知识卡片
ESMM多目标优化
ESMM要解决电商推荐的训练空间与预测空间不一致问题:CVR模型用点击加转化样本训练,却要在用户刚登录看到首页或列表页的曝光场景下预估,场景差异会带来有偏结果。单纯拆成CTR模型加CVR模型又会与最终的购买转化目标脱节。ESMM用一个统一模型同时模拟曝光到点击和点击到转化:底层Embedding由CTR与CVR共享,缓解CVR正样本稀疏;中间两个隔离的网络分别拟合pCTR与pCVR,再相乘得到pCTCVR。这样既在曝光全空间完成训练,又能一次输出三个目标供不同场景选用。代价是模型结构与训练目标更复杂,且依赖CTR与CVR任务的相关性。
结构图:
flowchart TD
A[共享Embedding层] --> B[CTR塔]
A --> C[CVR塔]
B --> D[pCTR]
C --> E[pCVR]
D --> F[pCTCVR]
E --> F
F --> G[按场景选择目标预测]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 多角度审视推荐系统 · 查看原书依据
从模型结构(如图5-11)上看,底层的Embedding层是CVR部分和CTR部分共享的,共享 Embedding层的目的主要是解决 CVR任务正样本稀疏的问题,利用CTR的数据生成更准确的用户和物品的特征表达。
参考来源
- 位置:《深度学习推荐系统》第5章 多角度审视推荐系统(源文件:extracted/深度学习推荐系统/_epub-src/text/part0009_split_004.html)
- 结论依据:原文给出ESMM的共享Embedding、双塔隔离与pCTR乘pCVR得pCTCVR的结构,说明其同时解决训练预估不一致与全局优化两个问题。
- 原始内容:从模型结构(如图5-11)上看,底层的Embedding层是CVR部分和CTR部分共享的,共享 Embedding层的目的主要是解决 CVR任务正样本稀疏的问题,利用CTR的数据生成更准确的用户和物品的特征表达。