引入

使用机器学习方法对指标做预估，再对预估分数做融合。融合方法：加权和方法给不同指标赋予不同的权重，权重是做A/B test调试得到的。还有更好地融合方法。

多目标模型

排序模型的输入是各种各样的特征，用户特征主要是用户id和用户画像，物品特征包括物品Id、物品画像和作者信息，统计特征包括用户统计特征和物品统计特征：候选物品多少次曝光、点击、点赞等，用户曝光了多少篇笔记、点赞了多少等，场景特征有时间地点。

神经网络输出一个向量，向量再输入到四个神经网络，每个神经网络有二到三个全连接层，最后一个激活函数是sigmoid，四个神经网络分别输出点击率等四个指标，为实数，介于0到1之间。

推荐系统的排序依靠点击率等这四个预估值，可以反映出用户对物品的兴趣。

模型的训练

鼓励预测接近目标，目标Y的值非0即1。

也就是有四个二元分类任务，使用交叉熵损失函数，加权和为总的损失函数，权重是根据经验给定。

困难：负样本过多，远大于正样本

预估值校准：

使用模型得到p_pred，再利用校准公式得到最终的p_true。