真实面经题目 · 原创解析
多场景和多任务有什么区别？
多场景和多任务都属于推荐系统中共享信息、提升泛化的建模范式，但二者解决的问题维度不同：多场景关注流量入口、业务域、用户行为分布或物料分布不同带来的数据分布差异；多任务关注同一批或相关样本上存在多个预测目标，例如点击、收藏、加购、转化、停留时长等。回答时要先用一句话区分场景和任务，再结合共享底座、MMoE、PLE、场景塔、任务塔、负迁移、指标体系说明工程落地。
出现于：阿里巴巴 · 算法
01
60 秒回答模板
我会这样区分：多场景主要是输入分布和业务上下文不同，比如首页推荐、搜索推荐、详情页推荐、活动页推荐，它们可能共享用户、物料和部分模型能力，但流量意图、曝光机制、样本分布、特征重要性不一样；多任务主要是预测目标不同，比如同一推荐链路里同时预测 CTR、CVR、加购率、收藏率、停留时长等。简单说，多场景是在问同一个或相近模型如何适配不同流量域，多任务是在问一个模型如何同时学习多个目标。在建模上，多场景常见做法是共享底层特征表示，再针对不同场景增加 scenario embedding、场景门控、场景塔或场景专属参数，用来处理分布差异；多任务常见做法是 shared-bottom、MMoE、PLE 等结构，通过共享专家和任务塔让不同任务既能共享共性信息，又能保留各自目标的差异。二者也可以组合：一个推荐系统同时覆盖首页、搜索、详情页多个场景，并且每个场景都要预测点击、购买、加购等多个目标，这就是多场景多任务联合建模。
考点 概念边界
主线 推荐系统中的多场景
易错点 把多场景和多任务都笼统说成多个模型一起训练，没有说明场…
02
深入解析
概念边界
多场景和多任务的核心区别在于切分维度不同。多场景按业务流量、入口、域或分布切分，强调样本来自哪里、用户意图是什么、曝光环境是什么；多任务按预测目标或标签切分，强调模型要预测什么。例如首页猜你喜欢、搜索结果页、详情页相关推荐属于不同场景；点击率、转化率、加购率、停留时长属于不同任务。
推荐系统中的多场景
推荐系统里的多场景通常来自不同流量面：首页信息流、搜索后推荐、购物车推荐、详情页相似推荐、频道页推荐等。它们可能共享用户画像、商品画像、历史行为和召回候选，但数据分布差异明显：搜索场景意图强，首页场景更偏探索，详情页场景受当前商品影响更大，活动页可能价格敏感和促销敏感更强。
推荐系统中的多任务
多任务学习关注多个目标之间的联合优化。推荐排序通常不只追求点击，还会考虑转化、成交金额、加购、收藏、长停留、复访、退货风险等。单独优化 CTR 可能带来标题党或低质量点击，单独优化 CVR 又可能牺牲上层点击规模，所以多任务模型通过共享表示学习多个行为目标，再在排序融合或业务目标函数中平衡短期互动和长期价值。
模型结构差异
多场景常用共享底座加场景专属模块，例如 shared embedding、shared bottom、scenario embedding、scenario gate、scenario tower、domain-specific batch norm 等；多任务常用共享底座加任务专属模块，例如 shared-bottom、任务塔、MMoE、PLE、ESMM 等。MMoE 通过多个专家和任务门控缓解任务差异，PLE 进一步把共享专家和任务专属专家分层拆开。
负迁移来源
两者都会遇到负迁移，但原因不同。多场景负迁移通常来自场景分布差异，例如首页用户意图弱、搜索用户意图强，如果强行共享过多参数，模型可能在某些场景表现下降。多任务负迁移通常来自目标冲突，例如点击和转化不完全一致，停留时长和购买也可能不一致。
评估与上线
多场景不能只看整体指标，因为大流量场景可能掩盖小场景退化，需要分场景看 AUC、GAUC、CTR、CVR、GMV、停留时长、用户留存等。多任务也不能只看主任务，需要观察辅助任务是否提升主任务，以及是否造成业务副作用。实际上线时通常需要离线分场景分任务评估，再通过线上实验验证整体收益、分场景收益和长期指标。
03
易错点
- 把多场景和多任务都笼统说成多个模型一起训练，没有说明场景是流量域，任务是预测目标。
- 只举业务例子，不讲建模结构，导致回答停留在概念层，缺少 shared-bottom、MMoE、PLE、场景塔、任务塔等关键内容。
- 认为共享参数一定能提升效果，忽略场景分布差异和任务目标冲突带来的负迁移。
- 只看整体 AUC 或整体 CTR，不做分场景、分任务评估，容易掩盖某个小场景或辅助任务的退化。
- 把多场景等同于多任务，例如把首页和详情页说成两个任务，或者把点击和转化说成两个场景。
04
面试官追问
多场景一定要共用一个模型吗？
不一定。多场景可以完全独立建模，也可以部分共享，还可以统一建模后接场景专属塔。选择取决于场景之间的数据量、分布相似度、维护成本和线上收益。如果场景数据少且相关性强，共享能缓解稀疏；如果分布差异极大，强行共享可能带来负迁移。
多任务为什么不直接训练多个单任务模型？
多个单任务模型更简单，也更容易定位问题，但会增加训练和 serving 成本，并且无法充分利用任务之间的相关性。多任务模型可以共享用户和物料表示，让稀疏任务借助高频任务学习更好的表达，但需要处理 loss 权重、任务冲突和负迁移。
MMoE 和 PLE 分别解决什么问题？
MMoE 用多个专家网络加任务门控，让不同任务选择不同专家组合，比简单 shared-bottom 更能表达任务差异。PLE 进一步区分共享专家和任务专属专家，并通过分层结构逐步抽取共享信息和专属信息，通常更适合任务相关性不完全一致、负迁移更明显的场景。
多场景建模时怎么处理数据分布差异？
可以加入场景 ID 或 scenario embedding，让模型感知当前流量来源；可以设计场景塔或场景门控，保留每个场景的专属表达；也可以做分场景采样、loss 加权、特征归一化和分场景校准。关键是不能只看整体指标，要观察每个场景是否受益。
如果一个系统有多个场景和多个任务，该怎么建模？
常见做法是共享 embedding 和部分底层网络，引入场景表示或场景门控处理流量域差异，再在上层使用 MMoE、PLE 或任务塔预测多个目标。也可以设计场景-任务二维结构，例如每个场景有自己的任务塔，或者共享专家同时被场景门控和任务门控选择。
