在线广告归因：沙普利值与马尔可夫模型的公理框架

"这篇研究论文探讨了在线广告归因的公理化框架，引入了反事实调整的Shapley值方法来解决广告效果评估的问题。文章由Raghav Singal等多位学者共同撰写，旨在为在线广告的归因提供一个理论基础。作者们基于马尔可夫模型分析用户转化漏斗的过程，分析广告在不同阶段的影响，并提出的新方法能够克服传统Shapley值在应用中的局限性。此外，这个新的归因指标与调整后的‘独特统一’归因方案相一致，该方案具有可实施性，并被视为对通用统一归因方案的改进。研究通过大规模数据集的数值实验验证了理论成果。" 在线广告归因是数字经济发展中的关键问题，它涉及到如何准确衡量不同广告策略对消费者最终转化的影响。传统的归因方法往往基于启发式规则，缺乏坚实的理论基础，这导致在复杂场景下可能失效。本研究引入了马尔可夫链模型，这是一种描述系统状态转移概率的数学工具，用于模拟用户从接触到广告到最后完成转化的过程。在这一过程中，每个广告活动可能在漏斗的不同阶段产生不同的效果。 Shapley值是一种公平分配理论，常用于合作博弈论中，表示每个参与者对整体收益的贡献。然而，原生的Shapley值在在线广告归因中可能不适用，因为它可能无法充分反映广告在特定阶段的作用。因此，研究者提出了反事实调整的Shapley值，这一新指标保留了Shapley值的公平性和解释性，同时解决了在转化漏斗环境中可能出现的问题。它能够量化每个广告在用户转化路径中的具体作用，不论其出现的顺序。 此外，反事实调整的Shapley值与调整后的“独特统一”归因方案一致，这一方案在实际操作中具有高效性和可解释性，是对传统统一归因方案的优化。通过数值实验，研究者使用实际世界的大规模数据集验证了新方法的有效性，进一步加强了该框架在在线广告归因领域的理论和实践价值。 这篇论文为在线广告的归因问题提供了一个严谨的理论框架，通过结合马尔可夫模型和改进的Shapley值，为广告商提供了更精确的广告效果评估工具，有助于优化广告投放策略，提升广告投资回报率。