时空动态GNN在联盟营销传播预测中的应用

1. 项目背景与核心挑战

在数字营销领域，联盟营销（Affiliate Marketing）作为一种按效果付费的商业模式，其核心在于准确预测营销活动的传播规模。传统预测方法往往将用户行为视为静态事件，忽略了时空维度上的动态变化特征。我们团队在CIKM'25上提出的两阶段预测框架，正是为了解决这一行业痛点。

这个项目的诞生源于三个现实困境：

• 用户行为具有明显的时间波动性（如工作日与周末的点击率差异可达300%）
• 地理区域因素对传播效果的影响常被低估（同一广告在华北与华南的转化率可能相差5倍）
• 现有单阶段预测模型无法兼顾即时反馈与长尾效应（误差率普遍超过40%）

2. 技术架构设计思路

2.1 时空动态网络建模

我们采用图神经网络(GNN)与时间卷积网络(TCN)的混合架构，构建了包含三种关键节点的异构图：

• 用户节点：包含设备类型、历史行为等12维特征
• 地理位置节点：聚合区域经济水平、人口密度等8维特征
• 内容节点：编码广告素材的视觉、文本特征（ResNet-50+BERT）

时空动态性通过两个机制实现：

1. 时间注意力层：计算不同时间片段的关联权重

   python复制# 时间注意力计算示例
   def temporal_attention(Q, K, V):
       scores = torch.matmul(Q, K.transpose(-2, -1)) / sqrt(d_k)
       time_mask = generate_sliding_window_mask(seq_len) 
       scores = scores.masked_fill(time_mask == 0, -1e9)
       return torch.matmul(F.softmax(scores, dim=-1), V)
   

2. 空间传播模块：使用改进的GATv2网络，其消息传递公式为：
   $$h_i^{(l+1)} = \sigma(\sum_{j\in\mathcal{N}(i)}\alpha_{ij}W^{(l)}h_j^{(l)})$$
   其中注意力系数$\alpha_{ij}$加入了地理衰减因子$1/(1+\lambda d_{ij})$

2.2 两阶段