KDDSep, 2018

多通路多触点归因的深度神经网络与注意力模型

PDF
TL;DR本文提出了一种基于深度学习的新型归属算法，利用 DNAMTA 模型，通过监督学习预测广告活动是否导致转化，来精确评估每个广告渠道的影响，并结合用户背景信息和行为控制变量来减少估计偏差，从而深入理解媒体渠道的动态交互效应，并在大型真实世界营销数据的计算实验中表现出比现有方法更为优越的转化预测和媒体渠道影响评估。
online advertisingmarketingdeep learningmedia interactiondnamta
发现论文，激发创造
  • CAMTA: 多点触控归因的因果注意模型

    本文提出了使用神经网络的多触点归因模型 CAMTA，并在 Criteo 数据集上进行了实证研究和性能对比。该模型利用用户行为和预转化动作来预测广告触点后的归因，具有优秀的预测精度和预算分配效果。

    Dec, 2020

  • 在线广告的双重关注机制学习多点触控转化归因

    本文基于 Dual-attention Recurrent Neural Network 模型，提出了一种关于多点触控补偿，序列预测和预期分配方面的新模型。并且，通过预算分配评估了该模型，证明了其在性能方面优于现有模型。

    Aug, 2018

  • 在线多点触及归因的可解释深度学习模型

    DeepMTA 是一种基于深度学习和附加特征解释模型的在线多点触摸归因模型，具有解释性和较高的准确性。

    Mar, 2020

  • 基于递归神经网络的因果关系驱动增量多点触控归因

    本文描述了一个实用的多点触控归因（MTA）系统，用于数字广告发行商。实现该系统的方法包括响应模型和信用分配模型使用循环神经网络和 Shapley Values 方法。

    Feb, 2019

  • DCRMTA：多触点归因的无偏因果表征

    该论文提出了一种新颖的综合方法，Deep Causal Representation for MTA（DCRMTA），通过消除混淆变量并从用户中提取与转化相关的特征，重新定义了用户特征对转化的因果关系，并在多样的数据分布中展示了优越的性能，同时有效地对不同的广告渠道进行归因。

    Jan, 2024

  • 多点触摸归因的事件时间框架

    该论文论述了一种基于用户转化行为模型和信用分配算法的多点触控归因（MTA）系统，能够持续处理不完整的数据并捕捉广告效果会随时间改变的特点，可帮助广告商在预算和竞标决策上更好地分配资源。

    Sep, 2020

  • 深度兴趣网络用于点击率预测

    本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

    Jun, 2017

  • 在电子商务广告中使用深度兴趣网络模型预测点击率

    本文提出了一种使用深度兴趣网络（DIN）模型来增强点击率（CTR）预测模型的新方法，特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同，本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比，该方法展现了处理多样化和动态用户数据的优越能力，从而提高广告系统的效率并增加收益。

    Jun, 2024

  • 在定向展示广告中，利用多任务学习建模观众多步转化的时序依赖性

    本文提出了一种自适应信息传递多任务框架，其中使用自适应信息传递模块来模拟受众多步转化之间的序列依赖关系，并使用行为期望校准器来改进最终转换的准确性，该方法已在美团应用中实现，并与其他算法进行了比较。

    May, 2021

  • 注意力网络中的深度特征分析

    该研究提出了一种基于注意力机制的深度神经网络模型解释方法，通过可视化生成的热图分析分类准确性和注意力之间的关系，并证明了使用改进注意力方法可以更好的展示分类器的解释。

    Jan, 2019