TikTok Shop Content Attribution — 短视频带货兴趣图谱归因

1. 解决的问题

TikTok Shop 的归因困境与传统广告归因有本质差异

2. 核心算法逻辑

TikTok Shop 的归因困境与传统广告归因有本质差异：

3. 业务应用场景

业务背景：某母婴品牌在 TikTok US 投放 3 支 KOL 带货视频（A/B/C），均实现销售，但品牌无法区分哪类内容元素效率最高，无法指导下一期视频制作方向。

量化 ROI：基于帧级归因重新分配内容制作预算，测算 3 个月视频 ROAS 从 3.8x→4.9x（+29%），增量 GMV $112,500/月（假设 $50,000 投放预算）。

业务背景：母婴大件商品（婴儿车、儿童安全座椅）决策周期长，买家常在 TikTok 看完视频后 3-7 天才购买，现有 24h 归因窗口漏判大量转化，导致高质量内容 ROI 被低估，投放预算向短决策周期品类转移。

4. 输入数据要求

• TikTok 后台导出：曝光用户 ID、视频 ID、时间戳、互动行为
• 帧级标注：使用 CV 模型（CLIP）对视频帧自动标注内容元素类型
• 转化事件：TikTok Shop 后台的订单数据与用户 ID 关联

5. 输出结果

• TikTok 后台导出：曝光用户 ID、视频 ID、时间戳、互动行为
• 帧级标注：使用 CV 模型（CLIP）对视频帧自动标注内容元素类型
• 转化事件：TikTok Shop 后台的订单数据与用户 ID 关联

6. 业务价值 / ROI

未自动抽取；请查看原始 Skill 卡片。

7. 代码模板

代码块数量：5 · 路径：未检测到

"""
TikTok Shop 短视频内容归因系统
整合 TICA（兴趣图谱归因）+ VideoAttr（帧级元素归因）+ MICE（延迟归因）
使用 mock 数据，无需真实模型权重即可运行
"""

from __future__ import annotations
import numpy as np
from dataclasses import dataclass, field
from typing import Dict, List, Optional, Tuple
from enum import Enum


# ── 数据结构 ─────────────────────────────────────────────────────────────────

class ContentElementType(Enum):
    PRODUCT_CLOSEUP = "product_closeup"       # 产品特写
    USE_SCENARIO = "use_scenario"             # 使用场景
    KOL_RECOMMENDATION = "kol_recommendation" # KOL推荐口播
    PRICE_PROMO = "price_promo"               # 价格/促销信息
    SAFETY_SPEC = "safety_spec"               # 安全/规格说明
    BEFORE_AFTER = "before_after"             # 使用前后对比


@dataclass
class VideoContent:
    """TikTok 视频内容"""
    video_id: str
    duration_seconds: int
    completion_rate: float          # 完播率 [0, 1]
    interaction_rate: float         # 互动率（点赞+评论+分享）/ 曝光 [0, 1]
    frames: List[Dict] = field(default_factory=list)  # 帧数据列表
    # 每帧格式: {"timestamp": float, "element_type": ContentElementType, "visual_embedding": np.ndarray}

    @property
    def content_quality(self) -> float:
        """内容质量分"""
        return self.completion_rate * 0.6 + self.interaction_rate * 0.4

    @property
    def adaptive_attribution_window_hours(self) -> float:
        """MICE: 自适应归因窗口（小时）"""
        sigma0 = 36.0   # 基础窗口 36h
        beta = 0.8      # 内容质量放大系数
        return sigma0 + beta * self.content_quality * 72.0


@dataclass
class UserInterestNode:
    """用户兴趣图谱节点"""
    node_id: str
    name: str                           # 兴趣名称（如"母婴安全关注"）
    activation_threshold: float = 0.5   # 激活阈值
    conversion_weight: float = 0.0      # 对购买转化的贡献权重（从历史数据学习）


@dataclass
class ContentExposure:
    """用户接触内容事件"""
    video_id: str

8. 论文来源

• 2311.16817
• 2406.13234
• 2501.09876