本技術(shù)涉及數(shù)據(jù)處理，特別是涉及一種多渠道的廣告效果歸因評(píng)估方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著數(shù)字化營(yíng)銷的興起和互聯(lián)網(wǎng)廣告的普及，廣告投放已成為企業(yè)獲取客戶和提升品牌曝光的重要手段。然而，隨著廣告渠道的增多和用戶行為的復(fù)雜性，如何準(zhǔn)確評(píng)估廣告效果成為廣告主們面臨的挑戰(zhàn)之一。

2、在過去，廣告效果的評(píng)估主要依賴于規(guī)則或直覺。例如，通過“最后一次點(diǎn)擊”或“平均分配”方式評(píng)估各廣告渠道的廣告效果。然而，這些方法忽略了用戶與廣告的多次互動(dòng)以及廣告對(duì)用戶行為的長(zhǎng)期影響，導(dǎo)致對(duì)廣告效果的評(píng)估不夠準(zhǔn)確和全面。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問題，提供一種多渠道的廣告效果歸因評(píng)估方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，能夠全面評(píng)估廣告效果的歸因以及提高廣告效果歸因的評(píng)估的準(zhǔn)確度。

2、一種多渠道的廣告效果歸因評(píng)估方法，包括：獲取目標(biāo)廣告在多個(gè)廣告渠道中各第一用戶產(chǎn)生的歷史行為數(shù)據(jù)以及各歷史行為數(shù)據(jù)對(duì)應(yīng)的用戶設(shè)備信息；基于各用戶設(shè)備信息識(shí)別出各歷史行為數(shù)據(jù)對(duì)應(yīng)的第一用戶；獲取任意第一用戶的各廣告渠道的多個(gè)歷史行為數(shù)據(jù)并基于多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度獲取深度學(xué)習(xí)模型；獲取任意第一用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值；通過任意第一用戶的多個(gè)歷史行為數(shù)據(jù)和在各廣告渠道中目標(biāo)廣告的廣告效果歸因值對(duì)深度學(xué)習(xí)模型進(jìn)行模型訓(xùn)練，得到已訓(xùn)練的深度學(xué)習(xí)模型；在獲取到任意第二用戶對(duì)目標(biāo)廣告的多個(gè)當(dāng)前行為數(shù)據(jù)且基于多個(gè)當(dāng)前行為數(shù)據(jù)的廣告行為復(fù)雜度確定出已訓(xùn)練的深度學(xué)習(xí)模型時(shí)，將多個(gè)當(dāng)前行為數(shù)據(jù)輸入已訓(xùn)練的深度學(xué)習(xí)模型，得到任意第二用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值，任一廣告效果歸因值均用于評(píng)估廣告效果。

3、在其中一個(gè)實(shí)施例中，多個(gè)廣告渠道包括短視頻渠道、應(yīng)用市場(chǎng)渠道、搜索引擎渠道以及小程序渠道中任意多項(xiàng)，多個(gè)歷史行為數(shù)據(jù)包括歷史點(diǎn)擊行為數(shù)據(jù)、歷史曝光行為數(shù)據(jù)、歷史下載行為數(shù)據(jù)、歷史注冊(cè)行為數(shù)據(jù)以及歷史授信行為數(shù)據(jù)中的任意多項(xiàng)；各歷史行為數(shù)據(jù)對(duì)應(yīng)的用戶設(shè)備信息通過在識(shí)別到發(fā)生各歷史行為時(shí)采集用戶設(shè)備中的設(shè)備信息得到。

4、在其中一個(gè)實(shí)施例中，一種多渠道的廣告效果歸因評(píng)估方法還包括：獲取任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的數(shù)據(jù)量以及各歷史行為數(shù)據(jù)產(chǎn)生的時(shí)間間隔；根據(jù)數(shù)據(jù)量和時(shí)間間隔確定任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度。

5、在其中一個(gè)實(shí)施例中，基于多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度獲取深度學(xué)習(xí)模型，包括：若任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第一復(fù)雜度，則獲取到的深度學(xué)習(xí)模型為rnn模型；若任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第二復(fù)雜度，則獲取到的深度學(xué)習(xí)模型為lstm模型；若任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第三復(fù)雜度，則獲取到的深度學(xué)習(xí)模型為transformer模型；其中，第一復(fù)雜度小于第二復(fù)雜度，第二復(fù)雜度小于第三復(fù)雜度。

6、在其中一個(gè)實(shí)施例中，根據(jù)數(shù)據(jù)量和時(shí)間間隔確定目標(biāo)用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度，包括：獲取第一復(fù)雜度對(duì)應(yīng)的第一數(shù)據(jù)量閾值和第一時(shí)間間隔閾值、第二復(fù)雜度對(duì)應(yīng)的第二數(shù)據(jù)量閾值和第二時(shí)間間隔閾值，以及第三復(fù)雜度對(duì)應(yīng)的第三數(shù)據(jù)量閾值和第三時(shí)間間隔閾值，其中第一數(shù)據(jù)量閾值小于第二數(shù)據(jù)量閾值，第二數(shù)據(jù)量閾值小于第三數(shù)據(jù)量閾值，第一時(shí)間間隔閾值小于第二時(shí)間間隔閾值，第二時(shí)間間隔閾值小于第三時(shí)間間隔閾值；在任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的數(shù)據(jù)量小于或等于第一數(shù)據(jù)量閾值，和/或，各歷史行為數(shù)據(jù)產(chǎn)生的時(shí)間間隔小于或等于第一時(shí)間間隔閾值時(shí)，確定任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第一復(fù)雜度；在任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的數(shù)據(jù)量大于第一數(shù)據(jù)量閾值且小于或等于第二數(shù)據(jù)量閾值，和/或，各歷史行為數(shù)據(jù)產(chǎn)生的時(shí)間間隔大于第一時(shí)間間隔閾值且小于或等于第二時(shí)間間隔閾值時(shí)，確定任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第二復(fù)雜度；在任意第一用戶的多個(gè)歷史行為數(shù)據(jù)的數(shù)據(jù)量大于第二數(shù)據(jù)量閾值且小于或等于第三數(shù)據(jù)量閾值，和/或，各歷史行為數(shù)據(jù)產(chǎn)生的時(shí)間間隔大于第二時(shí)間間隔閾值且小于或等于第三時(shí)間間隔閾值時(shí)，確定目標(biāo)用戶的多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度為第三復(fù)雜度。

7、在其中一個(gè)實(shí)施例中，得到已訓(xùn)練的深度學(xué)習(xí)模型的步驟之后，方法還包括：預(yù)設(shè)時(shí)長(zhǎng)后獲取目標(biāo)廣告在各廣告渠道中產(chǎn)生的目標(biāo)行為數(shù)據(jù)以及各目標(biāo)行為數(shù)據(jù)對(duì)應(yīng)的目標(biāo)用戶設(shè)備信息；基于各目標(biāo)用戶設(shè)備信息識(shí)別出各目標(biāo)行為數(shù)據(jù)對(duì)應(yīng)的第三用戶；獲取各第三用戶的各廣告渠道的多個(gè)目標(biāo)行為數(shù)據(jù)；基于各第三用戶的多個(gè)目標(biāo)行為數(shù)據(jù)的廣告行為復(fù)雜度篩選出多個(gè)目標(biāo)第三用戶；將各目標(biāo)第三用戶的多個(gè)目標(biāo)行為數(shù)據(jù)輸入已訓(xùn)練的深度學(xué)習(xí)模型，得到各目標(biāo)第三用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值；獲取目標(biāo)廣告的廣告投放策略并從廣告投放策略中獲取各廣告渠道的投放成本；根據(jù)各廣告渠道的投放成本和各目標(biāo)第三用戶對(duì)應(yīng)的廣告效果歸因值計(jì)算出各廣告渠道的獲客單價(jià)；基于各廣告渠道的獲客單價(jià)調(diào)整已訓(xùn)練的深度學(xué)習(xí)模型的模型參數(shù)，調(diào)整模型參數(shù)后的深度學(xué)習(xí)模型用于對(duì)用戶在各廣告渠道的目標(biāo)廣告的廣告效果歸因值進(jìn)行評(píng)估。

8、在其中一個(gè)實(shí)施例中，得到各目標(biāo)第三用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值的步驟之后，還包括：基于各目標(biāo)第三用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值對(duì)目標(biāo)廣告的廣告投放策略進(jìn)行調(diào)整。

9、一種多渠道的廣告效果歸因評(píng)估裝置，包括：第一獲取模塊，用于獲取目標(biāo)廣告在多個(gè)廣告渠道中各第一用戶產(chǎn)生的歷史行為數(shù)據(jù)以及各歷史行為數(shù)據(jù)對(duì)應(yīng)的用戶設(shè)備信息；識(shí)別模塊，用于基于各用戶設(shè)備信息識(shí)別出各歷史行為數(shù)據(jù)對(duì)應(yīng)的第一用戶；第二獲取模塊，用于獲取任意第一用戶的各廣告渠道的多個(gè)歷史行為數(shù)據(jù)并基于多個(gè)歷史行為數(shù)據(jù)的廣告行為復(fù)雜度獲取深度學(xué)習(xí)模型；第三獲取模塊，用于獲取任意第一用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值；模型訓(xùn)練模塊，用于通過任意第一用戶的多個(gè)歷史行為數(shù)據(jù)和在各廣告渠道中目標(biāo)廣告的廣告效果歸因值對(duì)深度學(xué)習(xí)模型進(jìn)行模型訓(xùn)練，得到已訓(xùn)練的深度學(xué)習(xí)模型；評(píng)估模塊，用于在獲取到任意第二用戶對(duì)目標(biāo)廣告的多個(gè)當(dāng)前行為數(shù)據(jù)且基于多個(gè)當(dāng)前行為數(shù)據(jù)的廣告行為復(fù)雜度確定出已訓(xùn)練的深度學(xué)習(xí)模型時(shí)，將多個(gè)當(dāng)前行為數(shù)據(jù)輸入已訓(xùn)練的深度學(xué)習(xí)模型，得到任意第二用戶在各廣告渠道中目標(biāo)廣告的廣告效果歸因值，任一廣告效果歸因值均用于評(píng)估廣告效果。

10、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任一實(shí)施例方法的步驟。

11、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一實(shí)施例方法的步驟。

12、上述一種多渠道的廣告效果歸因評(píng)估方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)，基于用戶在各個(gè)廣告渠道的歷史行為數(shù)據(jù)的廣告行為復(fù)雜度選擇對(duì)應(yīng)的深度學(xué)習(xí)模型，并對(duì)選擇的深度學(xué)習(xí)模型進(jìn)行模型訓(xùn)練，訓(xùn)練后的深度學(xué)習(xí)模型能夠在后續(xù)的應(yīng)用中學(xué)習(xí)到任意用戶在各個(gè)廣告渠道的當(dāng)前行為數(shù)據(jù)并確定出各廣告渠道的廣告效果歸因值，因此能夠更全面地分析用戶與廣告的互動(dòng)情況，不僅考慮最后一次點(diǎn)擊的廣告渠道，還能綜合考慮用戶通過多個(gè)廣告渠道與廣告進(jìn)行互動(dòng)的情況，訓(xùn)練后的深度學(xué)習(xí)模型可以從海量數(shù)據(jù)中學(xué)習(xí)到不同廣告渠道之間的復(fù)雜關(guān)系，從而更準(zhǔn)確地評(píng)估每個(gè)廣告渠道對(duì)廣告轉(zhuǎn)化的貢獻(xiàn)。