淘内直播这篇文章把几种常见的多目标（mtl mmoe ple 这几种是默认每种目标之间没有关系 所以共同share一个底层数据、essm gmsl 贝叶斯mtl 与前面相反 把几种目标之间按照序串联起来 以此建模）写的很清楚
重点1：在shared MLP layer层还是共享，然后每个目标有自己的specific MLP layer。这种通过人工指定哪些要共享的方式称为hard parameter sharing layer
重点1：mmoe通过定义多个专家网络（里面一般由多个mlp层），再通过门控实现对不同目标间的权重学习，这种成为soft parameter sharing
腾讯ple
重点1：MMoE是所有的专家组都是共享的，它没有每个目标自己的一个专家组网络，所以又提出了在每个目标都有一个Specific的Expert的优化方案
重点1：通过引入pCTCVR=pCVR*pCTR的目标，对于cvr问题来说（点击+转化样本）解决了样本选择偏差问题（因为引入了ctr的曝光样本）
重点1：lazada提出来的GMSL网络在shared layer后面，为不同目标接了几个网络（这个很像mtl），然后每个目标的输出值再一起组成一个gru网络，每个node都对应一个有序的目标，最后一个node的输出值就可以是最后一个目标的预测值
重点1：最上层的多目标刻画 P(t1,t2,t3|x,H)=P(t3|t1,t2,x,H)*P(t2|t1,x,H)*P(t1,x,H) x代表特征
重点2：loss刻画 -L(x,H)=w1*log(P(t3|t1,t2,x,H))+w2*log(P(t2|t1,x,H))+w3*log(P(t1|x,H))