小红书精读：Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation

多任务推荐信号衰减，华为用图重连

各位算法同学们，多任务推荐里有个反直觉的现象：转化链路拉得越长、层级越深，深漏斗任务的信号反而被前面几层磨得越弱。华为这篇 CIKM’26 的工作就是冲着这个“信号侵蚀”去的，思路是把固定的转化漏斗换成一张每个物品都能自己重连的依赖图。

📄 Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation

🔧 不再假设所有样本共用一套依赖强度。物品侧用低秩分解 Z_L·Z_R 生成邻接矩阵，参数量只有 O(T×q)，再拿 user 和 scenario 特征生成一个 bias 去调制，得到实例级的动态图。

🧩 硬因果掩码加 GCN 传播。Click→Pay 这种物理顺序不能破，但中间冗余节点可以被“短路”，靠自适应捷径绕开逐层传递带来的累积衰减。

⚙️ APM 自适应渐进掩码。按每个任务的标签正例率决定 mask 比例，稀疏任务保留更多独占参数，密集任务多共享，再配 warm-up；用结构方式解梯度冲突，而不是在 loss 上做加权博弈。

📊 KuaiRand1K 上 6 个任务平均 AUC 0.9081，MMoE 是 0.8949；稀疏转化任务最高提升 1.45%。

📈 工业数据集 7 个任务平均 AUC 从 PMTR 的 0.8818 提到 0.8878，最难的那个任务从 0.8745 到 0.8872。

✅ 线上 A/B：CVR +1.2%，eCPM +1.9%，密集任务（比如 Task 4）基本持平没掉点。

总结：如果你的场景里任务正例率横跨好几个数量级、深漏斗任务一直被上游稀释，这套东西可以拿来试，重点盯深漏斗任务的 AUC 和线上 eCPM 是否同向。坑在于因果掩码的拓扑得按自己业务定，任务间本来就弱相关的场景收益会明显缩水；论文只有 5 页，低秩的秩数 q 和 mask 上下限怎么调，得自己补实验。

原文：AlphaXiv