多触点广告归因方法、系统、计算机设备和可读存储介质技术方案

本申请涉及一种多触点广告归因方法、系统、计算机设备和计算机可读存储介质，其中，该方法包括：人群包数据集获取步骤，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率，每一人群包中包括J个广告点位；数据特征提取步骤，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量；模型构建步骤，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；广告归因步骤，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因。通过本申请实现广告归因的同时保证数据隐私保护，具有较高的可实施性。可实施性。可实施性。

【技术实现步骤摘要】
多触点广告归因方法、系统、计算机设备和可读存储介质


[0001]本申请涉及互联网
，特别是涉及多触点广告归因方法、系统、计算机设备和计算机可读存储介质。

技术介绍

[0002]近年来，在线广告替代了传统的离线广告，成为了广告的主要形式。在线广告的优势在于广告商将能够获得大量的用户反馈，并以此推断每个广告点位对整个广告活动转化人群的影响，对每个广告点位对广告活动转化情况的反向推断的过程称为广告归因。广告归因通常需要对每个用户的浏览和点击序列进行重构，然后基于重构的序列评估每个广告点位的贡献，有利于指导广告主进行后续的广告投放活动。
[0003]目前有三种常用的广告归因算法。第一种是基于A/B测试的方法，第二种方法是基于时间序列的算法，第三种是基于混合模型的归因方法。这三类方法共同的缺点是它们必须使用具体到用户级别的点位数据，对于人群包级别的数据是无法工作。
[0004]但是，近年来受到数据隐私保护方面的法律法规和平台垄断等因素影响，第三方广告检测公司很难从广告投放平台(诸如抖音、快手等)获取具体到用户级别的广告数据。广告平台只能以人群包的方式提供每条广告曝光数量、点击数量等信息，不再能提供具体到用户级别的广告数据。
[0005]如此一来，无法支持实现基于现有广告归因算法。

技术实现思路

[0006]本申请实施例提供了一种多触点广告归因方法、系统、计算机设备和计算机可读存储介质，通过收集多组基于人群包级别的数据训练一个半黑盒多触点归因模型实现点位的转化贡献求解问题，进而实现广告归因，本申请实现广告归因的同时保证数据隐私保护，具有较高的可实施性。
[0007]第一方面，本申请实施例提供了一种多触点广告归因方法，包括：
[0008]人群包数据集获取步骤，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率每一人群包中包括J个广告点位。具体的，每一广告点位包括多条曝光记录，曝光记录包括点位信息及该点位上投放的曝光数量。
[0009]数据特征提取步骤，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量具体的，基于One
‑
Hot编码方法对每一点位的点位信息进行特征编码。
[0010]模型构建步骤，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；
[0011]广告归因步骤，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因；
[0012]其中，K、J为自然数，k∈{1，2，...，K}，j∈{1，2，...，J}。
[0013]基于上述步骤，本申请实施例的广告归因方法可以基于粗粒度级别数据，具体指人群包级别的数据，无需具体到用户级别的点位数据即可实现广告归因，满足当前较高数据隐私保护要求的商业环境。
[0014]在其中一些实施例中，该方法还包括：
[0015]模型评价步骤，基于所述数据集获取每一点位的真实贡献并根据所述真实贡献和预测贡献评估所述半黑盒多触点归因模型，从而评估所述多触点广告归因方法的准确性。可选的，采用R2指标评估所述半黑盒多触点归因模型。
[0016]在其中一些实施例中，所述模型构建步骤进一步包括：
[0017]关系模型构建步骤，构建用于表示人群包中每一点位和人群包转化率关系的半黑盒多触点归因模型，所述半黑盒多触点归因模型为：
[0018][0019]其中，为第k个人群包的预估转化率，为第k个人群包的总曝光，n
j
为第j个点位的曝光记录总数，e(
·
)为通过预测b
j
的神经网络，w表示e(
·
)的网络参数，为k个人群包的第j个点位的第i个曝光记录的曝光数量；
[0020]模型参数求解步骤，构建一损失函数并对所述损失函数利用梯度下降法(Gradient Descent)计算得到所述网络参数w及参数a
j
。
[0021]基于如上所述，本申请实施例提出一种半黑盒多触点归因模型，该模型通过收集多组基于人群包级别的数据训练实现了广告点位转化率的预测，有效利用离散和连续特征，结合黑盒的神经网络和白盒的曲线拟合方法共同实现了点位的转化贡献求解问题。
[0022]在其中一些实施例中，所述预测贡献根据以下模型计算获得：
[0023][0024]其中，为第j个点位的转化曝光，具体的：
[0025]在其中一些实施例中，所述损失函数根据以下模型计算获得：
[0026][0027]其中，为第k个人群包的预估转化率，为第k个人群包的转化率。
[0028]第二方面，本申请实施例提供了一种用于执行如上第一方面所述的多触点广告归因方法的多触点广告归因系统，包括：
[0029]人群包数据集获取模块，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率每一人群包中包括J个广告点位。具体的，每一广告点位包括多条曝光记录，曝光记录包括点位信息及该点位上投放的曝光数量。
[0030]数据特征提取模块，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量具体的，基于One
‑
Hot编码方法对每一点位的点位信息进行特征编码。
[0031]模型构建模块，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；
[0032]广告归因模块，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因；
[0033]其中，K、J为自然数，k∈{1，2，...，K}，j∈{1，2，...，J}。
[0034]基于上述模块，本申请实施例的广告归因方法可以基于粗粒度级别数据，具体指人群包级别的数据，无需具体到用户级别的点位数据即可实现广告归因，满足当前较高数据隐私保护要求的商业环境。
[0035]在其中一些实施例中，该系统还包括：
[0036]模型评价模块，基于所述数据集获取每一点位的真实贡献并根据所述真实贡献和预测贡献评估所述半黑盒多触点归因模型，从而评估所述多触点广告归因方法的准确性。可选的，采用R2指标评估所述半黑盒多触点归因模型。
[0037]在其中一些实施例中，所述模型构建模块进一步包括：
[0038]关系模型构建模块，构建用于表示人群包中每一点位和人群包转化率关系的半黑盒多触点归因模型，所述半黑盒多触点归因模型为：
[0039][0040]其中，为第k个人群包的预估转化率，为第k个人群包的总曝光，n
j
为第j个点位的曝光记录总数，e(
·
)为通过预测b
j
的神经网络，w表示e(
·
)的网络参数，为k个人群包的第j个点位的第i个曝光记录的曝光数量；
[0041]模型参数求解模块，构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多触点广告归因方法，其特征在于，包括：人群包数据集获取步骤，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率每一人群包中包括J个广告点位；数据特征提取步骤，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量模型构建步骤，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；广告归因步骤，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因；其中，K、J为自然数，k∈{1,2,...,k}，j∈{1,2,...,J}。2.根据权利要求1所述的多触点广告归因方法，其特征在于，还包括：模型评价步骤，基于所述数据集获取每一点位的真实贡献并根据所述真实贡献和预测贡献评估所述半黑盒多触点归因模型。3.根据权利要求1或2所述的多触点广告归因方法，其特征在于，所述模型构建步骤进一步包括：关系模型构建步骤，构建用于表示人群包中每一点位和人群包转化率关系的半黑盒多触点归因模型，所述半黑盒多触点归因模型为：其中，为第k个人群包的预估转化率，为第k个人群包的总曝光，n
j
为第j个点位的曝光记录总数，e(
·
)为通过预测b
j
的神经网络，w表示e(
·
)的网络参数，为k个人群包的第j个点位的第i个曝光记录的曝光数量；模型参数求解步骤，构建一损失函数并对所述损失函数利用梯度下降法计算得到所述网络参数w及参数a
j
。4.根据权利要求3所述的多触点广告归因方法，其特征在于，所述预测贡献根据以下模型计算获得：其中，为第j个点位的转化曝光。5.根据权利要求3所述的多触点广告归因方法，其特征在于，所述损失函数根据以下模型计算获得：
其中，为第k个人群包的预估转化率，为第k个人群包的转化率。6.一种用于执行权利要求1
‑
5中任一项所述的多触点广...

【专利技术属性】
技术研发人员：王同乐，周星杰，李霞，孙泽懿，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：