基于循环神经网络的因果驱动增量式多触点归因
机器学习
2019-02-07 v3 机器学习
摘要
本文描述了一种供数字广告发布商使用的多触点归因（MTA）实用系统。我们为京东（JD.com，一家电子商务公司，同时也是中国的数字广告发布商）开发了该系统。该方法分为两步。第一步（"响应建模"）拟合一个用户级模型，将产品购买表示为用户广告曝光的函数。第二步（"功劳分配"）利用拟合模型，将观测到的由广告带来的购买增量部分，分配给用户在过去 T 天内曝光的广告。为实现第一步，我们在用户级转化与曝光数据上训练循环神经网络（RNN）。RNN 的优势在于能以半参数方式灵活处理数据中的序列依赖。我们所实现的具体 RNN 形式捕捉了广告强度、时机、竞争以及用户异质性的影响，这些已知与广告响应相关。为实现第二步，我们计算 Shapley 值，其优势在于具有公理化基础并满足公平性考量。我们所实现的具体 Shapley 值形式通过将对转化的整体增量提升分配给曝光广告，同时处理曝光对观测结果的序列依赖，从而尊重增量性。该系统已在京东投入生产，并能扩展以处理平台上问题的高维性（对约 3 亿用户的订单、约 16 万个品牌、200 多种广告类型进行归因，在典型的 15 天周期内投放约 8000 亿次广告曝光）。
引用
@article{arxiv.1902.00215,
title = {Causally Driven Incremental Multi Touch Attribution Using a Recurrent Neural Network},
author = {Ruihuan Du and Yu Zhong and Harikesh Nair and Bo Cui and Ruyang Shou},
journal= {arXiv preprint arXiv:1902.00215},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1506.00019 by other authors