企业官网建设流程全解析

如何把供应链装进 PyG：图神经网络供应链优化实战指南

【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric

从哪个仓发货、备多少天的库存，这些决策都押在同一张网络上：谁供应谁、谁服务谁。这篇文章用 PyTorch Geometric（PyG）把这张网络装进一张图，训练一个图神经网络，让它输出运输成本与库存预测，全程只需要四段代码。

供应链为什么天然适合用一张图来表达

拿"确认一笔订单的发货方案"来说。客户下单后，你手上有三个候选仓。选哪个？看的不只是距离：这个仓现在有多少库存，上游供应商补货要几天，这条线路运费多少。

你会发现这些量分散在两类地方：库存、产能这类"状态"挂在节点上；距离、运费这类"代价"挂在节点之间的关系上。关系型数据库里，把它们拼齐要多张表 join；而图神经网络的消息传递，本来就是一次次"沿边向邻居要信息、再汇总到自己"。供应链的结构和这个过程是对得上的。

💡 记住一句话就够了：节点存状态，边存代价。

用 HeteroData 搭建供应链异构图

定义节点类型和 3 种边关系

PyG 的HeteroData相当于一个带隔间的图：每种节点、每种边各自拥有独立的特征和邻接信息，不用硬塞进同一张表。先定 3 种节点、3 种边（产品维度先合并进仓库特征，保持例子简单）：

import torch from torch_geometric.data import HeteroData data = HeteroData() # 3 类节点，特征均为 16 维 data['supplier'].x = torch.randn(40, 16) # 供应商：产能、交期 data['warehouse'].x = torch.randn(12, 16) # 仓库：容量、当前库存 data['customer'].x = torch.randn(200, 16) # 客户：平均单量、区域 # 3 类边：edge_index 是 2 行张量，[源节点 id, 目标节点 id] data['supplier', 'supplies', 'warehouse'].edge_index = torch.randint(0, 40, (2, 60)) data['warehouse', 'serves', 'customer'].edge_index = torch.randint(0, 12, (2, 300)) data['customer', 'orders', 'warehouse'].edge_index = torch.randint(0, 200, (2, 300)) print(data.metadata()) # 所有节点/边类型的清单，后面要交给模型

为什么不用单一的Data？因为供应商的 16 维和客户根本不是一个语义空间，强行共用一张邻接矩阵，模型就得靠特征自己猜"这条边是什么意思"。隔间结构把这个猜测成本直接删掉了。

训练一个能预测链路的图编码器

写一个可复用到所有边类型的两层 GraphSAGE

编码器只需要按"同构图"写一版。关键是SAGEConv((-1, -1), dim)里的-1：输入维度自动推断，你不用为每类节点硬编码。to_hetero拿到metadata()后，会按边类型把每一层复制成多份，每种关系各自训练一套参数：

from torch_geometric.nn import SAGEConv, to_hetero class GNNEncoder(torch.nn.Module): def __init__(self, dim): super().__init__() # (-1, -1)：自动推断输入维度 self.conv1 = SAGEConv((-1, -1), dim) self.conv2 = SAGEConv((-1, -1), dim) def forward(self, x, edge_index): x = self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) # 按边类型展开：每种关系拿到独立参数，aggr 指定邻居聚合方式 encoder = to_hetero(GNNEncoder(32), data.metadata(), aggr='sum')

跑通第一次前向：输入data.x_dict和data.edge_index_dict，得到每类节点一个 32 维嵌入。到此为止，编码器并不知道你在做什么业务——它是通用的。

用一个读边两端嵌入的小 decoder 接业务

decoder 做的事很直白：取出边两端的嵌入，拼接，过两层 MLP，输出一个标量。标量是什么意思，由你放在边上的标签决定——可以是运费，也可以是补货天数：

class EdgeDecoder(torch.nn.Module): def __init__(self, dim): super().__init__() self.head = torch.nn.Sequential( torch.nn.Linear(2 * dim, dim), # 边两端嵌入拼接后线性变换 torch.nn.ReLU(), torch.nn.Linear(dim, 1), # 输出单个标量 ) def forward(self, z, src, dst): # z 为节点嵌入表，src/dst 是边的两端节点 id 序列 return self.head(torch.cat([z[src], z[dst]], dim=-1)).view(-1)

训练就是常规的 MSE loss 加 Adam 循环。数据怎么切？官方示例 examples/hetero/hetero_link_pred.py 用T.RandomLinkSplit随机遮掉 20% 的边做验证和测试，推理时再放回去，值得照抄。

把预测接到真实业务量上

预测"仓库 → 客户"的运输成本

把每条线路的历史平均运费写进edge_label，用 MSE 训练上面这套 encoder + decoder。训练收敛后，模型对每条边都有一个预测值；对刚开的新线路、还没有历史数据的路径，它给出第一个估计值——链路预测在供应链里的价值就在这里：先估一条还没被实测过的边。

用 LinkNeighborLoader 处理会变动的网络

真实的网络不是静态的：线路会新增也会下线，仓库容量会调整。如果训练时用的是"全时间轴"的图，测试时模型其实见过未来。解决办法是让每条边带一个时间戳，采样时只取事件发生前的边。LinkNeighborLoader原生支持这件事：

from torch_geometric.loader import LinkNeighborLoader # 采样前先给边写时间戳：data['warehouse','serves','customer'].time = times loader = LinkNeighborLoader( data=data, num_neighbors=[8, 8], # 每跳采样 8 个邻居 batch_size=128, # 要预测的边类型 + 对应边集 edge_label_index=(('warehouse', 'serves', 'customer'), edge_index), edge_label_time=times - 1, # 取"事件之前"那一刻的图 time_attr='time', # 边上的时间属性名 temporal_strategy='last', # 同一邻居只保留最近一条边 )

⚠️edge_label_time=times - 1这一行最容易被漏掉：不减 1，图就会在训练时"记得未来"。官方推荐系统示例 examples/hetero/recommender_system.py 用的就是同一套时序采样逻辑。

用指标检验模型值不值得上线

上线前先回答一个更尖锐的问题：模型比"永远预测历史平均"强多少？如果基线 RMSE 是 42 元，模型 43 元，架构再漂亮也别上。

• RMSE：F.mse_loss(pred, target).sqrt()，和运费同单位，可以直接拿去和财务对账。
• MAE：平均绝对误差，个别极端线路不容易把它拉飞，适合看整体水位。
• Top-K：业务上你多半问的是"这单给前 3 个候选仓排序，最优选排进前十没有"。用torch_geometric.metrics里的LinkPredPrecision/LinkPredRecall设k=10就能算。

规模方面：几万节点的网不必整图入训，LinkNeighborLoader每个 batch 只算两跳邻域；单机装不下时，torch_geometric/distributed/ 下的DistNeighborLoader会把图切到多台机器上，各自采样再汇总。

收个尾

整条链路就四步：HeteroData定义图 →to_hetero自动展开子网 → decoder 预测边标签 → 用 RMSE 和 Top-K 跟基线对账。想换"库存天数"或"准时率"做标签，改的只是edge_label那一行，架构不用动。你手上哪个决策环节最想交给一张图？评论区聊聊。

【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric