DNTS框架：联盟营销中推广者传播价值的精准预测

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的传播价值。这就好比只计算一个销售人员的直接业绩，而忽略了他培养的整个销售团队带来的业绩——显然会严重低估其真实贡献。

阿里妈妈技术团队提出的DNTS框架，创新性地将传播规模预测分解为两个更易处理的子任务：基础信号预测（自销量）和网络结构预测（传播关系）。这种两阶段解耦的方法，就像先分别预测天气和风向，再综合判断风筝能飞多高，比直接预测风筝高度要准确得多。

2. 核心问题解析

2.1 传统方法的局限性

当前主流的"直接贡献"评估范式存在两个致命缺陷：

1. 价值衡量偏差：如图1(a)所示，推广者P1虽然直接销量不高，但通过激活P2和P3带来了大量间接销量。传统方法会将其误判为低价值推广者。

2. 资源分配失准：平台资源会过度倾斜到"收割型"推广者（如P3），而忽视"播种型"推广者（如P1）。长期来看，这会导致生态失衡——就像农田只施肥给成熟的稻穗，却不管播种的秧苗。

2.2 传播规模的定义

传播规模（Propagation Scale）的创新在于：

• 通过归因分析追溯完整推广链路
• 累计推广者参与的所有链路产生的销量
• 数学定义为：PS(p) = Σ_{o∈O(p)} sales(o)

以图1(a)为例：

• P1的传播规模 = sales(o1) + sales(o2) = 1 + 2 = 3
• P2的传播规模 = sales(o2) = 2

3. 技术方案详解

3.1 整体框架设计

DNTS采用两阶段预测架构（图2）：

1. 基础信号预测通路：使用改进的Inception时序卷积网络预测自销量

   • 多尺度卷积核捕捉不同周期模式
   • 门控机制动态融合各尺度特征

2. 结构预测通路：

   • 局部动态编码：基于DFS的后代关系建模
   • 全局动态编码：超图卷积捕捉跨商品模式
   • 双重GRU网络处理时序动态性

3.2 关键技术创新

3.2.1 动态网络处理

针对推广网络的高度动态性：

1. 后代关系预测：不直接预测整个网络，而是预测每个