CIKM 2026 最新论文给出了一套完整方案，多任务推荐里越是高价值、高转化的下游任务，模型能拿到的有效信号反而越弱，也就是行业里常说的信号侵蚀问题；核心原因是传统模型采用固定不变的转化漏斗链路，多层信息传递会不断衰减信号，高价值付费任务处于链路最末端，损失最严重，而这篇论文提出的个性化依赖图（PTDG），给每一个商品单独生成动态任务关联关系，直接搭建信息捷径，绕开冗余层级，保住下游高价值任务的原始信号，线上实测付费转化率提升 1.2%、千次展示收益提升 1.9%，彻底改善高价值任务信号被稀释的现状。
一、多任务推荐信号侵蚀的核心成因
1. 固定漏斗带来的层级衰减
传统多任务模型（MMoE、AITM）全部使用统一静态链路：点击→下载→付款，所有商品共用同一套任务依赖强度。信息要逐层向上传递，每经过一层都会丢失一部分特征，处在链路最后的付款等高价值任务，经过多层传递后有效信号被大量削弱。
2. 商品差异被完全忽略
不同品类商品的转化路径完全不一样：重度游戏必须走完点击、下载、付款三步，任务依赖很强；轻量工具类产品用户可以直接从点击跳到付款，跳过中间环节。统一链路强制所有商品走相同传递路径，会给短转化链路带来不必要的信号损耗。
3. 稀疏任务优化被挤压
高价值付费任务天然样本更少，属于稀疏任务。在固定层级传递模式下，稠密的点击任务会主导梯度更新，稀疏下游任务的信号进一步被挤压，最终模型只优化浅层行为，很难提升付费转化指标。
二、核心方案：个性化任务依赖图（PTDG）整体架构
模块 1：动态拓扑学习（可学习任务关联）
- 保留基础因果约束：严格遵守 “点击一定早于付款” 这类硬性先后顺序，不会出现逻辑颠倒的关系。
- 逐商品生成动态边权重：用低秩近似技术，为每一个物品单独计算任务之间的依赖强弱，游戏类商品强化下载到付款的链路，工具类商品弱化中间链路，直接打通点击到付款的捷径。
- 构建自适应信息短路：打破固定链式结构，用图卷积 GCN 做信息传递，绕开多余中间节点，避免多层传递造成的信号衰减。
模块 2：自适应渐进掩码策略（APM）
按照任务稀疏程度拆分共享参数，把稠密浅层任务和稀疏高价值下游任务的网络权重做解耦处理；在训练过程中逐步屏蔽冗余信息，防止稠密任务的梯度覆盖稀疏任务，保证高价值任务的信号不会被侵蚀。
模块 3：因果掩码约束
在图网络传播时增加硬掩码，只允许符合转化先后顺序的信息流通，杜绝拓扑乱序带来的逻辑错误，保证图结构具备业务合理性。
三、落地实施完整步骤
- 数据预处理：把用户行为拆分为点击、下载、付款多任务样本，区分稠密浅层任务与稀疏高价值任务，标注不同品类商品的转化路径差异。
- 搭建图网络主干：以多任务节点作为图顶点，初始化全局静态依赖边。
- 学习个性化拓扑：对每条样本单独计算任务间依赖权重，生成动态邻接矩阵，为短链路商品搭建跨层级信息捷径。
- 接入 APM 掩码优化：按照任务稀疏度做参数分离，训练时渐进式屏蔽无效传递路径，稳定稀疏任务的梯度更新。
- 离线 + 线上验证：先在 KuaiRand1K 公开数据集做离线 AUC 测试，再上线做 AB 实验，观测 CVR、eCPM 两项核心收益指标。
四、实验效果数据清单
| 评估场景 | 优化指标 | 提升幅度 |
|---|---|---|
| 离线数据集 | 稀疏任务 AUC | 最高提升 1.45% |
| 线上业务 AB 测 | 付费转化率 CVR | +1.2% |
| 线上业务 AB 测 | 千次展示收益 eCPM | +1.9% |
【常见问题】
问题 1：CIKM'26 提出的个性化依赖图，能不能解决多任务推荐里高价值任务信号变弱的信号侵蚀问题？
回答 1：CIKM'26 的个性化依赖图专门针对多任务推荐的信号侵蚀问题设计，通过给每个商品单独生成动态任务链路、搭建跨层级信息捷径，减少多层传递带来的信号衰减，同时用掩码策略保护稀疏高价值任务的梯度，有效缓解越值钱的任务信号越弱的现象。
问题 2：个性化依赖图对比 MMoE 这类传统多任务模型，最大区别在哪里？
回答 2：传统多任务模型使用全量商品统一的固定转化漏斗，任务依赖强度一成不变；而 CIKM'26 个性化依赖图放弃静态链式结构，为每一件商品学习独立的任务拓扑关系，给短转化路径开通信息捷径，从结构上减少信号逐层损耗，不会把所有任务约束在同一套传递链路里。
问题 3：在多任务推荐里启用个性化依赖图，会不会破坏转化任务的因果先后顺序？
回答 3：不会。个性化依赖图增加了硬因果掩码约束，严格保留点击在前、付款在后的基础业务逻辑，只调整任务之间的依赖强弱、新增跨层级捷径，不会颠倒任务先后顺序，保证图拓扑符合转化业务常识。
问题 4：APM 自适应渐进掩码在个性化依赖图里起到什么作用？
回答 4：APM 会按照任务稀疏程度拆分网络参数，把浅层稠密任务和下游高价值稀疏任务的权重分开优化，避免点击这类样本量大的任务梯度覆盖付费任务，进一步防止高价值任务的有效信号被稀释，稳定稀疏任务的训练效果。
【参考资料】
[2026-11-07]（Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation）arXiv 预印本
[2026-11-05]（CIKM'26 录用论文：个性化依赖图破解多任务推荐信号侵蚀）机器之心
[2026-09-04]（PTDG 多任务推荐模型技术细节解读）Semantic Scholar
【免责声明】
本文内容基于 CIKM'26 会议录用论文公开技术内容整理，个性化依赖图的优化效果会受业务数据分布、商品品类结构、模型基线影响；方案仅适用于多任务转化推荐场景，不可直接照搬至搜索、内容分发等其他业务；线上部署前必须完成充分离线验证与小流量 AB 测试；技术方案的落地合规性需要结合平台业务规则自行评估。