Este artículo presenta MOHPER, un marco de optimización de hiperparámetros multiobjetivo para sistemas de búsqueda de comercio electrónico. Su objetivo es superar las limitaciones de los enfoques actuales centrados en la tasa de clics (CTR) y optimizar los resultados de búsqueda considerando tanto la interacción del usuario como las tasas de conversión. MOHPER aprovecha la optimización bayesiana y el muestreo para optimizar conjuntamente la CTR, la CTCVR (tasa de conversión de clics) y otros objetivos relacionados. Además, propone métodos avanzados, como una estrategia de votación de metaconfiguraciones y el aprendizaje acumulativo, para seleccionar las configuraciones óptimas en la optimización multiobjetivo, mejorando así la velocidad y la eficiencia del aprendizaje. Implementado en un entorno real, se demuestra la eficacia de este marco de optimización equilibrado, que satisface tanto los objetivos de satisfacción del usuario como los de ingresos.
