研究背景

1. 多任务相关性的复杂性和竞争性，MTL模型往往会出
   现性能退化和负迁移
2. 跷跷板现象，即一项任务的性能往往会因影响其他任
   务的性能而得到提高

研究成果

1. 跷跷板现象的发现，MTL由于复杂的内在关联性而没有优于相应的单任务模型
2. 从联合表征学习和信息路由的角度，提出了一种新的共享学习结构的PLE模型
3. 进行广泛的离线实验，以评估工业和公共基准数据集上PLE的有效性

摘要大意

1. 多任务学习（MTL）已经成功地应用于许多推荐应用
2. 任务相关性的复杂性和竞争性，MTL模型往往会出现性能退化和负迁移
3. 观察到了一个有趣的跷跷板现象
4. 提出了一种新的共享结构设计的递进分层抽取（PLE）模型

跷跷板现象：某一个任务的指标上升，但是另外一个任务的指标会下降

PLE的结构

CGC结构

experts结构

GATE结构

Tower结构

实验结果

腾讯视频推荐数据，PLE与单任务模型，MMOE，CGC模型在核心指标AUC, MSE 的对比

腾讯视频推荐数据，PLE与单任务模型，MMOE，CGC模型关于CTR/VCR目标的对比