多任务学习框架的全链路营销效果归因方法及其系统技术方案

多任务学习框架的全链路营销效果归因方法及其系统，方法包括以下步骤：获取多源营销数据；基于多源营销数据，进行数据预处理和特征工程，得到预处理后的特征数据；基于预处理后的特征数据，执行初始多任务表示学习，获得初始任务表示；基于初始任务表示，进行动态自适应多任务关系学习，得到更新后的任务表示；基于更新后的任务表示，执行任务特定预测，获得预测结果；基于预测结果，进行多触点归因，得到触点贡献度；基于触点贡献度，执行长期效果评估，获得长期效果评估结果；基于长期效果评估结果，生成全链路营销效果归因报告，通过引入量子启发式动态关系图谱算法，本发明专利技术能够精确捕捉任务间的复杂非线性关系，显著提高了归因的准确性。

【技术实现步骤摘要】

本专利技术涉及全链路营销效果归因方法，更具体地说，涉及多任务学习框架的全链路营销效果归因方法及其系统。

技术介绍

1、随着数字营销的快速发展，准确评估各个营销渠道和触点的效果变得越来越重要。全链路营销效果归因一直是业界关注的焦点，其发展经历了以下几个阶段：

2、1.单点归因模型：最早的归因方法是单点归因，如最后点击归因(lastclickattribution,lca)。这种方法简单直观，易于实施，但存在严重缺陷。它忽视了用户转化路径中的其他触点贡献，导致对长期品牌建设类营销活动的价值严重低估。

3、2.多点接触归因模型：为了解决单点归因的局限性，研究者提出了多点接触归因模型，如基于规则的线性归因和基于数据的概率模型。其中，基于马尔可夫链的多点接触归因模型(markovchainmulti-touchattribution,mcma)是一个重要突破。mcma考虑了用户转化路径中的多个触点，但它假设用户行为满足马尔可夫性质，这在复杂的现实营销环境中往往是不成立的。

4、3.基于机器学习的归因模型：随着机器学习技术的发展，研本文档来自技高网...

【技术保护点】

1.多任务学习框架的全链路营销效果归因方法，其特征在于，包括以下步骤：获取多源营销数据；基于所述多源营销数据，进行数据预处理和特征工程，得到预处理后的特征数据；基于所述预处理后的特征数据，执行初始多任务表示学习，获得初始任务表示；基于所述初始任务表示，进行动态自适应多任务关系学习，得到更新后的任务表示；基于所述更新后的任务表示，执行任务特定预测，获得预测结果；基于所述预测结果，进行多触点归因，得到触点贡献度；基于所述触点贡献度，执行长期效果评估，获得长期效果评估结果；基于所述长期效果评估结果，生成全链路营销效果归因报告。

2.根据权利要求1所述的方法，其特征在于，所述数据预处...

【技术特征摘要】

1.多任务学习框架的全链路营销效果归因方法，其特征在于，包括以下步骤：获取多源营销数据；基于所述多源营销数据，进行数据预处理和特征工程，得到预处理后的特征数据；基于所述预处理后的特征数据，执行初始多任务表示学习，获得初始任务表示；基于所述初始任务表示，进行动态自适应多任务关系学习，得到更新后的任务表示；基于所述更新后的任务表示，执行任务特定预测，获得预测结果；基于所述预测结果，进行多触点归因，得到触点贡献度；基于所述触点贡献度，执行长期效果评估，获得长期效果评估结果；基于所述长期效果评估结果，生成全链路营销效果归因报告。

2.根据权利要求1所述的方法，其特征在于，所述数据预处理和特征工程包括：执行数据清洗，去除重复和异常值，并处理缺失值；进行特征提取，包括使用小波变换提取时间序列特征，使用bert模型提取语义特征，以及使用预训练的vision transformer提取视觉特征；执行特征选择，包括使用boruta算法进行特征重要性排序，并应用rfecv选择最优特征子集。

3.根据权利要求1所述的方法，其特征在于，所述初始多任务表示学习包括：使用capsule network作为基础网络结构，其中capsule层定义为：

4.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：魏剑浩，温财志，谢家晨，李明冰，谢静洁，黄泽辉，
申请(专利权)人：广州市渐丰网络科技有限公司，
类型：发明
国别省市：