Spotify Podcast：冷启动广告与推广多任务学习¶

Fidelity: 核心机制复现。执行 shared low-rank multi-task representation 和冷物品分桶。

论文信息¶

项目	内容
论文链接	arXiv 2601.02306
公司/机构	Spotify
首次公开日期	2026-01-05（arXiv v1）
原文开源代码	否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter	`podcast-mtl`
本地复现代码	`src/auto_research/reproductions/podcast_mtl/`

原始论文总结¶

背景与主要改动¶

新 podcast 缺少广告点击与播放数据。论文联合训练 ads 和 organic promotions，共享 user/content/context 表征，从数据丰富任务迁移到冷启动任务，并以不平衡处理和梯度平衡抑制 negative transfer。

flowchart LR
  X["用户/内容/上下文"] --> S["Shared representation"]
  S --> A["Ads objective"]
  S --> P["Promotion objective"]
  A --> B["Gradient balance"]
  P --> B
  B --> C["Cold-start scoring"]

原论文关键图¶

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

\[ \mathcal L=\alpha\mathcal L_{\mathrm{ads}}+ (1-\alpha)\mathcal L_{\mathrm{promotion}},\qquad h=W_sx,\quad \hat y_t=W_th. \]

论文离线与线上效果¶

effective cost per stream 最多 -22%，podcast stream rate +18% 至 +24%，冷内容收益更明显。

本地复现¶

本地对照口径：基线是 single-task popularity/content ranker；实验组联合 organic/promotion 两任务，NDCG@10 0.03540→0.02810，相对 -20.63%，本地出现 negative transfer。

该负结果按原样保留，说明代理任务与权重需要继续进 evolve。见 metrics/movielens-seed42.json。

auto-research reproduce --paper podcast-mtl --dataset-dir data --seed 42

复现边界¶

MovieLens 电影与 genre 代理 podcast/ad 特征，没有 Spotify impression、bid 和曝光校准日志。