推荐系统很少只优化点击。用户点了不看、看了不买，都会损害长期价值。多目标排序要同时考虑点击率、转化率、停留时长和满意度等指标，找到合理平衡。
常见做法是加权融合：把多个预估分数按权重相加得到最终排序分。权重反映业务优先级，但手工调权费时且难以适应变化。也可以用品性排序模型直接学习多目标。
多目标之间存在冲突。标题党能提升点击但降低满意度，激进促销能提升转化但伤害复购。要识别指标间的负相关，设置护栏指标，防止优化一个目标时损坏另一个。
融合方式影响结果。线性加权简单可控，但假设目标可替代；乘性融合或帕累托前沿方法能更好处理非线性权衡。选择时要结合业务场景和数据特性。
评估多目标效果不能只看单一指标。要观察各目标的联合变化，用长期指标和用户反馈验证。线上实验周期要足够长，避免短期波动误导权重调整。
