#Paper Reading# ESMM: An Effective Approach for Estimating Post-Click Conversion Rate

论文题目: Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate
论文地址: https://dl.acm.org/citation.cfm?id=3210104
论文发表于: SIGIR 2018（CCF A类会议）

论文大体内容：
本文主要使用Multi-task Learning的方法，提出了ESMM（Entire Space Multi-task Model）模型，来解决目标之间的递进关系。

1. 在电商领域，主要的优化目标是GMV，那么GMV其实跟多方面因素相关，可以先简单拆解为：pGMV∝pCTR*pCVR，这也体现在用户的操作流程上，用户需要先点击item，点击后再进行购买操作。

2. 优化pGMV，最常见的做法是使用两个model分别优化pCTR和pCVR，但是这有两个问题：
①SSB（Sample Selection Bias）样本选择偏差问题 --> 后面的目标依赖前面模型采样后的数据；
②DS（Data Sparsity）数据稀疏性问题 --> 每个目标是递进的关系，后一个目标用到的数据往往会跟前一个目标的数据差一个数量级；

3. 为了解决上面2个问题，避免后面的目标学习的不够好，本文提出ESMM模型，优化pCTCVR的目标（pCTCVR=pCTR*pCVR）。损失函数只考虑CTCVR和CTR的，两者相加，而不使用CVR的。我们常用的做法是损失函数只考虑CTR和CVR，这里主要考虑CTCVR，加上CTR的loss，主要也是为了保证CTR不下降；
其中有一点比较有意思的是，CTR和CVR两个task之间共享中间的Embedding层，这也是考虑到CVR中数据量稀疏导致Embedding效果不佳的问题。在论文中也美其名为Transfer learning。

 

实验
4. Dataset
阿里电商的真实数据集[1]；

5. 结果
ESMM在CVR task上离线AUC绝对提升2.56%，CVCTR上离线AUC绝对提升3.25%；
在手淘的线上效果上显示，CTR提升0.7%，CVR提升6.9%，GMV提升4.9%，效果比较明显；

参考资料： 
[1] https://tianchi.aliyun.com/datalab/dataSet.html?dataId=408

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！