多目标模型

多目标ESMM模型

RFR、receptR、FinishR关系

FOR - task features

pFOR

ESMM模型优点

pRTFOR

pRTR

ESMM模型提出利用学习CTR和CTCVR的辅助任务，迂回地学习CVR的思路。pCTR 和pCTCVR 是ESMM模型需要学习的两个主要目标，而且是在整个样本空间上建模得到的，pCVR 只是一个中间变量ESMM相当于一种多任务学习框架，其中两个子任务的网络结构可根据不同业务场景使用不同的模型，不受限制

ESMM模型损失函数

1、在整个样本空间建模，避免训练跟预测时样本分布不一致问题2、Embedding共享特征思想，cvr任务能使用ctr任务学习到的信信息，缓解数据稀疏性

1、模型在点击样本空间建模，而需要在整个样本空间预测打分2、训练样本少导致数据特征稀疏性

传统CVR模型缺点

pRTR目标损失

以用户点击帖子后在详情页的停留时长（如停留时长大于60秒）作为转化目标，两个子任务都是XDeepFM模型网络结构，模型训练完后，线上分别以PCVR、PCTCVR输出作为预测值做测试。最终PCTCVR值在保证ctr基本不降的情况下人均点击时长约有%4提升

pRTFO目标损失

不同目标任务共享embedding向量

RTR - task features

线上应用