快捷导航

基于因果机制的用户行为研究及应用

2021-9-17 17:05| 发布者: Fuller| 查看: 2417| 评论: 0

摘要: 本研究的具体工作在如下的3个方面:1、在因果表征方面,分别从非结构文本数据和用户轨迹数据两个方面开展了研究。2、在因果结构学习方面,为了实现高维、稀疏用户标签间的因果结构发现,提出一种混合型因果结构学习算法 ...

随着在线社交网络、在线视频、在线游戏等应用的普及,在线网络活动已经成为人们生活的重要组成部分,促使在线营销逐渐成为市场营销的主要形式之一。如何从海量的在线用户行为中挖掘出有价值的信息,指导营销策略设计,减少营销成本,提升营销转化率,是在线营销研究的关键问题之一。今天分享的这个范例,原作者引入K近邻准则为每个营销组用户筛选最为合适的对照组用户,避免大样本引入的干扰误差;最后通过有效综合时序非时序特征进行高效的样本权重学习,实现稳定可靠的因果效应评估。

1,范文信息介绍

标题:基于因果机制的用户行为研究及应用

作者:郑佳碧(博士,广东工业大学)

关键词:在线营销;用户行为分析;因果表征学习;因果关系发现;因果效应评估;

发表时间:2021-05-01

摘要

随着在线社交网络、在线视频、在线游戏等应用的普及,在线网络活动已经成为人们生活的重要组成部分,促使在线营销逐渐成为市场营销的主要形式之一。如何从海量的在线用户行为中挖掘出有价值的信息,指导营销策略设计,减少营销成本,提升营销转化率,是在线营销研究的关键问题之一。虽然目前基于关联分析的方法已经取得一系列理论及应用成果,但是现有基于关联分析的方法在指导广告投放等干预营销方面仍存在较大的不足,是在线营销领域亟需突破的瓶颈问题。与关联分析不同,因果分析严格区分因-果不对称性,在发现事物产生机制的原因、指导干预决策等各方面优势较为突出,是解决上述关联分析不足的有效工具。因此,本课题将从在线营销的实际需求出发,基于因果关系理论及方法对在线用户行为开展系统研究。在线用户行为的非结构化、高维、高噪声等特点给基于因果机制的市场营销研究带来极大挑战,具体包括以下三个方面:在因果表征方面,现有用户行为主要以用户点击、行为轨迹等低语义的原始数据形式体现,如何从这些低语义的原始数据中提取因果变量是后续因果推断的基础,是有待解决的第一个挑战;在因果结构方面,用户行为的因果变量呈现出高维稀疏特性,如何从高维稀疏的用户行为中发现隐藏的因果网络以指导后续营销设计,是有待解决的第二个挑战;在营销效果评估方面,营销过程往往不是随机分组,如何在这些观察数据上对混杂因子进行建模,实现营销效果的精准量化评估是有待解决的第三个挑战。围绕上述三方面的挑战, 本研究获得了若干成果。

文章目录

摘要

ABSTRACT

第一章 绪论

    1.1 研究背景和意义

    1.2 国内外研究现状

        1.2.1 用户行为分析

        1.2.2 因果关系发现

        1.2.3 因果效应评估

    1.3 课题的研究内容

    1.4 论文的结构

第二章 相关知识

    2.1 基本概念

    2.2 因果关系发现

        2.2.1 基于约束的方法

        2.2.2 基于因果函数的方法

    2.3 因果效应评估

    2.4 长短记忆神经网络

    2.5 需求方平台(DSP)

    2.6 数据管理平台(DMP)

第三章 基于关键短语发现的因果表征学习

    3.1 引言

    3.2 相关工作

    3.3 基于频繁模式挖掘的关键短语发现

        3.3.1 问题定义

        3.3.2 基于时序模式挖掘的关键短语发现

        3.3.3 面向新增关键短语的标签系统更新

    3.4 在DSP系统中的应用

        3.4.1 应用场景

        3.4.2 应用效果

    3.5 小结

第四章 面向用户轨迹的因果表征学习

    4.1 引言

    4.2 相关工作

        4.2.1 轨迹挖掘

        4.2.2 轨迹语义挖掘

    4.3 基于多任务LSTM预测方法

        4.3.1 问题定义

        4.3.2 用户轨迹的状态序列模型

        4.3.3 基于LSTM的状态序列表征学习

        4.3.4 基于多任务依赖的轻量级调优

    4.4 算法实验结果

        4.4.1 数据说明

        4.4.2 实验结果

    4.5 在DSP系统中的应用

        4.5.1 应用场景

        4.5.2 应用效果

    4.6 小结

第五章 用户标签间的因果关系发现

    5.1 引言

    5.2 相关工作

    5.3 迭代因果关系搜索算法

        5.3.1 问题定义

        5.3.2 算法框架

        5.3.3 基于条件集搜索的因果关系检测

        5.3.4 基于联合策略的因果方向推断

    5.4 算法仿真实验

        5.4.1 数据说明

        5.4.2 实验结果

    5.5 在DSP系统中的应用

        5.5.1 应用场景

        5.5.2 应用效果

    5.6 小结

第六章 基于混杂平衡的营销因果效应评估

    6.1 引言

    6.2 相关工作

    6.3 细粒度营销效果评估算法

        6.3.1 问题定义

        6.3.2 细粒度混杂平衡目标设计

        6.3.3 混杂权重函数学习

        6.3.4 模型总结

    6.4 算法实验

        6.4.1 实验设置

        6.4.2 实验结果

    6.5 小结

总结与展望

    本文总结

    研究展望

参考文献

2,搞研究写论文有哪些工具可以提高数据采集和处理的效率?

2.1 收集微博使用什么工具?

对于大多数搞研究写论文的同学来说,需要一款使用简单,不需要额外学习,根据简单的指引就可以启动采集获取各种微博数据的微博工具。GooSeeker微博数据采集工具箱很适合同学们搞研究写论文收集微博数据,大量文科同学在通过它收集研究需要的微博博文,微博关键词搜索,微博评论和转发,微博博主详情,微博话题内容,微博粉丝和关注者等数据。我们观察到使用这个工具收集微博数据进行研究的同学数量一直维持在高位,刚刚过去的这个周末,就有不少同学在技术交流群和社区论坛上和我们交流微博工具箱的使用心得。

2.2 文本分词和情感分析软件

如果需要基于文本做分词和情感分析,可以使用GooSeeker文本分词和情感分析软件,把采集到的新闻数据excel表导入即可。

 

3,本范例的研究总结

本研究的具体工作在如下的3个方面:

1、在因果表征方面,分别从非结构文本数据和用户轨迹数据两个方面开展了研究。

2、在因果结构学习方面,为了实现高维、稀疏用户标签间的因果结构发现,提出一种混合型因果结构学习算法。

3、在因果效应评估方面,为了消除混杂因子的影响实现营销效果量化评估,提出混杂平衡营销效果评估方法。首先,针对营销场景具有海量对照组样本和包含丰富特征描述的数据特性,将基于深度学习的用户建模方法与因果推断思想相结合,提出以用户为单位的细粒度混杂平衡目标;然后,引入K近邻准则为每个营销组用户筛选最为合适的对照组用户,避免大样本引入的干扰误差;最后通过有效综合时序非时序特征进行高效的样本权重学习,实现稳定可靠的因果效应评估。

成果在合作企业的会员营销场景中获得应用验证。综上所述,本文从因果机制的角度出发,结合在线用户行为的特性,针对在线营销中的若干关键环节开展系统研究,解决传统关联分析方法在指导干预方面的不足,取得若干理论和应用成果。


鲜花

握手

雷人

路过

鸡蛋

最新评论

GMT+8, 2024-3-19 15:50