Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting¶

复现级别：核心机制复现。 论文的中心算子在本地真实执行；生产私有数据、大模型权重或专用服务未复刻，论文结果与本地结果严格分开。

论文信息¶

项目	内容
论文链接	arXiv 2608.04455
公司/机构	Twitch
首次公开日期	2026-08-05（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	`twitch-mor`
本地复现代码	`src/auto_research/reproductions/twitch_mor/`

主题：直播多目标排序。 直播观看、互动、关注和付费的反馈延迟不同，且生命周期分群差异明显。论文组合即时/延迟模型、分群目标权重与 MMoE，在共享专家的同时保留目标专属 gate。

flowchart LR
    N0["即时行为"] --> N1
    N1["延迟窗口"] --> N2
    N2["生命周期分群"] --> N3
    N3["MMoE 多任务 gate"] --> N4
    N4["融合排序"]

原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(y_k=\sum_e g_{k,e}(x)f_e(x),\qquad \mathcal L=\sum_k\lambda_k(s)\mathcal L_k\)

线上 DAV +0.09%、高参与用户 capped ARPU +0.56%；MMoE 另带来 DAV +0.08%、新关注 +0.27%，移动 live feed 正向互动 +1.12%。

MovieLens-1M 构造五个即时/延迟目标，比较单目标 DNN 与三专家生命周期 MMoE。

运行：

auto-research reproduce --paper twitch-mor --dataset-dir data --seed 42

稳定指标保存在 metrics/public-seed42.json，不提交 checkpoint。

本地对照口径：基线为去掉论文特有机制、其余数据切分与预算相同的 matched control；实验组为 twitch-mor 核心机制；相对变化见 public-seed42.json；跨论文百分比不适用。