Badacze opracowali lekką warstwę dekodowania dla autoregresyjnych systemów rekomendacyjnych, która dodaje obsługę wieloobjektywowego generowania list bez potrzeby modyfikacji istniejącego modelu. Problem dotyczy praktycznego tworzenia tzw. slate'ów - uporządkowanych list produktów - które muszą jednocześnie być trafne dla użytkownika i spełniać dodatkowe ograniczenia, takie jak różnorodność, właściwe proporcje kategorii czy kryteria uczciwości.
Istniejące podejścia miały poważne wady: albo polegały na przetwarzaniu końcowym opracowanym dla systemów non-generatywnych (nie uwzględniającym sekwencyjnej natury generowania), albo włączały dodatkowe cele bezpośrednio do trenowania modelu, co jest niepraktyczne w dużych skalach. Nowa metoda formułuje dekodowanie jako online'owy problem optymalizacji z ograniczeniami, gdzie pozycje wybierane są po kolei, a kompromisy między trafialnością i dodatkowymi celami dostosowywane są dynamicznie na podstawie pozostałego marginesu - czyli ile z każdego celu wciąż trzeba spełnić.
Rozwiązanie wykorzystuje stochastyczną aproksymację algorytmu pierwotno-dualnego do balansowania celów podczas generowania. Autorzy dostarczyli teoretyczne gwarancje na naruszenie ograniczeń i stratę, a ich podejście zostało przetestowane w szerokich eksperymentach offline oraz w dużych badaniach online. To ma znaczenie dla systemów rekomendacyjnych w e-commerce i streamingu, gdzie jednocześnie trzeba maksymalizować satysfakcję użytkownika i spełniać biznesowe czy etyczne wymagania.