コアに触れる：ハイブリッドターゲットの推奨システムにおけるタスク依存性の探索

ユーザー行動が複雑化するビジネスプラットフォームにおいて、オンラインの推奨は、プラットフォームの関心事に密接に関連する中心的な変換に触れることに焦点を当てている。これらの中心的な変換は通常連続的なターゲットであり、前の離散的な変換アクションによって予測を高めることができる。したがって、マルチタスク学習(MTL)がこれらのハイブリッドターゲットを学習するためのパラダイムとして採用できる。しかし、既存の研究は主に離散的な変換アクション間の順序依存性を調査することに重点を置いており、離散的な変換と最終的な連続的な変換の間の依存性の複雑さを無視している。さらに、より強いタスク依存性を持つハイブリッドタスクを同時に最適化すると、コアの回帰タスクが他のタスクに大きな影響を与える問題に悩まされる。本論文では、ハイブリッドターゲットを持つMTL問題を初めて研究し、タスク依存性を探索し、最適化を強化するモデルであるHybrid Targets Learning Network (HTLNet)を提案する。