做联盟营销算法的朋友应该都有同感单品转化率的预估模型已经卷到极致但一场推广最终能传播到多大、带来多少流量这个问题反而一直是最难交付的答案。前几天看到一篇面向 CIKM‘25 的工作标题写得很直白——《联盟营销场景下基于时空动态网络的两阶段传播规模预测》。这正好戳中我们团队连续两个大促都踩过的痛点联盟营销从来不是简单的一对一分佣关系而是推广者、平台、商家、用户之间一张持续演化的网络传播规模预测也不是拍脑袋估量级而是要回答一场营销活动在时间和地域两个维度上最终能扩散到什么程度。这篇文章适合正在做流量预测、社交裂变分析、营销中台算法的同学也适合想把图神经网络真正落到业务场景、不想只停留在 Demo 阶段的读者。下面我把这套方案的建模思路、两阶段设计、评估方式和落地坑位完整拆一遍。1. 先拆清楚联盟营销场景里传播规模要预测的到底是什么1.1 一条推广链接的完整生命链路联盟营销Affiliate Marketing的链条很多人第一反应是商家给返佣推广者发链接但真正落到数据上链路比这长得多。一个典型的流程是这样的商家在联盟平台创建推广计划设定佣金率审核通过后商品进入推广池推广者内容创作者、社群团长、返利站点、带货博主从池子里挑选商品领取专属推广链接推广内容被分发出去——图文、短视频、直播间、社群消息、搜索落地页渠道五花八门用户看到内容点击链接浏览商详页下单支付平台按归因逻辑结算佣金推广者拿到分成。这张链条里传播不是一次性的曝光它会出现我们做社交网络分析时最熟悉的级联效应用户可以把链接转发给朋友可以发到微信群可能在另一个渠道再次触发内容分发推广者之间也会互相借鉴素材把一个商品从一个流量池引到另一个流量池。所以当我们谈传播规模预测时预测对象其实是这场推广在整个网络上最终触达了多少人、产出了多少点击、带来多少成交——口径不同模型输出的业务含义完全不同。为了把口径讲清楚我习惯先把生命周期拆成四个阶段阶段业务动作网络事件模型关注点冷启首批推广者领链并发内容种子节点被激活种子质量、商品属性扩散内容被浏览、转发、二次分享边随时间大量产生传播速率、破圈路径转化用户点击、下单购买行为事件集中爆发转化率、有效流量衰减素材疲劳、热度下降传播速率回落衰减时点、长尾量这里我想特别强调一个口径差异。如果预测最终产生了多少 GMV那本质上做的还是转化预估的外推问题被简化了如果预测的是链路各个节点被触达的规模那才真正是网络传播问题也是这篇工作最有讨论价值的地方。从标题看它显然属于后者——而且是用时空动态网络去捕捉传播过程本身的形态。1.2 为什么规模预测比转化率预估难一个量级做久了大家会发现转化率预估是一个局部问题一条素材、一个价格、一位用户模型判断的是这个人点进来之后买不买。传播规模预测是全局涌现问题最终规模取决于网络拓扑、传播速度、地域差异、时间节律单个节点表现再好也推不出整个级联会不会破圈。具体难在三件事上。第一规模分布极度偏态大多数推广活动只有几百次点击偶尔出现一个千万级爆款两者相差三四个数量级。直接拿原始数值做回归损失几乎完全被大值主导模型普遍学不到小活动的规律。第二自我强化与衰减并存早期数据好看可能只是初始种子质量高不代表它能持续扩散反过来前期平淡的推广也可能因为某个关键节点转发而突然爆发。只靠前几小时数据外推的思路遇到转折就失灵。第三外部扰动太强平台流量政策、竞品促销、甚至一条舆情都可能在同一时刻改写传播曲线。这些都是转化率预估任务里不太会出现的高噪声。业务上规模预测的价值在于前置决策运营要判断要不要加推、什么时候锁库存风控要判断有没有刷量异常商家要决定备货深度和广告预算。换句话说转化率预估回答要不要给这个人发券规模预测回答这次活动要不要多备两台服务器——两者完全不是一类工作自然也不该共用一套建模思路。2. 时空动态网络建模一次点击就是一条带时间戳的边2.1 节点和边先定义清楚你的世界模型时空动态网络这个词看起来高级落到工程上其实就是一件事把联盟营销里的每一次互动都建模成带时间戳的图事件。图上的节点通常有四类推广者节点内容号、站长、社群主是传播的种子、用户节点被触达的消费者个体也是可能的二次传播者、商品节点推广对象连接不同推广者和用户的公共锚点、素材或渠道节点某条内容、某个直播间、某个社群决定流量出口。边则来自行为事件常见的有四类推广关系推广者和商品之间的绑定通常持续较长时间点击行为用户在某一时刻点击了推广链接这是一条瞬态事件边分享行为用户把链接转发给另一用户是二次传播的直接证据转化行为用户完成下单是业务最看重的强信号边。为什么要强调带时间戳因为传播规模预测的所有难点都在时序上。同样两个节点之间产生一条边发生在传播第 1 小时和发生在第 40 小时语义完全不一样前者代表破圈苗头后者往往只是长尾涟漪。如果把图拍平成一个静态邻接矩阵等于把时间维度彻底扔掉了预测出来的规模只能是一个有偏的历史均值。2.2 时空两个字分别落在哪些特征上空间在联盟营销里不止是地理坐标我理解它至少有三层含义。第一层是地理空间用户所在城市、消费力水平、品类偏好同一个推广链接在不同地域的传播速度可以差好几倍这直接和物流体验、价格敏感度相关。第二层是渠道空间不同流量平台的用户画像是割裂的站外搜索来的用户和站内社群来的用户转化路径完全不同。第三层是社群空间用户之间的社交亲密度决定二次传播是否发生。时间维度也有三个必须同时保留的侧面。一是绝对时间大促节点、周末、晚间活跃期这些外部节律决定了流量池的整体水位二是相对时间从推广发起时刻算起过了多少小时这决定了活动处在生命周期的哪个位置三是速率变化每小时新增点击量、单位时间内的转化曲线这是判断正在加速还是正在衰减最直接的信号。这里有一个很容易踩的设计坑相对时间和绝对时间不能只留一个。只留相对时间会丢掉时区与节律信息——凌晨 2 点发起的推广和上午 10 点发起的推广同样过了 12 小时传播状态可能完全不同只留绝对时间又没法对齐不同活动的生命周期阶段。稳妥的做法是两个都作为输入分别编码后再融合让模型自己去学现在处在一天中的哪个时段、同时处在推广后的第几个小时。2.3 动态图编码的三个大坑基于我们团队在类似项目上的实操经验动态图编码有这三个重灾区这里一并说清楚。第一个坑是快照粒度。按天做快照会把级联过程的精细结构全部抹平按秒做快照又会让邻接矩阵极度稀疏、训练不稳定。更合理的方式是走事件流建模每一批事件进来就增量更新节点状态或者在多粒度快照上做并行编码。第二个坑是边的生命周期。点击是瞬态事件不是持续存在的边——如果模型里用户和商品之间永远连一条边等于把过去时当成现在时预测天然滞后。处理方式是在图上给边加上有效窗口过了窗口的边要么衰减权重要么从图中移除。第三个坑是未来信息泄漏。动态图编码里最隐蔽的错误发生在邻居聚合阶段聚合某节点 t 时刻的状态时不小心把它 t 时刻之后才产生的邻居边也卷了进来。所有邻居采样和聚合都必须显式按时间截止时间感知的邻居子图是动态图模型的底线。这三个坑是这类任务的常规注意点实际落地时基本绕不开。3. 两阶段预测框架为什么冷启动只能估量级、传播中才能修精度3.1 对两阶段的两种理解哪种更贴合这个场景两阶段预测在传播类任务里其实有两种常见切法。一种是先判断会不会爆发再预测爆到什么程度——把分类和回归拆开另一种是冷启动先粗估传播中再精修——把时间上的先后拆开。结合标题里的时空动态网络我更倾向于第二种理解网络是动态演化的预测自然应该随着网络状态的丰富而逐步细化。前者适合数据量充足的社交平台场景后者才是联盟营销这种早期信息极度稀缺、过程信号持续到达场景的正确打开方式。为什么这样设计更合理因为传播早期的状态是熵很高的只凭种子推广者信息和商品属性本质上你无法区分一个普通活动和潜在爆款。这时候要求模型输出一个精确数字是不诚实的量级分桶反而是灰度正确的答案。等到传播进行了一段时间级联状态不断累积新增了什么类型的节点、传播速率是升是降这些信号才开始把不确定性降下来。两阶段结构正好对齐了不确定性从高到低这一自然过程。3.2 第一阶段冷启动粗粒度预估怎么搭第一阶段的目标是在传播几乎没有开始时只用推广发起时刻之前的信息给出最终传播规模的量级估计。输入可以归纳为四类。第一类是种子推广者画像历史平均带来多少流量、历史转化能力、粉丝规模、过往内容质量。第二类是商品属性品类、价格带、目标人群池大小、历史类似商品的传播表现。第三类是相似活动检索在历史活动库里检索 embedding 最相似的若干场把它们的传播曲线作为参考样本。第四类是初始网络局部结构种子节点在动态网络里的位置比如它连接了哪些社群、处在多少条桥接路径上。输出建议落在分桶或者对数空间。原因前面说过规模分布跨三四个数量级原始空间的回归被大值主导模型的精度全被爆款带走。分桶分类比如 0-1k、1k-10k、10k-100k、100k对运营决策更友好因为冷启动阶段运营真正要的不是精确值而是要不要提前加推、要不要锁资源的判断题。如果用回归务必在 log1p 空间做并且评估时看相对误差而不是绝对误差。3.3 第二阶段传播中期的实时修正怎么做第二阶段发生在传播已经开始之后。假设观察窗口为 t 小时模型可以看到 [0, t] 时间段内积累的全部图事件要预测的是 D 小时比如 72 小时后的最终规模。可用的新信号包括当前累计点击和转化曲线已经摸到了多少量自然修正先验传播速率与加速度最近一小时的增速是在上升还是下降直接反映热度趋势新节点的类型结构是否渗透到了新的社群、新的地理区域、新的渠道这是破圈的直接证据时段效应观察窗口是否覆盖了流量高峰影响外推。第二阶段最推荐的做法不是重新预测一个独立值而是对第一阶段输出做残差修正或门控融合。残差修正的公式很简单最终预测 第一阶段粗估 第二阶段修正量。收益在于早期粗估已经包含了大量历史先验第二阶段只需学到当前状态让它偏了多少这个相对小且更平稳的量。门控融合则是让模型根据当前级联状态判断第一阶段可信度有多高再决定粗细两个预测的混合权重等于让模型自己学会什么时候该相信历史、什么时候该相信现场。一个实操经验我们做这类修正时发现第二阶段经常学到的修正量很小但噪声很大真正有效的是把当前传播速率这种强时序信号作为显式特征直接喂给修正头而不是指望模型从高维图状态里自行提炼。显式地把速率、加速度算好放进特征比让 GNN 硬学更容易收敛。3.4 两个阶段怎么共享参数而不互相打架架构上常规设计是共享一个时空图编码器后面挂两个预测头。但有一个关键约束两个头能看到的信息范围必须不同。第一阶段头只允许看到传播开始时刻之前的图状态第二阶段头才允许看到当前截止时间之前的级联状态。这个时间截断在实现上要写死在数据处理层不能指望模型自觉。训练顺序也有讲究。可以联合训练但我们实测下来先固定编码器训练第一阶段头收敛后再放开第二阶段头联合微调最终效果更稳。原因是两个头对特征的需求不完全一致粗估头要的是稳定的历史先验修正头要的是实时变化的细节一起从头训梯度会在同一套参数上打架容易把编码器拖到两边的中间地带哪个头都不满意。4. 从离线段评估到在线部署指标、切分和最容易被忽视的边界条件4.1 传播规模预测的指标怎么选先看一张表把常用的几个指标摊开指标关注什么适合阶段主要坑MAE / MSE绝对误差常规回归被大值主导爆款决定一切MAPE相对误差小规模样本真实值接近 0 时爆炸log 空间 RMSE跨数量级误差第二阶段精修解释性略差分桶准确率落入正确量级区间第一阶段冷启动桶边界怎么切很敏感尾部召回率头部爆款的预测命中率爆款管理样本少方差极大我的建议是不要只盯一个指标。冷启动阶段看分桶准确率因为运营在这个阶段做的是量级决策进入第二阶段看 log 空间 RMSE同时单独统计头部爆款的相对误差。前者保证日常活动预测不偏后者保证真正的风险事件——大促爆款——不被漏掉。只用单一回归指标很容易出现日常预测挺准、爆款全部 miss的虚假繁荣。4.2 数据切分的三条红线数据切分是这类任务里最能拉开团队水平差距的地方三条红线缺一不可。第一条必须按时间切分。把样本随机 shuffle 后划分训练验证集几乎必然把未来信息泄漏进去两场活动在时间上相邻随机切分可能让其中一场成为另一场的训练样本模型等于偷看了答案。正确做法是按事件发生时间划定训练区间、验证区间、测试区间并且测试区间的活动必须完全晚于训练区间。第二条第一阶段必须有独立的冷启动评估。评估第一阶段时绝不能让它看到当前传播的任何信息包括当前累计点击最近一小时速率这些特征只能出现在第二阶段评估里。很多人第一阶段指标虚高就是因为把第二阶段才有的特征也塞进了第一阶段。第三条第二阶段要按观察时点扫描。不要只报 t48 小时的最终误差要报 t1、t6、t24 等不同观察窗口下的误差曲线。业务真正关心的是多早能给出多准的预测这条曲线比单个点更有决策价值。4.3 上线部署离线 SOTA 不代表在线可用离线指标和线上效果之间的落差通常来自三个工程问题。第一个是时延约束。第一阶段可以每天批量离线跑但第二阶段需要近实时推理动态图编码如果每次全量重算根本扛不住分钟级的查询压力。实现上必须做成增量式每个事件到达时只更新受影响节点的局部状态和 embedding而不是重新跑一遍全图。第二个是标签延迟。传播规模的最终值要等活动结束后才能确定线上预测时根本没有精确标签只能用代理信号。常见的做法是用当前累计值 当前速率 衰减系数外推一个临时标签等真实标签落库后再回填训练。第三个是环境漂移。联盟营销受平台规则、流量政策影响很大半年前的模型参数大概率已经失真。建议保留一个简单版本基线比如历史均值模型每次更新模型时先在最近一个月数据上对比防止复杂模型在漂移环境下表现还不如朴素方法。5. 复现实操踩坑记录、迁移场景与一份可直接照做的清单5.1 最容易翻车的两个点时间泄漏与样本偏斜先说时间泄漏。除了上一节的数据切分红线特征工程层还有三处隐蔽的泄漏我反复强调过。第一处是相似活动检索检索库只能包含目标活动开始之前的历史活动否则等于拿未来的相似活动给当前活动做参考。第二处是动态图编码时间感知邻居采样时截止时间必须是当前观察时刻所有晚于观察时刻的边一律不可见。第三处是业务特征任何该活动最终 GMV活动结束后的转化率这种统计值哪怕只作为辅助特征训练时再好看上线当天就会现原形。这类泄漏杀人的方式不是模型完全失效而是看起来收敛得很好、一到线上就衰减排查起来特别耗时。再说样本偏斜。传播规模预测里头部爆款是极端少数第二阶段残差修正很容易退化成一直输出 0——因为平均下来不修的损失反而最低。我们遇到过修正头学成常数的尴尬最后是靠两步救回来的一是对高值样本做加权采样让爆款样本在训练里真正开口说话二是单独训练一个是否成为爆款的二元分类器做兜底只有分类器判定可能爆发时才启用第二阶段修正否则直接用第一阶段结果。这也是分桶分类思路的价值所在——分类比回归对小样本更稳定。5.2 这套两阶段框架能迁移到哪里早期只有种子信息、过程中有级联事件、最终要看规模这个结构远不止联盟营销适用。我可以列几个我实际看到过类似方案的场景社交平台的内容传播预测一条帖子最终被转发多少次早期只有作者的粉丝结构和历史表现随后不断有转发事件到达新品冷启动的销量爬坡预测新品刚上架时只能用品类和店铺历史做先验随着日销售量累积再修正生命周期峰值线下商业活动的客流预测活动开场前只有宣传投放和场地信息开场后实时客流成为修正信号营销风控预判某场活动是否有异常暴涨迹象前置干预比事后止损有效得多。这些任务的共同点都是两阶段信息不对称早期信息少但需要决策后期信息多但决策窗口收紧。两阶段框架天然匹配这个信息结构。5.3 一份可以从零开始的复现清单如果我想在新场景里照抄这套思路我会按下面的顺序走步步有产出先定义清楚传播规模的口径——是曝光、点击还是成交观察时点定在哪、目标时点定在哪口径不统一后面所有指标都是鸡同鸭讲把事件日志清洗成带时间戳的图事件流推广、点击、分享、转化分别建模成不同边类型这一步决定了动态图的质量上限搭两个强 baseline历史均值模型和相似活动最近邻。盲目上 GNN 之前先用朴素方法把当前难度摸清楚baseline 跑不过模型大概率也不会有惊喜上一个小型时空图编码器先做第一阶段分桶预测验证分桶准确率是否稳定超过 baseline叠加第二阶段残差修正在不同观察时点下画误差曲线确认修正收益是真实的而不是过拟合出来的最后才考虑扩大模型、加复杂注意力机制、调超参数。顺序反了很容易陷入模型越来越大、收益越来越小的循环。我个人在类似项目上最大的体会是这套方案的第一步也是容易被低估的一步就是把日志里的时间戳口径理清楚。所有节点的状态、所有边的批次、所有观察时刻的定义都必须沉淀成文档让团队对齐。很多人模型训不出来根本不是算法问题而是上午 10 点的点击被算到了前一天小时级事件被当成天级事件这类数据源口径问题。先把这一步做扎实两阶段动态网络的天花板才真正值得期待。