伴随着信息爆炸,推荐系统应运而生,其中核心的算法部分主要分为三块,分别是召回、排序和重排模块,在这里最为重要的是排序模块,在排序中关注最多的指标是点击率（Click Through Rate,CTR）和转化率（Conversion Rate,CVR）,相对于CTR,CVR问题存在数据稀疏和样本选择偏差的问题,数据稀疏指的是训练时CVR数据规模上远远小于CTR数据,样本选择偏差指的是CVR的训练空间只是预测空间的一个子空间,训练样本存在选择偏差问题。目前推荐领域多任务学习的方法大致分为两类:任务关系学习和参数共享。任务关系学习如全量空间的多任务模型（Entire Space Multi Task Model,ESMM）较好地解决了样本选择偏差问题,但是由于其缺乏足够的隐藏层共享,无法充分地解决数据稀疏问题。参数共享方法如多门控混合专家（Multi-gate Mixture-of-Experts,MMOE）由于其设计通用性的特点,没有对CVR的样本稀疏和样本选择偏差做相应的优化。因此本文的研究内容如下:（1）针对现有参数共享模型没有对CVR足够优化的问题,提出了专门针对CVR的参数共享模型—多层不对称门控的推荐排序模型（Multilevel-Asymmetry Gate Control,ML-AGC）。ML-AGC采用了多层共享结构,任务侧采用了不对称的门控结构（Asymmetry Gate Control,AGC）,特征侧采用AGC的变体不对称定制门控结构（Asymmetry Customized Gate Control,ACGC）。AGC的结构是硬参数共享和软参数共享的一种结合,也就是将不对称共享和MMOE相结合,ACGC则可以看作不对称性和一致性的折中。由于CTR和CVR拥有相同的特征空间,ML-AGC采用多层共享去拟合这种非线性,同时由于CVR对CTR的数据稀疏性使得二者的信息不对称,ML-AGC采用不对称的参数共享去实现这种信息共享的不对称,这种任务侧的不对称性与特征侧的相同性使得ML-AGC对不同层次采用不一样的参数共享来实现这种过渡。（2）针对任务关系学习和参数共享各自的优缺点,本文将任务关系学习和参数共享相结合,提出了一种新的CVR多任务学习模型—全量空间不对称门控的推荐排序模型（Entire Space-Asymmetry Gate Control,ES-AGC）。ES-AGC隐藏层采用ML-AGC的参数共享,任务关系则采用ESMM结构,解决了数据稀疏和样本选择偏差问题。ES-AGC还在CVR侧加入残差结构用来解决CVR的数据稀疏引起的深层CVR网络更易退化的问题。ES-AGC将每一个特征看成一个专家,采用基于自注意力机制的特征共享层实现特征之间的共享。为了验证本文思路和模型的有效性,在Ali-CCP数据集上对CTR,CVR,点击转化率（Click Through Conversion Rate,CTCVR）的AUC指标进行对比分析。实验结果证明了改进思路的有效性,表明ML-AGC和AGC在单层和多层上均优于基准模型,ES-AGC优于基准模型。