的复杂性。尽管我们的框架适用于任何多任务系统，但我们在YouTube的生产推荐系统中展示了其有效性。在通知、首页和观看下一个界面上的实验表明，准确率和用户满意度指标均有所提升。最后，我们提出了一个工作流模板，以促进未来更广泛的实施。
英文摘要
We propose a framework that learns cross-task relationships in multi-task models by approximating the joint distribution of task labels through targeted pairwise relationships. This approach improves performance via transfer learning and enhances information extraction without the intractable complexity of modeling the full joint space. Although our framework applies to any multi-task system, we demonstrate its efficacy within YouTube's production recommendation systems. Experiments across the Notifications, Homepage, and Watch Next surfaces show improvements in both accuracy and user satisfaction metrics. Finally, we propose a workflow template to facilitate broader future implementation.
发表机构
- Google（谷歌）
机构由 AI 辅助整理，请以论文原文为准。
