面向在线多触点归因的可解释深度学习模型
信息检索
2020-04-02 v1 人工智能
机器学习
摘要
在在线广告中，用户在达成最终交易前可能会接触到一系列不同的广告活动，例如自然搜索、引荐或自然搜索。估算广告活动在用户路径上的贡献非常有意义且至关重要。营销人员可以观察每位客户与不同营销渠道的交互，并相应地调整其投资策略。现有方法包括传统的末次点击方法以及近期用于多触点归因（MTA）问题的数据驱动方法，均缺乏对方法为何有效的充分解释。本文提出一种称为 DeepMTA 的新模型，它结合深度学习模型与加性特征解释模型，用于可解释的在线多触点归因。DeepMTA 主要包含两部分：基于分阶段 LSTM 的转化预测模型以捕捉不同时间间隔，以及结合 Shapley 值的加性特征归因模型。加性特征归因具有解释性，包含一个二元变量的线性函数。作为首个用于 MTA 的可解释深度学习模型，DeepMTA 考虑了客户路径中的三个重要特征：事件序列顺序、事件频率以及事件的时间衰减效应。在真实数据集上的评估表明，所提出的转化预测模型达到了 91% 的准确率。
引用
@article{arxiv.2004.00384,
title = {Interpretable Deep Learning Model for Online Multi-touch Attribution},
author = {Dongdong Yang and Kevin Dyer and Senzhang Wang},
journal= {arXiv preprint arXiv:2004.00384},
year = {2020}
}