CN115994696A

CN115994696A - 归因指标确定方法、装置、设备及存储介质

Info

Publication number: CN115994696A
Application number: CN202111205844.6A
Authority: CN
Inventors: 季纺纺; 侯红梅; 石鑫
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2021-10-15
Filing date: 2021-10-15
Publication date: 2023-04-21

Abstract

本申请公开了一种归因指标确定方法、装置、设备及存储介质，可以应用于云技术、人工智能、智慧交通、车联网等各种场景，所述方法包括：确定多媒体对象在预设时段内的目标多媒体业务指标；获取目标多媒体业务指标对应的至少两个多媒体关联指标；基于目标多媒体业务指标以及至少两个多媒体关联指标，构建指标逻辑树；基于指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点；关联系数表征对应的子节点对每个父节点的影响程度；将目标节点所表征的目标多媒体关联指标确定为目标多媒体业务指标的归因指标。本申请实现了快速、准确地确定出目标多媒体业务指标的归因指标。

Description

归因指标确定方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种归因指标确定方法、装置、设备及存储介质。

背景技术

相关技术中，针对多媒体业务指标的在短期内的异动检测研究比较多，但是对多媒体业务指标的长期趋势性下降问题研究较少；且目前针对趋势下降的多媒体业务指标的归因分析，通常都是人工分析，耗费时间长，效率低下。

因此，有必要提供一种归因指标确定方法、装置、设备及存储介质，实现快速、准确地确定出处于下降趋势的目标多媒体业务指标的归因指标。

发明内容

本申请提供了一种归因指标确定方法、装置、设备及存储介质，可以快速、准确地确定出处于下降趋势的目标多媒体业务指标的归因指标。

一方面，本申请提供了一种归因指标确定方法，所述方法包括：

确定多媒体对象在预设时段内的目标多媒体业务指标，所述目标多媒体业务指标在所述预设时段内处于下降趋势；

获取所述目标多媒体业务指标对应的至少两个多媒体关联指标；

基于所述目标多媒体业务指标以及所述至少两个多媒体关联指标，构建指标逻辑树；所述指标逻辑树的根节点表征所述目标多媒体业务指标，所述指标逻辑树中除所述根节点之外的节点表征所述至少两个多媒体关联指标，所述指标逻辑树的树枝表征不同指标之间的关联关系；

基于所述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点；所述关联系数表征所述对应的子节点对所述每个父节点的影响程度；

将所述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为所述目标多媒体业务指标的归因指标。

另一方面提供了一种归因指标确定装置，所述装置包括：

目标多媒体业务指标确定模块，用于确定多媒体对象在预设时段内的目标多媒体业务指标，所述目标多媒体业务指标在所述预设时段内处于下降趋势；

多媒体关联指标获取模块，用于获取所述目标多媒体业务指标对应的至少两个多媒体关联指标；

指标逻辑树构建模块，用于基于所述目标多媒体业务指标以及所述至少两个多媒体关联指标，构建指标逻辑树；所述指标逻辑树的根节点表征所述目标多媒体业务指标，所述指标逻辑树中除所述根节点之外的节点表征所述至少两个多媒体关联指标，所述指标逻辑树的树枝表征不同指标之间的关联关系；

目标节点确定模块，用于基于所述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点；所述关联系数表征所述对应的子节点对所述每个父节点的影响程度；

归因指标确定模块，用于将所述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为所述目标多媒体业务指标的归因指标。

另一方面提供了一种归因指标确定设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上所述的归因指标确定方法。

另一方面提供了一种计算机存储介质，所述计算机存储介质存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的归因指标确定方法。

另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行以实现如上所述的归因指标确定方法。

本申请提供的归因指标确定方法、装置、设备及存储介质，具有如下技术效果：

本申请在确定多媒体对象在预设时段内处于下降趋势的目标多媒体业务指标之后，获取目标多媒体业务指标对应的多个多媒体关联指标；从而可以根据目标多媒体业务指标与多媒体关联指标之间的关联关系，以及多媒体关联指标之间的关联关系构建指标逻辑树；再根据指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定出对根节点影响较大的目标节点；并将目标节点所表征的目标多媒体关联指标确定为目标多媒体业务指标的归因指标；从而实现快速、准确地确定出目标多媒体业务指标的归因指标。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的一种归因指标确定系统的示意图；

图2是本申请实施例提供的一种归因指标确定方法的流程示意图；

图3是本申请实施例提供的一种确定多媒体对象在预设时段内的目标多媒体业务指标的方法的流程示意图；

图4是本申请实施例提供的一种基于上述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点的方法的流程示意图；

图5是本申请实施例提供的一种确定当前节点与对应的子节点之间的当前关联系数的方法的流程示意图；

图6是本申请实施例提供的另一种确定当前节点与对应的子节点之间的当前关联系数流程示意图；

图7是本申请实施例提供的一种当前时期的曝光量指标趋势变化曲线；

图8是本申请实施例提供的一种当前时期的点击量指标趋势变化曲线；

图9是本申请实施例提供的一种当前时期的消耗指标趋势变化曲线；

图10是本申请实施例提供的一种当前时期的CPM指标趋势变化曲线；

图11是本申请实施例提供的一种当前时期的填充率指标趋势变化曲线；

图12是本申请实施例提供的一种当前时期的目标多媒体业务指标与多媒体关联指标的关联关系图；

图13是本申请实施例提供的一种历史时期的曝光量指标趋势变化曲线；

图14是本申请实施例提供的一种历史时期的点击量指标趋势变化曲线；

图15是本申请实施例提供的一种历史时期的消耗指标趋势变化曲线；

图16是本申请实施例提供的一种历史时期的CPM指标趋势变化曲线；

图17是本申请实施例提供的一种历史时期的填充率指标趋势变化曲线；

图18是本申请实施例提供的一种归因指标确定装置的结构示意图；

图19是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

本实施例中所涉及的专业词汇释义如下：

PLR：piecewise linear representation，分段线性表示；

cox_staurt：趋势检验分析方法；

CPM：Cost Per Mille，广告千次曝光带来的收入。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1，图1是本申请实施例提供的一种归因指标确定系统的示意图，如图1所示，该归因指标确定系统可以至少包括服务器01和客户端02。

具体的，本申请实施例中，所述服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDelivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的，所述服务器01可以用于基于目标多媒体业务指标以及至少两个多媒体关联指标，构建指标逻辑树；并将指标逻辑树中的目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为所述目标多媒体业务指标的归因指标。

具体的，本申请实施例中，所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、智能音箱、车载终端、智能电视等类型的实体设备，也可以包括运行于实体设备中的软体，例如一些服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，所述客户端02可以用于在线查询目标多媒体业务指标的归因指标。

以下介绍本申请的一种归因指标确定方法，图2是本申请实施例提供的一种归因指标确定方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

S201：确定多媒体对象在预设时段内的目标多媒体业务指标，上述目标多媒体业务指标在上述预设时段内处于下降趋势。

具体的，在本申请实施例中，多媒体对象可以包括但不限于多媒体广告、视频、音频等，预设时段可以根据实际需求进行选择，例如可以为一周、一个月、一年等。目标多媒体业务指标可以为多媒体对象的多媒体业务指标，例如可以为消耗(广告的收入)、曝光量、点击量、CPM、填充率、点击率等。目标多媒体业务指标为在预设时段内处于下降趋势，即目标多媒体业务指标在预设时段内对应的多媒体业务指标数据集中数据呈下降趋势。

在本申请实施例中，如图3所示，上述确定多媒体对象在预设时段内的目标多媒体业务指标，包括：

S20101：获取上述多媒体对象在上述预设时段内的至少两个多媒体业务指标。

在本申请实施例中，可以先获取多媒体对象在预设时段内的至少两个多媒体业务指标，这些多媒体业务指标可能处于不同的变化趋势，包括上升趋势、下降趋势和震荡趋势；然后从中确定出处于下降趋势的目标多媒体业务指标；从而便于分析目标多媒体业务指标下降的原因。

在本申请实施例中，上述获取上述多媒体对象在上述预设时段内的至少两个多媒体业务指标之后，上述方法还包括：

获取每个多媒体业务指标对应的多媒体业务指标数据集。

具体的，在本申请实施例中，多媒体业务指标数据集可以包括多媒体业务指标在预设时段不同时间点的数据，时间点可以以天、周、月等为粒度。以周为粒度，即以一周内多媒体业务指标数据总和作为一个时间点。

具体的，在本申请实施例中，可以以周为粒度研究指标的趋势性。多媒体业务指标数据集由数据点构成。比如，使用2021.1.11-2021.4.4的84天，以周聚合，得到12个收入的数据点。多媒体对象在第一周，收入均值为50万，数据点1即为(1，50)；第二周，收入均值70万，数据点2即为(2，70)；第三周，收入均值40万，数据点3即为(3，40)，以此类推，从而得到多媒体业务指标数据集。

确定每个多媒体业务指标数据集中的异常数据，上述异常数据为目标时段内的数据。

具体的，在本申请实施例中，目标时段可以为针对多媒体对象的促销时段，例如双十一、六一八等特殊日期对应时段；目标时段内的数据值通常较大，与日常时段的数据差距较大，因此，将其确定为异常数据。

删除上述每个多媒体业务指标数据集中的异常数据，得到更新的多媒体业务指标数据集。

具体的，在本申请实施例中，可以将每个多媒体业务指标数据集中的异常数据删除，从而避免异常数据对多媒体业务指标趋势分析造成影响。

在本申请实施例中，通过筛除多媒体业务指标数据集中的异常数据，可以提高多媒体业务指标趋势分析的准确率，从而提高确定出的目标多媒体业务指标的准确率。

S20103：基于趋势检验方法，确定每个多媒体业务指标在上述预设时段内的初始变化趋势；

具体的，在本申请实施例中，可以将每个多媒体业务指标在预设时段内的多媒体业务指标数据集中数据分成多个序列，采用趋势检验方法，确定每个多媒体业务指标在预设时段内的变化趋势，趋势检验方法的原理如下：

假设一个多媒体业务指标数据集中包括数据序列x1，x2，x3，……，xn，以某一常数c为界把该序列分成两部分，并将这两部分两两配对成(x1，xc+1)，(x2，xc+2)，……(xc，xn)的形式，其中当n为偶数时，c＝n/2；当n为奇数时，c＝(n+1)/2，中间的数xc+1舍去。接着以每一组中后一个数减去前一个数并记下正负性。用s+表示得到正数的个数，即后一个数大于前一个数，s-表示得到负数的个数；用p(+)表示取到正数的概率，用p(-)表示取到负数的概率，这样我们就得到符号检验方法来检验序列是否存在趋势性。在没有趋势的零假设下数据集服从二项分布，即p(+)＝0.5。

在本申请实施例中，上述基于趋势检验方法，确定每个多媒体业务指标在上述预设时段内的初始变化趋势，包括：

基于上述趋势检验方法，确定每个更新的多媒体业务指标数据集中数据在上述预设时段内的初始变化趋势。

S20105：将初始变化趋势为下降趋势的多媒体业务指标确定为候选多媒体业务指标；

S20107：基于最小二乘法确定上述候选多媒体业务指标的趋势变化曲线的斜率；

在本申请实施例中，通过趋势检验方法确定出处于下降趋势的候选多媒体业务指标之后，再根据候选多媒体业务指标对应的候选多媒体业务指标数据集得到趋势变化曲线，采用最小二乘法计算候选多媒体业务指标的趋势变化曲线的斜率。

S20109：将斜率小于预设斜率阈值的候选多媒体业务指标确定为上述目标多媒体业务指标。

在本申请实施例中，预设斜率阈值可以根据实际情况进行设置，例如可以设置为-0.3，当曲线斜率小于-0.3时，则确定该曲线对应的候选多媒体业务指标为处于下降趋势的目标多媒体业务指标。

具体的，在本申请实施例中，若多媒体业务指标为上升趋势，那么排在后面的多媒体业务指标数据的值显著比排在前面的数据的值大；反之，若多媒体业务指标为下降趋势，那么排在后面的数据的值显著比排在前面的数据的值小，可以利用前后两个时期不同数据的差值正负来判断数据总的变化趋势。

在本申请实施例中，由于对于震荡的数据，最小二乘法容易因为受到干扰，容易产生误判，给预设斜率阈值的选取带来一定的麻烦；即单独采用最小二乘法确定的目标多媒体业务指标的误差较大。本实施例在最小二乘法之前，先采用cox_staurt方法对所有多媒体业务指标进行初始的趋势判断，可以很好的解决震荡数据引起的误差，采用cox_staurt方法结合最小二乘法能够提高确定目标多媒体业务指标的准确率。

S203：获取上述目标多媒体业务指标对应的至少两个多媒体关联指标。

具体的，在本申请实施例中，多媒体关联指标与目标多媒体业务指标为直接关联关系或间接关联关系。可以根据目标多媒体业务指标的计算公式，确定多媒体关联指标；例如计算公式为：目标多媒体业务指标M＝X*Y，X＝A*B，Y＝C*D；

其中，指标C的影响因素为指标E；那么指标X，Y，A，B，C，D，E均为目标多媒体业务指标M的多媒体关联指标。

S205：基于上述目标多媒体业务指标以及上述至少两个多媒体关联指标，构建指标逻辑树；上述指标逻辑树的根节点表征上述目标多媒体业务指标，上述指标逻辑树中除上述根节点之外的节点表征上述至少两个多媒体关联指标，上述指标逻辑树的树枝表征不同指标之间的关联关系。

在本申请实施例中，可以以根节点表征目标多媒体业务指标，构建指标逻辑树；其中具有直接关联关系的指标以树枝连接。指标逻辑树中包括多个父节点和对应的子节点，逻辑树中最顶层的节点为根节点，根节点没有子节点，最底层的节点为叶子节点，叶子节点没有子节点。

S207：基于上述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点；上述关联系数表征上述对应的子节点对上述每个父节点的影响程度。

在本申请实施例中，可以通过计算指标逻辑树中父节点与子节点的关联系数，确定出目标节点。目标节点为指标逻辑树中的叶子节点，目标节点为对根节点影响最大的节点，即目标节点对应的多媒体关联指标是影响目标多媒体业务指标下降的主要原因，目标节点可以为一个或多个，本申请实施例中的多个均是指至少两个。

在本申请实施例中，如图4所示，上述基于上述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点，包括：

S2071：将上述指标逻辑树的根节点作为当前节点；

在本申请实施例中，可以遍历指标逻辑树，获取作为第一个父节点的根节点，并将其作为当前节点。

S2073：确定上述当前节点与对应的子节点之间的当前关联系数；

在本申请实施例中，当前节点可以对应一个或多个子节点，当存在多个子节点时，计算每个子节点与当前节点的当前关联系数。

在本申请实施例中，如图5所示，上述当前节点表征上述目标多媒体业务指标，上述确定上述当前节点与对应的子节点之间的当前关联系数，包括：

S20731：基于上述目标多媒体业务指标对应的目标多媒体业务指标数据集，构建上述目标多媒体业务指标的趋势变化曲线；

S20733：基于上述对应的子节点所对应的第一多媒体关联指标数据集，构建第一多媒体关联指标的趋势变化曲线；

在本申请实施例中，上述对应的子节点表征第一多媒体关联指标，上述基于上述对应的子节点所对应的第一多媒体关联指标数据集，构建第一多媒体关联指标的趋势变化曲线，包括：

基于上述第一多媒体关联指标对应的第一多媒体关联指标数据集，构建上述第一多媒体关联指标的趋势变化曲线。

在本申请实施例中，第一多媒体关联指标数据集与目标多媒体业务指标数据集为同一预设时间段内的数据，两者采用相同的时间粒度。

S20735：确定上述目标多媒体业务指标的趋势变化曲线与上述第一多媒体关联指标的趋势变化曲线之间的第一模式距离；

在本申请实施例中，可以通过PLR算法，计算趋势变化曲线之间的第一模式距离。

在本申请实施例中，PLR算法的计算原理如下：

对于一个时间序列，数据变化趋势包括三种状态：上升、下降和不变，将这种状态对应表示为M＝{1，-1，0}。假设有某个长度为A的序列，将其等分为K段。对于每一段计算一个斜率，斜率为正表示上升，斜率为负表示下降，斜率为0表示不变。那么就可以将这个序列表示为[1，1，0，-1...]这样的序列，将相邻的相同模式进行合并，可以得到[1，0，-1...]的序列。

算法步骤如下：

1、将相邻的相同模式进行合并，得到[1，0，-1...]的序列；

2、针对两个曲线S1，S2：将相邻的相同模式进行了合并，所以得到的模式序列一定是1，-1，0间隔排列的，每一个模式可能跨越了不同的时间长度，在合并模式后，序列S1可能有N个模式，S2可能有M个模式。需要将他们等模式数化。

经过PLR后，将S1，S2表示为：

S1＝{(m₁₁，t₁₁)，……，(m_1N，t_1N)}

S2＝{(m₂₁，t₂₁)，……，(m_2M，t_2M)}

设S1i，S2j分表表示S1，S2的第i，j个模式，即S1i＝(m_1i，t_1i)，t表示时间，且无论怎么切割，最后的终点都是相等的，即t_iN＝t_2M。具体公式如下：

S1＝{(1，t₁₁)，(-1，t₁₂)，(0，t₁₃)}

S2＝{(-1，t₂₁)，(1，t₂₂)}

等模式数化后将他们变形为：

S1＝{(1，t₁)，(-1，t₂)，(-1，t₃)，(0，t₄)}

S2＝{(1，t₁)，(1，t₂)，(-1，t₃)，(-1，t₄)}

即让它们使用共同的分割点，以获得最后长度相等的模式序列。

根据模式距离公式：

D＝|m_1i–m_2i|，显然，D∈(0，1，2)，距离越靠近0，表示模式越相似；越靠近2，表明模式越不相似。把所有的模式距离加起来即时间序列的模式距离：

但是需要注意的是，每一个模式可能跨越了不同的时间长度，而一个模式持续时间越长，它包含整个序列的信息就越多，因此，需要进行加权，更新的模式距离计算公式如下：

其中t_wi＝t_i/t_N，t_i为第i个模式所跨越的时间长度，t_N为总时间长度。

S20737：将上述第一模式距离作为上述当前节点与对应的子节点之间的关联系数。

在本申请实施例中，如图6所示，上述当前节点表征第二多媒体关联指标，上述确定上述当前节点与对应的子节点之间的当前关联系数，包括：

S207301：基于上述第二多媒体关联指标对应的第二多媒体关联指标数据集，构建上述第二多媒体关联指标的趋势变化曲线；

S207303：基于上述对应的子节点所对应的第三多媒体关联指标数据集，构建第三多媒体关联指标的趋势变化曲线；

在本申请实施例中，上述对应的子节点表征第三多媒体关联指标，上述基于上述对应的子节点所对应的第三多媒体关联指标数据集，构建第三多媒体关联指标的趋势变化曲线，包括：

基于上述第三多媒体关联指标对应的第三多媒体关联指标数据集，构建上述第三多媒体关联指标的趋势变化曲线。

在本申请实施例中，第二多媒体关联指标数据集与第三多媒体关联指标数据集为同一预设时间段内的数据，两者采用相同的时间粒度。

S207305：确定上述第二多媒体关联指标的趋势变化曲线与上述第三多媒体关联指标的趋势变化曲线之间的第二模式距离；

在本申请实施例中，可以通过PLR算法，计算趋势变化曲线之间的第二模式距离。

S207307：将上述第二模式距离作为上述当前节点与对应的子节点之间的关联系数。

具体的，在本申请实施例中，如图7-11所示，图7-11分别为当前时期的曝光量(次)、点击量(次)、消耗(元)、CPM(元)、填充率指标对应的趋势变化曲线。

其中，消耗呈下降趋势，下降幅度-9.28％，主要和CPM相关，相关系数为0.68；

CPM呈现下降趋势，下降幅度为-42.54％，主要和CPC相关，相关系数为0.95；

CPC呈现下降趋势，下降幅度为-26.15％；

点击量呈现下降趋势，下降幅度为-22.13％；

填充率呈现下降趋势，下降幅度为-8.13％。

在日常工作中，收入相关指标(核心指标)的同环比异动，容易引起关注，但是中小流量的指标长期趋势性下降往往容易被忽略。本申请可以弥补流量指标监控的不足，覆盖长期处于下降趋势的多媒体业务指标的检测，引导产品和运营关注相关问题。

在本申请实施例中，可以通过指标对应的趋势变化曲线，计算指标之间的模式距离，通过计算模式距离确定当前节点与对应的子节点之间的关联系数，从而便于进一步确定出对当前节点影响较大的子节点。

S2075：将当前关联系数大于预设阈值的子节点重新作为当前节点；

在本申请实施例中，若当前关联系数小于或等于预设阈值，则当前节点对根节点的影响较小，将当前节点排除。如果当前关联系数大于预设阈值，说明当前节点对根节点的影响较大，需要继续判断其是否存在子节点。

S2077：若上述当前节点存在对应的子节点，重复步骤：确定上述当前节点与对应的子节点之间的当前关联系数；以及将当前关联系数大于预设阈值的子节点重新作为当前节点；

在本申请实施例中，若上述当前节点存在对应的子节点，则需要继续确定该当前节点与对应子节点的当前关联系数，并确定出当前关联系数大于预设阈值的子节点，直至当前节点为叶子节点为止。

S2079：若上述当前节点不存在对应的子节点，将上述当前节点确定为上述目标节点。

具体的，在本申请实施例中，当前节点不存在对应的子节点是指当前节点为指标逻辑树中的最后一层的叶子节点。

在一个具体的实施例中，例如在多媒体对象为多媒体广告的应用场景中，如图12所示，图为目标多媒体业务指标与多媒体关联指标的关联关系图，其中目标多媒体业务指标为消耗，消耗的计算公式如下：

消耗＝曝光量*CPM剔除量；

曝光量＝请求数*填充率*展示率；

其中，与CPM具有直接关联关系的指标为pCTR bias、pCVR bias、超收比以及目标用户的数量；当多媒体对象为多个时，目标用户为多媒体对象的投资方，其中目标用户可以为多个多媒体对象中的一个或多个多媒体对象对应的用户，该用户为对多媒体对象投入成本较多的用户。目标用户的数量越多，对CPM的影响越大。

本申请实施例中，CTR(Click-Through-Rate)即点击通过率(点击率)，是互联网广告常用的术语，指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率，即该广告的实际点击次数(严格的来说，可以是到达目标页面的数量)除以广告的展现量(Show content)。

其中，pCTR bias为CTR的偏差，pCTR bias与CTR关联；计算公式如下：

pCTR bias＝(pCTR/CTR)-1；

公式中pCTR为预估点击率，CTR为真实点击率；改变CTR会导致pCTR bias发生变化。

本申请实施例中，CVR(Conversion Rate):转化率。是指用户点击广告到成为一个有效激活或者注册甚至付费用户的转化率。其计算公式如下：

CVR＝(转化量/点击量)*100％；

其中，pCVR bias为CVR的偏差，pCVR bias与CVR关联；其计算公式如下：

pCVR bias＝(pCVR/CVR)-1；

公式中pCVR为预估转化率，CVR为真实转化率；改变CVR会导致pCVR bias发生变化。

本申请实施例中，超收比的计算公式如下：

超收比＝(消耗-GMV)/GMV；

其中，消耗即为广告收入，GMV(Gross Merchandise Volume)表示广告主应当向广告系统付的费用，计算公式如下：

GMV＝广告主的目标出价*广告实际转化数。

本申请实施例中，曝光量受请求数、填充率、展示率等指标的影响，而请求数受用户数量(user visitor，UV)的影响。

本申请实施例中，广告位填充率(Global Fill Rate)，表示广告位有广告返回的请求数/总请求数，表示广告位的利用率，填充率越高，利用率越大；广告位填充率的计算公式如下：

广告位填充率＝广告位有广告返回的请求数(即返回量)/广告位总请求数；

本申请实施例中，比如客户端向广告平台发送广告获取请求，广告平台响应请求，返回一个广告，算做一次填充。返回广告后，客户端收到填充，就会展示广告，用户看到广告，算一次展示。展示率的计算公式如下：

展示率＝广告曝光量/广告返回量。

在本申请实施例中，在构建指标逻辑树时，可以采用根节点表征处于下降趋势的消耗，先计算消耗与曝光量、CPM之间的关联系数，例如，消耗与曝光量的关联系数为0.2，消耗与CPM的关联系数为0.8，则确定消耗下降的初步原因是CPM；然后计算CPM与其直接关联的各个指标(如pCTR bias、pCVR bias、超收比以及目标用户的数量)的关联系数，若超收比指标与CPM的关联系数大于预设阈值，由于该指标没有子节点，则将该指标确定为消耗的归因指标。若pCVR bias与CPM的关联系数大于预设阈值，则计算pCVR bias与其对应的子节点CVR的关联系数，如果计算结果大于预设阈值，则将CVR确定为消耗的归因指标。在另外一些实施例中，消耗的归因指标可以包括多个。

在本申请实施例中，计算出当前节点与对应子节点的当前关联系数之后，可以将当前关联系数大于预设阈值的子节点重新作为当前节点；并在更新的当前节点存在子节点时，重复计算父子节点的当前关联系数，直至当前节点为叶子节点时结束，并将当前节点作为目标节点；从而可以根据指标逻辑树快速查找到影响目标多媒体业务指标下降的归因指标。

S209：将上述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将上述目标多媒体关联指标确定为上述目标多媒体业务指标的归因指标。

在本申请实施例中，目标多媒体业务指标的归因指标可以为一个或多个。

在本申请实施例中，上述目标节点为至少两个，上述将上述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为上述目标多媒体业务指标的归因指标，包括：

将每个目标节点所表征的多媒体关联指标作为目标多媒体关联指标；

获取每个目标多媒体关联指标在历史时段内的历史指标数据集；

获取上述每个目标多媒体关联指标在上述预设时段内的当前指标数据集；

将历史指标数据集中数据与当前指标数据集中数据变化趋势一致的目标多媒体关联指标，确定为待筛除多媒体关联指标；

将上述至少两个目标多媒体关联指标中除上述待筛除多媒体关联指标之外的指标，确定为上述目标多媒体业务指标的归因指标。

在本申请实施例中，若目标结点为至少两个，则对应的目标多媒体关联指标也为至少两个，可以结合历史数据，对目标多媒体关联指标进行筛查，删除在历史阶段的同一预设时段处于下降趋势的多媒体关联指标，从而确定出归因指标。例如，一个多媒体关联指标在今年之前的一年或若干年的预设时段与今年的预设时段，均处于下降趋势，说明其为正常下降，则不能将其作为归因指标；例如，每一年的开学季时，针对学生群体的应用程序(App)的点击量指标会呈下降趋势，其为正常下降，无法对其进行进一步改进。

在本申请实施例中，例如曝光量(次)、点击量(次)、消耗(元)、CPM(元)、填充率等指标被确定为归因指标，则可以获取在这些指标在历史同一阶段的指标数据；如图13-17所示，图13-17为2019.12-2020.02期间的历史指标数据，与图07-11年的2020.12-2021.02的当前指标数据进行对比；可以看出CPM在历史阶段的同一时期也处于下降趋势，此时，则不将CPM作为归因指标；提高了确定归因指标的准确率。

由以上本申请实施例提供的技术方案可见，本申请实施例在确定多媒体对象在预设时段内处于下降趋势的目标多媒体业务指标之后，获取目标多媒体业务指标对应的多个多媒体关联指标；从而可以根据目标多媒体业务指标与多媒体关联指标之间的关联关系，以及多媒体关联指标之间的关联关系构建指标逻辑树；再根据指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定出对根节点影响较大的目标节点；并将目标节点所表征的目标多媒体关联指标确定为目标多媒体业务指标的归因指标；从而实现快速、准确地确定出目标多媒体业务指标的归因指标。

本申请实施例还提供了一种归因指标确定装置，如图18所示，所述装置包括：

目标多媒体业务指标确定模块1810，用于确定多媒体对象在预设时段内的目标多媒体业务指标，所述目标多媒体业务指标在所述预设时段内处于下降趋势；

多媒体关联指标获取模块1820，用于获取所述目标多媒体业务指标对应的至少两个多媒体关联指标；

指标逻辑树构建模块1830，用于基于所述目标多媒体业务指标以及所述至少两个多媒体关联指标，构建指标逻辑树；所述指标逻辑树的根节点表征所述目标多媒体业务指标，所述指标逻辑树中除所述根节点之外的节点表征所述至少两个多媒体关联指标，所述指标逻辑树的树枝表征不同指标之间的关联关系；

目标节点确定模块1840，用于基于所述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点；所述关联系数表征所述对应的子节点对所述每个父节点的影响程度；

归因指标确定模块1850，用于将所述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为所述目标多媒体业务指标的归因指标。

在一些实施例中，所述目标节点确定模块可以包括：

当前节点确定单元，用于将所述指标逻辑树的根节点作为当前节点；

当前关联系数确定单元，用于确定所述当前节点与对应的子节点之间的当前关联系数；

当前节点更新单元，用于将当前关联系数大于预设阈值的子节点重新作为当前节点；

步骤重复单元，用于若所述当前节点存在对应的子节点，重复步骤：确定所述当前节点与对应的子节点之间的当前关联系数；以及将当前关联系数大于预设阈值的子节点重新作为当前节点；

目标节点确定单元，用于若所述当前节点不存在对应的子节点，将所述当前节点确定为所述目标节点。

在一些实施例中，所述当前节点表征所述目标多媒体业务指标，所述当前关联系数确定单元可以包括：

目标多媒体业务指标的趋势变化曲线构建子单元，用于基于所述目标多媒体业务指标对应的目标多媒体业务指标数据集，构建所述目标多媒体业务指标的趋势变化曲线；

第一曲线构建子单元，用于基于所述对应的子节点所对应的第一多媒体关联指标数据集，构建第一多媒体关联指标的趋势变化曲线；

第一模式距离确定子单元，用于确定所述目标多媒体业务指标的趋势变化曲线与所述第一多媒体关联指标的趋势变化曲线之间的第一模式距离；

第一关联系数确定子单元，用于将所述第一模式距离作为所述当前节点与对应的子节点之间的关联系数。

在一些实施例中，所述当前节点表征第二多媒体关联指标，所述当前关联系数确定单元可以包括：

第二曲线构建子单元，用于基于所述第二多媒体关联指标对应的第二多媒体关联指标数据集，构建所述第二多媒体关联指标的趋势变化曲线；

第三曲线构建子单元，用于基于所述对应的子节点所对应的第三多媒体关联指标数据集，构建第三多媒体关联指标的趋势变化曲线；

第二模式距离确定子单元，用于确定所述第二多媒体关联指标的趋势变化曲线与所述第三多媒体关联指标的趋势变化曲线之间的第二模式距离；

第二关联系数确定子单元，用于将所述第二模式距离作为所述当前节点与对应的子节点之间的关联系数。

在一些实施例中，所述目标节点为至少两个，所述装置还可以包括：

在一些实施例中，所述归因指标确定模块可以包括：

目标多媒体关联指标确定单元，用于将每个目标节点所表征的多媒体关联指标作为目标多媒体关联指标；

历史指标数据集获取单元，用于获取每个目标多媒体关联指标在历史时段内的历史指标数据集；

当前指标数据集单元，用于获取所述每个目标多媒体关联指标在所述预设时段内的当前指标数据集；

待筛除多媒体关联指标确定单元，用于将历史指标数据集中数据与当前指标数据集中数据变化趋势一致的目标多媒体关联指标，确定为待筛除多媒体关联指标；

归因指标确定单元，用于将所述至少两个目标多媒体关联指标中除所述待筛除多媒体关联指标之外的指标，确定为所述目标多媒体业务指标的归因指标。

在一些实施例中，所述目标多媒体业务指标确定模块可以包括：

多媒体业务指标获取单元，用于获取所述多媒体对象在所述预设时段内的至少两个多媒体业务指标；

初始变化趋势确定单元，用于基于趋势检验方法，确定每个多媒体业务指标在所述预设时段内的初始变化趋势；

候选多媒体业务指标确定单元，用于将初始变化趋势为下降趋势的多媒体业务指标确定为候选多媒体业务指标；

斜率确定单元，用于基于最小二乘法确定所述候选多媒体业务指标的趋势变化曲线的斜率；

目标多媒体业务指标确定单元，用于将斜率小于预设斜率阈值的候选多媒体业务指标确定为所述目标多媒体业务指标。

在一些实施例中，所述装置还可以包括：

多媒体业务指标数据集获取模块，用于获取每个多媒体业务指标对应的多媒体业务指标数据集；

异常数据确定模块，用于确定每个多媒体业务指标数据集中的异常数据，所述异常数据为目标时段内的数据；

异常数据删除模块，用于删除所述每个多媒体业务指标数据集中的异常数据，得到更新的多媒体业务指标数据集。

在一些实施例中，所述初始变化趋势确定单元可以包括：

初始变化趋势确定子单元，用于基于所述趋势检验方法，确定每个更新的多媒体业务指标数据集中数据在所述预设时段内的初始变化趋势。

所述的装置实施例中的装置与方法实施例基于同样地发明构思。

本申请实施例提供了一种归因指标确定设备，该设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的归因指标确定方法。

本申请的实施例还提供了一种计算机存储介质，所述存储介质可设置于终端之中以保存用于实现方法实施例中一种归因指标确定方法相关的至少一条指令或至少一段程序，该至少一条指令或至少一段程序由该处理器加载并执行以实现上述方法实施例提供的归因指标确定方法。

本申请的实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行以实现上述方法实施例提供的归因指标确定方法。

可选地，在本申请实施例中，存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例所述存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本申请实施例所提供的归因指标确定方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图19是本申请实施例提供的一种归因指标确定方法的服务器的硬件结构框图。如图19所示，该服务器1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(CentralProcessing Units，CPU)1910(处理器1910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1930，一个或一个以上存储应用程序1923或数据1922的存储介质1920(例如一个或一个以上海量存储设备)。其中，存储器1930和存储介质1920可以是短暂存储或持久存储。存储在存储介质1920的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1910可以设置为与存储介质1920通信，在服务器1900上执行存储介质1920中的一系列指令操作。服务器1900还可以包括一个或一个以上电源1960，一个或一个以上有线或无线网络接口1950，一个或一个以上输入输出接口1940，和/或，一个或一个以上操作系统1921，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。

输入输出接口1940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1900的通信供应商提供的无线网络。在一个实例中，输入输出接口1940包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1940可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。

本领域普通技术人员可以理解，图19所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1900还可包括比图19中所示更多或者更少的组件，或者具有与图19所示不同的配置。

由上述本申请提供的归因指标确定方法、装置、服务器或存储介质的实施例可见，本申请在确定多媒体对象在预设时段内处于下降趋势的目标多媒体业务指标之后，获取目标多媒体业务指标对应的多个多媒体关联指标；从而可以根据目标多媒体业务指标与多媒体关联指标之间的关联关系，以及多媒体关联指标之间的关联关系构建指标逻辑树；再根据指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定出对根节点影响较大的目标节点；并将目标节点所表征的目标多媒体关联指标确定为目标多媒体业务指标的归因指标；从而实现快速、准确地确定出目标多媒体业务指标的归因指标。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种归因指标确定方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述指标逻辑树中每个父节点与对应的子节点之间的关联系数，确定目标节点，包括：

将所述指标逻辑树的根节点作为当前节点；

确定所述当前节点与对应的子节点之间的当前关联系数；

将当前关联系数大于预设阈值的子节点重新作为当前节点；

若所述当前节点存在对应的子节点，重复步骤：确定所述当前节点与对应的子节点之间的当前关联系数；以及将当前关联系数大于预设阈值的子节点重新作为当前节点；

若所述当前节点不存在对应的子节点，将所述当前节点确定为所述目标节点。

3.根据权利要求2所述的方法，其特征在于，所述当前节点表征所述目标多媒体业务指标，所述确定所述当前节点与对应的子节点之间的当前关联系数，包括：

基于所述目标多媒体业务指标对应的目标多媒体业务指标数据集，构建所述目标多媒体业务指标的趋势变化曲线；

基于所述对应的子节点所对应的第一多媒体关联指标数据集，构建第一多媒体关联指标的趋势变化曲线；

确定所述目标多媒体业务指标的趋势变化曲线与所述第一多媒体关联指标的趋势变化曲线之间的第一模式距离；

将所述第一模式距离作为所述当前节点与对应的子节点之间的关联系数。

4.根据权利要求2所述的方法，其特征在于，所述当前节点表征第二多媒体关联指标，所述确定所述当前节点与对应的子节点之间的当前关联系数，包括：

基于所述第二多媒体关联指标对应的第二多媒体关联指标数据集，构建所述第二多媒体关联指标的趋势变化曲线；

基于所述对应的子节点所对应的第三多媒体关联指标数据集，构建第三多媒体关联指标的趋势变化曲线；

确定所述第二多媒体关联指标的趋势变化曲线与所述第三多媒体关联指标的趋势变化曲线之间的第二模式距离；

将所述第二模式距离作为所述当前节点与对应的子节点之间的关联系数。

5.根据权利要求1所述的方法，其特征在于，所述目标节点为至少两个，所述将所述目标节点所表征的多媒体关联指标作为目标多媒体关联指标，并将所述目标多媒体关联指标确定为所述目标多媒体业务指标的归因指标，包括：

获取所述每个目标多媒体关联指标在所述预设时段内的当前指标数据集；

将所述至少两个目标多媒体关联指标中除所述待筛除多媒体关联指标之外的指标，确定为所述目标多媒体业务指标的归因指标。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述确定多媒体对象在预设时段内的目标多媒体业务指标，包括：

获取所述多媒体对象在所述预设时段内的至少两个多媒体业务指标；

基于趋势检验方法，确定每个多媒体业务指标在所述预设时段内的初始变化趋势；

将初始变化趋势为下降趋势的多媒体业务指标确定为候选多媒体业务指标；

基于最小二乘法确定所述候选多媒体业务指标的趋势变化曲线的斜率；

将斜率小于预设斜率阈值的候选多媒体业务指标确定为所述目标多媒体业务指标。

7.根据权利要求6所述的方法，其特征在于，所述获取所述多媒体对象在所述预设时段内的至少两个多媒体业务指标之后，所述方法还包括：

获取每个多媒体业务指标对应的多媒体业务指标数据集；

确定每个多媒体业务指标数据集中的异常数据，所述异常数据为目标时段内的数据；

删除所述每个多媒体业务指标数据集中的异常数据，得到更新的多媒体业务指标数据集；

相应的，所述基于趋势检验方法，确定每个多媒体业务指标在所述预设时段内的初始变化趋势，包括：

基于所述趋势检验方法，确定每个更新的多媒体业务指标数据集中数据在所述预设时段内的初始变化趋势。

8.一种归因指标确定装置，其特征在于，所述装置包括：

9.一种归因指标确定设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-7任一所述的归因指标确定方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的归因指标确定方法。

11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1-7任一所述的归因指标确定方法。