近年来,随着互联网的普及与发展,在线广告已经成为社交媒体、搜索引擎、电商平台等互联网商业应用和服务的主要盈利方式。在线广告的目标是通过互联网产品,搭建消费者和商家之间信息的通道,为互联网消费者提供符合用户需求的商品信息,为商家宣传商品进而获取客户。在线广告系统中,对于广告主而言,如何将有限的预算合理分配给不同的媒体和渠道,进而通过这些途径给用户投放广告,最终获取最大收益,一直以来是一个十分重要的问题。多触点归因分析给这一需求带来了契机。多触点归因分析通过计算用户行为路径中,每个触点（即广告）对用户发生转化行为的贡献,来进一步衡量触点所属的媒体或渠道对转化的影响。针对该问题,现有的工作多基于序列建模和转化预测相结合的方式提出解决方案。然而,这些工作存在三个问题。第一,在缺乏用户个人特征的业务场景中,传统归因模型由于个性化问题,难以根据用户的偏好进行有效归因。第二,在具备用户个人特征的业务场景里,对于较长的用户序列,触点间的交互和长期依赖难以进行充分学习。第三,对于触点在时间上的周期性和非周期性规律,模型也难以进行序列模式建模。以上三个问题导致模型更加难以准确地对触点进行归因。为了应对以上三个问题,本文提出了相应的改进方法:1.针对个性化归因问题,本文提出了一种新型多任务学习框架。为了补充缺失的用户个人特征,本文设计了一种多任务学习框架。该框架中包含点击率预测任务、转化率预测任务和用户渠道偏好预测任务。其中渠道偏好预测任务借助因果推断理论,通过训练得到一个用户兴趣表征向量,从而对每一条给定的用户行为序列都能补充相应的用户侧特征,继而进行个性化归因,提高归因的准确性。本文通过实验验证了多任务学习框架的有效性。2.针对较长序列中触点间的交互和长期依赖的学习,本文提出了一种基于多头注意力机制的模型。对于给定的触点序列,之前的方法难以捕捉到序列中触点的长期依赖且计算过程无法并行,效率较低。由此,本文设计了一种基于多头注意力的模型。它借助多头注意力模块,能够并行、双向计算序列中每一个触点和其余所有触点的交互和长期依赖,并将其中的信息运用在归因计算中。本文通过实验验证了多头注意力模型的有效性。3.针对具有触点时间特征的场景,本文提出一个时间表征模块。时间信息对归因十分重要,但之前的工作没有对其进行有效利用。对此,本文设计了一种时间表征模块,它将时间的信息融入到向量表示中,从而让上游模型处理触点序列数据时,能够有效利用触点在时间序列上的信息,关注到触点与触点间的周期性和非周期性等,进而得到更准确的归因。本文通过实验验证了该方法的可行性和有效性。