推荐系统的应用场景非常广泛，比如非常火爆的短视频推荐、电商平台商品推荐、搜索推荐等。但是你知道吗？短视频APP在向你展示一个你感兴趣的视频之前，通常既要预测你对这个视频是否感兴趣，又要预测你会看多久，点赞还是不点赞，会不会偷偷收藏起来下次接着看。只有在多个维度都得到正向反馈时，短视频APP才会将这个视频推送到您的手机上。但是问题又来了，有这么多个想要预测的信息维度，如果将每种指标都看做一个任务，每个任务都搞一个模型来学，那花费的线上资源将是非常昂贵的。这个时候，多任务模型就应运而生，一个模型多任务学习即可全搞定。
本次产业实践范例介绍如何使用飞桨大规模推荐算法库PaddleRec ，以短视频推荐场景为例，提供多任务技术的推荐应用解决方案。此项技术也可以在商品推荐、信息流推荐、搜索等场景应用，至此，我们已经完成了20+公司内项目的落地。我们提供了从数据准备、模型训练及优化的全流程可复用方案，降低产业落地门槛。
⭐GET项目链接⭐
PaddleRec/application/multitask_on_video at master · PaddlePaddle/PaddleRec · GitHub
所有源码及教程均已开源，欢迎大家使用，star鼓励~
我们在本次范例中应用多任务学习(multitask)。多任务学习定义有很多种，我们认为比较直观的理解是和单任务学习相对的一种机器学习方法。以短视频推荐为例介绍单任务和多任务的区别。短视频推荐中，常见的多个任务包括完播率、是否点赞、是否收藏等。
单任务学习：忽略任务之间可能存在的关系分别学习每个任务；
多任务学习：看重任务之间的联系，通过联合学习，同时对多个任务学习和优化，既考虑到了任务之间的差别，又考虑到任务之间的联系，这也是多任务学习最重要的思想之一。
推荐系统的设计，往往是从简单到复杂的过程，综合精度和性能考虑，最常见的路径是线性模型/LR、双塔模型(user/item)、DNN全连接、多个目标的联合学习 / 更复杂的特征学习(wide&deep, deepfm等)。我们在为短视频推荐任务选取模型的时候，历史上的升级路线是从最基础的share-bottom开始逐步升级为专家门控算法 mmoe和 ple，一步步优化，让模型给我们找出最符合口味的短视频。
经过如上三轮运算，我们使用同一个短视频数据集（很重要，可比较）训练了三个模型。并对短视频的点赞率和完播率进行了预测。得到的结果如下表所示：
推荐的业务场景很丰富，我们提供了以下优化思路：
如何确定超参，如expert数和专家模型的实现方案？
实际的expert模型和gate模型都不是固定的，最常见的就是多层FC网络组成的mlp，具体实现可以参考PaddleRec/MMoE。在我们的实践中，当gate网络由一层fc升级为多层fc（gate网络参数增大，expert网络参数减少）时效果有明显提升。
CGC还是ple，和mmoe对比效果怎么样？
实践中单层CGC在相同参数规模下效果普遍要优于mmoe，我们的实践中多层的ple只有在个别场景下会好于CGC，所以很多情况下我们就直接采用CGC升级mmoe。
新加子任务时的热启解决方案？
实践中经常会遇到需要增加任务或者修改模型的情况。实践中尝试过如下解决方案：
完全冷启训练。这种适用于收敛较快，模型改动特别大的场景，尤其是对于sparse部分的修改。
只热启sparse部分(embedding)。这是最常见的方式，直接热启线上训练好的sparse表可以快速收敛，稳定性也更好。
热启sparse部分和部分dense模型。从之前的专家模型参数开始重新收敛并不一定比完全冷启expert专家模型效果更好，有可能会出现局部收敛陷阱，这个需要具体场景下的多组实验对比。
我们提供了以下三步的部署流程。
STEP 1：使用save_inference_model接口保存模型
在服务器端使用python部署需要先使用save_inference_model接口保存模型。
STEP 2：动转静导出模型
若您使用动态图训练完成,希望将保存下来的模型转化为静态图inference，那么可以参考我们提供的to_static.py脚本。
STEP 3：使用推理库预测
PaddleRec提供tools/paddle_infer.py脚本，供您方便的使用inference预测库高效的对模型进行预测。
飞桨也提供了完整的项目使用说明、开发文档、数据和代码，可以参考以下范例教程快速学习：
范例教程链接
