本技術涉及信息，具體而言，涉及一種廣告投放分析模型的訓練方法以及廣告投放分析方法。

背景技術：

1、近年來，深度學習領域的發展為廣告投放策略帶來了新的機遇。特別是自注意力機制(self-attention?mechanism)的出現，使得模型能夠更好地捕捉數據中的長距離依賴關系。自注意力機制通過計算不同位置之間的關聯性，自動為輸入數據的每個部分分配不同的權重，從而實現對關鍵信息的關注。這一機制在自然語言處理、圖像識別等領域取得了顯著成果，為廣告投放策略的創新提供了技術支持。

2、目前，在現有的廣告投放策略中，主要依賴于傳統的機器學習模型，如邏輯回歸、決策樹等，采用基于用戶歷史行為、興趣偏好和人口統計信息等方法對用戶的歸因進行分析。

3、但是，現有的廣告歸因模型大多采用規則或簡單的機器學習模型，無法捕捉復雜的用戶行為路徑及跨模態數據的關聯。并且，用戶的廣告互動行為因缺少多層次關聯的分析手段，導致歸因不準確，優化效果有限。

技術實現思路

1、本技術的目的在于，針對上述現有技術中的不足，提供一種廣告投放分析模型的訓練方法以及廣告投放分析方法，可以顯著提升廣告投放分析模型用戶轉化預測的準確性以及廣告投放的優化效率。

2、為實現上述目的，本技術實施例采用的技術方案如下：

3、第一方面，本技術一實施例提供了一種廣告投放分析模型的訓練方法，所述方法包括：

4、獲取樣本數據集，所述樣本數據集中包括：多個用戶的目標樣本行為數據，每個用戶的目標樣本行為數據包括：所述每個用戶在目標廣告觸點下的用戶行為序列、上下文信息以及實際轉化標簽；所述實際轉化標簽用于指示所述每個用戶在所述上下文信息下針對所述目標廣告觸點執行所述用戶行為序列后，是否完成廣告轉化；

5、采用初始廣告投放分析模型對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到所述目標樣本行為數據對應的預測轉化標簽；

6、根據所述實際轉化標簽和所述預測轉化標簽，對所述初始廣告投放分析模型進行調參，得到廣告投放分析模型。

7、可選地，所述獲取樣本數據集，包括：

8、獲取所述每個用戶的多組原始行為數據，每組原始行為數據包括：所述每個用戶在所述目標廣告觸點下的歷史行為數據、用戶基本信息、廣告特征數據以及歷史轉化事件；

9、對所述多組原始行為數據進行特征處理，得到所述每個用戶的多組初始樣本行為數據；

10、根據所述每個用戶的多組初始樣本行為數據，生成所述每個用戶的目標樣本行為數據；

11、根據所述多個用戶的目標樣本行為數據，構建所述樣本數據集。

12、可選地，所述對所述多組原始行為數據進行特征處理，得到所述每個用戶的多組初始樣本行為數據，包括：

13、按時間順序，對所述每組原始行為數據中的歷史行為數據中的各行為進行排序，得到所述每組原始行為數據對應的用戶行為序列；

14、對所述每組原始行為數據中的用戶基本信息和廣告特征進行特征變換處理，得到所述每組原始行為數據對應的上下文信息；

15、根據所述每組原始行為數據中的轉化事件，得到所述每組原始行為數據對應的實際轉化標簽；

16、根據所述用戶行為序列、所述上下文信息以及所述實際轉化標簽，生成所述每個用戶的一組初始樣本行為數據。

17、可選地，所述根據所述每個用戶的多組初始樣本行為數據，生成所述每個用戶的目標樣本行為數據，包括：

18、根據所述每個用戶的多組初始樣本行為數據，計算所述每個用戶的行為權重；

19、根據所述每個用戶的行為權重，從所述每個用戶的多組初始樣本行為數據中確定對應數量的初始樣本行為數據作為所述每個用戶的目標樣本行為數據。

20、可選地，所述根據所述每個用戶的多組初始樣本行為數據，計算所述每個用戶的行為權重，包括：

21、根據所述每個用戶的多組初始樣本行為數據中的用戶行為序列，計算所述每個用戶的行為活躍指標；

22、根據所述每個用戶的多組初始樣本行為數據中的實際轉化標簽，計算所述每個用戶的歷史轉化指標；

23、根據所述行為活躍指標和所述歷史轉化指標，計算所述每個用戶的行為權重。

24、可選地，所述方法還包括：

25、對所述每個用戶的目標樣本行為數據中的用戶行為序列中的行為進行隨機刪除或者行為順序進行修改，得到所述每個用戶的新的樣本行為數據；

26、將所述每個用戶的新的樣本行為數據添加至所述樣本數據集中。

27、可選地，所述采用初始廣告投放分析模型對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到所述每組樣本用戶行為數據對應的預測轉化標簽之前，所述方法還包括：

28、采用圖神經網絡，對所述每個用戶的目標樣本行為數據中的上下文信息進行結構化處理，得到所述每個用戶的結構化上下文特征；

29、對所述每個用戶的結構化上下文特征和用戶行為序列進行特征融合，得到所述每個用戶的融合行為特征；

30、所述采用初始廣告投放分析模型對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到所述目標樣本行為數據對應的預測轉化標簽，包括：

31、采用所述初始廣告投放分析模型對所述每個用戶的融合行為特征進行預測，得到所述目標樣本行為數據對應的預測轉化標簽。

32、可選地，所述初始廣告投放分析模型包括：輸入層、編碼層和輸出層；

33、所述采用初始廣告投放分析模型對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到所述目標樣本行為數據對應的預測轉化標簽，包括：

34、采用所述輸入層，對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行特征轉化，得到所述目標樣本行為數據對應的用戶行為特征向量和上下文特征向量；

35、采用所述編碼層，基于所述用戶行為特征向量和所述上下文特征向量，得到所述目標樣本行為數據對應所述目標廣告觸點下的轉化歸因概率；

36、采用所述輸出層，根據所述目標廣告觸點下的轉化歸因概率，確定所述目標廣告觸點的轉化歸因概率分布，并根據所述轉化歸因概率分布確定所述目標樣本行為數據對應的預測轉化標簽。

37、可選地，所述編碼層包括：觸點級注意力模塊、會話級注意力模塊、用戶級注意力模塊以及概率計算模塊；所述采用所述編碼層，基于所述用戶行為特征向量和所述上下文特征向量，得到所述目標樣本行為數據對應的預測轉化標簽，以及所述目標廣告觸點下的轉化歸因概率，包括：

38、采用所述觸點級注意力模塊，根據所有用戶在每個所述目標廣告觸點下所述用戶行為特征向量和所述上下文特征向量，計算每個所述目標廣告觸點的觸點級權重；

39、采用所述會話級注意力模塊，根據所有用戶在所有所述目標廣告觸點下所述用戶行為特征向量和所述上下文特征向量，計算所有所述目標廣告觸點的會話級權重；

40、采用所述用戶級注意力模塊，根據每個用戶在所有所述目標廣告觸點下所述用戶行為特征向量和所述上下文特征向量，計算所述每個用戶的用戶級權重；

41、采用所述概率計算模塊，根據所述目標廣告觸點的觸點級權重、所述目標廣告觸點的會話級權重以及所述每個用戶的用戶級權重，計算所述每個用戶在每個所述目標廣告觸點下的轉化歸因概率。

42、第二方面，本技術另一實施例提供了一種廣告投放分析方法，所述方法包括：獲取當前用戶在目標廣告觸點的當前行為數據，所述當前行為數據包括：當前行為序列以及當前上下文信息；

43、采用廣告投放分析模型，對所述當前行為序列以及所述當前上下文信息進行處理，得到所述當前用戶在所述目標廣告觸點下的轉化預測結果以及轉化歸因概率，其中，所述廣告投放分析模型為上述第一方面所述方法訓練得到的所述廣告投放分析模型。

44、第三方面，本技術另一實施例提供了一種廣告投放分析模型的訓練裝置，所述裝置包括：

45、獲取模塊，用于獲取樣本數據集，所述樣本數據集中包括：多個用戶的目標樣本行為數據，每個用戶的目標樣本行為數據包括：所述每個用戶在目標廣告觸點下的用戶行為序列、上下文信息以及實際轉化標簽；所述實際轉化標簽用于指示所述每個用戶在所述上下文信息下針對所述目標廣告觸點執行所述用戶行為序列后，是否完成廣告轉化；

46、預測模塊，用于采用初始廣告投放分析模型對所述每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到所述目標樣本行為數據對應的預測轉化標簽；

47、確定模塊，用于根據所述實際轉化標簽和所述預測轉化標簽，對所述初始廣告投放分析模型進行調參，得到廣告投放分析模型。

48、第四方面，本技術另一實施例提供了一種計算機設備，包括：處理器、存儲介質和總線，所述存儲介質存儲有所述處理器可執行的機器可讀指令，當計算機設備運行時，所述處理器與所述存儲介質之間通過總線通信，所述處理器執行所述機器可讀指令，以執行如上述第一方面任一所述方法的步驟。

49、第五方面，本技術另一實施例提供了一種存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器運行時執行如上述第一方面任一所述方法的步驟。

50、本技術的有益效果是：

51、本技術提供一種廣告投放分析模型的訓練方法以及廣告投放分析方法，通過獲取樣本數據，樣本數據集中包括：多個用戶的目標樣本行為數據，每個用戶的目標樣本行為數據包括：每個用戶在目標廣告觸點下的用戶行為序列、上下文信息以及實際轉化標簽。采用初始廣告投放分析模型對每個用戶的目標樣本行為數據中的用戶行為序列和上下文信息進行預測，得到目標樣本行為數據對應的預測轉化標簽；根據實際轉化標簽和預測轉化標簽，對初始廣告投放分析模型進行調參，得到廣告投放分析模型。本技術利用每個用戶在目標廣告觸點下的用戶行為序列、上下文信息以及實際轉化標簽，通過初始廣告投放分析模型實現對目標廣告觸點下的用戶行為序列、上下文信息的歸因分析，并根據歸因分析結果與實際轉換標簽比對確定廣告投放分析模型，可以顯著提升廣告投放分析模型用戶轉化預測的準確性以及廣告投放的優化效率。