DNTS框架：联盟营销中推广者传播价值的量化评估

1. 项目概述

在联盟营销生态中，推广者（Promoter）的价值评估一直是个关键问题。传统方法只关注推广者直接带来的销量（Self-sales），却忽视了他们在社交网络中通过转发、分享所产生的链式传播价值。这种"直接贡献"评估范式存在明显缺陷：它无法识别那些不直接产生销量但作为关键传播节点的推广者，导致资源配置失衡和激励机制不公平。

阿里妈妈技术团队提出的DNTS框架创新性地解决了这个问题。我们首次定义了"传播规模"（Propagation Scale）这一新指标，用于量化推广者的间接传播价值。传播规模的计算基于完整的推广链路分析，考虑了推广者参与的所有订单，无论这些订单是由其直接促成还是通过其传播行为间接促成。

关键突破：DNTS框架将复杂的传播规模预测问题解耦为两个更易处理的子任务——基础信号（自销量）预测和动态网络结构预测，再通过合成机制得到最终结果。这种两阶段方法克服了直接预测高度波动信号和动态网络的困难。

2. 核心问题解析

2.1 传统评估范式的局限性

传统"直接贡献"评估范式存在两个主要问题：

1. 价值衡量偏差：无法识别"播种者"型推广者。如图1(a)所示，推广者P2虽然自身销量(a)为0，但通过激活下游推广者P3和P4，间接促成了销量(b)。传统方法会错误地将P2判定为无效推广者。

2. 资源分配失准：资源过度倾斜给"收割者"型推广者（如P4），而忽视了对生态健康至关重要的"播种者"（如P2）。长期来看，这会损害生态多样性。

2.2 传播规模的数学定义

传播规模的形式化定义为：

$$
PS(p) = \sum_{o \in O(p)} q(o)
$$

其中：

• $p$代表推广者
• $O(p)$是推广者$p$直接或间接参与促成的订单集合
• $q(o)$是订单$o$的销量

以图1(a)为例：

• 订单$o_1$（销量=1）的链路：P2→P3
• 订单$o_2$（销量=2）的链路：P2→P3→P4
• P2的传播规模：$PS(P2)=q(o_1)+q(o_2)=3$
• P3的传播规模：$PS(P3)=q(o_1)+q(o_2)=3$
• P4的传播规模：$PS(P4)=q(o_2)=2$

3. DNTS框架设计

3.1 整体架构

DNTS采用两阶段预测架构：

1. 基础信号预测通路：预测每个推广者未来的自销量（Self-sales）

   • 使用一维时间卷积模块（多尺度Inception策略）
   • 通过门控机制融合不同时间尺度的模式
   • 输出：$\hat{S}_{t+1}^{(p,i)}$

2. 结构预测通路：预测未来的推广网络结构

   • 局部动态编码：基于注意力机制聚合后代信息
   • 全局动态编码：超图卷积捕捉跨商品推广模式
   • 输出：更新后的结构表征$H_{struct}$

3. 合成模块：将两个通路的结果结合，计算最终传播规模

   • 预测贡献系数矩阵$A_{t+1}^{(i)}$
   • 使用Gumbel-Softmax采样后代集合
   • 最终传播规模：$\hat{PS}{t+1}^{(p,i)} = A^{(i)} \times \hat{S}_{t+1}^{(p,i)}$

3.2 关键技术细节

3.2.1 局部动态编码

1. 使用DFS算法预处理获取每个推广者的后代集合：
   $$D^{(p,i)} = {d | path(p→d) \ exists}$$
2. 注意力机制聚合后代信息：
   $$h_{local}^{(p,i)} = \sum_{d \in D^{(p,i)}} \alpha_{p,d} \cdot h_d$$
3. GRU捕捉时序模式：
   $$h_{local,t}^{(p,i)} = GRU(h_{local,t-1}^{(p,i)}, x_t^{(p,i)})$$

3.2.2 全局动态编码

1. 构建超图：
   • 节点：推广者
   • 超边：商品推广关系
   • 关联矩阵：$B^{(i)} \in \mathbb{R}^{|P|×|I|}$
2. 超图卷积：
   • 节点到超边聚合：$e_j = \sigma(\sum_{p \in P_j} W_p h_p)$
   • 超边到节点更新：$h_p' = \sigma(\sum_{j \in J_p} W_j e_j)$
3. 时序建模：
   $$H_{global,t} = GRU(H_{global,t-1}, X_t)$$

3.2.3 合成机制

1. 后代关系概率矩阵：
   $$R_{t+1}^{(i)} = softmax(\frac{QK^T}{\sqrt{d_k}})$$
   • $Q = H_{struct}W_Q$
   • $K = H_{struct}W_K$
2. 激活率矩阵：
   $$\Gamma_{t+1}^{(i)} = \sigma(W_\gamma[H_{struct}||\hat{S}_{t+1}])$$
3. 最终贡献系数：
   $$A_{t+1}^{(i)} = GumbelSoftmax(R_{t+1}^{(i)} \odot \Gamma_{t+1}^{(i)})$$

4. 工业级挑战与解决方案

4.1 数据稀疏性问题

问题描述：线上商品数量达亿级，但每个商品相关的推广者只占很小比例，导致数据极度稀疏。

解决方案：

1. 构建商品级推广者子表
2. 所有图计算限定在相关推广者子集内
3. 动态维护子表，定期更新

4.2 高波动性问题

问题描述：商品推广热度可能突然爆发，推广者活动大部分时间处于"沉默"状态，预测难度大。

解决方案：

1. 增加推广者激活预测辅助任务
2. 使用预测的激活状态作为门控
3. 过滤掉"沉默"推广者，降低噪声影响

5. 实验验证

5.1 数据集

使用阿里妈妈真实业务数据构建三个数据集：

• 7-days：短期预测
• 14-days：中期预测
• 30-days：长期预测

其中30-days数据集包含：

• 推广者：>100,000
• 推广连边：~6,000,000

5.2 基线模型

对比五种SOTA图时序预测模型：

1. DCRNN（ICLR 2018）
2. STGCN（IJCAI 2018）
3. LSGCN（IJCAI 2020）
4. MTGNN（KDD 2020）
5. TPGNN（NeurIPS 2022）

5.3 评估指标

1. MAPE（平均绝对百分比误差）：
   $$MAPE = \frac{100%}{n} \sum_{t=1}^n \left| \frac{y_t - \hat{y}_t}{y_t} \right|$$
2. MSLE（均方对数误差）：
   $$MSLE = \frac{1}{n} \sum_{t=1}^n (\log(y_t + 1) - \log(\hat{y}_t + 1))^2$$

5.4 离线实验结果

关键发现：

1. DNTS在30-days数据集上相比TPGNN：
   • MSLE相对提升11.3%
   • MAPE相对提升4.1%
2. 模型性能随历史信息增加而提升（30-days > 14-days > 7-days）

5.5 诊断性实验

比较三种预测模式：

1. 模式一（传统）：直接预测传播规模
2. 模式二（基础）：仅预测自销量
3. 模式三（DNTS）：两阶段预测

结果分析：

1. 自销量预测（模式二）误差显著低于直接传播规模预测（模式一），验证了基础信号更易预测
2. 在传统范式下（模式一），GNN的引入几乎无提升，说明直接处理非平滑信号效果差
3. 在两阶段范式下（模式三），GNN对结构预测带来显著提升

5.6 在线AB测试

在阿里妈妈推荐平台部署DNTS，优化召回阶段排序：
$$recall(p,i) = \alpha \cdot PS(p,i) + (1-\alpha) \cdot sales(p,i)$$

三个月测试结果：

6. 实操经验与注意事项

6.1 数据预处理要点

1. 链路归因准确性：

   • 确保订单归因链路的完整性和准确性
   • 处理边缘情况：多路径归因、循环传播等
   • 建议采用多维度校验机制

2. 网络构建优化：

   • 按天离散化推广网络时，注意跨天传播的处理
   • 对低频推广者适当聚合，降低稀疏性
   • 使用高效的图存储格式（如CSR）

6.2 模型训练技巧

1. 损失函数设计：

   • 主任务：传播规模预测（MSLE损失）
   • 辅助任务：推广者激活预测（交叉熵损失）
   • 加权组合：$\mathcal{L} = \lambda_1 \mathcal{L}{main} + \lambda_2 \mathcal{L}$

2. 训练策略：

   • 采用课程学习（Curriculum Learning）
   • 先训练基础信号预测通路
   • 再联合训练整个框架
   • 学习率动态调整

6.3 线上部署考量

1. 实时性保障：

   • 基础信号预测：天级别批量预测
   • 结构预测：动态更新，触发式执行
   • 合成模块：轻量级矩阵运算

2. 资源优化：

   • 推广者子表分区存储
   • 热门商品单独处理
   • 冷启动商品降级策略

7. 常见问题排查

7.1 预测值偏差大

可能原因：

1. 归因链路不完整
2. 推广者沉默期未被正确识别
3. 商品热度突变未捕捉到

解决方案：

1. 检查归因逻辑，补充缺失链路
2. 调整激活预测阈值
3. 加入外部事件信号（如促销活动）

7.2 训练不稳定

可能原因：

1. 传播规模数值跨度大
2. 动态网络结构变化剧烈
3. 梯度爆炸

解决方案：

1. 对目标变量做log变换
2. 增加梯度裁剪
3. 使用更稳定的注意力变体（如Reformer）

7.3 线上效果衰减

可能原因：

1. 推广者行为模式变化
2. 商品生命周期影响
3. 季节性因素

解决方案：

1. 建立模型性能监控体系
2. 设计增量学习机制
3. 加入时间衰减因子

在实际部署DNTS框架的过程中，我们发现对推广者行为的深入理解至关重要。例如，某些推广者虽然整体传播规模不大，但在特定商品类别中表现突出。为此，我们在模型中加入了商品类别感知的注意力机制，进一步提升了预测精度。另一个实用技巧是在合成模块中加入人工可调节的权重参数，便于运营人员根据业务需求灵活调整传播规模的权重。