ESMM模型，全稱Entire Space Multi-task Model，是一種由阿里巴巴算法團隊提出的多任務學習模型，旨在解決轉化率預估（CVR）中的樣本選擇偏差（SSB）和數據稀疏（DS）問題。在信息檢索、推薦系統、線上廣告投放系統的點擊率（CTR）、轉化率（CVR）預估中廣泛套用。
ESMM模型的核心思想是通過引入點擊後轉化率（CTCVR）這一輔助任務，間接解決CVR的預估問題。具體來說，ESMM模型利用用戶行為序列數據在完整樣本空間建模，避免了傳統CVR模型經常遭遇的樣本選擇偏差和訓練數據稀疏的問題。該模型由兩個子網路組成，一個子網路用來擬合點擊率（CTR），另一個子網路用來擬合點擊後轉化率（CTCVR）。通過這兩個子網路的輸出相乘，可以得到交叉轉化率（CTCVR），從而間接預估CVR。這種方法不僅利用了全樣本空間的信息，還通過共享特徵嵌入層的方式，緩解了數據稀疏問題。
ESMM模型的損失函式是CTR和CTCVR的交叉熵之和。這種模型結構不僅簡化了整體設計，而且通過先驗知識——CTR和CTCVR之間的關係，改變了對CVR的預估方式，提供了對CVR預估問題的新思路。
在實際操作中，ESMM模型採用了乘法形式來避免除以一個很小的數導致的溢出問題，並確保pCVR的值在區間內。這種方法在整個樣本空間上建模pCTR和pCTCVR，與傳統CVR預估模型只在點擊樣本空間建模的方式形成鮮明對比。
綜上所述，ESMM模型通過引入CTCVR這一輔助任務，巧妙地解決了CVR預估中的樣本選擇偏差和數據稀疏問題，提高了CVR預估的準確性和效率。