论文阅读之“Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion R...

  论文地址是https://arxiv.org/pdf/1804.07931.pdf。这篇论文主要是针对传统CVR模型遇到的问题提出新的改进。CVR任务中最大的困难就在于数据了，一般来说点击样本集是浏览样本集的一个很小的部分，而转换样本集又是点击样本集中的一个很小的部分，因此CVR任务中一个重要的挑战就是数据稀疏（data sparsity）问题。同时，CVR任务训练时的数据集是点击样本集，但是在预测时却是对所有的浏览样本集中的用户进行预测，这就带来了样本选择偏差（sample selection bias）问题。传统解决SSB问题的方法有下面这些：

1. 对稀疏的正样本进行过采样，这样有助于减轻数据稀疏性，但是对采样率很敏感
2. 采用随机抽样策略来选未点击的浏览样本作为负样本，这样通过引入新的数据来稍微消除SSB，但是会导致a consistently underestimated prediction（我还不太清楚这个怎么理解）
3. 通过拒绝采样拟合真实分布来解决CTR建模中的SSB问题，但是可能会导致数值不稳定

论文中表示之前的方法都没有探索用户顺序行为信息，也就是这个过程中的顺序依赖，对此作者提出Entire Space Multi-task Model。传统方法是建模直接预测，但是ESMM训练了两个模型，一个模型预测（也就是），另一个模型预测（也就是），并将两个预测结果相乘预测（也就是），即ESMM有两个任务，一个是预测，一个是预测，而真正需要的只是模型的中间变量。所以模型的优化目标是其中，第一项是为了预测，而第二项是为了预测，而最终需要预测的，只是模型的中间值。ESMM的模型结构如下：

ESMM模型结构.png

ESMM的优势在于：

1. 传统CVR模型训练集是点击样本集，而ESMM模型训练集是浏览样本集。这样模型就不用再担心SSB问题了
2. ESMM模型中两个任务的embedding层是共享参数的，更大规模的浏览数据可以被用来训练embedding向量了，而传统CVR模型只能用点击数据来训练embedding向量，这样DS问题也得以解决。
3. ESMM并不是直接预测和，然后再将两者相除得到，而是将作为模型中间变量直接输出，这样就可避免除法操作可能带来的数值不稳定问题。