具有注意力机制的多通道多触点归因深度神经网络
机器学习
2018-09-10 v1 机器学习
摘要
客户在购买或订阅产品（即转化）的过程中，通常会接触到电子邮件营销、展示广告、付费搜索引擎营销等在线数字广告渠道。营销人员追踪所有客户旅程数据，并试图衡量各广告渠道的有效性。关于各渠道影响的推断在预算分配与库存定价决策中起着重要作用。若干简单的基于规则的策略和数据驱动的算法策略已广泛应用于营销领域，但它们未能解决渠道交互、时间依赖、用户特征等问题。本文提出一种基于深度学习的新归因算法以评估各广告渠道的影响。我们以监督学习形式提出具有注意力的深度神经网络多触点归因模型（DNAMTA），用于预测一系列事件是否导致转化，从而深入理解媒体渠道间的动态交互效应。DNAMTA 还将用户人口统计与行为等用户情境信息作为控制变量，以降低媒体效应的估计偏差。我们利用大规模真实世界营销数据集的计算实验表明，所提模型在转化预测与媒体渠道影响评估上均优于现有方法。
引用
@article{arxiv.1809.02230,
title = {Deep Neural Net with Attention for Multi-channel Multi-touch Attribution},
author = {Ning li and Sai Kumar Arava and Chen Dong and Zhenyu Yan and Abhishek Pani},
journal= {arXiv preprint arXiv:1809.02230},
year = {2018}
}
备注
6 pages ; It got published in AdKDD 2018 workshop as part of KDD 2018