Cet article présente MOHPER, un cadre d'optimisation hyperparamétrique multi-objectifs pour les moteurs de recherche e-commerce. Il vise à surmonter les limites des approches actuelles centrées sur le taux de clics (CTR) et à optimiser les résultats de recherche en prenant en compte à la fois l'engagement des utilisateurs et les taux de conversion. MOHPER s'appuie sur l'optimisation et l'échantillonnage bayésiens pour optimiser conjointement le CTR, le CTCVR (taux de clics vers conversion) et d'autres objectifs connexes. De plus, il propose des méthodes avancées, telles qu'une stratégie de vote par méta-configuration et l'apprentissage cumulatif, pour sélectionner les configurations optimales en optimisation multi-objectifs, améliorant ainsi la vitesse et l'efficacité de l'apprentissage. Déployé en situation réelle, l'efficacité de ce cadre d'optimisation équilibré, qui répond à la fois aux objectifs de satisfaction des utilisateurs et de chiffre d'affaires, est démontrée.
