目前,短视频成为了互联网内容传播最主流的方式之一,随着其市场的逐渐成熟及竞争格局的逐渐稳定,用户的增长速度变得缓慢,用户的红利期也渐渐消退,短视频市场的竞争焦点也逐渐由增量市场转向存量市场。如何提高现有用户的活跃度、深入挖掘每个用户的价值是当前各个短视频平台十分重视的方向。因此,围绕多任务学习模型提升短视频中用户行为预测性能对各短视频平台探索更多元化和更深层次的商业变现模式具有重要意义。本文基于多任务学习模型对提升短视频中用户行为预测性能进行了研究,所做的工作包括以下几个方面:首先,本文提出了基于梯度加权的自适应优化算法GWDC（Adam with weighted gradient and dynamic bound of learning rate）和AMSGWDC（AMSGrad with weighted gradient and dynamic bound of learning rate）,并给出了收敛性证明。通过在梯度的一阶矩估计中引入动态衰减率,使得在梯度的一阶矩估计中,将更多的记忆集中在最近的梯度上,从而有效的动态约束梯度的一阶矩估计中各个分量的占比。为了验证所提算法的有效性,本文选取了三个经典的公开数据集,将其应用到五种不同复杂度的网络结构中进行了实验,实验结果表明本文所提的两个基于梯度加权的自适应优化算法不仅具有更好的泛化性能而且具有更快的收敛速度。其次,本文还提出了一种基于注意力机制的特征表达方法。该方法通过对输入特征进行维度层面的变换从而训练一组权重,将该组权重与特征原始的表达做点积,得到特征的新的表达。为了验证所提方法的有效性,本文基于某短视频平台提供的数据进行了实验,建立了两个二分类模型,一个是预测用户是否观看完某视频,另一个是预测用户是否对某视频点赞。实验结果表明,本文提出的方法在这两个预测任务中均有助于评估指标的提升。最后,为了提升多任务模型 MMoE（Multi-gate Mixture-of-Experts）在短视频中对用户的行为预测性能,本文重新设计了 MMoE模型的网络结构,将基于注意力机制的特征表达方法封装为一个子层,作为MMoE模型的一个模块。并以本文提出的基于梯度加权的自适应优化算法GWDC作为优化器,通过在某短视频数据集上构建多任务学习模型,来研究短视频中用户的行为。实验结果表明,本文提出的方法可以提升MMoE模型在短视频中对用户的行为预测性能,从而提升短视频平台的用户粘性,为短视频平台挖掘用户价值、探索深层次的商业变现模式提供强有力的支撑。