НЕЙРОННЫЕ ПРОЦЕССЫ ХОУКСА ДЛЯ ОЦЕНКИ ПАРАМЕТРОВ ИНТЕНСИВНОСТИ И ОПТИМИЗАЦИИ МАРКЕТИНГОВЫХ СТРАТЕГИЙ В УСЛОВИЯХ ОГРАНИЧЕННОГО ДОСТУПА К ДАННЫМ
DOI:
https://doi.org/10.5281/zenodo.18048614Ключевые слова:
нейронные процессы Хоукса; механизмы внимания; моделирование пользовательского поведения; цифровые платформы; оценка интенсивности; маркетинговые стратегии; временная динамика; векторные представления; оптимизация таргетинга.Аннотация
Статья посвящена разработке интерпретируемой нейронной модели на основе процессов Хоукса с механизмами внимания для анализа динамики прослушиваний музыкальных произведений на цифровых платформах. В работе обосновывается актуальность оценки эффективности маркетинговых стратегий в условиях ограниченного доступа к данным, вызванного регуляторными ограничениями. Рассмотрены текущие проблемы сбора и обработки информации, включая временные метки событий и категориальные переменные, такие как источник прослушивания, возрастная группа и время суток. Изучены эмпирические исследования пользовательского поведения, выделены группы «специалистов», «генералистов» и интенсивных пользователей, подчеркивающие необходимость учета разнообразия потребления и эффектов самовозбуждения.
Детально проанализирована эконометрическая модель повторяющегося дискретного выбора, представлена динамика спроса как агрегированного счетчика событий с учетом доли пересматривающих потребителей и эндогенных факторов. Охарактеризованы ограничения традиционных подходов, включая модели Pareto/NBD и классические процессы Хоукса, связанные с независимостью событий и экспоненциальным ростом параметров. Выделены преимущества предлагаемой модели, интегрирующей векторные представления и трансформерную архитектуру для захвата самовозбуждения и ингибирования.
Важным моментом исследования выступает методология, включающая предобработку данных, моделирование интенсивности с расширением на маркированные события, разделение на обучающую и валидационную выборки, оценку качества через остаточный анализ и метрики регрессии. Представлены механизмы раздельного обучения категорий событий и оценки важности независимых переменных через веса внимания. Статья содержит анализ ядер воздействия, суммарного влияния типов событий и оптимальных временных лагов. Планируемые результаты отражены в таблицах и диаграммах, демонстрирующих асимметрию влияний и практическую ценность для оптимизации кампаний.
Сделаны выводы о способности модели преодолевать ограничения данных, обеспечивая точное прогнозирование динамики поведения и симуляцию сценариев. Непрерывный анализ интенсивности позволит выявить эффекты лояльности и насыщения, способствуя повышению отдачи от маркетинговых вложений в цифровой экономике. Диагностика временной структуры отклика определит возможности адаптивных стратегий, четко очерчивая границы воздействия модели на оптимизацию таргетинга.
Скачивания
Библиографические ссылки
1. Xu L., Duan J. A., Whinston A. Path to Purchase: A Mutually Exciting Point Process Model for Online Advertising and Conversion // Management Science. Institute for Operations Research and the Management Sciences (INFORMS), 2014. Т. 60, № 6. С. 1392–1412.
2. Anderson A. и др. Algorithmic Effects on the Diversity of Consumption on Spotify // Proceedings of The Web Conference 2020. Taipei Taiwan: ACM, 2020. С. 55–65.
3. Datta H., Knox G., Bronnenberg B. J. Changing Their Tune: How Consumers’ Adoption of Online Streaming Affects Music Consumption and Discovery // Marketing Science. 2018. Т. 37, № 1. С. 5–21.
4. Morris J. W., Powers D. Control, curation and musical experience in streaming music services: 2 // Creative Industries Journal. 2015. Т. 8, № 2. С. 106–122.
5. Anas A. Discrete choice theory, information theory and the multinomial logit and gravity models // Transportation Research Part B: Methodological. 1983. Т. 17, № 1. С. 13–23.
6. Ben-Akiva M. и др. Modeling Methods for Discrete Choice Analysis // Marketing Letters. 1997. Т. 8, № 3. С. 273–286.
7. Leake C. Discrete Choice Theory of Product Differentiation // Journal of the Operational Research Society. 1995. Т. 46, № 4. С. 543–543.
8. Cowan R., Cowan W., Peter Swann G. M. Waves in consumption with interdependence among consumers // Canadian J of Economics. 2004. Т. 37, № 1. С. 149–177.
9. Fader P. S., Hardie B. G. S., Lee K. L. “Counting Your Customers” the Easy Way: An Alternative to the Pareto/NBD Model // Marketing Science. Institute for Operations Research and the Management Sciences (INFORMS), 2005. Т. 24, № 2. С. 275–284.
10. Hawkes A. G. Spectra of some self-exciting and mutually exciting point processes // Biometrika. Oxford University Press (OUP), 1971. Т. 58, № 1. С. 83–90.
11. Isham V., Westcott M. A self-correcting point process // Stochastic Processes and their Applications. Elsevier BV, 1979. Т. 8, № 3. С. 335–347.
12. Eichler M., Dahlhaus R., Dueck J. Graphical Modeling for Multivariate Hawkes Processes with Nonparametric Link Functions. arXiv, 2016.
13. Du N. и др. Recurrent Marked Temporal Point Processes: Embedding Event History to Vector // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA: ACM, 2016. С. 1555–1564.
14. Mei H., Eisner J. The Neural Hawkes Process: A Neurally Self-Modulating Multivariate Point Process. arXiv, 2016.
15. Meng Z. и др. Interpretable Transformer Hawkes Processes: Unveiling Complex Interactions in Social Networks. arXiv, 2024.
16. Zhao Y., Engelhard M. Balancing Interpretability and Flexibility in Modeling Diagnostic Trajectories with an Embedded Neural Hawkes Process Model. arXiv, 2025.
17. Zuo S. и др. Transformer Hawkes Process. arXiv, 2020.
18. Karpukhin I., Dereka S., Kolesnikov S. EXACT: How to train your accuracy // Pattern Recognition Letters. 2024. Т. 185. С. 23–30.
19. Meng Z. и др. TransFeat-TPP: An Interpretable Deep Covariate Temporal Point Processes // Frontiers in Artificial Intelligence and Applications / под ред. Endriss U. и др. IOS Press, 2024.
20. Kirchner M. An estimation procedure for the Hawkes process. arXiv, 2015.
21. Zuo S. и др. Transformer Hawkes Process. arXiv, 2020.
22. Ogata Y. Statistical Models for Earthquake Occurrences and Residual Analysis for Point Processes // Journal of the American Statistical Association. JSTOR, 1988. Т. 83, № 401. С. 9.
23. Vaswani A. и др. Attention Is All You Need: arXiv:1706.03762. arXiv, 2023.
24. Deutsch I., Ross G. J. Estimating Product Cannibalisation in Wholesale using Multivariate Hawkes Processes with Inhibition. arXiv, 2022.
25. IAB/PwC Internet Advertising Revenue Report 2024.
References
1. Xu L., Duan J. A., Whinston A. Path to Purchase: A Mutually Exciting Point Process Model for Online Advertising and Conversion. Management Science. Institute for Operations Research and the Management Sciences (INFORMS), 2014. Т. 60, № 6. С. 1392–1412.
2. Anderson A. и др. Algorithmic Effects on the Diversity of Consumption on Spotify // Proceedings of The Web Conference 2020. Taipei Taiwan: ACM, 2020. С. 55–65.
3. Datta H., Knox G., Bronnenberg B. J. Changing Their Tune: How Consumers’ Adoption of Online Streaming Affects Music Consumption and Discovery. Marketing Science. 2018. Т. 37, № 1. С. 5–21.
4. Morris J. W., Powers D. Control, curation and musical experience in streaming music services: 2. Creative Industries Journal. 2015. Т. 8, № 2. С. 106–122.
5. Anas A. Discrete choice theory, information theory and the multinomial logit and gravity models. Transportation Research Part B: Methodological. 1983. Т. 17, № 1. С. 13–23.
6. Ben-Akiva M. и др. Modeling Methods for Discrete Choice Analysis. Marketing Letters. 1997. Т. 8, № 3. С. 273–286.
7. Leake C. Discrete Choice Theory of Product Differentiation. Journal of the Operational Research Society. 1995. Т. 46, № 4. С. 543–543.
8. Cowan R., Cowan W., Peter Swann G. M. Waves in consumption with interdependence among consumers. Canadian J of Economics. 2004. Т. 37, № 1. С. 149–177.
9. Fader P. S., Hardie B. G. S., Lee K. L. “Counting Your Customers” the Easy Way: An Alternative to the Pareto/NBD Model. Marketing Science. Institute for Operations Research and the Management Sciences (INFORMS), 2005. Т. 24, № 2. С. 275–284.
10. Hawkes A. G. Spectra of some self-exciting and mutually exciting point processes. Biometrika. Oxford University Press (OUP), 1971. Т. 58, № 1. С. 83–90.
11. Isham V., Westcott M. A self-correcting point process. Stochastic Processes and their Applications. Elsevier BV, 1979. Т. 8, № 3. С. 335–347.
12. Eichler M., Dahlhaus R., Dueck J. Graphical Modeling for Multivariate Hawkes Processes with Nonparametric Link Functions. arXiv, 2016.
13. Du N. и др. Recurrent Marked Temporal Point Processes: Embedding Event History to Vector // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco California USA: ACM, 2016. С. 1555–1564.
14. Mei H., Eisner J. The Neural Hawkes Process: A Neurally Self-Modulating Multivariate Point Process. arXiv, 2016.
15. Meng Z. и др. Interpretable Transformer Hawkes Processes: Unveiling Complex Interactions in Social Networks. arXiv, 2024.
16. Zhao Y., Engelhard M. Balancing Interpretability and Flexibility in Modeling Diagnostic Trajectories with an Embedded Neural Hawkes Process Model. arXiv, 2025.
17. Zuo S. и др. Transformer Hawkes Process. arXiv, 2020.
18. Karpukhin I., Dereka S., Kolesnikov S. EXACT: How to train your accuracy. Pattern Recognition Letters. 2024. Т. 185. С. 23–30.
19. Meng Z. и др. TransFeat-TPP: An Interpretable Deep Covariate Temporal Point Processes // Frontiers in Artificial Intelligence and Applications / под ред. Endriss U. и др. IOS Press, 2024.
20. Kirchner M. An estimation procedure for the Hawkes process. arXiv, 2015.
21. Zuo S. и др. Transformer Hawkes Process. arXiv, 2020.
22. Ogata Y. Statistical Models for Earthquake Occurrences and Residual Analysis for Point Processes. Journal of the American Statistical Association. JSTOR, 1988. Т. 83, № 401. Р. 9.
23. Vaswani A. и др. Attention Is All You Need: arXiv:1706.03762. arXiv, 2023.
24. Deutsch I., Ross G. J. Estimating Product Cannibalisation in Wholesale using Multivariate Hawkes Processes with Inhibition. arXiv, 2022.
25. IAB/PwC Internet Advertising Revenue Report 2024.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Новое в экономической кибернетике» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
