面向在线广告的多触点转化归因学习：基于双注意力机制的方法

在在线广告中，互联网用户在被引导至最终销售转化与交易之前，可能经历来自多个渠道（如展示广告、搜索或引荐）的一系列不同广告活动。对于广告主与发布商而言，估算客户旅程（转化漏斗）中广告活动触点的贡献并据此将正确信用分配给相应广告曝光至关重要。然而，现有关于多触点归因问题的研究缺乏利用用户转化前行为（即点击）的原则性方法，且常未能从用户行为数据中建模触点间的序列模式。更糟的是，当前行业实践仅采用一套任意规则作为归因模型，例如流行的末次触点模型将100%信用分配给最终触点而不顾实际归因。本文提出一种用于多触点归因问题的双注意力循环神经网络（DARNN）。它通过注意力机制直接从转化估计目标中学习归因值。为此，我们利用序列到序列预测对用户点击进行建模，并将曝光后归因与点击后归因模式结合以进行最终转化估计。为定量基准评测归因模型，我们还提出了一种新颖且实用的归因评估方案，通过基于估计归因在广告渠道间进行预算分配的代理来实现。在两个真实数据集上的实验结果表明，我们的归因模型相比最先进方法具有显著性能提升。