动态网络与两阶段预测在联盟营销传播规模评估中的应用

1. 项目背景与核心问题

在联盟营销生态中，推广者（Promoter）扮演着关键角色，他们通过社交网络传播商品信息，促成交易。传统评估体系仅关注推广者直接带来的销量（Self-sales），这种"直接贡献"评估范式存在明显局限：它完全忽视了推广者通过社交网络产生的链式传播价值。这种评估偏差会导致两个严重后果：

1. 价值衡量失真：那些作为传播关键节点但直接销量不高的"播种者"型推广者被低估
2. 资源分配失衡：平台资源过度倾斜给直接销量高的"收割者"，损害生态健康

我们首次定义了"传播规模"(Propagation Scale)这一新指标，它量化了推广者通过直接和间接传播路径带来的总销量。准确预测这一指标面临两大核心挑战：

挑战一：传播规模信号本身具有高度波动性，因为它受整个下游推广网络动态影响

挑战二：推广网络结构随时间快速演变，形成庞大的动态时空网络

2. 方法论创新：两阶段解耦预测框架

2.1 整体架构设计

传统GNN时序预测方法假设静态图结构，无法应对我们的场景。我们提出DNTS(Dynamic Network-based Two-stage forecasting)框架，将复杂问题解耦为两个更稳定的子任务：

1. 基础信号预测：预测每个推广者未来的自销量（Self-sales）
2. 结构预测：建模动态推广网络中的传播关系

2.2 基础信号预测通路

采用改进的时间卷积网络(TCN)处理历史自销量序列：

• 多尺度Inception卷积核捕获不同周期模式
• 门控机制动态融合各尺度特征
• 输出未来时间步的自销量预测值 $\hat{S}$

关键创新点：

• 使用膨胀卷积扩大感受野
• 残差连接缓解梯度消失
• 针对营销场景优化损失函数（加权MAE）

2.3 动态网络结构预测

2.3.1 局部动态编码

采用DFS预处理获取每个推广者的潜在后代集合$D_{m,d}$，然后通过注意力机制聚合后代信息：

$$
h_{local}^t = \text{GRU}(\text