Entire Space Learning Framework：推荐系统全阶段的无偏转化率预测

基于摘要分析。本文研究电商推荐系统中的转化率（CVR）预测，针对样本选择偏差（SSB）与数据稀疏（DS），提出 Entire Space Learning Framework：以推荐流程上一阶段的样本重新构建 CVR 学习空间，使训练空间与在线推理空间一致，并引入平台其他场景的购买样本参与学习。 核心机制：作者指出，ESMM 和 ESM2 虽然通过用户行为路径在全部曝光样本上训练，但实际在线推理的输入来自推荐流程的上一阶段，并不等同于曝光空间，因此既有方法仍可能面临空间不匹配。本文通过重新表述商品交易总额（GMV）目标，将学习范围扩展到相应阶段的完整数据空间；同时利用其他电商场景的购买行为补充监督信号，而不只依赖单一场景内的行为路径。摘要未给出目标函数、模型结构、跨场景样本的融合或加权方式，相关机制细节尚未验证。 结果与证据：作者报告，在线 A/B 测试与离线实验显示该框架具有优势，并已部署于 Taobao 推荐排序阶段，每日服务数亿消费者。摘要未提供具体指标、提升幅度、样本划分或对照配置，部署规模也不能替代预测效果与偏差改善的定量证据。实验协议、消融及统计信息尚未验证。 适用范围与核对重点：原论文主要研究对象是电商推荐，并非状态空间模型或 EEG/BCI 方法。复现需核对推荐各阶段的数据采集边界、训练与推理样本空间的定义，以及跨场景购买标签的构造与可用性；还需区分性能收益来自空间对齐还是额外监督数据。材料未建立这些机制与 EEG/BCI 任务的具体对应关系，因此不据此推断 BCI 有效性或提出迁移实验。