1、基于数据驱动和深度学习的多触点广告效果归因基于数据驱动和深度学习的多触点广告效果归因团队介绍京东广告数据部京东广告数据部京东硅谷研发中心京东硅谷研发中心斯坦福大学斯坦福大学概要 京东：中国最大的自营式电商企业，优秀的广告提供商优秀的广告提供商首焦广告搜索广告展示类推荐广告首焦广告搜索广告展示类推荐广告广告效果：广告主的仪表盘“我知道广告投放有一半是无用的，但问题是，我不知道是哪一半”-百货业之父 约翰沃纳梅克.哪些广告位值得关注？最近投放的广告效果怎样？Ad2Ad3Ad1怎样获得最佳的投放效果？广告效果评估方法广告效果评估方法腾讯朋友圈广告站内搜索广告站内商详页广告用户下单功劳 简单易实现，有

2、定参考价值 缺乏完备的理论基础基于规则的(最后触点，最先触点)精设计的分配公式，有些良好性质 不符合公平4原则基于统计的边际贡献 符合公平4原则 数据稀疏导致沙普利值有偏基于统计的沙普利值播放广告效果评估制定策略投放广告沙普利值沙普利值是作参与者的集合,表某个成员 表参与成员为 时的实际收益那么，公平的分配式 需满：对称性()=+()if =空成员=0if =有效性0()=()线性+=+()=340!1!()沙普利值和尚挑水：一休每天能单独挑水2桶，方丈每天能单独挑水3桶，有一天，一休和方丈合作挑了6桶水，问一休和方丈每个人能分多少水？没人挑水0桶一休2桶方丈3桶一休+方丈6桶一休分到的水=(

3、一休+方丈)(方丈)+=(一休)(没人挑水)=6 3+=2 0=2.5桶方丈分到的水=(一休+方丈)(一休)+=(方丈)(没人挑水)=6 2+0令为JK/,的一个子集，那么我们定义34WXY/S,T!JK 1!|JK|,Ceteris paribus用户实际的广告序列除去同品牌广告以外的用户的广告序列构建的方法个数时,的边际贡献沙普利值：广告归因=pos1pos2pos1pos2BrandA1020BrandB0104JK：JK=,pos2,t=,pos2 t=pos1pos2pos1pos2BrandA1000BrandB0100S=t,pos2 t=pos1pos2pos1pos2Bran

4、dA1000BrandB0104 t=,pos2：t=,pos2=t,pos2,t=,pos2 沙普利值：数据稀疏与缺失计算“站内商详页广告”的边际贡献需要得到 广告序列符合情景1(|广告序列符合情景2)问题问题1.未必能找到用户符合需要的情景下广告序列2.数据量也未必符合统计要求3.庞大的数据收集和计算量方案方案：深度模型！腾讯朋友圈广告站内搜索广告站内商详页广告用户下单腾讯朋友圈广告站内搜索广告用户下单情景1:情景2:结合深度模型结合深度模型一个尽可能还原用户购买场景的response model应考虑广告强度广告衰减广告序列效应竞品广告用户异质性结合深度模型：广告强度结合深度模型：广告衰

5、减结合深度模型：竞品广告结合深度模型：用户异质性模型更倾向于拟合这条粗线不同的用户对于不同的用户对于广告的反应不同广告的反应不同模型加入用户属性结合深度模型：流程设计?LSTM Cell?计算沙普利值并得到最终归因结果使用模型进行模拟收集数据训练深度模型结合深度模型：RNNxitxitptpth(bw)i,th(bw)i,teYi,teYi,tW(1)1W(1)1W(1)3W(1)3didid0id0iW(1)5W(1)5?Yi,tYi,tLi,tLi,tlog lossW(2)1W(2)1W(2)3W(2)3h(fw)i,th(fw)i,tW(1)2W(1)2W(1)4W(1)4W(2)2W

6、(2)2V1V1V2V2广告序列品牌属性用户属性Bi-lstm大规模计算和实验效果大规模计算和实验效果覆盖京东所有类目和品牌的归因系统训练训练亿级数据/天分布式TensorFlow（10+GPU）性能及运维多模型系统模拟和归因模拟和归因百亿级模拟计算/天分布式TensorFlow（100+GPU）分布式算法活跃用户归因算法优化大规模计算和实验效果：算法优化0j2WXYa(,1)j(|WXY|,|JK|)(JK|)映射主动更新减少模拟次数近似计算egWXY!a采样ehih(,1)j(|WXY|,|JK|)更新大规模计算和实验效果：增量主要靠广告广告带来的订单主要靠非广告因素非广告因素带来的订单大

7、规模计算和实验效果：分布对比沙普利值分配更加均匀京准通MTA产品京准通MTA产品强大的产品团队支持专业精美京准通MTA产品京准通MTA产品 理论优势公平（对称性，空成员，有效性，线性，增量）深度模型设计无偏的沙普利值，高效的计算方法 产品优势可视化报表可视化报表触点，人群，品类对比触点，人群，品类对比业界领先业界领先用户渗透率用户渗透率70%+未渗透用户30%渗透用户70%参考文献Roth,Alvin E.,ed.(1988).The Shapley Value:Essays in Honor of Lloyd S.Shapley.Cambridge:Cambridge University Press.doi:10.1017/CBO9780511528446Ruihuan Du,Yu Zhong,Harikesh S.Nair,Bo Cui,and Ruyang Shou.2019.Causally Driven Incremental Multi Touch Attribution Using a Recurrent Neural Network.In Proceedings of ACM Woodstock con-ference,Anchorage,Alaska USA,August 2019(ADKDD19)