Empfehlungssysteme müssen die Komplexität der Umgebung widerspiegeln, in der sie eingesetzt werden. Je mehr wir über mögliche Nutzen für den Nutzer wissen, desto mehr Ziele verfolgt das Empfehlungssystem. Hinzu kommen mehrere Stakeholder – Verkäufer, Käufer, Aktionäre – sowie rechtliche und ethische Beschränkungen. Die gleichzeitige Optimierung mehrerer Ziele, die miteinander korreliert oder unkorreliert sein können und unterschiedliche Skalen aufweisen, hat sich bisher als schwierig erwiesen.Wir stellen einen stochastischen Multi-Gradienten-Abstieg-Ansatz für Empfehlungssysteme (MGDRec) vor, um dieses Problem zu lösen. Wir zeigen, dass dieser Ansatz state-of-the-art-Methoden bei traditionellen Zielfunktionenmischungen, wie beispielsweise Umsatz und Recall, übertrifft. Darüber hinaus ermöglicht die Gradientennormalisierung die Kombination grundlegend verschiedener Ziele mit unterschiedlichen Skalen in einem einheitlichen, kohärenten Rahmen. Wir demonstrieren, dass unkorrelierte Ziele, wie der Anteil hochwertiger Produkte, gleichzeitig mit der Genauigkeit verbessert werden können. Durch die Nutzung von Stochastizität vermeiden wir die Fallstricke der Berechnung vollständiger Gradienten und bieten eine klare Anwendbarkeitslandschaft für den Ansatz.