魏金华1. 项目概述
在联盟营销生态中，淘客推广者（Promoter）作为连接商家与消费者的关键纽带，其推广行为直接影响着商品销售效果。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性——它完全忽视了推广者通过社交网络转发、分享所产生的链式传播价值。这种系统性忽视导致资源配置次优和激励机制不公平。
阿里妈妈技术团队首次提出从"直接贡献"评估到"传播价值"评估的建模范式迁移，定义了衡量推广者间接贡献的新指标——传播规模（Propagation Scale）。该指标通过追溯订单完整推广链路，量化推广者在整个传播网络中的综合价值。然而直接预测传播规模面临两大核心挑战：
- 信号不平滑：传播规模受整个下游推广网络影响，波动剧烈
2.网络高度动态：商品推广网络每天变化，形成庞大动态演化网络集合
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心方案设计
2.1 传播规模定义与计算
传播规模的数学定义为：
PS(p) = Σ_{o∈O(p)} q(o)
其中O(p)代表推广者p直接或间接参与促成的订单集合，q(o)为订单o的销量。举例说明：
- 推广者A→B→C促成订单1（销量2）
- 推广者A→D促成订单2（销量3）
则A的传播规模为5（2+3），B为2，D为3
2.2 两阶段解耦预测框架
传统GNN时序预测方法假设图结构静态，难以应对动态网络挑战。DNTS创新性地将复杂预测任务解耦为两个子任务：
- 基础信号预测通路
- 输入：历史自销量序列
- 采用多尺度时间卷积模块（Inception结构）
- 通过门控机制融合不同时间尺度特征
- 输出：未来自销量预测值
- 结构预测通路
- 局部动态编码：
- 使用DFS算法预处理获取推广者后代集
- 注意力机制聚合后代信息
- GRU捕捉时态模式
- 全局动态编码：
- 构建每日推广网络超图
- 超图卷积捕捉跨商品全局偏好
- 时间GRU建模动态演化
2.3 传播规模合成机制
通过可微分合成模块计算最终传播规模：
- 预测后代关系概率矩阵P
- 计算节点自销量激活率矩阵A
- 使用Gumbel-Softmax采样有效后代集合
- 矩阵乘法聚合：PS = P·A·Self-sales
该机制确保：
- 自销量为零的后代被排除
- 激活率为零的后代被过滤
- 仅保留双激活的有效传播路径
3. 关键技术实现
3.1 动态网络处理
针对推广网络高度动态特性：
- 天级网络快照：将连续变化网络离散化为每日快照
- 轻量化存储：仅维护活跃推广者子图
- 增量更新：基于昨日网络初始化今日嵌入
3.2 工业级优化
应对实际部署挑战：
- 数据稀疏性：
- 商品级推广者子表：动态维护每个商品的相关推广者子集
- 稀疏矩阵优化：采用CSR格式存储推广网络
- 高波动性：
- 推广者激活预测：辅助任务预测未来活跃推广者
- 热度感知采样：对爆发期商品增加采样权重
3.3 模型训练技巧
- 课程学习策略：
- 先训练基础信号预测
- 再联合训练结构预测
- 最后端到端微调
-
多任务损失：
L = λ1·L_self + λ2·L_structure + λ3·L_activate -
动态权重调整：
根据各任务收敛情况自动调整λ系数
4. 实验验证
4.1 离线实验
在阿里妈妈三个真实数据集上的对比实验：
| 模型 | 30-days MSLE | 30-days MAPE |
|---|---|---|
| DCRNN | 0.142 | 0.218 |
| STGCN | 0.138 | 0.211 |
| DNTS | 0.123 | 0.203 |
关键发现：
- 自销量预测误差比传播规模低37%
- 传统GNN在直接预测传播规模时几乎无效
- 两阶段范式使GNN在结构预测中发挥价值
4.2 在线AB测试
三个月线上实验效果：
- GMV提升2.52%
- 销量提升2.40%
- 长尾商品覆盖率提升18.7%
5. 实操经验
5.1 部署注意事项
- 数据预处理：
- 订单归因链路需保留至少180天
- 每日推广网络快照应在低峰期生成
- 异常推广者（刷单等）需预先过滤
- 模型更新策略：
- 基础信号模型：天级更新
- 结构预测模型：周级更新
- 全模型：月级retrain
5.2 调优建议
- 超参数敏感点：
- 时间卷积核大小：建议[3,7,14]组合
- GRU隐藏层维度：64-128为宜
- Gumbel温度参数：初始0.5，线性衰减
- 特征工程：
- 加入推广者历史响应率
- 商品类目embedding很重要
- 季节性和促销标记能提升效果
6. 常见问题
Q1：如何处理新推广者的冷启动问题？
- 解决方案：构建推广者画像特征（设备、地域等）
- 使用相似推广者embedding初始化
- 设置专门的冷启动预测模块
Q2：超图卷积计算复杂度如何控制？
- 采用商品聚类分组策略
- 每组商品共享超图结构
- 使用近似注意力计算
Q3：模型解释性如何保证？
- 提供后代贡献度分析
- 可视化关键传播路径
- 输出特征重要性排序
在实际业务场景中，我们发现传播规模预测的准确性会直接影响渠道资源分配的公平性。特别是在大促期间，准确识别具有高传播潜力的"播种者"推广者，往往能带来意想不到的长尾效应。一个典型的案例是某美妆商品通过DNTS识别出的腰部推广者，虽然直接销量不高，但其传播带动的总GMV达到直接销量的8倍之多。