CausalMTA：消除用户混杂偏倚的因果多触点归因
信息检索
2022-07-22 v2 人工智能
摘要
多触点归因 (MTA) 旨在估计转化路径中每个广告触点的贡献，对预算分配与自动化广告至关重要。现有方法首先用历史数据训练模型以预测广告路径的转化概率，并利用反事实预测计算各触点的归因。这些工作的一个假设是转化预测模型无偏，即它可对任何随机分配的路径（包括事实与反事实路径）给出准确预测。然而，该假设并非总成立，因为曝光的广告是依据用户偏好推荐的。这种用户的混杂偏倚会导致反事实预测中的分布外 (OOD) 问题，并引发归因中的概念漂移。本文中，我们定义因果 MTA 任务并提出 CausalMTA 以消除用户偏好的影响。它系统性地从静态与动态偏好中消除混杂偏倚，利用历史数据学习转化预测模型。我们还提供理论分析证明 CausalMTA 能在充足数据下学习无偏预测模型。在公开数据集与某电商公司曝光数据上的大量实验表明，CausalMTA 不仅比最先进方法取得更优预测性能，还能跨不同广告渠道生成有意义的归因信用。
引用
@article{arxiv.2201.00689,
title = {CausalMTA: Eliminating the User Confounding Bias for Causal Multi-touch Attribution},
author = {Di Yao and Chang Gong and Lei Zhang and Sheng Chen and Jingping Bi},
journal= {arXiv preprint arXiv:2201.00689},
year = {2022}
}
备注
11 pages, 5 figures This paper has been accepted in KDD 2022