本發(fā)明涉及信息推送技術(shù)，尤其涉及基于用戶行為的運營數(shù)據(jù)歸因比例回傳分發(fā)方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)有的運營數(shù)據(jù)歸因技術(shù)中，最常見的方法包括最后點擊歸因（last?clickattribution）和線性歸因（linear?attribution）。這些方法雖然簡單易行，但存在明顯的局限性：

2、最后點擊歸因：此方法將全部歸因功效賦予用戶最后一次點擊的運營數(shù)據(jù)，忽略了用戶在決策過程中接觸的其他運營數(shù)據(jù)觸點。這種方法過于簡化，不能準(zhǔn)確反映運營數(shù)據(jù)的全面效果。

3、線性歸因：此方法將歸因均勻分配給所有觸點，雖然比最后點擊歸因公平，但仍然無法準(zhǔn)確反映各觸點的實際影響力。

4、這些傳統(tǒng)方法的主要缺點在于無法精確評估各運營數(shù)據(jù)觸點對用戶決策的實際貢獻，導(dǎo)致運營數(shù)據(jù)預(yù)算分配不準(zhǔn)確，影響運營數(shù)據(jù)投放的效率和效果。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供基于用戶行為的運營數(shù)據(jù)歸因比例回傳分發(fā)方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實施例的第一方面，

3、提供基于用戶行為的運營數(shù)據(jù)歸因比例回傳分發(fā)方法，包括：

4、通過部署在客戶端的追蹤代碼，實時收集用戶對運營數(shù)據(jù)的點擊、觀看時長的行為數(shù)據(jù)；將所述行為數(shù)據(jù)傳輸至服務(wù)器端的數(shù)據(jù)處理中心；在所述數(shù)據(jù)處理中心對所述行為數(shù)據(jù)進行預(yù)處理，包括：刪除缺失值和重復(fù)數(shù)據(jù)，將時間戳轉(zhuǎn)換為統(tǒng)一格式；

5、從預(yù)處理后的行為數(shù)據(jù)中提取特征，所述特征包括用戶活躍時間段、點擊強度和停留時間；構(gòu)建特征矩陣x和目標(biāo)變量y，其中x包含所提取的特征，y表示用戶的轉(zhuǎn)化結(jié)果；利用機器學(xué)習(xí)模型對所述特征矩陣x和目標(biāo)變量y進行訓(xùn)練，得到各運營數(shù)據(jù)觸點的貢獻權(quán)重；基于所述貢獻權(quán)重，結(jié)合時間衰減馬爾可夫模型計算每個運營數(shù)據(jù)觸點的歸因比例；

6、將計算得到的歸因比例通過加密的api接口實時回傳給運營數(shù)據(jù)平臺和運營數(shù)據(jù)主；運營數(shù)據(jù)平臺和運營數(shù)據(jù)主根據(jù)接收到的歸因比例，動態(tài)調(diào)整運營數(shù)據(jù)投放策略和預(yù)算分配。

7、在一種可選的實施方式中，

8、利用機器學(xué)習(xí)模型對所述特征矩陣x和目標(biāo)變量y進行訓(xùn)練，得到各運營數(shù)據(jù)觸點的貢獻權(quán)重包括：

9、將用戶行為數(shù)據(jù)集按照預(yù)設(shè)比例隨機劃分為訓(xùn)練集和測試集；對特征矩陣進行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化特征矩陣；

10、初始化隨機森林模型和梯度提升決策樹模型，并設(shè)置初始超參數(shù)；利用訓(xùn)練集數(shù)據(jù)對隨機森林模型和梯度提升決策樹模型進行訓(xùn)練；

11、使用測試集評估隨機森林模型和梯度提升決策樹模型的性能，計算均方根誤差和判定系數(shù)；通過網(wǎng)格搜索和交叉驗證方法優(yōu)化隨機森林模型和梯度提升決策樹模型的超參數(shù)；從優(yōu)化后的隨機森林模型和梯度提升決策樹模型中提取特征重要性；對隨機森林模型和梯度提升決策樹模型的特征重要性進行歸一化處理；將歸一化后的隨機森林模型和梯度提升決策樹模型的特征重要性進行加權(quán)平均，得到集成特征重要性；

12、建立特征與運營數(shù)據(jù)觸點之間的映射關(guān)系；根據(jù)集成特征重要性和特征與運營數(shù)據(jù)觸點的映射關(guān)系，計算每個運營數(shù)據(jù)觸點的貢獻權(quán)重；對得到的運營數(shù)據(jù)觸點貢獻權(quán)重進行歸一化處理，得到最終的運營數(shù)據(jù)觸點貢獻權(quán)重。

13、在一種可選的實施方式中，

14、基于所述貢獻權(quán)重，結(jié)合時間衰減馬爾可夫模型計算每個運營數(shù)據(jù)觸點的歸因比例包括：

15、基于用戶行為序列構(gòu)建運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣，所述運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣中的元素表示從一個運營數(shù)據(jù)觸點到另一個運營數(shù)據(jù)觸點的轉(zhuǎn)移概率；引入時間衰減函數(shù)，所述時間衰減函數(shù)為指數(shù)衰減函數(shù)，其中衰減參數(shù)通過交叉驗證確定；將所述時間衰減函數(shù)應(yīng)用于所述運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣，得到衰減后的運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣，其中衰減后的轉(zhuǎn)移概率為原轉(zhuǎn)移概率與時間衰減因子的乘積；

16、使用冪迭代法求解所述衰減后的運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣的穩(wěn)態(tài)分布；基于所述穩(wěn)態(tài)分布和預(yù)先確定的運營數(shù)據(jù)觸點貢獻權(quán)重，計算每個運營數(shù)據(jù)觸點的歸因比例。

17、在一種可選的實施方式中，

18、所述方法還包括：

19、對所述衰減后的運營數(shù)據(jù)觸點轉(zhuǎn)移概率矩陣進行平滑處理，以避免零概率問題；

20、構(gòu)建多階馬爾可夫鏈，以捕捉更長歷史狀態(tài)下的用戶行為模式；使用網(wǎng)格搜索或貝葉斯優(yōu)化方法自適應(yīng)選擇最優(yōu)的時間衰減參數(shù)；

21、計算模型對測試數(shù)據(jù)的對數(shù)似然度，評估模型的擬合程度；使用所述模型預(yù)測下一個可能的運營數(shù)據(jù)觸點，并計算預(yù)測準(zhǔn)確率。

22、在一種可選的實施方式中，

23、將計算得到的歸因比例通過加密的api接口實時回傳給運營數(shù)據(jù)平臺和運營數(shù)據(jù)主；運營數(shù)據(jù)平臺和運營數(shù)據(jù)主根據(jù)接收到的歸因比例，動態(tài)調(diào)整運營數(shù)據(jù)投放策略和預(yù)算分配包括：

24、利用非對稱加密算法rsa對運營數(shù)據(jù)觸點歸因結(jié)果進行加密，得到加密后的歸因結(jié)果；通過restful?api接口接收所述加密后的歸因結(jié)果，并將所述加密后的歸因結(jié)果轉(zhuǎn)發(fā)至消息隊列；

25、利用apache?kafka作為所述消息隊列，確保高吞吐量和低延遲地處理所述加密后的歸因結(jié)果；使用apache?flink對所述消息隊列中的加密后的歸因結(jié)果進行實時數(shù)據(jù)處理，包括解密所述加密后的歸因結(jié)果和進行初步分析；

26、基于解密后的歸因結(jié)果，利用策略優(yōu)化引擎生成運營數(shù)據(jù)投放策略優(yōu)化建議，所述優(yōu)化建議包括預(yù)算分配方案和出價策略；通過實時反饋機制將所述優(yōu)化建議發(fā)送給運營數(shù)據(jù)平臺和運營數(shù)據(jù)主；

27、利用redis緩存頻繁訪問的歸因結(jié)果數(shù)據(jù)，減少數(shù)據(jù)庫查詢壓力；實現(xiàn)自適應(yīng)批處理機制，根據(jù)系統(tǒng)負(fù)載動態(tài)調(diào)整批處理大小，其中初始批處理大小為100，最大批處理大小為1000；

28、實現(xiàn)多租戶數(shù)據(jù)隔離，確保不同運營數(shù)據(jù)主之間的數(shù)據(jù)安全性；周期性地更新所述優(yōu)化建議，更新周期為5分鐘；

29、在生成所述優(yōu)化建議時，根據(jù)歸因比例將運營數(shù)據(jù)觸點分為激進、適中和保守三種出價策略，其中歸因比例大于0.2的運營數(shù)據(jù)觸點采用激進策略，歸因比例大于0.1且小于等于0.2的運營數(shù)據(jù)觸點采用適中策略，歸因比例小于等于0.1的運營數(shù)據(jù)觸點采用保守策略；

30、基于所述優(yōu)化建議，動態(tài)調(diào)整運營數(shù)據(jù)投放參數(shù)，包括預(yù)算分配和出價策略，形成閉環(huán)優(yōu)化系統(tǒng)。

31、在一種可選的實施方式中，

32、基于解密后的歸因結(jié)果，利用策略優(yōu)化引擎生成運營數(shù)據(jù)投放策略優(yōu)化建議，所述優(yōu)化建議包括預(yù)算分配方案和出價策略包括：

33、接收解密后的歸因結(jié)果、歷史績效數(shù)據(jù)和市場競爭數(shù)據(jù)；

34、利用數(shù)據(jù)預(yù)處理模塊對所述歸因結(jié)果、所述歷史績效數(shù)據(jù)和所述市場競爭數(shù)據(jù)進行合并、缺失值處理和異常值檢測，得到預(yù)處理后的數(shù)據(jù)；

35、基于所述預(yù)處理后的數(shù)據(jù)，計算效率得分和市場份額，其中所述效率得分為轉(zhuǎn)化率與每次點擊成本的比值，所述市場份額為運營數(shù)據(jù)展示次數(shù)與總市場展示次數(shù)的比值；

36、利用凸優(yōu)化算法對預(yù)算進行分配優(yōu)化，其中目標(biāo)函數(shù)為最大化效率得分與預(yù)算分配的乘積之和，約束條件為預(yù)算分配之和等于總預(yù)算；

37、根據(jù)歸因比例、市場份額和預(yù)算份額生成出價策略，其中歸因比例大于0.2且市場份額小于0.3時采用激進策略，歸因比例大于0.1或預(yù)算份額大于0.15時采用適中策略，其他情況采用保守策略；

38、基于出價策略計算出價調(diào)整系數(shù)，其中激進策略的出價調(diào)整系數(shù)為1.2，適中策略的出價調(diào)整系數(shù)為1.0，保守策略的出價調(diào)整系數(shù)為0.8；

39、利用隨機森林回歸模型對優(yōu)化后的績效進行預(yù)測，其中輸入特征包括預(yù)算、出價調(diào)整系數(shù)和市場份額，輸出為預(yù)測的投資回報率；

40、整合優(yōu)化后的預(yù)算分配、出價策略和預(yù)測績效，生成最終的優(yōu)化建議，并計算預(yù)期改善程度；

41、根據(jù)預(yù)期改善程度對優(yōu)化建議進行降序排序，得到排序后的優(yōu)化建議列表；

42、將所述排序后的優(yōu)化建議列表輸出給運營數(shù)據(jù)主，用于指導(dǎo)運營數(shù)據(jù)投放策略的調(diào)整。

43、本發(fā)明實施例的第二方面，

44、提供基于用戶行為的運營數(shù)據(jù)歸因比例回傳分發(fā)系統(tǒng)，包括：

45、第一單元，用于通過部署在客戶端的追蹤代碼，實時收集用戶對運營數(shù)據(jù)的點擊、觀看時長的行為數(shù)據(jù)；將所述行為數(shù)據(jù)傳輸至服務(wù)器端的數(shù)據(jù)處理中心；在所述數(shù)據(jù)處理中心對所述行為數(shù)據(jù)進行預(yù)處理，包括：刪除缺失值和重復(fù)數(shù)據(jù)，將時間戳轉(zhuǎn)換為統(tǒng)一格式；

46、第二單元，用于從預(yù)處理后的行為數(shù)據(jù)中提取特征，所述特征包括用戶活躍時間段、點擊強度和停留時間；構(gòu)建特征矩陣x和目標(biāo)變量y，其中x包含所提取的特征，y表示用戶的轉(zhuǎn)化結(jié)果；利用機器學(xué)習(xí)模型對所述特征矩陣x和目標(biāo)變量y進行訓(xùn)練，得到各運營數(shù)據(jù)觸點的貢獻權(quán)重；基于所述貢獻權(quán)重，結(jié)合時間衰減馬爾可夫模型計算每個運營數(shù)據(jù)觸點的歸因比例；

47、第三單元，用于將計算得到的歸因比例通過加密的api接口實時回傳給運營數(shù)據(jù)平臺和運營數(shù)據(jù)主；運營數(shù)據(jù)平臺和運營數(shù)據(jù)主根據(jù)接收到的歸因比例，動態(tài)調(diào)整運營數(shù)據(jù)投放策略和預(yù)算分配。

48、本發(fā)明實施例的第三方面，

49、提供一種電子設(shè)備，包括：

50、處理器；

51、用于存儲處理器可執(zhí)行指令的存儲器；

52、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

53、本發(fā)明實施例的第四方面，

54、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

55、本技術(shù)的技術(shù)方案可以提高運營數(shù)據(jù)預(yù)算的使用效率：準(zhǔn)確的歸因信息幫助運營數(shù)據(jù)主更合理地分配運營數(shù)據(jù)預(yù)算。增強運營數(shù)據(jù)投放的精準(zhǔn)性：了解每個運營數(shù)據(jù)觸點的實際效果，可以更精準(zhǔn)地進行目標(biāo)受眾定位和運營數(shù)據(jù)內(nèi)容優(yōu)化。提升整體運營數(shù)據(jù)roi：通過優(yōu)化運營數(shù)據(jù)投放策略，提高運營數(shù)據(jù)的回報率。