在推荐排序的双目标场景中，需要同时预测点击率(CTR)与转化率(CVR)。用一个共享的线性权重向量 w 提取通用特征，同时为两个任务各配置一个偏置 b_ctr、b_cvr。给定特征矩阵 X 与标签矩阵 Y（每行形如[ctr, cvr]），从全零参数出发，按批量梯度下降迭代 N 次，学习率为 lr。训练完成后，用最终参数重新计算一次联合损失： · 预测：y_hat_ctr = X·w + b_ctr，y_hat_cvr = X·w + b_cvr · MSE_ctr 与 MSE_cvr 为对应任务的均方误差 · 联合损失：Loss = MSE_ctr + alpha × MSE_cvr · 输出：将 Loss×10^10 按“四舍五入（Half Up）”取整为整数
输入格式 · 第1行：特征矩阵，形如“a,b;c,d;...”表示按行给出 · 第2行：标签矩阵，每行两个数“ctr,cvr”，整体同样用分号分行 · 第3行：迭代次数 N（可为 0） · 第4行：学习率 lr（浮点数） · 第5行：权重系数 alpha（浮点数）
· 一行，打印整数 round_half_up(Loss×10^10)
1,2;3,4 0.1,0.2;0.3,0.4 0 0.01 0.5
1000000000
考点：模拟
限制 1 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
批量梯度下降 N 次（从全零参数出发）后，用最终参数重算 y_hat = X·w + b，求两任务 MSE 的加权和，最后按 Half-Up 取整输出 Loss×10¹⁰。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1：输入 1,2;3,4 / 0.1,0.2;0.3,0.4 / 0 / 0.01 / 0.5 → 输出 1000000000
N=0 时不训练，预测恒为 0
MSE_ctr=((0-0.1)^2+(0-0.3)^2)/2=0.05
MSE_cvr=((0-0.2)^2+(0-0.4)^2)/2=0.10
Loss=0.05+0.5×0.10=0.10，Loss×1e10=1,000,000,000，四舍五入为 1000000000
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2025年秋招-华为-11月05号AI岗。