本文主要是介绍CVR：CVR=(转化量/点击量)*100%，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
新的CVR预估模型——ESMM，有效解决了真实场景中CVR预估面临的数据稀疏以及样本选择偏差这两个关键问题。
CVR (Conversion Rate): 转化率。 是一个衡量CPA广告效果的指标，简言之就是用户点击广告到成为一个有效激活或者注册甚至付费用户的转化率。 CVR (Conversion Rate): 转化率。 是一个衡量CPA广告效果的指标，CVR=(转化量/点击量)*100%。
一、Motivation
不同于CTR预估问题，CVR预估面临两个关键问题：
- Sample Selection Bias (SSB，样本选择偏差) 转化是在点击之后才“有可能”发生的动作，传统CVR模型通常以点击数据为训练集，其中点击未转化为负例，点击并转化为正例。但是训练好的模型实际使用时，则是对整个空间的样本进行预估，而非只对点击样本进行预估。即是说，训练数据与实际要预测的数据来自不同分布，这个偏差对模型的泛化能力构成了很大挑战。
- Data Sparsity (DS) 作为CVR训练数据的点击样本远小于CTR预估训练使用的曝光样本。
一些策略可以缓解这两个问题，例如从曝光集中对unclicked样本抽样做负例缓解SSB(样本选择偏差)，对转化样本过采样缓解DS数据稀疏等。但无论哪种方法，都没有很elegant地从实质上解决上面任一个问题。
可以看到：点击—>转化，本身是两个强相关的连续行为，作者希望在模型结构中显示考虑这种“行为链关系”，从而可以在整个空间上进行训练及预测。这涉及到CTR与CVR两个任务，因此使用多任务学习（MTL）是一个自然的选择，论文的关键亮点正在于“如何搭建”这个MTL。
这篇关于CVR：CVR=(转化量/点击量)*100%的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
