多任务推荐里普遍存在一个行业痛点，转化漏斗越靠后的付费、下单等高价值任务，训练信号反而越弱，这就是论文里提到的信号侵蚀问题，这篇 CIKM'26 录用论文提出 PTDG 个性化任务依赖图方案，不再使用固定不变的任务传递链路，给每一条商品样本单独生成动态依赖拓扑，给深层高价值任务搭建信息捷径，有效缓解逐层信号衰减，在稀疏转化任务上 AUC 最高提升 1.45%，线上 A/B 测试让转化率提升 1.2%、千次曝光收益提升 1.9%，很好解决了越值钱的任务训练效果越差的现实难题。
一、信号侵蚀问题形成原因清单
- 固定漏斗链路：传统多任务模型采用点击→加购→下单的固定链式传递，信息逐层向后传导，每一层都会产生信号损耗。
- 任务稀疏度差异：浅层点击任务样本充足信号饱满，深层付费任务样本极少，经过多层衰减后可用训练信号被严重削弱。
- 全局统一权重：所有商品共用同一套任务依赖强度，无法适配不同商品的转化路径差异，进一步放大信号流失。
- 梯度冲突：高低密度任务共享网络参数，稀疏任务的梯度容易被稠密任务覆盖，高价值目标得不到充分优化。
二、PTDG 个性化依赖图三大核心创新
1. 实例级动态任务拓扑
不再写死任务依赖关系，针对每一个商品条目，用低秩近似动态学习任务之间的依赖强弱，只保留合理因果约束（点击在前、付费在后），打破全局统一链路。
2. 带因果掩码的 GCN 信息传播
在图卷积网络里增加硬因果掩码，严格保证任务先后顺序，同时给深层稀疏任务开辟自适应信息捷径，跳过部分冗余层级，减少信号逐层衰减。
3. 自适应渐进掩码 APM 优化策略
按照任务稀疏程度对共享参数做解耦处理，稀疏高价值任务独享部分网络参数，避免稠密任务抢占梯度，稳定多任务联合训练过程，降低模型优化难度。
三、模型实验效果对比表
| 测试场景 | 基线模型 | PTDG 模型 | 指标提升幅度 |
|---|---|---|---|
| 工业数据集深层转化任务 | MIT | AUC 提升 1.45% | 效果最优 |
| KuaiRand1K 关注稀疏任务 | MMoE | AUC 提升 1.77% | 稀疏任务增益明显 |
| 线上业务 A/B 实验 | 线上现有多任务模型 | CVR 提升 1.2%，eCPM 提升 1.9% | 线上收益正向增长 |
四、落地部署操作步骤
- 梳理业务转化链路，划分浅层稠密任务与深层高价值稀疏任务，划定因果先后顺序。
- 搭建 PTDG 基础框架，开启实例级拓扑学习，为每条样本生成专属任务依赖图。
- 配置 GCN 因果掩码，给付费、下单等深层任务开通信息传递捷径，阻断不合理跨层连接。
- 接入 APM 渐进掩码，对稀疏任务做参数隔离，缓解多任务梯度冲突。
- 在离线数据集完成 AUC 验证，再启动线上小流量灰度测试，逐步放大流量完成全量上线。
五、小结
信号侵蚀是多任务推荐体系下高价值转化任务效果不佳的核心根源，固定链式结构带来持续的信号衰减。CIKM'26 提出的 PTDG 个性化依赖图，把全局静态任务链路改成单样本动态拓扑，搭配因果传播与参数解耦方案，直接降低深层任务的信号损耗，既能保证浅层任务性能不下降，又能大幅提升付费等高价值稀疏任务的预测精度，具备很强的工业落地价值。
【常见问题】
问题 1：CIKM'26 的 PTDG 个性化依赖图，能不能彻底解决多任务推荐里的信号侵蚀？
回答 1：CIKM'26 论文里的 PTDG 个性化依赖图可以大幅缓解多任务推荐的信号侵蚀，通过动态拓扑与跨层信息捷径减少信号逐层衰减，但无法完全消除数据稀疏带来的固有噪声，只能把深层高价值任务的信号衰减控制在合理范围。
问题 2：信号侵蚀为什么会造成越值钱的任务训练信号越弱？
回答 2：多任务推荐采用漏斗式逐层传递，浅层点击任务信号充足，信息一层层向后传递会持续损耗；付费等高价值任务处在漏斗最底端，经过多层衰减后，原本就稀少的样本信号被进一步削弱，最终出现越值钱的任务信号越弱的信号侵蚀现象。
问题 3：PTDG 个性化依赖图相比 MMoE、PMTRec 这类传统多任务模型优势在哪？
回答 3：MMoE、PMTRec 只优化任务权重分配，依然使用固定任务链路，无法解决逐层信号衰减；CIKM'26 的 PTDG 个性化依赖图直接改造任务传递拓扑，给每个商品单独生成依赖关系，还能给深层任务搭建信息捷径，在稀疏转化任务上的指标提升远高于传统方案。
问题 4：PTDG 个性化依赖图的因果掩码，会不会破坏推荐任务本身的因果逻辑？
回答 4：PTDG 个性化依赖图里的硬因果掩码会严格保留点击→转化的先后约束，只优化任务之间的传递强度，不会颠倒任务顺序，在保证因果关系合规的前提下搭建跨层捷径，不会违背业务转化逻辑。
【参考资料】
[2026-11-11]（越值钱的任务，信号反而越弱！个性化依赖图破解多任务推荐的 “信号侵蚀”｜CIKM'26）新浪财经
[2026-11-11]（越值钱的任务，信号反而越弱！个性化依赖图破解多任务推荐的 “信号侵蚀”｜CIKM'26）手机搜狐网
[2026-09-04]（Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation）arXiv
[2026-08-25]（CIKM 2026 录用论文介绍）认知计算与智能信息处理实验室
【免责声明】
本文内容基于 CIKM'26 录用论文公开内容与公开行业资讯整理，模型指标、优化效果以论文原始实验数据为准；PTDG 个性化依赖图的线上落地效果受业务数据集、链路配置影响，本文内容不构成工程落地实施方案。