[发明专利]多触点广告归因方法、系统、计算机设备和可读存储介质

权利要求书

1.一种多触点广告归因方法，其特征在于，包括：

人群包数据集获取步骤，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率每一人群包中包括J个广告点位；

数据特征提取步骤，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量

模型构建步骤，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；

广告归因步骤，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因；

其中，K、J为自然数，k∈{1,2,...,k}，j∈{1,2,...,J}。

2.根据权利要求1所述的多触点广告归因方法，其特征在于，还包括：

模型评价步骤，基于所述数据集获取每一点位的真实贡献并根据所述真实贡献和预测贡献评估所述半黑盒多触点归因模型。

3.根据权利要求1或2所述的多触点广告归因方法，其特征在于，所述模型构建步骤进一步包括：

关系模型构建步骤，构建用于表示人群包中每一点位和人群包转化率关系的半黑盒多触点归因模型，所述半黑盒多触点归因模型为：

其中，为第k个人群包的预估转化率，为第k个人群包的总曝光，n_j为第j个点位的曝光记录总数，e(·)为通过预测b_j的神经网络，w表示e(·)的网络参数，为k个人群包的第j个点位的第i个曝光记录的曝光数量；

模型参数求解步骤，构建一损失函数并对所述损失函数利用梯度下降法计算得到所述网络参数w及参数a_j。

4.根据权利要求3所述的多触点广告归因方法，其特征在于，所述预测贡献根据以下模型计算获得：

其中，为第j个点位的转化曝光。

5.根据权利要求3所述的多触点广告归因方法，其特征在于，所述损失函数根据以下模型计算获得：

其中，为第k个人群包的预估转化率，为第k个人群包的转化率。

6.一种用于执行权利要求1-5中任一项所述的多触点广告归因方法的多触点广告归因系统，其特征在于，包括：

人群包数据集获取模块，用于获取包括K个人群包的数据集，每一所述人群包对应一人群包的转化率每一人群包中包括J个广告点位；

数据特征提取模块，对所述数据集中每一广告点位进行特征提取，得到每一点位的特征向量

模型构建模块，构建一基于人群包数据的半黑盒多触点归因模型以表示每一点位和人群包转化率之间关系，并基于所述特征向量确定模型参数；

广告归因模块，基于所述半黑盒多触点归因模型计算得到所述数据集中每一所述广告点位的预测贡献，实现广告归因；

其中，K、J为自然数，k∈{1,2,...,K}，j∈{1,2,...,J}。

7.根据权利要求6所述的多触点广告归因系统，其特征在于，还包括：

模型评价模块，基于所述数据集获取每一点位的真实贡献并根据所述真实贡献和预测贡献评估所述半黑盒多触点归因模型。

8.根据权利要求6或7所述的多触点广告归因系统，其特征在于，所述模型构建模块进一步包括：

关系模型构建模块，构建用于表示人群包中每一点位和人群包转化率关系的半黑盒多触点归因模型，所述半黑盒多触点归因模型为：

其中，为第k个人群包的预估转化率，为第k个人群包的总曝光，n_j为第j个点位的曝光记录总数，e(·)为通过预测b_j的神经网络，w表示e(·)的网络参数，为k个人群包的第j个点位的第i个曝光记录的曝光数量；

模型参数求解模块，构建一损失函数并对所述损失函数利用梯度下降法计算得到所述网络参数w及参数a_j。