PyG 图神经网络深度实战3 步构建基于异构图链路预测的供应链优化系统【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库存积压、路线迂回、供应商选择凭经验——供应链问题的共同根源在于传统表格统计只能看孤立字段看不到节点之间的关系结构。本指南基于 PyTorch GeometricPyG完整落地一套图神经网络供应链优化方案从异构图建模、链路预测训练到效果评估与大规模部署每一步都给出可直接复用的代码骨架。供应链优化问题定义为什么纯表格数据不够用本节解决业务问题该长什么样把模糊的物流痛点翻译成图上的节点、边和标签后面的建模才有落脚点。业务实体对应节点类型业务关系对应边类型供应链天然是一张多主体网络供应商、仓库、客户、产品是节点供应、运输、订单是边。它和组织架构图结构相似——不同部门类型之间用不同类型的汇报线连接这正是异构图节点和边各分多类的图擅长表达的东西。三类节点、四类边的划分建议节点类型supplier供应商、warehouse仓库、customer客户、product产品边类型supplies供应、stores存储、transports运输、orders订单每条边都可以挂业务属性比如运输边上的时效与成本。三大核心任务路线、库存、供应商业务任务图任务类型输出运输成本/路线效率预测边值回归边上的连续值仓库库存水平预测边值回归边上的连续值供应商可靠性推荐节点分类节点上的类别三类任务共用同一套编码-解码框架只是解码器不同一次建模多处复用。异构图建模的正确打开方式三步构建供应链网络 HeteroData本节把业务实体落成 PyG 的HeteroData对象是后面所有模型的输入。第一步用 HeteroData 声明节点与边类型下面的代码声明三类节点的特征矩阵和三类边关系边用(源类型, 关系名, 目标类型)三元组定位data HeteroData() # 节点特征产能、位置、容量、需求量等业务属性 data[supplier].x torch.randn(num_suppliers, 16) data[warehouse].x torch.randn(num_warehouses, 16) data[customer].x torch.randn(num_customers, 16) # 边关系(源类型, 关系名, 目标类型) data[supplier, supplies, warehouse].edge_index sup_wh_index data[warehouse, transports, customer].edge_index wh_cust_index data[customer, orders, product].edge_index cust_prod_index执行后得到一个带完整元信息metadata的异构图data.metadata()会返回所有节点类型与边类型清单供后续模型自动展开使用。第二步补全节点特征与反向边图卷积靠消息传递工作每个节点从邻居聚合信息。如果某类节点没有特征、或某条边只有单向信息就断流了。PyG 提供了现成的修复手段# 为缺少特征的节点类型生成独热编码 data[customer].x torch.eye(data[customer].num_nodes) # 为所有边类型补上反向关系保证双向消息传递 data T.ToUndirected()(data)注意补反向边时新增的边类型没有业务标签训练前要把它们的edge_label删掉否则会被误当成预测目标。第三步标注边标签并切分数据集把真实运输成本、库存水平写进目标边的edge_label再按边切分训练/验证/测试集。官方示例如 examples/hetero/ 下的链路预测脚本用RandomLinkSplit一步完成并支持按负采样比例构造对比样本。链路预测模型训练实战图神经网络编码器的异构化与时序采样本节是核心实现一个通用编码器 边解码器的组合加上时序感知的邻居采样构成完整的预测流水线。先写通用编码器再用 to_hetero 自动扩展成异构手工为每种节点、每种边各写一个卷积层既繁琐又容易漏。PyG 的做法是先写一个只处理单类节点单类边的通用编码器再用to_hetero按元信息自动克隆成异构版本实现见 torch_geometric/nn/to_hetero_transformer.pyclass GNNEncoder(torch.nn.Module): def __init__(self, hidden_channels): super().__init__() self.conv1 SAGEConv((-1, -1), hidden_channels) # (-1,-1) 自动推断输入维度 self.conv2 SAGEConv((-1, -1), hidden_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) # 按元信息自动展开每种节点类型独立一层参数 encoder to_hetero(GNNEncoder(hidden_channels32), data.metadata(), aggrsum)展开后模型输出是一个字典z_dict每类节点各自拥有一份嵌入向量。节点如何变成向量可以直观理解为把局部网络结构压缩进一个点图1图神经网络将节点及其邻域结构编码为向量供应链节点在嵌入空间中的距离反映其业务相关性。边解码器拼接两端嵌入预测运输成本链路预测的解码逻辑很直接取边的两个端点嵌入拼接后过 MLP输出一个标量运输成本、库存水平或一个分类概率。class EdgeDecoder(torch.nn.Module): def __init__(self, hidden_channels): super().__init__() self.lin torch.nn.Sequential( torch.nn.Linear(2 * hidden_channels, hidden_channels), torch.nn.ReLU(), torch.nn.Linear(hidden_channels, 1), ) def forward(self, z_dict, edge_label_index): row, col edge_label_index # 边两端的节点索引 z torch.cat([z_dict[warehouse][row], z_dict[customer][col]], dim-1) return self.lin(z).view(-1) # 输出该运输链路的成本预测若任务是判断两个节点是否该建立新合作这类二分类把最后的线性层输出接 sigmoid 即可损失换成交叉熵。时序采样LinkNeighborLoader 防止数据泄漏运输网络是动态的今天走的路线不代表昨天存在。如果采样时把未来的边也用进邻域评估分数会虚高。LinkNeighborLoader支持按边时间戳做时序感知采样实现位于 torch_geometric/loader/loader LinkNeighborLoader( data, num_neighbors[5, 5], edge_label_index((warehouse, transports, customer), label_index), edge_label_timelabel_time, # 每条边的发生时间戳 time_attrtime, temporal_strategylast, # 只采样早于该边时间的邻居 batch_size128, shuffleTrue, )配置完成后每个 batch 中的子图都严格站在该边发生时刻采样训练与评估都不会穿越。效果验证链路预测与回归任务的评估指标本节解决分数怎么算才算数不同任务类型对应不同指标选错指标会得出与业务相悖的结论。回归看 RMSE排序看 PrecisionK运输成本、库存水平是连续值回归用 RMSE 衡量平均偏差量级预测哪些仓客组合最该优先开通则是排序问题用 PrecisionK / RecallK / MAPK 衡量头部推荐的命中情况。PyG 在torch_geometric.metrics内置了全部链路指标。torch.no_grad() def evaluate(data): model.eval() pred model(data.x_dict, data.edge_index_dict, data[warehouse, transports, customer].edge_label_index) target data[warehouse, transports, customer].edge_label rmse F.mse_loss(pred, target).sqrt() precision LinkPredPrecision(k10)(pred, target) return float(rmse), float(precision)报告中建议同时给出训练/验证/测试三段指标若验证 RMSE 先降后升而测试持续下降通常是边切分泄漏的信号。影响最终分数的三个训练细节类别不平衡加权多数供应链标签集中在中间档如中等运量用torch.bincount统计频率做倒数加权可显著改善少数档位的拟合预测值截断成本预测在评估前clamp到业务合理区间避免离群预测拉爆 RMSE时间切分优于随机切分按时间戳的 80/20 切分更贴近用历史预测未来的真实使用方式大规模供应链网络落地建议分布式采样与推理加速本节面向生产环境节点达到百万级时单机全量前向不再现实需要从采样和部署两端同时优化。DistNeighborLoader 应对百万级边PyG 的分布式模块torch_geometric/distributed/先把大图切分到多台机器训练时每台机器只本地采样、按需拉取远端邻居通信量被压到邻居数量级图2分布式邻居采样过程目标节点的邻居按分区归属拆分为本地Local与远端Remote远端节点按需拉取。对应的加载器用法与单机版几乎一致多一步进程组初始化即可模型代码无需改动。推理侧的加速手段JIT 导出训练完成后用torch.jit.script(model)导出并落盘推理端torch.jit.load直接加载省去 Python 解释开销参考 examples/jit/ 下的示例多 GPU 并行超大网络可把编码器不同层分到不同 GPU 做模型并行或直接用 DataParallel 做多卡数据并行参考 examples/multi_gpu/model_parallel.py检索式评估推荐类任务不必对全量候选边两两打分可先用编码器批量出嵌入再走 MIPS k-NN 索引做 Top-K 检索评估开销从 O(N²) 降到近线性要点回顾供应链的节点/关系结构用HeteroData异构图表达边类型即业务关系边属性即标签通用编码器经to_hetero自动展开为异构模型边解码器拼接两端嵌入输出预测值LinkNeighborLoader的时序采样策略是链路预测结果可信的前提评估按任务选指标回归看 RMSE排序看 PrecisionK / MAPK百万级规模靠分布式邻居采样 JIT 导出 多 GPU 并行三板斧下一步建议先用仓库自带的 examples/hetero/ 链路预测示例在本地跑通全链路再把自己的供应商/仓库/客户表灌入同样的建模流程一周内即可得到第一版可对比的基线分数。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/6 18:43:50 · 阅读 1.2k PyG 图神经网络深度实战：3 步构建基于异构图链路预测的供应链优化系统
PyG 图神经网络深度实战3 步构建基于异构图链路预测的供应链优化系统【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库存积压、路线迂回、供应商选择凭经验——供应链问题的共同根源在于传统表格统计只能看孤立字段看不到节点之间的关系结构。本指南基于 PyTorch GeometricPyG完整落地一套图神经网络供应链优化方案从异构图建模、链路预测训练到效果评估与大规模部署每一步都给出可直接复用的代码骨架。供应链优化问题定义为什么纯表格数据不够用本节解决业务问题该长什么样把模糊的物流痛点翻译成图上的节点、边和标签后面的建模才有落脚点。业务实体对应节点类型业务关系对应边类型供应链天然是一张多主体网络供应商、仓库、客户、产品是节点供应、运输、订单是边。它和组织架构图结构相似——不同部门类型之间用不同类型的汇报线连接这正是异构图节点和边各分多类的图擅长表达的东西。三类节点、四类边的划分建议节点类型supplier供应商、warehouse仓库、customer客户、product产品边类型supplies供应、stores存储、transports运输、orders订单每条边都可以挂业务属性比如运输边上的时效与成本。三大核心任务路线、库存、供应商业务任务图任务类型输出运输成本/路线效率预测边值回归边上的连续值仓库库存水平预测边值回归边上的连续值供应商可靠性推荐节点分类节点上的类别三类任务共用同一套编码-解码框架只是解码器不同一次建模多处复用。异构图建模的正确打开方式三步构建供应链网络 HeteroData本节把业务实体落成 PyG 的HeteroData对象是后面所有模型的输入。第一步用 HeteroData 声明节点与边类型下面的代码声明三类节点的特征矩阵和三类边关系边用(源类型, 关系名, 目标类型)三元组定位data HeteroData() # 节点特征产能、位置、容量、需求量等业务属性 data[supplier].x torch.randn(num_suppliers, 16) data[warehouse].x torch.randn(num_warehouses, 16) data[customer].x torch.randn(num_customers, 16) # 边关系(源类型, 关系名, 目标类型) data[supplier, supplies, warehouse].edge_index sup_wh_index data[warehouse, transports, customer].edge_index wh_cust_index data[customer, orders, product].edge_index cust_prod_index执行后得到一个带完整元信息metadata的异构图data.metadata()会返回所有节点类型与边类型清单供后续模型自动展开使用。第二步补全节点特征与反向边图卷积靠消息传递工作每个节点从邻居聚合信息。如果某类节点没有特征、或某条边只有单向信息就断流了。PyG 提供了现成的修复手段# 为缺少特征的节点类型生成独热编码 data[customer].x torch.eye(data[customer].num_nodes) # 为所有边类型补上反向关系保证双向消息传递 data T.ToUndirected()(data)注意补反向边时新增的边类型没有业务标签训练前要把它们的edge_label删掉否则会被误当成预测目标。第三步标注边标签并切分数据集把真实运输成本、库存水平写进目标边的edge_label再按边切分训练/验证/测试集。官方示例如 examples/hetero/ 下的链路预测脚本用RandomLinkSplit一步完成并支持按负采样比例构造对比样本。链路预测模型训练实战图神经网络编码器的异构化与时序采样本节是核心实现一个通用编码器 边解码器的组合加上时序感知的邻居采样构成完整的预测流水线。先写通用编码器再用 to_hetero 自动扩展成异构手工为每种节点、每种边各写一个卷积层既繁琐又容易漏。PyG 的做法是先写一个只处理单类节点单类边的通用编码器再用to_hetero按元信息自动克隆成异构版本实现见 torch_geometric/nn/to_hetero_transformer.pyclass GNNEncoder(torch.nn.Module): def __init__(self, hidden_channels): super().__init__() self.conv1 SAGEConv((-1, -1), hidden_channels) # (-1,-1) 自动推断输入维度 self.conv2 SAGEConv((-1, -1), hidden_channels) def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() return self.conv2(x, edge_index) # 按元信息自动展开每种节点类型独立一层参数 encoder to_hetero(GNNEncoder(hidden_channels32), data.metadata(), aggrsum)展开后模型输出是一个字典z_dict每类节点各自拥有一份嵌入向量。节点如何变成向量可以直观理解为把局部网络结构压缩进一个点图1图神经网络将节点及其邻域结构编码为向量供应链节点在嵌入空间中的距离反映其业务相关性。边解码器拼接两端嵌入预测运输成本链路预测的解码逻辑很直接取边的两个端点嵌入拼接后过 MLP输出一个标量运输成本、库存水平或一个分类概率。class EdgeDecoder(torch.nn.Module): def __init__(self, hidden_channels): super().__init__() self.lin torch.nn.Sequential( torch.nn.Linear(2 * hidden_channels, hidden_channels), torch.nn.ReLU(), torch.nn.Linear(hidden_channels, 1), ) def forward(self, z_dict, edge_label_index): row, col edge_label_index # 边两端的节点索引 z torch.cat([z_dict[warehouse][row], z_dict[customer][col]], dim-1) return self.lin(z).view(-1) # 输出该运输链路的成本预测若任务是判断两个节点是否该建立新合作这类二分类把最后的线性层输出接 sigmoid 即可损失换成交叉熵。时序采样LinkNeighborLoader 防止数据泄漏运输网络是动态的今天走的路线不代表昨天存在。如果采样时把未来的边也用进邻域评估分数会虚高。LinkNeighborLoader支持按边时间戳做时序感知采样实现位于 torch_geometric/loader/loader LinkNeighborLoader( data, num_neighbors[5, 5], edge_label_index((warehouse, transports, customer), label_index), edge_label_timelabel_time, # 每条边的发生时间戳 time_attrtime, temporal_strategylast, # 只采样早于该边时间的邻居 batch_size128, shuffleTrue, )配置完成后每个 batch 中的子图都严格站在该边发生时刻采样训练与评估都不会穿越。效果验证链路预测与回归任务的评估指标本节解决分数怎么算才算数不同任务类型对应不同指标选错指标会得出与业务相悖的结论。回归看 RMSE排序看 PrecisionK运输成本、库存水平是连续值回归用 RMSE 衡量平均偏差量级预测哪些仓客组合最该优先开通则是排序问题用 PrecisionK / RecallK / MAPK 衡量头部推荐的命中情况。PyG 在torch_geometric.metrics内置了全部链路指标。torch.no_grad() def evaluate(data): model.eval() pred model(data.x_dict, data.edge_index_dict, data[warehouse, transports, customer].edge_label_index) target data[warehouse, transports, customer].edge_label rmse F.mse_loss(pred, target).sqrt() precision LinkPredPrecision(k10)(pred, target) return float(rmse), float(precision)报告中建议同时给出训练/验证/测试三段指标若验证 RMSE 先降后升而测试持续下降通常是边切分泄漏的信号。影响最终分数的三个训练细节类别不平衡加权多数供应链标签集中在中间档如中等运量用torch.bincount统计频率做倒数加权可显著改善少数档位的拟合预测值截断成本预测在评估前clamp到业务合理区间避免离群预测拉爆 RMSE时间切分优于随机切分按时间戳的 80/20 切分更贴近用历史预测未来的真实使用方式大规模供应链网络落地建议分布式采样与推理加速本节面向生产环境节点达到百万级时单机全量前向不再现实需要从采样和部署两端同时优化。DistNeighborLoader 应对百万级边PyG 的分布式模块torch_geometric/distributed/先把大图切分到多台机器训练时每台机器只本地采样、按需拉取远端邻居通信量被压到邻居数量级图2分布式邻居采样过程目标节点的邻居按分区归属拆分为本地Local与远端Remote远端节点按需拉取。对应的加载器用法与单机版几乎一致多一步进程组初始化即可模型代码无需改动。推理侧的加速手段JIT 导出训练完成后用torch.jit.script(model)导出并落盘推理端torch.jit.load直接加载省去 Python 解释开销参考 examples/jit/ 下的示例多 GPU 并行超大网络可把编码器不同层分到不同 GPU 做模型并行或直接用 DataParallel 做多卡数据并行参考 examples/multi_gpu/model_parallel.py检索式评估推荐类任务不必对全量候选边两两打分可先用编码器批量出嵌入再走 MIPS k-NN 索引做 Top-K 检索评估开销从 O(N²) 降到近线性要点回顾供应链的节点/关系结构用HeteroData异构图表达边类型即业务关系边属性即标签通用编码器经to_hetero自动展开为异构模型边解码器拼接两端嵌入输出预测值LinkNeighborLoader的时序采样策略是链路预测结果可信的前提评估按任务选指标回归看 RMSE排序看 PrecisionK / MAPK百万级规模靠分布式邻居采样 JIT 导出 多 GPU 并行三板斧下一步建议先用仓库自带的 examples/hetero/ 链路预测示例在本地跑通全链路再把自己的供应商/仓库/客户表灌入同样的建模流程一周内即可得到第一版可对比的基线分数。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考