论文阅读：Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate

这是一篇用多任务模型预测CVR的文章。
主要解决两个问题：
1、样本偏差（SSB）
2、数据稀疏（DS）

一、背景

之前的解决方法：
1、 建立不同特征的的分层估计，并结合逻辑回归模型视图解决数据稀疏问题；但是，依赖于先验知识来构建层次结构，这在数千万用户和项目的推荐系统中很难应用。

2、过采样方法：过采样方法复制了很少罕见样本，有助于减轻数据的稀疏性，但对采样率敏感。

3、AMAN：采用随机抽样策略选择未点击的曝光作为负样本。它可以通过引入未观测到的例子在一定程度上消除SSB问题，但结果会低估CVR的预测。

4、无偏方法：过拒绝抽样拟合观测数据的真实基础分布，解决了CTR建模中的SSB问题。然而，当采用剔除概率的除法对样本进行加权时，可能会遇到数值不稳定的问题。

二、创新点

ESSM模型的创新点主要是通过多任务学习以及共享Embedding来解决CVR预估的困难性。
从新的角度考虑CVR问题，考虑到了用户行为的顺序模式。

三、模型

公式梳理：
1、PCTCVR的计算方式：

2、公式（1）的转化：

3、损失函数：

因为损失函数里边有θ(cvr)，所以也相当于间接训练了CVR的参数
实验评估指标：
AUC：衡量二分类模型优劣的一种评价指标，越接近1，真实性越高。

四、总结

这篇文章利用多任务模型来预测CVR，解决了样本偏差和数据稀疏问题。对于样本偏差问题，采用共享间接训练CVR的方式解决，使其在全样本空间训练；对于数据稀疏的问题，将CTR的数据与CVR的数据共享，因此数据稀疏问题的得到解决。CTCVR可以通过公式（1）计算得出，进而转化成公式（2）。模型训练方式是，先预估出CTCVR再迂回训练处CVR。