动态图神经网络在联盟营销传播预测中的应用

1. 项目背景与核心挑战

在联盟营销（Affiliate Marketing）领域，准确预测营销活动的传播规模直接影响着广告主的预算分配和推广者的收益分成。传统预测方法往往忽略了两个关键维度：一是用户行为在时间上的动态变化，二是传播网络在空间上的拓扑演化。我们团队在CIKM'25上提出的两阶段预测框架，正是为了解决这个行业痛点。

去年双十一大促期间，某头部电商平台的联盟营销系统就曾因为低估了某款爆品的传播量级，导致推广佣金预算提前耗尽，造成数百万的直接损失。这个典型案例暴露了静态预测模型的局限性——它无法捕捉到用户转发行为在活动期间的指数级增长趋势。

2. 技术架构设计解析

2.1 时空动态网络建模

我们采用动态图神经网络（DGNN）作为基础架构，其创新点在于：

1. 时间维度建模：

   • 使用门控时序卷积（Gated TCN）捕捉用户活跃度的周期性波动
   • 通过Hawkes过程模拟信息传播的"热点效应"
   • 示例：母婴类商品的转发高峰通常出现在工作日晚8-10点

2. 空间维度建模：

   python复制class SpatialAttention(nn.Module):
       def __init__(self, hidden_dim):
           super().__init__()
           self.query = nn.Linear(hidden_dim, hidden_dim)
           self.key = nn.Linear(hidden_dim, hidden_dim)
           
       def forward(self, node_embeddings):
           Q = self.query(node_embeddings)  # [N, D]
           K = self.key(node_embeddings)    # [N, D]
           attention = torch.softmax(Q @ K.T / sqrt(D), dim=1)  # [N, N]
           return attention @ node_embeddings