核心要点
推荐常需同时预估多目标（如 CTR、CVR、时长），任务间存在冲突
硬共享底层易产生负迁移，出现「跷跷板」（一个任务涨另一个跌）
MMoE：多个专家网络 + 每个任务独立的门控，对专家做软加权共享
PLE：显式拆分「共享专家」与「任务专属专家」，并分层渐进抽取，进一步缓解冲突
标准回答
问题：推荐精排常要同时优化多个目标（点击 CTR、转化 CVR、停留时长等）。直接 Shared-Bottom 硬共享底层网络时，相关性弱甚至冲突的任务会相互干扰，产生负迁移和跷跷板现象（seesaw）——某任务提升常以另一任务下降为代价。
MMoE（Multi-gate Mixture-of-Experts）：底层放多个并行的专家网络，每个任务有自己独立的门控网络（gate），门控为各专家分配权重，对专家输出做加权组合。不同任务可侧重不同专家，实现「软共享」，比硬共享更灵活地分配共享与差异化能力。
PLE（Progressive Layered Extraction）：MMoE 的所有专家被全部任务共享，仍可能纠缠。PLE 显式区分共享专家与每个任务的专属专家，任务的门控只融合「共享专家 + 自己的专属专家」，并用多层结构渐进地抽取表示。这样共享与专属信息解耦，进一步缓解负迁移与跷跷板。
常见误区
⚠️ 常见踩坑
MMoE 的关键是「每个任务一个独立门控」，不是共用一个门控；若只放一个 gate 就退化成普通 MoE，无法按任务差异化加权，缓解冲突的能力大打折扣。
追问
追问 1：什么是「跷跷板现象」，为何会发生？
多任务联合训练时一个任务指标上升、另一个下降，整体难以同时最优。根因是任务相关性低甚至梯度方向冲突，在硬共享参数上互相拉扯，共享层只能折中。
追问 2：PLE 相比 MMoE 的核心改进是什么？
MMoE 专家被所有任务共享，仍可能相互纠缠。PLE 显式拆出「共享专家」与「任务专属专家」，让专属信息走专属通道，并通过多层渐进抽取逐步分离共享与差异表示，对冲突更强的任务组合改善更明显。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。