多目标优化权重怎么定?

完整题目

在广告系统的多目标优化场景中，如何科学地制定点击率（CTR）、转化率（CVR）等不同目标之间的权重分配方案？请结合实际策略与常用方法，阐述其设计思路，并分析不同方法的优缺点及适用场景。

本文目录

多目标权重分配的本质是业务目标数学化，需先明确：主优化目标（如平台收入）、约束目标（如用户体验底线）、各目标的量纲与边际收益。

方法	核心思想	优点	缺点	适用场景
线性加权	人工设定固定权重，如 `score = w₁·CTR + w₂·CVR·price`	简单可控、可解释性强	无法适应流量变化、需大量AB实验调参	业务稳定期、目标关系明确
动态权重	根据上下文特征（时段、用户类型、广告位）实时调整权重	灵活适配异质流量	特征设计复杂、可能引入不稳定	流量差异大、需精细化运营
基于梯度的方法（如MGDA、Pareto）	自动寻找帕累托最优解，平衡各目标梯度冲突	理论优雅、避免手工调参	计算开销大、结果可能不符合业务直觉	目标冲突严重、研发资源充足

最终选型往往是线性加权+轻量动态化的折中方案，而非纯自动优化。

建议先掌握CTR、CVR等基础指标定义，再学习多目标优化常用方法如线性加权、EWIS、MMOE等，结合实际案例理解权衡逻辑。

换一种问法，检查是否真正理解

场景切入

假设你正在优化一个电商广告系统，需要同时优化点击率和转化率。但这两个目标有时候是冲突的：点击率高不一定转化好，转化好的点击率可能低。你怎么给这两个目标分配权重，才能让整体收益最大？

层层追问

多目标优化你一般怎么处理？……比如CTR和CVR，权重怎么设？……如果流量变化很大，不同时段用户意图不一样，固定权重还够用吗？你会不会让权重动态调整？

直球架构

在广告多目标优化中，如何科学制定CTR和CVR的权重？请从线性加权、动态权重、基于梯度的方法这三个角度，比较它们的优缺点和适用场景。

练习口述回答 · 约4分钟

面试官你好，多目标权重分配这个问题，我觉得本质上是把业务目标翻译成数学模型。你需要先想清楚：哪个是主目标，比如平台收入；哪些是约束目标，比如用户体验不能低于某个底线。然后还要搞清楚每个目标的量纲和边际收益，不然直接加权就是乱来。

具体怎么做，主流有三类方法。先说最简单的线性加权，就是人工定死权重，比如 score = w1 * CTR + w2 * CVR * price。优点是简单可控，业务方一眼能看懂，适合业务稳定、目标关系明确的场景。缺点也很明显，流量一变就得重新调参，全靠AB实验去试，效率很低。

再一个就是动态权重，根据上下文特征比如时段、用户类型、广告位实时调整权重。你可以这么理解，同一套广告位，上班族午休和宝妈带娃时段，CTR和CVR的权重肯定不一样。动态权重能适配异质流量，但特征设计很复杂，而且可能引入不稳定，比如某个特征突然失效导致权重跳变。

还有一类是基于梯度的方法，像MGDA、Pareto优化，自动找帕累托最优解。理论很优雅，不用人工调参，但计算开销大，结果可能不符合业务直觉。比如说，它可能为了整体最优大幅压低CTR权重，业务方接受不了。所以这类方法适合目标冲突严重、研发资源充足、且能容忍黑盒的团队。

说白了，没有银弹。落地时往往是线性加权加轻量动态化的折中。举个例子，在B站场景，UP主生态是命根子，CVR权重就不能太高，不然全是带货内容用户就跑了。年轻用户还看重互动率，所以权重设计得反映社区属性。品牌广告和效果广告也得分开设权重模板，不能全局统一。

这里有个坑，就是动态权重一定要设上下界，防止极端值。我之前见过一个案例，某个时段特征异常导致CVR权重飙到0.9，结果所有广告都推高转化商品，用户体验直接崩了。所以上线前我会先离线模拟不同权重下的帕累托前沿，看收益和风险；然后小流量AB，监控7日留存这类长期指标，不能只看短期CTR。

还有一个延伸点，就是当目标数超过三个时，线性加权和动态权重都很难调，这时候可以考虑用 MMOE 这类多目标模型，让网络自己学底层的共享表达和门控权重，但前提是样本量足够大，不然容易过拟合。

所以我的倾向是，先明确业务主目标和红线，再用线性加权作为基线，逐步引入轻量动态化，最后用离线加在线验证兜底。纯自动优化我一般不敢直接上，太容易跑偏。