ESMM模型2018年由阿里巴巴提出，发表在SIGIR2018会议上的《Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate》文章基于 Multi-Task Learning 的思路，有效解决了真实场景中CVR预估面临的数据稀疏（data sparsity，DS）以及样本选择偏差（sample selection bias，SSB）这两个关键问题。
多任务学习(multi-task learning，简写MTL)是实现多目标的一种思路。
模型结构设计和损失函数作为可以提高MTL有效性的两个主要方向，在业界和学术界得到了较多的关注和研究。
在业务中运用MTL时，如何进行task融合对提高MTL效果也非常重要。
MTL模型结构设计，需根据task之间的关系，灵活结合hard参数共享和soft参数共享两种机制，使模型既能有效表征task之间的共性，又能表征task的独特性。
ESMM和ESM2模型，巧妙地利用了电商业务场景中CTR和CVR等任务之间的关系进行模型结构设计，有效解决了该场景由cvr数据稀疏和样本空间不一致导致模型训练困难和效果不佳等问题。
ESM2在ESMM的基础上，进一步缓解了数据稀疏问题，可以看做是ESMM的升级版本。
ESMM和ESM2模型是基于电商场景提出的。不同于内容消费场景，用户在电商场景中的行为具有路经长、转化低的特点。
参考资料：
阿里CTCVR联合预估模型之ESMM
ESMM详解
推荐系统之ESMM算法精读和实战
深度模型（十）：ESMM
多目标模型结构-ESMM和ESM2