ESP：把多目标推荐的权衡移到服务时

全文依据：https://arxiv.org/html/2609.30601v1 。生产结果来自 LinkedIn 职位匹配，迁移到社区搜索的建议是业务分析，不能视为该场景已经验证的结论。

1. 问题与动机

双塔召回通常把用户和内容各压成一个向量，训练时用若干损失同时约束相关性、互动和收入。论文指出两个具体瓶颈：相互冲突的目标争用有限输出容量；训练结束后，单一向量没有独立目标分数，无法在服务时改变业务取舍。修改损失权重通常需要重新训练，梯度冲突处理也不能直接创造可分离的在线控制接口。

作者在 0.6B 模型的公开实验中发现，单头模型提高实体目标训练权重后，实体召回达到 1.000，但语义 nDCG@10 从 0.924 降至 0.823。LinkedIn 的生产离线对照中，强调收入的共享向量模型较互动优先基线损失 28.24% 的批内召回与 21.19% 的离线 KNN 召回。这些证据指向多目标表示与服务接口，而不仅是优化器调参。

因此 ESP 将向量拆成任务子空间，每个子空间学习一种监督，在服务时把各自相似度加权。核心问题是推荐多目标建模，虽然第一阶段召回和向量检索也是实现的一部分。对于同时看重搜索 nDCG、CTR 与内容质量的 UGC 社区，它提供了一种可以随产品优先级调节的模型接口。

2. 方法详解

完整表示由若干子向量拼接而成，每个子向量单独 L2 归一化。查询和文档的分数是各子空间点积乘服务权重后求和；权重施加在请求侧，所以文档索引保持不变。训练权重 α 与服务权重 w 是两套参数：前者控制各监督损失的贡献，后者决定在线取舍。各目标可使用不同损失，排名目标用 InfoNCE，收入预测用 MSE，适配性分类用 BCE。

Transformer 版本用原生 EOS 划分属性段和语义段，不扩充词表。属性放在正文之前，使因果注意力下第一个 EOS 自然只读取属性。更严格的隔离使用分段因果掩码，每个 EOS 只能访问本段；每段位置 ID 从零重新开始，避免 RoPE 将同样属性在不同位置编码成不一致表征。最后提取各段 EOS 隐状态，按分配维度截断并归一化。无属性的请求退化为普通语义检索。完整自定义四维掩码采用 SDPA，作者建议预训练评估先用简单因果版本，微调时再加入掩码与位置重置。

DNN 版本在共享主干后接任务专属投影头。LinkedIn 的版本含互动、收入和适配性三个子空间。互动数据来自三十天的 1.35 亿点击、1200 万申请、300 万保存，InfoNCE 温度为 0.01。收入软标签来自高精度二层排序器的反事实蒸馏，CPC 场景估计点击概率乘出价；适配性由基于 2.5 万人工标注微调的 LLM 提供软标签，再阈值化用于 BCE。

服务必须能够计算可变权重的精确拼接向量点积。ESP 采用 GPU 穷举 KNN 扫描一份索引，避免多头各建 ANN 索引再合并。论文认为 IVFPQ 的聚类与残差量化依赖固定统一几何，不能直接支持这里的独立子空间动态重加权。单份索引也不意味着存储免费：要确认最终维度预算、类型与目录规模。

公开训练对照采用 0.6B 编码器、一轮训练和约 3.9 万文档的全量排序，评估查询 1359 个。原文对比显示两目标输出方向隔离，但共享主干仍承受多个损失的梯度，不能声称完全消除网络内部任务干扰。文章没有提供可据此统一复现全部实验的优化器、学习率和 batch size 配方，本解读不补写。延迟实验使用 H200，生产 DNN 是不同推理栈，二者应分开看。

3. 核心技术贡献

第一项贡献是把多目标冲突从训练损失推进到输出结构分析。论文用各目标有效子空间的主角度讨论容量需求，并以排序 Kendall 相关系数作为可计算的冲突代理。公开任务的 τ 为 0.34，代理冲突为 0.66；在 1024 维、两个目标的对称近似下，作者估算有效秩上限约 616。这个代理不等同精确几何距离，理论假设也不应被解释为所有数据与网络上的无条件证明。

第二项贡献是给多目标向量建立明确服务接口。ESP 的三个加权运行点只需一个训练模型，权重变化不再要求改训练目标。结构隔离同时保护不同目标输出，语义 nDCG 在实体权重 0.3—0.8 范围约为 0.899—0.900，而共享模型随实体强调下降。这不是任何权重都无代价：纯实体极端下语义 nDCG 仍降到 0.583。

第三项贡献是结合模型与系统进行设计。传统多头召回需独立索引与候选合并，ESP 用拼接索引和穷举计算保留可调分数。低分辨率辅助目标也能占较少维度：约 780 个实体的匹配在 32 维就达到 100% 实体准确率，只占 1024 维的约 3%。这不表示细粒度语义或复杂质量目标同样只需 32 维，作者将高分辨率多目标作为后续研究重点。

4. 实验结果分析

公开基准从 MS MARCO 提取多词实体，构造含相同实体但回答不同问题的难负例，使实体一致不等同语义相关。样本包含 1993 个独立查询，13951 个训练三元组与 2093 个评估样本；评估覆盖 1359 个独立查询，72% 是实体相同的难负例。每个查询都对约 3.9 万文档排序。

在接近满实体召回时，ESP 的语义 nDCG 比实体权重 5 的单头高 2.5 点，作者报告 p<0.001、bootstrap 95% 区间为增加 1.6—3.5 点。但低实体要求时单头权重 1 的语义得分 0.924 高于所列 ESP 点，因此不能笼统称 ESP 的每项指标都胜过每个基线。价值在于保留目标权衡和同一模型的在线可调性。

架构消融显示，属性在前的因果隔离使同实体余弦约 0.97；加入分段掩码把实体判别从 92.8% 提高到 100%。位置重置将受位置偏差影响的相似度从约 0.50 恢复到 0.73—1.0。在三目标示例中加入长度偏好后，语义 nDCG 从 0.861 降至 0.843，实体召回从 0.985 降至 0.957，长度匹配从 0.858 增到 0.912。这说明分离可以把代价变得可测，并未消灭实际业务取舍。

线上各运行点来自同一模型，作者报告 p<0.05。生产选择收入权重 0.3，放量后的分析显示不匹配率下降 8.95%；这不是七天表格中另一个同步试验指标。第三个适配性子空间离线 AUC 为 0.938，互动与收入维持双目标配置的相近水平。更高收入权重虽然提高收入，却降低申请增量，体现产品权重必须围绕实际优先级选择。

值得额外检查的是预训练模型与训练后模型的评测口径。预训练多头基线没有学习好的任务投影，作者用同一编码器的不同提示模拟任务专门化，再分配召回预算合并。因此预训练结果不能直接代表完整训练的多头系统。论文报告预训练 ESP 的语义与实体指标为零点八四三和零点九三二，接近逐词交互模型的零点八四九和零点九三五，但逐词交互需要存储多个词向量、执行更复杂的交互计算。质量相近与成本不同是这组实验的实际结论。

单目标退化测试使用无实体的固定前缀，在三个检索数据集上相对基线变化不超过零点三个百分点。由于固定属性向量对所有文档贡献相同，它在该条件下不影响排序，因而能解释退化行为。但如果社区实现中缺失属性被填成多个不同占位值，或缺失模式与流量来源相关，这个条件就不成立，需要重新检查分块分数是否引入非目标偏置。

维度分配也存在实际约束。论文按有效秩讨论容量比例，但线上团队未必能直接计算海量相关矩阵的分解。更可行的工程步骤是用固定总维度做扫描，在真实业务标签上比较每个子空间的边际收益，然后检查多目标组合结果。实体匹配容易压缩的结果只能作为探索依据，不能在没有实验时把点击目标或文本质量目标压到很少维度。

从生产对照看，极端收入强调的共享模型虽然收入误差较小，却损失互动召回；另一共享校准基线保留召回，但收入均方误差相对基准显著增加。不同列采用的参考基线不相同，所以不能把误差变化与召回变化相加成一个总收益。社区试验也应为每个指标明确分母和参考版本，并同时展示各目标的绝对值与相对变化，防止动态权重调节掩盖某个目标的真实退化。

5. 局限与未来方向

论文讨论明确把 GPU 穷举检索视为基础设施前提。已有 IVFPQ 系统不能因为分数表达仍是点积就假定无缝迁移。Transformer 延迟测量仅在短序列 H200 条件下成立：简单因果版增加不到 0.1%，SDPA 掩码版每文档 19.6ms，相比另一配置 22.4ms；不能推广到生产 DNN、长文档或社区完整端到端链路。

属性提取是独立上游问题，查询与内容须提供同类型属性。论文把它视为自然管线分解，但业务实践中标注误差和字段缺失仍会影响收益。作者列出的未来方向包括多个高分辨率目标的冲突基准、子空间得分校准、更大目标数量、共享主干梯度改善、维度分配界限收紧以及兼容 FlashAttention 的掩码实现。当前实体加语义的公开任务不能覆盖 CTR、内容多样性与长期满意度的所有关系。生产七天结果也没有证明较长周期的用户福利或广告生态效果。

6. 工业实践意义

社区搜索默认指标是 nDCG 与 CTR，可从相关性和点击监督两个子空间开始，保留各自分数，再离线扫服务权重，检验是否能在不重训的条件下移动有效运行点。若社区质量标签可靠，第三个子空间可以研究内容适配，但不要把 LinkedIn 的职位适配定义直接套到帖子质量。

最先需要核对的是服务能力，而非增加投影头：索引是否支持请求侧分块加权，是否可用 GPU 穷举，文档表征能否在固定维度预算内放下，各分块分数是否在不同用户群和内容类目上可比较。辅助标签可通过已有排序器蒸馏，但需验证反事实标签与采样方式，避免收入分支只是复制曝光偏差。服务权重应有版本、回滚和分群监控，否则“可调”容易成为未验证的频繁产品改动。

对于现有 ANN 为核心的社区系统，可以先在较小候选集合上进行精确打分试验，把输出结构的收益与全量检索迁移拆开测量；这是应用建议，论文没有证明这种分阶段方案保留全部召回收益。最终 A/B 应同时报告 CTR、nDCG 对应相关性审计、内容质量与负反馈，并记录延迟、吞吐、显存和索引更新成本。ESP 最值得借鉴的是给业务取舍保留独立、可校准的分数接口，让相关性约束在模型部署之后仍然可控。