1. 概述

一般在对CVR建模的过程中，正样本选择的是在点击后有转化的样本作为正样本，负样本则是在点击后没有转化的样本作为负样本。然而，这样的建模方式存在一定的问题：

• Sample Selection Bias（SSB）问题，即样本选择有偏。在training和inference阶段面对的样本空间不一致，在training阶段，选择的样本都是点击后的样本，而在inference阶段，面对的是所有的可能曝光的样本；
• Data Sparsity （DS）问题，即样本稀疏。点击的样本只是占了曝光样本的很小的一部分，如下图所示：

为了解决以上的这些问题，阿里在2018年提出了ESMM（Entire space multi-task model）[1]模型，从名称来看，CVR的建模也是在全空间上的，同时这是一个基于多任务建模的模型。

2. 算法原理

2.1. CVR建模

一条样本的整个过程包括了“曝光->点击->转化”，这是一个顺序的过程。假设$\mathbf{x}$表示的是一条曝光样本， y ∈ { 0 , 1 } y\in \left\{ 0,1\right\} y∈{0,1}表示的是该曝光样本是否被点击， z ∈ { 0 , 1 } z\in \left\{ 0,1\right\} z∈{0,1}表示的是该样本在曝光点击后是否有转化，对CVR建模是预估转化率：$pCVR=p\left(z=1\mid y=1,\mathbf{x}\right)$，与之相关的两个概率是点击率（CTR）：$pCTR=p\left(y=1\mid \mathbf{x}\right)$和点击转化率（CTCVR）：$pCTCVR=p\left(y=1,z=1\mid \mathbf{x}\right)$，这三者之间的关系为：

$$\begin{array}{ccccc}\underbrace{p\left(y=1,z=1\mid \mathbf{x}\right)}& =& \underbrace{p\left(y=1\mid \mathbf{x}\right)}& \times & \underbrace{p\left(z=1\mid y=1,\mathbf{x}\right)}\\ pCTCVR& & pCTR& & pCVR\end{array}$$

因此，在单独对CVR建模的过程中，需要选择的样本空间是在所有点击样本中，即上述过程的“点击->转化”阶段，如果存在转化，则在CVR中为正样本$z=1$，否则为负样本$z=0$。反观CTR建模的过程，选择的样本空间在上述过程的“曝光->点击”阶段。
而在inference阶段，所需面对的样本是所有可能曝光的样本。基于以上的公式，对于CTCVR的建模，选择的样本空间则是上述过程的融合，即“曝光->转化”。对上述公式进行简单的变换，得到如下的公式：

$$p\left(z=1\mid y=1,\mathbf{x}\right)=\frac{p\left(y=1,z=1\mid \mathbf{x}\right)}{p\left(y=1\mid \mathbf{x}\right)}$$

这样就能直接利用“曝光”样本空间中的样本直接对CVR建模，不过在对CVR建模的过程中需要同时对CTR以及CTCVR建模。

2.2. ESMM模型结构

基于以上的分析，在ESMM模型的建模过程中引入两个辅助任务，即：CTR建模和CTCVR建模，ESMM的网络结构如下图所示：

在ESMM模型结构中，有两个特点：

第一，在ESMM结构中包含了两个塔，如上图所示，左侧是一个CVR任务的塔，右侧是一个CTR任务的塔，两个塔可以构建两个任务，分别为pCTR和pCTCVR，这样样本分别是从“曝光->点击”和“曝光->转化”，解决了样本空间的问题，通过模型中参数的学习，可以把CVR塔中的参数学习到，这样对于CVR塔的样本空间即为“曝光->转化”。

第二，在两个塔的底层Embedding层是参数共享的，这样能充分利用CTR任务重的样本，缓解传统的CVR建模过程中面临的数据稀疏问题。

2.3. 损失函数

因为在ESMM中存在两个学习任务，分别为CTR和CTCVR，则最终的损失函数为：

$$\begin{array}{rl}L\left({\theta }_{cvr},{\theta }_{ctr}\right)& =\sum _{i=1}^{N}l\left(y_i,f\left({\mathbf{x}}_i;{\theta }_{ctr}\right)\right)\\ & +\sum _{i=1}^{N}l\left(y_i\&z_i,f\left({\mathbf{x}}_i;{\theta }_{ctr}\right)\times f\left({\mathbf{x}}_i;{\theta }_{cvr}\right)\right)\end{array}$$

其中，${\theta }_{cvr}$表示的是CVR塔中的参数，${\theta }_{ctr}$表示的是CTR塔中的参数，$y_i$表示的是样本${\mathbf{x}}_i$在CTR任务上的label，$z_i$表示的是样本${\mathbf{x}}_i$在CVR任务上的label，$f\left({\mathbf{x}}_i;{\theta }_{ctr}\right)$表示的样本${\mathbf{x}}_i$在CTR塔中的结果，$f\left({\mathbf{x}}_i;{\theta }_{cvr}\right)$表示的是样本${\mathbf{x}}_i$在CVR塔中的结果。

2.4. 代码结构

在参考[2]中有具体的ESMM的实现，以该代码为例，ESMM结构的代码如下：

dnn_input = combined_dnn_input(sparse_embedding_list, dense_value_list) # 特征处理

# DNN函数针对的上述的MLP网络结构
ctr_output = DNN(tower_dnn_hidden_units, dnn_activation, l2_reg_dnn, dnn_dropout, dnn_use_bn, seed=seed)(
        dnn_input)
cvr_output = DNN(tower_dnn_hidden_units, dnn_activation, l2_reg_dnn, dnn_dropout, dnn_use_bn, seed=seed)(
        dnn_input)

# 由MLP最后一层到最后的输出
ctr_logit = Dense(1, use_bias=False)(ctr_output)
cvr_logit = Dense(1, use_bias=False)(cvr_output)

# 计算最终的sigmoid结果
ctr_pred = PredictionLayer('binary', name=task_names[0])(ctr_logit)
cvr_pred = PredictionLayer('binary')(cvr_logit)

# 计算ctcvr的值
ctcvr_pred = Multiply(name=task_names[1])([ctr_pred, cvr_pred])  # CTCVR = CTR * CVR

model = Model(inputs=inputs_list, outputs=[ctr_pred, ctcvr_pred])

3. 总结

在ESMM网络中，通过引入两个辅助任务CTR和CTCVR，由于这两个任务的输入空间都变成了“曝光”，从而解决了传统CVR建模中在training和inference两个过程中输入空间不一致的问题，另一个方面，因为“曝光->点击”阶段的样本量要比“点击->转化”阶段的样本量要大，鉴于Embedding层参数的共享，因此，能够充分学习到Embedding层的参数。

参考文献

[1] Ma X, Zhao L, Huang G, et al. Entire space multi-task model: An effective approach for estimating post-click conversion rate[C]//The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. 2018: 1137-1140.

[2] DeepCTR