建设网站的必要与可行性淮北城市住建网

建设网站的必要与可行性,淮北城市住建网,wordpress小说站群,开发软件需要多少钱k▐ 摘要阿里妈妈的联盟营销生态刻画了商品在淘客和用户间的推广和传播路径#xff0c;形成了庞大的时空网络传播图。淘客推广者 (Promoter) 对商品的推广量#xff0c;反应了淘客推广商品的积极性#xff0c;决定了淘客推广所需要花费的渠道资源和可能获得的收益。如何准确预…▐ 摘要阿里妈妈的联盟营销生态刻画了商品在淘客和用户间的推广和传播路径形成了庞大的时空网络传播图。淘客推广者 (Promoter) 对商品的推广量反应了淘客推广商品的积极性决定了淘客推广所需要花费的渠道资源和可能获得的收益。如何准确预测商品在淘客的推广量决定了营销预算分配以及最优预算分配下平台可获得的引流和成交。目前业界主流的评估与预测体系普遍关注推广者直接带来的销量Self-sales我们称之为“直接贡献”评估范式。这种范式虽然直观但其存在着明显的局限性它忽视了推广者在其社交网络中通过转发、分享所产生的链式传播价值即其间接贡献。这种对传播价值的系统性忽视导致了次优的资源配置和不公平的激励机制。为了克服“直接贡献”评估范式的瓶颈更全面地衡量推广者的综合价值阿里妈妈技术提出从“直接贡献”评估到“传播价值”评估的建模范式迁移。具体地我们首次定义了衡量推广者间接贡献的新指标—传播规模Propagation Scale并致力于解决其预测这一具有挑战性的时序预测任务。然而直接预测“传播规模”是极其困难的因为它作为在推广网络中的节点信号本身就不够平滑并且其所依赖的推广网络更是高度动态变化的。为此我们设计了一个创新的两阶段解耦预测框架DNTS。我们不再试图直接拟合复杂的目标而是将其解耦为预测更平稳的基础信号自销量和预测动态的推广网络结构传播关系这两个子任务最后再通过合成机制得到“传播规模”的精准预估。目前DNTS框架在联盟商品推荐系统业务中取得了GMV 2.52%和销量Sales2.40%的显著业务增益。基于该工作整理的论文已发表在CIKM 2025欢迎阅读。论文Dynamic Network-Based Two-Stage Time Series Forecasting for Affiliate Marketing作者Wang zhe, Yaming Yang, Ziyu Guan, Bin Tong, Rui Wang, Wei Zhao, Hongbo Deng链接https://arxiv.org/pdf/2510.113231. 背景联盟营销Affiliate Marketing是现代数字营销的关键模式之一。它构建了一个由商家、推广者和消费者构成的三方共赢生态。其基本流程如下图所示商家发布商品推广者从中挑选商品并生成专属推广链接分享至自己的私域渠道。当消费者通过该链接完成购买后平台会将这笔订单归因于该推广者并支付其相应佣金。推广者在联盟营销生态中扮演着至关重要的角色是商家与消费者之间的桥梁。衡量并量化推广者对特定商品的推广能力有助于商家评估和有效配置推广渠道资源同时解决佣金分配的公平性问题。目前主流的做法是以推广者直接带来的销售额即自销量 (Self-sales)作为其贡献的衡量标准。然而这种“直接贡献”的评估范式存在一个明显的局限性它是一个“原子化”的视角完全忽略了推广者在推广活动中的传播价值。例如如下图a所示推广者的销量贡献表示为 a/b, 其中 a 对应推广者的自销量b 对应推广者的传播销量。图中在“直接贡献”的评估范式下他可能被判定为无效推广者。但事实上正是由于他的转发行为才激活了下游的推广者并最终生成订单。作为这条有效推广链路上的关键枢纽其传播价值被忽略这可能会带来以下两个问题价值衡量偏差 平台错误地将这样的“播种者”、“连接者”等同于没有任何贡献的“无效推广者”无法识别出真正具备传播价值的关键节点。资源分配失准 平台会将更多资源和激励倾斜给像这样的“收割者”而忽视了对这类“播种者”的培育和激励长此以往将损害生态的多元性和健康度。基于此我们首次提出并定义了一个新颖的、衡量推广者间接传播价值的指标——传播规模 (Propagation Scale)。我们致力于实现一次建模范式的迁移从单一的“直接贡献”评估升级到更全面的“传播价值”评估我们提出了Propagation Scale的时序预测任务如图b所示。我们将连续动态变化的推广网络以天为粒度进行离散化处理即每一天对应一个推广网络快照。我们的目标是基于历史的传播销量时序数据与动态的推广网络来预测未来时刻推广者的传播销量。2. 方案2.1 Propagation Scale定义为了科学地量化推广者的间接传播价值我们首先需要从原始的订单数据中通过归因分析追溯出每一笔订单所对应的完整推广链路即从最初选品的推广者到最终促成购买的推广者。一个推广者的“传播规模”就是所有其参与过的推广链路最终所产生的订单的销量总和。我们首先给出传播规模的形式化定义其中代表着订单代表着推广者直接或间接参与促成的订单集合。对于任意一个订单其对应的销量。为了更清晰地阐述该定义我们以图1(a)中的一个具体案例进行说明:链路一红色路径 推广者将商品分享给最终促成了一笔销量为的订单我们记为。因此这条订单的归因链路是。链路二蓝色路径 推广者将商品分享给再分享给最终促成了一笔销量为的订单我们记为。因此这条订单的归因链路是。对于推广者 由于他同时出现在了订单和的推广链路上因此他的相关订单集合为。其传播规模为这两笔订单的销量之和对于推广者 由于他只出现在了订单的推广链路上因此他的相关订单集合为。其传播规模为2.2 方法框架我们的目标是基于每个推广者历史的Propagation Scale时序数据来预测该推广者未来的Propagation Scale值。然而这并不是一个简单的任务有着以下两个难点a. 信号不平滑Self-Sales相对平稳而Propagation Scale受到整个下游推广网络的影响呈现出剧烈的、难以预测的波动。b. 推广高度动态商品在每一天的推广网络都不同形成了一个庞大|商品| x |天数|且动态演化的网络集合。传统的基于GNN的时序预测方法通常假设图结构是静态的尽管连边权重是动态的并不能解决该问题。由于难点一的存在我们难以直接对Propagation Scale进行预测。我们的核心洞察是Propagation Scale预测任务可以被拆解为两个更简单、更稳定的基础元素的组合—每个节点的“自销量”预测和节点间的网络结构预测。随后我们通过合成机制来完成最终Propagation Scale的预测。2.3 方法细节在接下来的阐述中我们将遵循以下符号约定表示推广者集合中的某一推广者个体表示商品集合中的某一商品代表着时间跨度以天为单位代表着嵌入向量其中代表着推广者的嵌入代表着商品的嵌入代表着可学习的投影矩阵代表着推广网络上的初始信号矩阵存储着每个淘客在天内的自销量。代表着标签向量存储着每个淘客未来的传播规模。与传统基于GNN的时序预测方法不同DNTS为网络信号和网络结构设计了独立的预测通路。基础信号预测 预测每个推广者未来的自销量。采用一维时间卷积模块通过多尺度卷积核的Inception策略从历史自销量序列中提取多样的时序模式通过门控机制融合后得到未来自销量的预测值记为。结构预测通路预测未来的推广网络。针对推广高度动态这一难点对应难点二我们不预测完整的推广图而是简化为预测节点间的后代关系。为此我们设计了“局部全局”的双重编码器来学习推广者的动态表征局部动态编码重建个推广网络并不切实际。因为在实际工业场景中商品的规模很容易达到亿级别但是识别每个推广者的潜在后代是切实可行的。因此我们采用深度优先搜索 (DFS) 算法以预处理的方式获取每个推广者的后代集表示如下其中代表着m与d之间至少存在着一条连通路径。随后我们基于注意力机制聚合后代信息以及利用GRU来捕捉时态模式。全局动态编码引入超图卷积将同一天内所有商品的推广网络整合为一个超图从而捕捉跨商品的全局推广偏好。具体来说我们收集第天所有商品的促销网络得到。然后我们将中的推广者视为节点将其在商品促销中的参与关系视为超边从而得到关联矩阵表示。令表示参与推广的推广者组成的超边表示的表示。我们先后执行节点到超边聚合超边到节点更新来完成超图卷积其中同样我们利用 GRU 对天内的时间依赖关系建模最后我们可以得到推广者最终的结构表示其中代表着在商品对应的推广网络下淘客更新后的局部嵌入。进一步的我们可以得到推广者最终的结构嵌入矩阵。Propagation Scale合成在编码阶段我们得到了预测的自销量与更新后的结构表征。在解码阶段我们通过一个可微分的合成模块计算出最终的Propagation Scale。该模块首先预测一个贡献系数矩阵其中代表着后代关系概率矩阵代表着节点自销量的激活率矩阵Gumbel-Softmax是一种可微采样技术用于采样出可能的后代集合。最后我们通过矩阵乘法聚合机制来最终合成propagation scale在这种方式下自销售不为零但激活率为零的后代以及自销售量为零的后代都会被自动排除在外只留下激活率和自销售量均大于零的后代而这些后代正是合成传播规模的有效成分这确保传播规模的准确预测。3. 在线部署在DNTS的实际部署中我们还面临着两大真实的工业级挑战分别为数据稀疏性线上商品数量亿万但每个商品相关的推广者只是其中一小部分。高波动性由于运营策略的变化商品推广热度可能会在几天内爆发而推广者对该商品的推广活动在大部分时间里是“沉默”的这给预测任务带来了难度。我们为此设计了专门的解决方案针对挑战一的解决方案构建商品级推广者子表。 我们为每个商品动态维护一个相关的“推广者子集”所有图计算都在这个子集上进行既保证了效率又缓解了稀疏问题。针对挑战二的解决方案设置一个推广者激活预测辅助任务。 我们增加了一个辅助任务专门预测在未来某个时间点哪些推广者会是“活跃”的。其预测的激活状态会作为门控过滤掉“沉默”的推广者从而缓解波动性对预测任务的影响。4. 实验我们通过在阿里妈妈的大规模工业数据集上进行的一系列实验来系统性地回答以下问题1) 我们提出的DNTS框架相较于现有的SOTA基于GNN的时序预测模型是否具有优势2) 性能的提升究竟源自何处是“两阶段解耦”这一新范式本身还是其中某个具体的模型组件3 离线指标的提升能否最终转化为线上真实的业务收益4.1 实验设置数据集我们从阿里妈妈的真实业务场景中构建了三个不同时间跨度的大规模工业级数据集、和。其中数据集包含了超过近10万名推广者和近600万条推广连边。对比基线 : 我们选择了能够处理图结构的时序预测模型作为基线包括DCRNN[1]、STGCN[2]、LSGCN[3]、以及在最近在相关领域表现卓越的MTGNN[4]和TPGNN[5]。评估指标 (Evaluation Metrics): 我们采用通用的MAPE (平均绝对百分比误差) 和MSLE (均方对数误差)作为核心评估指标。MSLE尤其适合我们这种销售额数值范围跨度巨大的场景因为它对异常大值不敏感能更公允地评估模型的整体预测性能。两个指标都是值越低性能越好。4.2 离线实验从表一的实验结果中我们可以看到DNTS取得了全方位的性能领先在所有三个数据集上DNTS的核心指标均显著优于所有基线模型。相较于表现最好的基线TPGNNDNTS在30-days数据集上取得了11.3%的MSLE相对提升和4.1%的MAPE相对提升。所有模型在数据集上的表现普遍优于这符合预期证明了模型能够有效利用更丰富的历史信息。尽管TPGNN等模型通过引入图自学习、时间多项式等技术不断优化但它们仍然在传统的“信号-图卷积”端到端范式下运行面对我们定义的这个新问题时明显表现乏力而我们的两阶段预测方法能更好的处理层级预测任务。总体性能的领先证明了DNTS的“有效性”但我们更关心其背后的“原因”。我们提出的“两阶段解耦”范式究竟是不是性能提升的关键为了回答这个问题我们设计了一组的诊断性实验。我们将预测任务分为三种模式并分别考察在每种模式下GNN模块的引入是带来“增益”还是“拖累”模式一 () 传统端到端范式。输入是历史propagation scale时序数据直接预测未来propagation scale。模式二 ()基础信号预测。输入是历史self-sales数据预测未来的self-sales。模式三 () 我们的两阶段范式。输入是历史propagation scale时序数据通过预测中间的推广网络和自销量最终合成propagation scale。根据上图可以发现发现1基础信号的可预测性的预测任务性能要明显优于的预测指标为MAPE因此可以进行比较这说明了self-sales相对于propagation scale时序规律更明显因此更容易预测。发现2 传统范式的失效在模式下GNN的引入几乎没有带来任何性能提升甚至在LSGCN上还导致了性能下降这说明直接在这种高度非平滑的图信号上采用图卷积几乎是无效的。这也说明了传统基于GNN的时序预测方法难以泛化到我们的场景。发现3 在我们的范式下GNN的引入带来了显著的提升。这说明GNN虽然不擅长直接处理非平滑的propagation scale信号但它擅长我们分配给它的新任务—预测动态的网络结构。这三个发现共同佐证了我们二阶段预测方案的动机是合理的。4.3 在线实验我们在阿里妈妈推荐平台上部署了DNTS对日常召回阶段进行优化。具体来说推广者 对商品 的召回率更新为其中,是 DNTS 预测的推广规模。我们进行了为期三个月的性能评估并测量了两个关键指标GMV 和销售额。如下表所示我们可以发现DNTS能够更精准地预测推广者针对特定商品的传播规模提升了实验桶的召回质量最终使得GMV和销售额都获得显著提升。5. 参考文献[1] Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting, ICLR 2018.[2] Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic,IJCAI 2018.[3] LSGCN: Long Short-Term Traffic Prediction with Graph Convolutional Networks,IJCAI 2020.[4] Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks, KDD 2020.[5] Multivariate Time-Series Forecasting with Temporal Polynomial Graph Neural Networks,NIPS 2022. 关于我们阿里妈妈联盟算法团队依托淘宝联盟与内容营销业务基于海量时空传播图网络构建多Treatment价量关系等先进营销算法模型实现智能选品、智能权益投放在程序化流量中深耕个性化排序与匹配策略在内容营销中覆盖企划、投放到评估的全链路智能化包括站外趋势预测、增量人群挖掘、多触点增量预估等关键技术。团队持续突破AI前沿探索基于强化学习与大语言模型LLM的多模态表征、智能文案生成及营销AI Agent并广泛应用于同款比价、内容理解、选品出价等场景。欢迎对智能营销与算法创新感兴趣的同学加入我们 投递简历邮箱tongbin.tbtaobao.comEND也许你还想看NeurIPS25淘宝首猜提出回归纠偏走近TranSUN与GTS理论阿里妈妈营销隐私计算平台SDH隐私安全下的数据流通与营销实践案例KDD25 | 在线广告系统的智能算力资源回收框架阿里妈妈展示内容广告算法用AI推动信息流场景流量价值最大化关注「阿里妈妈技术」了解更多~喜欢要“分享”好看要“点赞”哦ღ~