NNN：用于营销组合建模的下一代神经网络

NNN: Next-Generation Neural Networks for Marketing Mix Modeling

Source | HN Comments

文章介绍了 NNN，一种基于 Transformer 的神经网络，用于营销组合建模（MMM）。NNN 旨在解决传统 MMM 的局限性，使用嵌入捕捉营销和自然渠道的定量和定性信息，并通过注意力机制建模复杂交互和长期效应，提高销售归因准确性。研究表明，L1 正则化适用于数据受限场景。在模拟和真实数据上的评估证明了 NNN 的有效性，并提供了关于关键词和创意有效性的补充见解，增强了模型的可解释性。

arXiv:2504.06212 (cs) [2025年4月8日提交]

标题: NNN: Next-Generation Neural Networks for Marketing Mix Modeling

作者: Thomas Mulc, Mike Anderson, Paul Cubre, Huikun Zhang, Ivy Liu, Saket Kumar 查看由 Thomas Mulc 和其他 5 位作者撰写的题为 NNN: Next-Generation Neural Networks for Marketing Mix Modeling 的论文的 PDF 版本。查看 PDF HTML (实验性)

摘要：我们提出了 NNN，一种基于 Transformer 的神经网络方法，用于营销组合建模（MMM），旨在解决传统方法的主要局限性。与依赖于标量输入和参数衰减函数的传统 MMM 不同，NNN 使用丰富的嵌入来捕获营销和自然渠道（例如，搜索查询、广告创意）的定量和定性方面。这与它的注意力机制相结合，使 NNN 能够对复杂的交互进行建模，捕获长期效应，并可能提高销售归因的准确性。我们表明，L1 正则化允许在典型的数据受限设置中使用这种表达性模型。在模拟和真实世界数据上评估 NNN 证明了其有效性，特别是通过显着提高预测能力。除了归因之外，NNN 还通过模型探测提供了有价值的补充见解，例如评估关键词或创意的有效性，从而增强了模型的可解释性。

主题：| 机器学习 (cs.LG); 应用 (stat.AP) ---|--- 引用为：| arXiv:2504.06212 [cs.LG] (或 arXiv:2504.06212v1 [cs.LG] 对于此版本) https://doi.org/10.48550/arXiv.2504.06212 通过 DataCite 集中了解更多 arXiv 发布的 DOI（等待注册）

提交历史

来自: Thomas Mulc [查看电子邮件] [v1] 2025年4月8日星期二 16:57:11 UTC (4,225 KB)

全文链接：

访问论文:

查看由 Thomas Mulc 和其他 5 位作者撰写的题为 NNN: Next-Generation Neural Networks for Marketing Mix Modeling 的论文的 PDF 版本。