好久没有写关于单篇文章的解读了。但是今天这一篇《ESCM2: Entire Space Counterfactual Multi-Task Model for Post-Click Conversion Rate Estimation》必须值得单独写一篇解读。原因有二：

• 文章非常有现实意义。这篇2022年的阿里新文，是关于“因果推断”、“反事实学习”在推荐模型中的应用，用于减轻建模一条转化链条的前后环节之间存在的bias，解决的确是推荐算法的一个痛点。

• 文章写得，真的不好懂。文章中“怎么做”、“为什么这样做”，还有一堆数学证明杂揉在一起，找人摸不清文章的网络和重点。顺着原文来读，思路极容易被打断。而且表达同样意思的公式，可能写了两遍，用了两种符号。有的重要结论，只用文字轻描淡写提了一句，而没有写成公式引起读者的注意。唉，可能作者也没办法，论文这东西就是八股文。

Causal Inference和Counterfactual Learning，和我们平常用到的Machine Learning理论上还是有所不同的，我也是一知半解，所以在本文中将我的疑问也列举出来，欢迎大家一起来讨论。

要解决的问题

阿里的这篇文章，应对的是CVR建模问题。在电商环境下，用户转化需要“先曝光->再点击->最后购买”，三个环节之间存在先后顺序之分，也蕴含着因果关系。

业务要求建模三个目标：

• CTR：从曝光到点击的概率

• CVR：从点击到购买的概率

• CTCVR：从曝光到购买的概率

中间环节单独建模的意义

这里需要指出的是，单独对中间环节建模（i.e., 这里的CVR）的意义：

• 理论上，我们只关心购买。如果CTCVR预测的是准确的，那么其实没必要单独建模CVR。以最终CTCVR排序即可。

• 但是，以上两个假设都不成立

  • 首先，CTCVR预测得肯定有误差

  • 其次，业务要求，使我们需要关心中间环节。比如广告场景下，不同的转化环节，不同的计费模式。

• 因此，这里必须把cvr, ctr, ctcvr都预测出来，再把三个分数加权成一个综合得分，再排序

• 而在其他一些场景下，比如内容推荐场景下，就直接建模ctr和“完播”就行了，没再建模“点击后完播”的条件概率。当然，未来可以借鉴电商广告场景，把中间环节拎出来单独建模。

建模中间环节的Naive方法

写出loss来很容易

• 是user 'u'对item 'i'是否转化的ground truth label

• 是CVR model的预测结果 问题就在于只在click=1的样本上（click space, 下图中的O）才能拿得到

因此，一种naive的方法，训练的时候，只拿click=1样本（click space, O）来训练CVR模型。存在两个问题：

• 问题1：训练空间与预测空间不匹配

  • 训练的时候，是拿所有click=1的样本来训练，<user, item>的匹配性已经非常高了。

  • 而预测的时候，只是经过召回、粗排的粗筛，<user, item>的匹配度还非常低。

  • 两个空间不匹配，训练时缺失的那部分样本，是由系统性的sample selection bias造成的，Missing Not At Random（MNAR）

• 问题2：只用click=1的样本，训练数据比较少

ESMM方法的缺点

为了解决Naive方式以上两个问题，阿里提出了ESMM

• ESMM实际上是回避了单独建模CVR的问题

• 两个loss，一个ctr loss，另一个ctcvr loss，都是在整个“曝光样本空间”D上建模

• CVR= CTCVR / CTR

优点：CTR和CTCVR都是在全体曝光样本上建模的，因此两者相除的结果CVR也算是在全体曝光样本上建模的。因此，CVR模型训练与预测同分布（实际上训练是在曝光样本空间，预测是在召回样本空间，不过这点差异，大家都约定俗成，不予追究了），算是解决了sample selection bias的问题。

缺点：

• 一是Inherent Estimation Bias (IEB)，认为ESMM的CVR得分存在系统性的bias，普遍偏高

• 二是Potential Independence Priority (PIP)

  • 我理解成，算是另外一种反向sample selection bias

  • 因为CTR, CTCVR都是在全体曝光空间D上建模的，两者的商CVR也是建模在全体曝光空间上的，对于消除training/inference之间的gap当然是好事。

  • 但是CVR的含义毕竟是“点击后再转化”的概率，click->convert之间的因果关系就建模不出来了。

但是CVR=CTCVR/CTR这个公式是肯定不会有错的，那么以上两点偏差是从何而来的？我觉得是：要让这个公式成立，需要理想化的条件，是现实无法满足的。比如，训练CTCVR也是认为，如果最终click & convert=0，就代表着用户不喜欢。但是有可能是因为CTR模型预估得不准，把item排在不好的位置，让用户失去了click的机会，而实际上p(convert|click)应该是很高的。这也就是论文中所谓“反事实”的含义。

Entire Space Counterfactual Multi-task Modelling (ESCM2)

ESCM采用了一种与ESMM完全不同的思路：

• CVR遵循其名称的本意，还是只拿click=1的数据来训练

• 但是采用一些因果推断、反事实学习的方法，在训练过程中就减轻Sample Selection Bais（SSB）、Missing Not At Random（MNAR）带来的负面影响。

• 最终得到的模型，尽管是只用click=1样本训练出来的，但是在全样本空间预测时，也能得到"unbiased"的结果。（unbiased是论文里宣称的效果，还用数学证明了。我觉得那是理论结论，现实中做不到，至多是降低bias）

整个ESCM都是围绕着如下公式开展的

• 在全量曝光样本D上建模ctr loss

• 是在click=1的点击空间O上建模“最终转化loss”

  • 用ESMM一样，用ctcvr=ctr*cvr为预测值，用最终是否转化为label，计算binary cross-entropy loss。

  • 论文中说“the global risk minimizer optimizes the risk of CTCVR estimation over D”，我觉得是论文在这里写错了

  • 首先论文中图4“Global Risk Minimizer”下边就有“O”(代表click space)的字样

  • 论文里还说“The amount of training data for CTR task is significantly greater than that of CVR and CTCVR tasks by 1-2 order of magnitudes.”，所以ctcvr也应该是在click space中建模的

  • 还有建模ctcvr时，用到的ctcvr prediction是由predict ctr * predict cvr相乘得到的。predict cvr肯定是只由click=1的样本上训练得到的（这是本文区别ESMM的最大区别），所以ctcvr也应该是只在click=1的样本上建模。

• 到底在哪个空间建模，要区分具体是用IPS实现，还是DR实现。

用IPS实现CVR建模

或者写得更具体一点

• 是用户是否点击的label。因此，尽管公式的计算范围是D（全体曝光样本），但是实际上是只拿点击样本(=1)建立loss

• 是user 'u'对item 'i'是否转化的ground truth label。毕竟只有click=1的样本上的才是可信的

• 是CVR tower的预测结果

• 都是ctr tower的预测值

• 然后，我们要建模的。（这也是这篇文章难懂的原因之一，同一个意思在不同地方用不同的符号来表达，也没有一个地方写清楚这个两个符号表达同样含义。）

不要看原论文中的图4，在IPS实现中是压根没有中间那个计算Imputation Error的塔的。更准确的图是《LARGE-SCALE CAUSAL APPROACHES TO DEBIASING POST-CLICK CONVERSION RATE ESTIMATION WITH MULTI-TASK LEARNING》中的图4。注意右下角的“O”，说明CVR只在click=1的空间上建模。

对于以上公式的解读，我看到的解释都是：

• 如果ctr高，还转化了，是理所应当的，权重应该低一些

• 如果ctr低，最终反而转化了，是Counterfactual的，正好是对Sample Selection Bias的有力反击，所以权重应该大一些。

但是我始终有一个疑问，ctr高低来决定样本权重，难道不应该视样本的正负而定吗？

• ctr高，还转化了，没啥新鲜的，权重理应低一些

• ctr高，但是未转化，这个非常非常counterfactual呀，权重理应更高呀！！！

• 全用inverse ctr当权重，“一视同仁”，不太合适吧

另外，论文里说用这种IPS建模，尽管是在click=1的样本训练，但是在全体样本空间预测时得到的cvr也是unbiasd。我不太相信，我们是在debias，不是在unbias。cvr都是在点击样本上训练得到的，尽管以inverse ctr反向加权，但是点击样本中的ctr基本上都不低吧。

用DR实现CVR建模

认为IPS中用predict ctr 当propensity score，毕竟是预测值，偏差会高，因此采用如下Doubly Robust来计算。

写得更具体一些

• 不同于IPS，DR是在整个曝光样本空间上建模

• 是imputed error，全体曝光空间上的“推测cvr loss”。

  • 因为只有click=1的样本才有是否转化的真实label，所以只有在click=1的样本上计算出来的cvr loss 才是真实可信的

  • 在除了click之外的剩余的曝光空间上，我们无法计算出真实的。所以，我们单独建立一个模型来模拟在click=0上的cvr loss，就是这里的imputed error 。再次发挥了DNN中的“无中生有、空手套白狼”的本事。

• • 就是imputation tower"凭空"造出来的输出，是建模在全体曝光样本空间上的

  • 在click space上，根据predicted cvr和convert ground truth计算得到的真实cvr loss

Doubly Robust的意义，我看到的解释都是：起到一个双保险的作用，只要propensity score ，和imputed error   ，有一个预测得准，就能起到debias的作用。

• 的准确性，是由ctr tower决定的，是被“是否点击”的ground truth label限制住的。

• 但是谁来保证 的准确性？

点击样本

如果是click样本，即，再忽略分母的影响，则，就是点击样本上的真实cvr loss。那么 的准确性就由converted ground truth label给约束住了。而且还加上如下mse loss，减少真实cvr loss与imputed cvr loss之间的距离。

总之，对于click样本，采用如下公式计算cvr loss ，准确性是有保障的。

曝光未点击样本

但是对于click=0的曝光样本呢？整个cvr loss 就只剩下了imputed cvr loss 。由于我们拿不到click=0的曝光样本上的“是否转化”的ground truth，本来就是由模型“无中生有”硬造出来的，岂不是就没有了约束？比如这个模型可以让其中所有W、b都变成0，那么不也变成0了吗？

在我看来，还就真的没有对的直接约束，对它的约束都是间接的。因为对于click=0和click=1的样本，共享一套模型参数。而当click=1时的“是否转化”的ground truth label，把模型参数约束住了，那就不会出现W、b都变成0的情况，在click=0的样本上也不会无下限的小下去。或许这就是在论文里，称这一项为regularizer的原因，毕竟对于regularizer来说，约束就是它自己。

整体结构

论文中说，“ESCM2-DR: It augments ESCM2-IPS with an imputation tower”。所以，我觉得这里的应该如下：（唉，这么重要的地方，论文作者为什么不给出一个直接明白的公式，非要让我们自己去猜，真是的）

整体架构如下：

• 左边的塔，在全体曝光样本上训练，得到ctr

  • 预测出来的ctr，喂入Empirical Risk Minimizer，计算

  • ctr的倒数喂入Counterfactual Risk Minimizer，计算

• 右边的塔，在点击样本上训练，得到cvr。

  • 由cvr，计算出点击样本上的真实cvr loss " "，喂入Counterfactual Risk Minimizer，参与计算

  • ctr tower输出的predict ctr，和这里输出的predict cvr相乘，得到点击空间上的predict ctcvr，喂入Global Risk Minimizer计算点击空间上的

• 中间的塔，在全量曝光样本上，预测输出imputed cvr loss

  • 中间的Counterfactual Risk Minimizer，输入全体曝光上样本上的ctr和 ，还有点击样本上的真实cvr loss ，计算得到曝光空间上的

结尾

本文和ESMM面向的问题是一样的，解决“转化链路多环节之间的bias”，但是与ESMM采用了完全不同的思路

• ESMM不直接优化CVR，而是在全体曝光样本上优化cvr loss和ctcvr loss，再用cvr=ctcvr/ctr来得到cvr，从而使训练和预测CVR的所使用的数据同分布，解决sample selection bias

• ESCM回归cvr的本质，只拿click数据上训练、优化cvr loss。但是通过Counterfactual方法debias，使只用click数据得到的模型，能够在面对全量数据预测时，产生所谓“unbias”的结果。

另外，论文中还有几点：

• 底层是一个MMOE

• “we implemented ESMM and ESCM2 with our internal C++ based deep learning framework, where ESCM2 was built with the IPS regularizer for its competitive offline performance and training efficiency.”。所以最终上线的是哪一种？只使用了IPS，而没有使用DR？

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）