推荐系统论文阅读：Entire Space Multi-Task Model

阿里18年的论文Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate.
code已经开源：代码

摘要：
这篇文章的目的是预测新顾客的转化率，相比于传统方法直接对pCVR建模，作者提出Entire Space Multi- task Model(ESSM)模型，不直接对pCVR建模，而是利用两个任务，预测pCTCVR和预测pCTR的结果来估计pCVR，从而避免了SSB问题。这篇文章创新的地方在于利用了一个链路的顺序关系，impression->click->conversion。

Problem
Input: click through rate(CTR) and conversion through rate(CVR)
Output: for a new user, the probability that he will purchase the item

Challenge

• Sample selection bias problem (SSB)
  由于训练数据是用户点击的数据，只反映了clicked impression，而建模的空间是整个impression空间，其中clicked impression只占非常少的一部分，所以会导致训练数据采样空间与模型推测空间不一致，即bias问题。
• Data sparsity problem (DS)
  CVR的数据远远少于前一步CTR的数据，导致CVR是一个非常稀疏的矩阵。

模型

$$p(z=1,y=1|x)=p(y=1|x)\cdot$$