KDDDec, 2021

CausalMTA：消除用户混淆偏差的因果多点触摸归因

PDF
TL;DR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。
multi-touch attributionconversion journeyscounterfactual predictionsconfounding biascausal mta
发现论文，激发创造
  • 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

  • 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

  • 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

  • 多通路多触点归因的深度神经网络与注意力模型

    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

  • 因果 ATE 减轻有控制的文本生成中的无意偏差

    通过因果平均处理效应（因果 ATE）方法，研究语言模型中的属性控制。除去数据集中属性的虚假相关性，该方法减少了模型在推理过程中因对虚假相关变量的干扰而产生属性幻觉，并在分类任务中降低了误判的数量，从而解决了去毒化后对特定群体出现的无意识偏见问题。

    Nov, 2023

  • 基于反事实推理的跨领域多模态情感分析

    本文提出了一种基于因果推断的针对 out-of-distribution (OOD) 多模态情感分析的方法，通过引入反事实框架以及考虑多模态语义，分别考虑文本的直接和间接效应，对多模态情感进行可靠的预测并展示了该方法在泛化能力方面的优越性。

    Jul, 2022

  • 基于多点触控归因的在线广告预算分配

    该研究探讨了在线广告的预算分配问题，通过使用多种归因方法来确定子活动的表现，以最大化广告主或活动级别的投资回报率。

    Feb, 2015