共计 726 个字符，预计需要花费 2 分钟才能阅读完成。
最近一周有个课程培训需要选一个课题进行ppt汇报，排序这块选了多目标任务，想起之前做esmm这块有点经验，然后去了解下现在多目标任务有哪些前沿的发展。到此，就是这篇文章的产生的原因了。
ESCM2 : Entire Space Counterfactual Multi-Task Model for Post-Click Conversion Rate Estimation
这篇文章又是出自阿里，阿里的文章反正有的时候是一言难尽。不过没关系，也不妨碍我们去研究一下。
对于博主而言，这篇文章比较吸引我的地方是它给出了esmm中cvr预估大于ground truth 这个结论的验证，着实解决了我一个大问题。想想自己之前在做esmm的时候就遇到这样的问题，之前也做了一些方案比如isotonic regression方案。
但是如果本文能够从真正意义上解决这个问题那是最好不过了，这篇文章研究之后说是要实现cvr预估的unbias，但是感觉很难。看了一些其他大佬的分析，感觉只能做到debias。
这篇论文创作的动机就是针对esmm的两个大问题，然后针对性的解决
1、ieb （预估偏差）问题，esmm中cvr预估大于ground truth
2、pip（独立先验假设） 问题，转化是要依赖于点击的，在esmm中迂回建模cvr ，线上serving 的时候直接 cvr 塔出结果违背了这个规则
本文核心的观点：
1、重新回归cvr 本源，基于点击空间来优化cvr预估
2、采用因果推断的思想来提出unbias的方法：ips 和 dr 方法
关于escm的介绍我打算分三步来讲吧，今天这个讲个大的框架，后面三个部分是
1、论证 esmm中cvr预估大于ground truth
2、IPS 方案解决 ieb 和 pip 的论证
3、DR 方法的介绍
