【技术实现步骤摘要】
模型训练方法、渠道归因值的确定方法、装置、设备
[0001]本申请涉及到深度学习领域，尤其涉及一种模型训练方法、渠道归因值的确定方法、装置、电子设备和可读存储介质。
技术介绍
[0002]广告营销中，广告主通常会多渠道投放广告，因此用户往往会通过多种渠道接触到同一产品的广告。广告主需要了解哪种渠道对于用户转化的贡献最大，以便进行有选择的广告投放。确定广告渠道贡献度的方法即为对渠道进行归因。渠道的归因值代表该渠道对用户转化的贡献度。
[0003]现有的基于算法的归因方法主要有夏普利值、马尔科夫链、生存分析以及机器学习中的渠道归因方法和以长短期记忆模型为基础模型的渠道归因方法。
[0004]现有渠道归因方法由于模型结构的限制，提取到的信息比较有限，因此，各渠道归因值不够准确。
技术实现思路
[0005]本申请为了提高各渠道归因值计算的准确度，提供了一种模型训练方法、渠道归因值的确定方法、装置、电子设备和可读存储介质。
[0006]本申请实施例提供一种模型训练方法，包括：获取用户样本数据，所...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取用户样本数据，所述用户样本数据包括预设个数的接触点相关数据和用户转化结果，所述接触点表征用户和广告渠道之间的交互；将所述用户样本数据输入到基于注意力机制的时间卷积网络模型中进行训练，输出每个用户样本数据的预测转化结果；根据全部用户样本数据的所述用户转化结果和所述预测转化结果确定所述模型的准确率；在所述准确率高于预设阈值时，将所述模型的注意力机制层输出的各接触点的关键特征对应的权重确定为各接触点的归因值，所述关键特征是指对用户转化结果有关键影响的特征。2.如权利要求1所述的方法，其特征在于，所述基于注意力机制的时间卷积网络模型，包括依次连接的：第一时间卷积层、基于注意力机制的残差层及预测层；所述基于注意力机制的残差层包括所述注意力机制层；所述将所述用户样本数据输入到基于注意力机制的时间卷积网络模型中进行训练，输出每个用户样本数据的预测转化结果，包括：针对每个用户样本数据，采用所述第一时间卷积层从接触点相关数据中提取各接触点第一浅层特征；采用所述基于注意力机制的残差层对所述各接触点第一浅层特征进行增强，得到各接触点第一增强特征；采用所述预测层对所述各接触点第一增强特征进行处理，得到每个用户样本数据的预测转化结果。3.如权利要求2所述的方法，其特征在于，所述第一时间卷积层包括依次连接的第一卷积层和第一因果膨胀卷积层，所述针对每个用户样本数据，采用所述时间卷积层从接触点相关数据中提取各接触点第一浅层特征，包括：针对每个用户样本数据，采用第一卷积层对所述接触点相关数据进行第一卷积运算，得到第一基础数据；采用第一因果膨胀卷积层对所述第一基础数据进行第一因果膨胀卷积运算得到所述各接触点第一浅层特征。4.如权利要求2所述的方法，其特征在于，所述基于注意力机制的残差层包括：第一支路和第二支路及融合层；所述第一支路包括依次连接的第二卷积层、所述注意力机制层、第二时间卷积层，所述第二支路包括另一所述第二卷积层；所述第一支路的输出和所述第二支路的输出为所述融合层的输入；所述采用所述基于注意力机制的残差层对所述各接触点第一浅层特征进行增强，得到各接触点第一增强特征，包括：通过所述第一支路的所述第二卷积层对所述各接触点第一浅层特征进行第二卷积运算，得到第二基础数据；通过所述第一支路的所述注意力机制层对所述第二基础数据进行注意力放大操作，得到所述关键特征；通过所述第一支路的所述第二时间卷积层依次对所述关键特征进行卷积运算，得到各接触点第一深层特征；
通过所述第二支路对所述各接触点第一浅层特征进行第二卷积运算，得到各接触点第二浅层特征；通过所述融合层将所述各接触点第一深层特征和所述各接触点第二浅层特征融合，得到所述各接触点第一增强特征。5.如权利要求4所述的方法，其特征在于，所述注意力机制层包括全局平均池化层、第一全连接层、第二全连接层和分类层；所述通过所述注意力机制层对第二基础数据进行注意力放大操作，得到所述关键特征，包括：通过所述全局平均池化层对所述第二基础数据进行全局平均池化处理得到每个接触点的全局特征；通过所述第一全连接层对所述全局特征进行降维；通过所述第二全连接层对降维后的全局特征恢复...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。