• ESMM的理解

首先，理解部分主要是ESMM要解决什么问题，以及解决方案。弱未度过原文的可以查阅原论文。

论文地址：https://arxiv.org/pdf/1804.07931.pdf

实现代码：https://github.com/PaddlePaddle/PaddleRec/tree/master/models/multitask/esmm

1. ESMM的理解——ESMM要解决什么问题

• Sample Selection Bias (SSB) ：传统的cvr模型是基于点击的样本建模，而线上预估是在全局样本上预估——即所有候选集上。这就出现了线下训练的样本空间（有点击样本）和预估的样本空间（全局样本）有偏差，即样本空间分布不同，这就是所谓的SSB问题。

• Data Sparsity (DS) ：点击样本空间远小于曝光的样本空间，特别是某些业务场景点击样本极少，这给训练cvr模型带来了很大的挑战。

2. ESMM提出的解决方案

ESMM的模型结构如图，即ctr和cvr联合训练，都是在曝光的样本集上训练。重点是loss的计算：

cost=loss_ctr + loss_ctcvr

        loss_ctr = paddle.nn.functional.log_loss(
            input=ctr_out_one, label=paddle.cast(
                ctr_clk, dtype="float32"))
        loss_ctcvr = paddle.nn.functional.log_loss(
            input=ctcvr_prop_one,
            label=paddle.cast(
                ctcvr_buy, dtype="float32"))
        cost = loss_ctr + loss_ctcvr

• 关于ESMM的高频面试题（关于ESMM没有效果的思考）

貌似ESMM解决了cvr预估存在的SSB和DS问题，但是为什么很多业务场景没有效果，这就引申出了面试官的一系列问题（不排除面试官在面试中寻找答案，当然也主要考察面试者对模型或者业务的理解深度）。常见的面试问题：

1. ESMM的pctcvr是ctcvr吗？为什么不是？

2. ESMM的pcvr是否会有偏？为什么有偏？

3. ESMM两个塔的区别和联系

3只要理解模型结构就能回答，1和2可以看这篇文章https://zhuanlan.zhihu.com/p/352991132