1. Abstract

针对传统CVR模型中存在的两个问题：

1. sample selection bias：CVR模型在点击数据上训练，在全量数据上推理，两数据集间存在协变量偏移
2. data sparsity：点击数据相对全量数据数据量较少，CVR模型embedding层得不到充分训练

提出多任务学习模型ESMM，根据CTR、CTCVR、CVR如下关系式进行建模：

其中分别表示数据、点击、转化，网络结构如下：

2. Entire Space Multi-Task Model

ESMM通过引入两个子任务CTR、CTCVR，根据上述提到关系式即可得到CVR：

在具体建模过程中，进行如下工程优化：

• 考虑到实际CTR往往很小，通过上式CTR作为分母求CVR时容易导致CTR不稳定，甚至超过1，故使用乘法形式代替除法形式，能够保证CTR值域位于[0,1]；
• CVR与CTR模型共享embedding，使embedding得到更充分训练

  3. Experiments

  损失函数由CTR和CTCVR两部分组成：

实验对比如下：