基于递归神经网络的因果关系驱动增量多点触控归因
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
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
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
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。
Sep, 2018
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
本文提出 CausalMTA,用于解决 multi-touch attribution 中的 confounding bias 问题,从而学习一个无偏的预测模型,并在多个广告渠道中生成有意义的归因信用。
Dec, 2021
提出了一种实用的 CTR 预测模型 —— 记忆增强型 DNN,该模型通过创建两个外部记忆向量来记住每个用户的历史行为信息,并取得了在离线和在线实验中都表现出良好的绩效。
Jul, 2019
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