这篇论文提出了一种多面分层多任务学习模型（MFH），用于解决多任务学习中大量任务的高效学习问题。具体内容如下：
-
研究背景
- 多任务学习（MTL）：是一种通过任务间的合作学习提高模型泛化能力的学习框架，已应用于多个领域。现有研究多关注少量任务间的“微观”共享学习，对于大量任务的处理缺乏研究，且现有MTL技术在任务数量增加时扩展性不佳。
- 局部过拟合：在推荐系统中，新用户和新物品等数据较少的区域容易出现局部过拟合现象，传统方法难以有效缓解。
-
相关工作
- 多任务学习模型：包括Shared-bottom、CrossStitch Network、Sluice Network等，这些模型多关注小任务组，且常以2个任务为例进行评估。
- 局部过拟合研究：局部过拟合尚未被正式提出，传统方法难以有效解决。
-
MFH模型
- 任务的面（Facet）：任务具有多个正交维度的面，每个面有多个分区，面的组合定义了具体任务，任务间沿面的维度存在相关性。
- 分层MTL（H-MTL）：采用两级树结构，在用户行为面和用户组面分别学习任务关系，并分层共享面的潜在表示。
- 多面分层MTL（MFH）：由多个嵌套的H-MTL树组成，进一步提高了信息共享和合作学习的效率，可扩展到任意数量的正交树，并能定制任务塔和MLP的异构性。
-
实验
- 在工业视频推荐系统上的评估：收集了腾讯短视频APP的用户日志数据集，对不同的MTL模型进行离线和在线评估，结果表明MFH在所有任务和用户组上均显著优于现有模型，尤其在新用户上表现突出，同时缓解了局部过拟合现象。
- 在公共数据集上的评估：使用Ali-CCP数据集进行实验，结果表明MFH显著提高了所有六个任务的AUC。
- 与Biasnet的比较：MTL方法比Biasnet更通用，离线评估结果表明MFH在多数任务上优于Biasnet。
-
结论：提出的MFH模型从宏观角度提高了MTL的效率和可扩展性，在工业和公共数据集上的实验结果表明MFH显著优于现有模型，未来工作将研究在MFH树结构上应用元学习的可能性。