3 步跑通：用 PyG 异构图给仓库到客户的运输成本算个明白账

3 步跑通：用 PyG 异构图给仓库到客户的运输成本算个明白账

【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

这篇实战带你用 PyTorch Geometric（PyG，图神经网络库）把供应商、仓库、客户、产品建成一张异构图，对「仓库→客户」线路做供应链运输成本预测：从建模、防泄漏采样到分布式上线的完整链路，读完你能直接套到自己的物流网络上。

1 异构图数据怎么建：先想清楚单表为什么不够

把供应商、仓库、客户、产品拆成几张 Excel 分别分析，跨实体的传导就断了——供应商产能不足拖垮某个仓，仓改走另一条运输线，最终落到客户延期，这条链在单表里根本看不见。图神经网络的价值就是让信息沿着关系走。

你可以把HeteroData理解成一张「分线路的地铁图」：节点和边都按类型分开存，每条边用 2×E 的索引记录起点和终点。

data = HeteroData() data['supplier'].x = zscore(供应商特征) # 产能、区位、履约率 data['warehouse'].x = zscore(仓库特征) # 库容、周转天数、租金 data['customer'].x = zscore(客户特征) # 下单频次、账期、区域 data['supplier', 'supplies', 'warehouse'].edge_index = sup_wh_idx data['warehouse', 'transports', 'customer'].edge_index = wh_cust_idx

节点特征从 ERP/WMS 取现成字段做 z-score 归一化；个别纯关系型节点没有特征列，用独热 ID 顶上去即可，消息传递照样能跑。边类型不用穷举所有组合，只留业务说得通的几条：谁供谁、谁运给谁，够了。仓库里 examples/hetero/hetero_link_pred.py 用「用户-评分-电影」演示了完全同构的写法，把实体名一换就是你的供应链。

2 边级回归模型怎么写：误差怎么对账成钱

预测目标是最常见的落地点——线路成本回归：编码器把节点压成向量，解码器取边两端点的向量拼起来，过一个小 MLP 输出一个标量。

关键在to_hetero：你只管写一个同质 GNN，它按data.metadata()自动展开成「每种边类型一套参数」的异构模型。为此SAGEConv的输入维度要写-1，表示从数据推断，这样展开时才不会对不上尺寸。

class Encoder(torch.nn.Module): def __init__(self, h): super().__init__() self.conv1 = SAGEConv((-1, -1), h) self.conv2 = SAGEConv((-1, -1), h) def forward(self, x, edge_index): return self.conv2(self.conv1(x, edge_index).relu()) model = torch.nn.Module() model.encoder = to_hetero(Encoder(64), data.metadata(), aggr='sum') model.decoder = EdgeDecoder(64) # 拼接两端点向量 + 两层 MLP，输出 1 维

训练用 MSE 就行，真正值钱的是评估口径。RMSE/MAE 算出来后直接对账：测试集 MAE 若是每单 0.8 千元，月单量 10 万，模型平均偏差约 80 万元/月——拿这个数去对比现在拍脑袋固定报价的偏差，模型省不下这个数就别上线。

⚠️ 判断模型好坏只看 test split；val 的数字只用来早停，别拿它汇报。

数据切分用RandomLinkSplit：回归任务没有正负样本之分，neg_sampling_ratio=0；但rev_edge_types必须显式声明反向边类型，让切分时同步处理，这是后面要专门讲的坑。

3 反向边泄漏怎么防、时序泄漏怎么断

坑 1：反向边泄漏。为了消息传递顺畅，图通常补了反向边（如「客户→仓库」）。切分时只声明正向边，反向边就原封不动留在训练图里，测试边在结构上提前曝光。

一行修复：切分时把反向边类型一并交给RandomLinkSplit——

train_data, val_data, test_data = T.RandomLinkSplit( num_val=0.1, num_test=0.1, neg_sampling_ratio=0.0, edge_types=[('warehouse', 'transports', 'customer')], rev_edge_types=[('customer', 'rev_transports', 'warehouse')], )(data)

坑 2：时序泄漏。运输关系每天在变，上周才开的新线路不该出现在「预测这周」的训练里，否则模型背的是答案。

一行修复：LinkNeighborLoader里把edge_label_time减 1，配合temporal_strategy='last'，每跳采样只取截断时刻之前的邻居——参考 examples/hetero/recommender_system.py 的做法：

loader = LinkNeighborLoader( data=data, num_neighbors=[5, 5], edge_label_index=(('warehouse', 'transports', 'customer'), edge_index), edge_label_time=edge_time - 1, # 只采「预测时点」之前的历史边 time_attr='time', temporal_strategy='last', batch_size=256, )

如果任务从回归换成链路预测（预测哪对仓库-客户会新增往来），评估口径换成torch_geometric.metrics的LinkPredPrecision/LinkPredRecall@K：Precision@10 回答「给每条线路推荐的 10 个候选合作方里平均几个真发生了往来」，Recall 回答「真实新合作被推荐列表覆盖了多少」。此时记得在 loader 里加neg_sampling=dict(mode='binary', amount=2)造负样本，让模型学会区分真合作和随机配对。

4 单机装不下时怎么办：分布式采样 + 脚本化上线

节点过百万、订单边动辄上亿时，整图进不了单机内存。PyG 的torch_geometric/distributed/给的是两级方案：

离线切图：Partitioner把节点、边、特征按分片落盘，每个partN/下是graph.pt和node_feats.pt：

在线采样：DistNeighborLoader绑定本分片，本地邻居直读，跨分片邻居走 RPC 向远端机器拉一跳。

效果是采样开销从「全图」压到「本机分片 + 一跳远程」，吞吐随机器数近似线性涨——对供应链这种边数远超单机的网络，这步基本是必选项。

部署走脚本化：训练完torch.jit.script整体导出，推理服务不再依赖 Python 训练环境，做法可参考 examples/jit/gin.py：

scripted = torch.jit.script(model) torch.jit.save(scripted, 'supply_chain_model.pt') loaded = torch.jit.load('supply_chain_model.pt') pred = loaded(x_dict, edge_index_dict, edge_label_index)

导出的是「编码器 + 解码器」整体，输入仍是x_dict/edge_index_dict，线上服务把特征拼好直接喂入。若线上只是特征更新了（解码关系没变），也可以只导编码器单独服务，更新成本更低。

5 三个问题收尾：往哪扩展、损失怎么改、负样本比怎么定

Q：想同时预测成本、时效、断供概率，要训练三个模型吗？

不用。同一套z_dict上挂多个小解码头即可，编码器共享——图结构编码最贵，三个头分摊一份编码，而且任务间梯度互相约束，节点表征比单任务更稳。

Q：MSE 对大客户线路太「一视同仁」了怎么办？

把损失换成业务可解释的形态，比如分段线性或按金额加权：高客单线路每错一千元比小线路代价大得多，权重跟着金额走，模型会主动牺牲小单精度去压低大线路的偏差。

Q：负样本比例对 Precision@K 影响大吗？

很大。neg_sampling=dict(mode='binary', amount=2)是每条正样本配两条负样本；比例决定模型学到的「随机配对有多常见」，从而移动判定阈值。业务里真实合作稀疏，负样本给少了 Precision 虚高，给多了召回掉——用验证集扫一遍，看 Precision/Recall 的平衡点定。

【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