094-归因模型：如何来衡量广告的有效性【萌萌家】.pdf

094|归因模型：如何来衡量广告的有效性

2018-07-06洪亮劼来自北京

《AI技术内参》

在互联网广告生态系统的环境中，我们已经分享了不少关于点击率优化和竞价排名以及如何优

化出价的内容。接下来我们开始讨论一些计算广告相关的高级话题。之所以说这些是高级话

题，是因为作为机器学习在计算广告的应用，这些话题往往都比较偏冷，但在现实中又特别有

实用价值。

今天我们先来聊一聊归因模型，这种技术在计算广告业中被广泛使用。

什么是归因模型

归因模型（AttributionModel）是一种计算广告中分配“贡献”的机制。

在现代网站或者应用中，每一个用户都有可能在每一次会话中看到多个不同的广告，或者在多

个不同的会话中看到相同广告的不同展示。那么，当用户点击了某个广告，或者是当用户转化

以后，比如购买了某个商品或是订阅了某种服务，广告商通常希望知道究竟是哪一个广告起了

更大的作用。也就是说，广告商想知道用户接收到的不同广告对这个最后的转化事件都起了什

么作用，这个问题就是归因模型研究的核心。

归因模型之所以重要，是因为这里面牵涉到了广告有效性这个话题。那么，如何来衡量广告的

有效性呢？

衡量广告的有效性，就需要利用归因模型，针对每一个转化来分配“贡献”。这样，对于广告

商来说，就可以通过贡献值的叠加来看某一个渠道或者某一个内容发布平台的转化效果。

然而，归因模型的难点在于，这里面并没有完全的“基本事实”（GroundTruth），全部都

基于一定的假设。同时，归因模型直接关系到广告是否有效的计算，也就关系到我们能否推行

一个“公平”的市场，以及能否防止其他的广告商在整个平台上进行博弈。

那么，现在各个平台普遍都在使用的是什么样的归因模型呢？下面我给你介绍几个最基本的归

因模型。当然了，说这些方法是模型其实也是不够准确的，因为这些方法大多没有理论支撑，

主要是基于经验或者基于传统的方法。

第一种经验方法叫“最后触碰”（LastTouch）。

顾名思义，最后触碰指的就是在转化前的最后一个广告拿走100%的贡献值。这是目前使用

最广泛的归因方法，主要是因为它的简单直观。

我们之前讨论过的所有点击率或者转化率的计算都是基于这个归因方法的。一个可以去博弈

“最后触碰”的方法就是让DSP（需求侧平台）把广告投放给那些已经对品牌或者服务产生

兴趣的人，从而能够以较大的概率获得用户的转化。在这个过程中，广告的投放其实并没有起

作用，而DSP也并没有试图去转化新用户。

举一个例子，如果我们已知一个用户喜欢可口可乐，并且很可能在过去购买过可口可乐，那么

给这个用户展示最新的可口可乐促销广告，就很有可能让这个用户点击广告并购买了一箱促销

的可乐。但是，在这个情况下，我们还可以认为，这个用户很有可能不需要看这个广告也会购

买可乐，所以这个广告其实是浪费了资源。“最后触碰”其实是鼓励了DSP采用更加保守的

投放方式。

既然有“最后触碰”，那肯定就有“第一次触碰”（FirstTouch）的经验方法。这种方式和

“最后触碰”截然相反，那就是只要一个用户最后转化了，那么这个用户第一次看到的广告就

获得了100%的贡献值。尽管用户可能在第一次看到这个广告后还看了其他的广告，但是这

些其他广告都不算数了。“第一次触碰”其实鼓励了DSP尽可能广地投放广告，把广告的投

放当做品牌宣传。

除了这两种比较极端但是被广泛使用的归因方法以外，还有一系列的经验方法，都算是这两种

方法的某种平衡状态。比如一种叫“线性碰触”（LinearTouch）的方法，是给用户在转化的

道路上每一个广告都赋予一样的贡献值。还有一种叫“位置触碰”（PositionBased）的方

法，其实就是“最后触碰”和“第一次触碰”的结合。另外一种经验方法“时间递减”

（TimeDecay），则是按照由远到近，对所有的广告位都给一定的贡献值。离转化事件时间

越近的广告获得的贡献值越多。

总之，你可以看到，这些林林总总的经验方法虽然都比较直观，但是在实践中，都有可能给一

些广告商利用系统进行不公平投放的机会。

基于模型的归因方法

下面我们来看一些具备一定理论基础的归因方法，介绍一个在这方面比较早的探索研究[1]。

在这个研究里，作者们首先介绍了一种叫BaggedLogisticRegression的方法，这个方法

根据当前广告的“触碰”信息，也就是用户看了什么广告，来预测用户是否将会转化。在这个

模型里，所有的特征就是二元的用户是否观看了某个广告的信息，然后标签就是用户是否转

化。通过这些二元的特征学习到的系数就表达了这个广告在这个预测模