Oransim的14天传播预测:从经典Hawkes过程到Causal Neural Hawkes(附反事实rollout代码)

原创2026-10-15 18:19:371,368 阅读

Oransim的14天传播预测:从经典Hawkes过程到Causal Neural Hawkes(附反事实rollout代码)

Oransim 是一个开源的「营销因果数字孪生(Causal Digital Twin for Marketing)」引擎,核心能力之一就是在花掉一分钱之前,对一次营销投放做 14 天传播预测,并支持「如果第 3 天停止加热会怎样」这类 反事实 rollout。本文面向新手,讲清 Oransim 的扩散预测模块如何从经典 Hawkes 过程一步步演进到 Causal Neural Hawkes,并附上可直接运行的反事实 rollout 代码。

一、为什么营销传播预测需要 Hawkes 过程

一次爆款内容的传播长什么样?一个点赞会带来朋友的注意,朋友的注意又带来更多互动——这种「事件激发后续事件」的级联,在统计学里叫 自激点过程(self-exciting point process),最经典的模型就是 1971 年 Hawkes 提出的 Hawkes 过程。

传统时序模型(ARIMA 等)假设数据按固定间隔采样,而点赞、评论、转化是不规则的离散事件流,只有时序点过程(Temporal Point Process, TPP)才能自然描述。Oransim 的扩散层默认配置就是围绕营销场景设计的:

  • 预测窗口 horizon_days = 14 天
  • 6 类事件:impression / like / comment / share / save / conversion
  • 输出按「天 × 事件类型」分桶的 14 天传播曲线

这套契约定义在 backend/oransim/diffusion/base.py,其中 DiffusionForecast 规定了统一的返回结构:事件时间线 timeline、分类型总量 per_type_totals、14 天分桶 daily_buckets。

Oransim 营销因果数字孪生:14 天传播预测与反事实推理主界面

二、经典基线:Parametric Hawkes 参数化 Hawkes

Oransim 第一个实现是教科书级的多元指数核 Hawkes 过程(Hawkes 1971),每个事件类型的瞬时发生率(intensity)写成:

λ_k(t) = μ_k + Σ α[j,k] · exp(-β_k · (t - t_i))

三个参数各司其职:μ 是基线发生率,α 是类型间激发矩阵(点赞对分享激发多强),β 是衰减速度(影响力多久消退)。

这个基线的优点是「轻」:

  • 闭式对数似然:可直接做极大似然估计,训练极快
  • Ogata (1981) thinning 采样:标准的点过程模拟算法,几十毫秒出 14 天曲线
  • 零额外依赖:纯标准库实现,也是 OrancBench 基准 上对比新模型的对照组
  • 自带反事实:counterfactual_forecast 支持 {"mute_at_min": t} 干预——从第 t 分钟起截断激发,回答「如果中途停止曝光」

源码见 backend/oransim/diffusion/hawkes.py。另外还有一个面向 7 天自然触达曲线的分段稀疏版 Hawkes(把 10 万用户聚成 60 个 (年龄×性别×城市等级) 段做 N×N 影响矩阵近似),在 backend/oransim/diffusion/legacy_hawkes.py。

三、核心升级:Causal Neural Hawkes 神经 Hawkes

经典 Hawkes 的短板在于:激发核 exp(-β(t-t_i)) 是人为固定的,无法从数据中学出「预热期衰减慢、爆发期衰减快」这类真实模式。2017 年 Mei & Eisner 提出用神经网络直接参数化强度函数(Neural Hawkes Process, NeurIPS 2017),2020 年 Zuo 等人进一步把 CT-LSTM 换成 Transformer 编码器(Transformer Hawkes Process, ICML 2020)——这两篇正是 Oransim 主预测器 CausalNeuralHawkesProcess 的架构骨架。

它在神经 TPP 之上又加了「因果」这一层,这是营销场景的关键差异点:

  1. treatment/control 事件显式建模:以 paid_ 开头的事件(如 paid_boost 加热)被标记为干预 token,与 organic 自然事件分开嵌入。强度函数因此可以写成 λ(t | H, do(T=t*))——「在施加干预 do() 下的条件强度」,这是 Geng et al. (NeurIPS 2022) 与 Noorbakhsh & Rodriguez (2022) 反事实点过程工作的工程化落地;
  2. 训练:最小化负对数似然,补偿项(compensator)提供 rectangle / trapezoidal / mc(Monte Carlo,Chen et al. ICLR 2021)三种积分方式;
  3. 推理加速:Ogata thinning 采样循环中用 KV cache 增量注意力,把每步候选时间的计算从 O(N²)(整段 Transformer 重跑)降到 O(N)(单 token 对缓存 K/V 做注意力),拒绝采样时还能 rollback 回滚缓存,长时程 rollout 快了一个数量级。

Causal Neural Hawkes 扩散模拟:14 天级联互动事件流预测内部视图

完整实现(架构 + 训练 loop + thinning 采样器 + 反事实 rollout)在 backend/oransim/diffusion/neural_hawkes.py,模型通过注册表统一选取:

from oransim.diffusion import get_diffusion_model

diff = get_diffusion_model("causal_neural_hawkes")  # 主力:神经 Hawkes
diff = get_diffusion_model("parametric_hawkes")      # 基线:经典 Hawkes

注册表见 backend/oransim/diffusion/registry.py,还内置了 thp、transformer_hawkes 等别名,方便 A/B 对比。

四、反事实 rollout 代码:「假如第 3 天停止加热?」

这正是标题承诺的代码。counterfactual_forecast 接收一个 intervention 字典,目前支持两种干预:

干预键 含义
mute_at_min 从该分钟起,所有未来 treatment 事件降级为 organic(停止加热)
treatment_boost_factor 缩放 paid 事件的强度(>1 加码,<1 减码)
from oransim.diffusion import get_diffusion_model

nh = get_diffusion_model("causal_neural_hawkes")

# 种子事件:分钟为单位的 (t, 事件名) 列表,如 (4380, "paid_boost") = 第 3 天开始加热
seed_events = [(0.0, "impression"), (12.0, "like"), (4380.0, "paid_boost")]

# 事实推演:正常投放下的 14 天级联
factual = nh.forecast(seed_events)

# 反事实 rollout:第 3 天(4320 分钟)后停止一切加热
cf = nh.counterfactual_forecast(
    seed_events,
    intervention={"mute_at_min": 4320},
)

# 对比 14 天传播曲线的差异
print("事实 14 天总量:", factual.per_type_totals)
print("反事实 14 天总量:", cf.per_type_totals)
print("反事实 daily_buckets (14 天 x 6 事件类型):", cf.daily_buckets[:7])

📌 反事实 rollout 的每一步都在 do() 语义下重新评估强度:mute_at_min 之后,候选时刻的 treatment 嵌入被置零,即「世界记住了干预,但加热不再发生」。

不想写代码也可以直接打 HTTP 接口,在 backend/oransim/api_routers/v2.py 中:

curl -X POST "http://localhost:8001/api/v2/diffusion/forecast?model=causal_neural_hawkes" \
  -H "Content-Type: application/json" \
  -d '{"seed_events": [[0, "impression"], [12, "like"], [4380, "paid_boost"]],
       "intervention": {"mute_at_min": 4320}}'

注意与默认 /api/predict 的分工:默认链路走带权重的 LightGBM + 参数化 Hawkes 快速栈(开箱即跑),/api/v2/* 是研究栈的入口,预训权重就位后即可一键切到 Causal Neural Hawkes 做 A/B。

Oransim 三栏预测界面:左侧创意与预算,中间 14 天传播曲线与深度分析

五、三步上手:数据 → 训练 → 推理

神经 Hawkes 的完整闭环(生成数据、训练、推理)已随仓库交付,三步即可本地跑通:

# 1. 安装([ml] extra 会带上 PyTorch)
git clone https://gitcode.com/gh_mirrors/or/oransim && cd oransim
pip install -e '.[ml]'

# 2. 生成 14 天合成营销事件流(仓库也自带一份 data/synthetic/event_streams_v0_1.jsonl)
python -m backend.scripts.gen_synthetic_data --out data/synthetic

# 3. 训练 Causal Neural Hawkes(单卡 A100 上 5 万条约 45 分钟)
python -m backend.scripts.train_neural_hawkes \
    --data data/synthetic/event_streams_v0_1.jsonl \
    --out data/models/causal_neural_hawkes.pt \
    --epochs 30 --batch-size 64 --lr 5e-4

训练脚本与数据生成器分别位于 backend/scripts/train_neural_hawkes.py 与 backend/scripts/gen_synthetic_data.py。若暂时没有 GPU 或权重,ParametricHawkes 基线可以零依赖兜底,两条路径的预测结果也能在 OrancBench 上直接对照。

agent 虚拟社会中的意见传播:KOL 种子触发的级联互动与二次传播

六、延伸阅读:在仓库里继续挖

想了解的模块 路径
扩散模型接口与 14 天预测契约 backend/oransim/diffusion/base.py
经典参数化 Hawkes(指数核 + thinning) backend/oransim/diffusion/hawkes.py
Causal Neural Hawkes(Transformer + do() 干预) backend/oransim/diffusion/neural_hawkes.py
模型注册表(A/B 切换入口) backend/oransim/diffusion/registry.py
分段稀疏 Hawkes(7 天自然触达) backend/oransim/diffusion/legacy_hawkes.py
/api/v2/diffusion/forecast 路由 backend/oransim/api_routers/v2.py
Pearl 三步反事实(Abduction → Action → Prediction) backend/oransim/causal/counterfactual.py
反事实 do() 入门 Notebook examples/02_counterfactual.ipynb

一句话总结:经典 Hawkes 给了 Oransim 一个可解释、零依赖、闭式似然的传播基线,Causal Neural Hawkes 则把强度函数交给 Transformer 学习、把 do() 干预做进事件类型里——两者共用同一套 14 天预测契约,让「投放前预测」与「投放中反事实推演」成为同一个引擎里的两次采样。

登录后查看全文
oransim