本发明涉及数据处理，特别涉及一种广告投放效果的归因方法、系统及计算机。
背景技术：
1、随着科技的飞速发展和人们生活水平的提高，广告已经作为目前最流行的宣传手段之一，伴随着互联网时代的到来，多渠道营销已经逐渐成为广告的宣传手段。
2、广告归因是一种较为特殊的业务场景，其定义为“用户旅程中所经历的不同营销渠道的不同接触点对达成转化目标的贡献价值评估”，即用户在不同的营销渠道中对广告转化的归属问题。现有技术中，广告的归因问题都是采用基于规则的启发式方法，在该方法中往往只考虑到第一个或最后一个的营销渠道，忽略了其他营销渠道所带来的影响及差异。
技术实现思路
1、基于此，本发明的目的是提供一种广告投放效果的归因方法、系统及计算机，以至少解决上述技术中的不足。
2、本发明提出一种广告投放效果的归因方法，包括：
3、获取各广告的投放信息，其中，所述投放信息包括广告类型数据以及投放渠道数据；
4、基于所述广告类型数据和所述投放渠道数据构建广告转化模型，并获取各所述广告在其对应的投放渠道数据中的历史点击数据；
5、根据所述历史点击数据构建对应的点击模型，并基于所述投放渠道数据构建用户偏好模型，利用所述用户偏好模型和所述点击模型对各所述广告进行点击率预测，以得到各所述广告对应的点击率；
6、根据所述点击率和所述投放渠道数据计算出各所述广告的归因系数，并构建用户的消费概率模型；
7、根据所述消费概率模型和所述归因系数计算出所述用户对各所述广告的贡献度，并基于所述贡献度确定各所述广告的归因结果。
8、进一步的，所述广告类型数据包括定向广告以及常规广告，基于所述广告类型数据和所述投放渠道数据构建广告转化模型的步骤包括：
9、利用成本转化模型计算出各所述投放渠道数据所对应的成本信息，并基于所述成本信息分别计算出所述定向广告和所述常规广告的精准度；
10、分别获取所述定向广告和所述常规广告的传播参数，并根据所述精准度分别与所述定向广告的传播参数和所述常规广告的传播参数构建效果感知模型；
11、获取用户对所述定向广告和所述常规广告的消费参数，并利用所述消费参数和所述效果感知模型构建对应的广告转化模型。
12、进一步的，根据所述历史点击数据构建对应的点击模型的步骤包括：
13、解析出所述历史点击数据中用户所触发的广告点击信息，其中，所述广告点击信息包括用户点击的广告信息以及所述广告信息所对应的渠道信息；
14、根据所述广告信息和所述渠道信息构建所述历史点击数据所对应的点击模型。
15、进一步的，基于所述投放渠道数据构建用户偏好模型的步骤包括：
16、利用渠道分配预测器对所述投放渠道数据进行渠道倾向建模，以得到渠道倾向模型；
17、获取用户对各投放渠道的使用度，并基于所述使用度对所述渠道倾向模型进行模型优化，以得到对应的用户偏好模型。
18、进一步的，利用所述用户偏好模型和所述点击模型对各所述广告进行点击率预测，以得到各所述广告对应的点击率的步骤包括：
19、分别解析出所述用户偏好模型和所述点击模型的模型学习器，并分别对所述用户偏好模型的模型学习器和所述点击模型的模型学习器进行分类学习；
20、将分类学习后的模型学习器进行结合，并导入点击预测器以生成新的模型学习器，利用所述新的模型学习器构建点击率预测模型；
21、利用所述点击率预测模型对各所述广告进行点击率预测，以得到各所述广告对应的点击率。
22、进一步的，所述广告转化模型的计算公式为：
23、；
24、；
25、；
26、式中，表示用户对定向广告的消费参数；表示定向广告的精准度；表示定向广告的传播参数；表示广告类型数据的补偿参数；表示用户对常规广告的消费参数；表示常规广告的精准度；表示常规广告的传播参数；表示广告转化模型；表示用户数量；表示时间；表示广告类型数据的转化补充参数，表示定向广告的转化系数，表示常规广告的转化系数，表示定向广告与常规广告之间的交叉转化系数，表示广告转化在不同用户上的差异性指标，服从正态分布。
27、进一步的，所述点击模型的计算公式为：
28、；
29、式中，表示用户；表示第次点击；表示第时间中用户在第次点击的嵌入向量；表示第时间中用户在第次点击所对应的渠道信息；表示第时间中用户在第次点击的二值向量；表示整个点击序列的转化结果，。
30、本发明还提出一种广告投放效果的归因系统，包括：
31、投放信息获取模块，用于获取各广告的投放信息，其中，所述投放信息包括广告类型数据以及投放渠道数据；
32、广告转化模型构建模块，用于基于所述广告类型数据和所述投放渠道数据构建广告转化模型，并获取各所述广告在其对应的投放渠道数据中的历史点击数据；
33、用户偏好模型构建模块，用于根据所述历史点击数据构建对应的点击模型，并基于所述投放渠道数据构建用户偏好模型，利用所述用户偏好模型和所述点击模型对各所述广告进行点击率预测，以得到各所述广告对应的点击率；
34、消费概率模型构建模块，用于根据所述点击率和所述投放渠道数据计算出各所述广告的归因系数，并构建用户的消费概率模型；
35、广告归因模块，用于根据所述消费概率模型和所述归因系数计算出所述用户对各所述广告的贡献度，并基于所述贡献度确定各所述广告的归因结果。
36、进一步的，所述广告类型数据包括定向广告以及常规广告，所述广告转化模型构建模块包括：
37、精准度计算单元，用于利用成本转化模型计算出各所述投放渠道数据所对应的成本信息，并基于所述成本信息分别计算出所述定向广告和所述常规广告的精准度；
38、效果感知模型构建单元，用于分别获取所述定向广告和所述常规广告的传播参数，并根据所述精准度分别与所述定向广告的传播参数和所述常规广告的传播参数构建效果感知模型；
39、广告转化模型构建单元，用于获取用户对所述定向广告和所述常规广告的消费参数，并利用所述消费参数和所述效果感知模型构建对应的广告转化模型。
40、进一步的，所述用户偏好模型构建模块包括：
41、点击信息解析单元，用于解析出所述历史点击数据中用户所触发的广告点击信息，其中，所述广告点击信息包括用户点击的广告信息以及所述广告信息所对应的渠道信息；
42、点击模型构建单元，用于根据所述广告信息和所述渠道信息构建所述历史点击数据所对应的点击模型。
43、进一步的，所述用户偏好模型构建模块还包括：
44、渠道倾向模型构建单元，用于利用渠道分配预测器对所述投放渠道数据进行渠道倾向建模，以得到渠道倾向模型；
45、用户偏好模型构建单元，用于获取用户对各投放渠道的使用度，并基于所述使用度对所述渠道倾向模型进行模型优化，以得到对应的用户偏好模型。
46、进一步的，所述用户偏好模型构建模块还包括：
47、分类学习单元，用于分别解析出所述用户偏好模型和所述点击模型的模型学习器，并分别对所述用户偏好模型的模型学习器和所述点击模型的模型学习器进行分类学习；
48、点击率预测模型构建单元，用于将分类学习后的模型学习器进行结合，并导入点击预测器以生成新的模型学习器，利用所述新的模型学习器构建点击率预测模型；
49、点击率预测单元，用于利用所述点击率预测模型对各所述广告进行点击率预测，以得到各所述广告对应的点击率。
50、本发明还提出一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的广告投放效果的归因方法。
51、本发明当中的广告投放效果的归因方法、系统及计算机，通过将广告类型数据和投放渠道数据构建广告转化模型，并根据历史点击数据和投放渠道数据分别构建对应的点击模型和用户偏好模型，基于点击模型和用户偏好模型对广告进行点击率预测，利用点击率和投放渠道数据计算出对应的归因系数，并利用用户的消费概率模型与归因系数得到用户对各广告的贡献度，从而得到各广告的归因结果，利用每一条用户的点击序列和历史点击数据补充广告的归因条件，并利用多个模型对广告的归因问题进行辅助处理，进一步提升广告归因的处理效率以及降低多营销渠道对归因结果的影响。