ctr和cvr分开建模相比ctcvr的优势？
在电商搜索推荐排序中，将ctr和cvr分开建模，相比直接建模ctcvr的优势是什么？ - 萧瑟的回答 - 知乎
总结：
1、ctr的数据可以试试获取，能实时训练。但是cvr存在延迟现象，样本更新慢。一起训练容易出现跷跷板现象。
2、分开建模可以输出2个指标，便于调控。
3、CTR肯定是需要单独建模的，因为它影响用户的长期的参与度，也影响未来收益。
CTCVR低，不代表用户不喜欢，也可能是因为其他原因（比如没钱，这个很容易建模，拿用户过去消费的金额，与当前商品的价格，一比就能知道）
观点1
在电商搜索推荐排序中，将ctr和cvr分开建模，相比直接建模ctcvr的优势是什么？ - 萧瑟的回答 - 知乎
分开建模的话。可能有下面几个好处：
- 方便机制等进行更灵活的调控。电商排序公式，往往不会就是简单的 ctr∗cvr∗pricectr*cvr*price ,很多时候可能是类似这样的一些更复杂的排序公式 ctra+ctrb∗cvrc+ctrd∗cvre∗pricefctr^a+ctr^b*cvr^c+ctr^d*cvr^e*price^f ，这个时候就需要有单独的ctr和cvr分数以便进行调控。另外像很多广告业务，基于点击计费，那么也需要单独的ctr分数。cvr分数可能会用到的广告出价bid的调整上。
- 分开使迭代更方便。样本上，cvr的转化信号往往存在一定的延迟，长的可能好几天。而ctr的点击信号，长的一般也就几十分钟，如果ctr和cvr一起建模的话，对于实时训练系统来说，样本上可能会面临比较大的挑战。另外ctr和cvr一起训练，效果可能相互影响，出现跷跷板效应，新的算法迭代ctr和cvr离线在线指标出现一个涨一个跌的问题，会让人非常头疼。
当然ctr和cvr放一起训练建模，也有一些优势，特别是如果算法组人力紧张的话，联合建模相比分开迭代，可以节省很多人力维护成本。
像淘宝一些核心业务的算法组，ctr和cvr模型也经历过多次分分合合。ctr和cvr模型是否要放一起训练迭代，并没有标准答案，和当前组内人力情况、业务情况，技术迭代情况等都息息相关。
观点2
ctr和cvr分开建模，相比一起建模的好处。https://zhuanlan.zhihu.com/p/599920653
CTR肯定是需要单独建模的，因为它影响用户的长期的参与度，也影响未来收益。
CTCVR低，不代表用户不喜欢，也可能是因为其他原因（比如没钱，这个很容易建模，拿用户过去消费的金额，与当前商品的价格，一比就能知道）
这个时候，如果只按CTCVR排序，只给用户显示那些物美价廉的东西，
一来用户审美疲劳，
二来也失去了给用户种草的机会。万一哪天用户中彩票了，或者一狠心想剁手了，在你们的app上却不展示合适的商品，岂不是白白浪费了机会。
其次，CTCVR你也预估不准。
其实哪个XTR都不可能绝对预估准，因此需要修正。
有了CTR,CVR，我修正CTCVR起来，还能多有一些信息可咨利用
另外，ctr和cvr一起训练，出现跷跷板现象，经常出现一个涨一个跌的情况，比较麻烦。
观点3
ctr和cvr联合建模的好处 https://www.zhihu.com/question/546623702/answer/2621988648
有些单个任务数据不充分造成模型不能训练收敛到较好的性能。多个相关任务在一起训练，配置合适的网络结构，可以实现多个任务的样本共用，每个任务得样本都变多了，能够帮助模型训练收敛。
举个例子，比如CTR(点击率预估)和CVR(转化率)联合建模。对于CTR任务来说，CVR的转化样本是高质量的点击人群，加入CVR转化样本能够帮助CTR任务更加倾向高质量点击。反之对于CVR任务，一般样本比较稀疏，通过加入CTR的浅层转化样本，也能够帮助先粗分辨更可能转化的人群。
当然多任务模型需要配置好网络参数和门控，增强多个任务间的互相增益，降低多个任务负向干扰。
观点4
1.esmm 的ctr 网络输出还是ctr么（是否有偏）
2.esmm 针对ctr、cvr 分布差异大（任务不太相关，比如ctr多数来自新用户，cvr多数转化来自老用户）是否会带来cvr侧的不稳定
3.为什么esmmcvr 侧塔会高估？
观点5
MMOE解决跷跷板现象 https://zhuanlan.zhihu.com/p/462953458
mmoe借鉴了ensamble的解决思路，训练一批模型，**每个task用其中不同的一些模型。这样也就缓解了样本分布差别大导致的跷跷板问题。**实践经验表明expert的个数越多效果会越好，但边际效应递减，而且过多可能模型难以收敛。根据数据量，一般都会学习4-6个expert。
观点6（好）
分别预估然后相乘算pctcvr是最佳做法么
初次碰到计算pctcvr是用pctr和pcvr相乘得出的，有人可能习以为常，有人可能就会有疑惑，为啥非得这么做，为啥不直接预估pctcvr，有哪些好处和坏处？
这么做的理由可以列好些出来，比如，分开预估就是两个模型，就可以有两拨人有事情做(大雾)。技术上呢？有一种说法是，ctcvr的正例太稀疏了，拆开来更好学习。业务上的理由有，比如app的转化有延迟，因此app ctr和app cvr数据处理流程不一样，模型的更新周期不一样，拆开更合理。还有一种说法是，ctr和cvr的特征不一样，所以拆开合情合理。
端到端预估也有不少好处，比如app ctr在某些媒体上可能有很多行为码不好界定是否属于点击，比如自动播放的那些。端到端就直接跨过这个问题，毕竟转化的定义是清晰的。
另外，在召回和粗排阶段，是否直接预估pctcvr又更合理呢？
ctr有的特征是否cvr就该有
比如ctr使用了用户行为特征，cvr模型是否就一定也要用上，cvr特征永远是ctr特征的超集？
ctr是否能使用转化相关的特征，cvr能否使用点击相关特征
比如ctr能否使用用户转化行为相关特征，为什么会有效？而cvr使用点击相关特征又会有正面效果么？
ctr和cvr预估值怎样相互影响
ctr和cvr的低估和高估会怎样影响到对方？ctr数据的收集基本在站内就能完成，因此ctr相对来说会更容易做的更准确，当然点击label定义不清又是另外一种情形。而转化受广告主回传等因素的影响，真值的波动会比ctr大，从而容易导致预估偏差。因此ctr是pctcvr预估的稳定剂，预估偏差不能太大。
采样偏差在预估和统计上的影响
sampling selection bias的问题在esmm论文里头已经说的比较清楚了，训练的样本空间(其实是特征空间)应该跟推断的样本空间一致。不一致会发生什么情况呢？就拿cvr预估来说，如果还是用点击作为负样本，转化作为正样本来训练模型，相比esmm来说，正样本是没丢的，也就是正样本的特征空间也不会有损失。点击未转化的样本(通常意义的cvr负样本)也一个没少，那么损失的都是什么呢，是那些曝光没点击的，大概率是cvr的负样本。这些负样本会对特征空间有所扩充，而且会让负样本本身预估更准确。举个例子，有点击的用户可能集中在20-60岁之间，假设其他岁数就变成一个缺省值"-"，如果是按照非esmm的cvr训练模式训练出来一个模型，在线上会有大量的样本命中"-"，这个时候这些样本的预估值就会比较接近，没有区分度。对于ocpx系统来说，这是比较要命的，我们希望所有样本之间都有能区分它们的特征，从而能预估一个更细致的值，更好地控制成本，哪怕是这些预估值很低，意味着几乎不可能发生转化。个人理解可以看做是easy negative(相对positive而言)里头的hard(negative之间)情形，因为你需要把"-"再分开。这块跟召回用全量空间的样本有相似之处，都是一不小心就会导致训练的样本空间小于推断的样本空间，区别在于召回的全量空间包括没有曝光的样本，而esmm的全量空间包括没有点击的样本。 esmm认为能曝光出来已经是能产生转化的最低要求了，未曝光样本(同样会出现新特征值)在esmm看来属于冷启动问题，需要靠实时模型和泛化特征等手段来解决。
采样偏差在一个不太为人注意的任务上也存在，那就是统计。比如计算pcvr和tcvr之间的预估偏差，这个时候，是统计发生了点击后的预估值和点击后的真实值之间的gap，还是统计所有曝光的预估值的均值再和真实值相比？
在线学习
ctr模型用在线方式的处理，问题不太大，毕竟点击行为从端上上报不会比曝光延迟太久，漏掉正样本的情况比较少。但cvr的转化就不一样了，延迟的转化在app安装和激活上尤其明显，电商推荐的收藏到付费也可能时间很长。label延迟的情况下到底是否适合在线学习，这个事情业界好像是先整在线再说，快速数据流转成为一种理念。于是梯度补偿等方法也被提出来，没太多理论保证，但这也是为"快"所付出的代价。按预估转化时间分桶打散听起来更合理一些，也能跟在线处理结合，只是更复杂一些。