动态图神经网络在联盟营销预测中的应用与优化

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。传统预测方法往往忽略了两个关键维度：时间动态性和空间关联性。这就像试图用静态地图导航实时交通——虽然能给出路线，但无法预判拥堵变化。

我们团队在准备CIKM'25投稿时发现，现有研究存在三个典型痛点：

1. 单点预测局限：将每个推广节点视为独立个体，忽视网络效应
2. 时空割裂：时间序列模型与图神经网络简单堆叠，未能实现有机融合
3. 冷启动难题：新加入的推广者缺乏历史数据，预测偏差可达300%+

2. 技术架构设计精要

2.1 动态图神经网络建模

采用动态图注意力网络（DGAT）捕捉推广网络的演化规律。与静态GAT相比，我们在三个维度进行创新：

1. 时间感知注意力机制：

class TemporalAttention(nn.Module):
    def __init__(self, hidden_dim):
        super().__init__()
        self.time_proj = nn.Linear(1, hidden_dim)  # 时间差编码
        self.attn = nn.MultiheadAttention(hidden_dim*2, num_heads=4)
        
    def forward(self, node_emb, time_deltas):
        time_emb = torch.sigmoid(self.time_proj(time_deltas.unsqueeze(-1)))
        extended_emb = torch.cat([node_emb, time_emb], dim=-1)
        return self.attn(extended_emb, extended