数据关联提升需求预测：图神经网络在电商中的应用

预测客户产品需求是电商平台的核心任务，直接影响准时交付、仓储效率和卖家运输计划。传统预测模型虽基于多卖家多产品数据，但通常进行单维预测：仅依据特定卖家特定产品的历史需求。这种方法可能遗漏关键信息，如竞争对手缺货或新品发布对整体需求的影响。

在2021年欧洲机器学习会议（ECML）上，提出了一种新的需求预测方法，在预测时和训练时均考虑其他卖家与产品的关联性。该方法使用图结构表示这些关联，并通过图神经网络处理图形信息。实验表明，相比标准单维分析，预测准确率提升16%。在多卖家销售相同产品的情况下提升近30%，在历史数据不足三个月的冷启动产品上提升近25%。

图模型构建

在电子商务中，产品常通过类别关联，需求模式存在相关性。基于神经网络的需求预测模型在包含关联产品的数据集上训练时，可学习提取隐含部分相关性的高阶特征。本研究开发了更系统的方法，使用时序图神经网络建模不同实体间的相关性。

图由节点（通常用圆圈表示）和边（连接节点的线段）组成，边可携带表示节点间关系的值。我们使用包含两类节点（产品和卖家）和两类边（需求关系和替代关系）的图表示数据关联。需求边连接卖家与产品，替代边连接产品之间。

每个节点关联特征向量，表示该产品或卖家的特定属性。产品特征包括品牌、类别、销量、浏览量等；卖家特征包括评分、评论、总订单量、产品总浏览量等。每个需求边关联的特征向量表示卖家与产品间的关系，如该卖家特定产品的浏览量、订单量、缺货状态等。每个替代边关联二元值，表示产品是否可相互替代（基于客户选择证据）。在时间序列的每个时间步构建此类图，表示该时间步的特征集。

神经网络模型

每个时间步的图通过图神经网络处理，生成图中每个节点的定长向量表示（嵌入）。该表示考虑了节点邻居特征及连接边。图神经网络的输出与每个时间步的静态特征（如距下一个主要假期的天数、银行特殊融资优惠等）拼接。

拼接后的表示按顺序传递到编码器-解码器架构网络。编码器包含时序卷积网络（TCN）或长短期记忆（LSTM）网络，捕获历史需求数据特征。编码器输出表示整个时间序列，考虑连续时间步间的依赖关系。该表示传递到解码器模块生成最终预测。

整个模型端到端训练，使图神经网络和编码器学习生成对最终预测有用的表示（以静态特征为条件）。

实验结果

测试了四种图神经网络：

• 同质图卷积网络：标准化节点特征，所有节点同等处理
• GraphSAGE网络：通过对节点邻居采样减少密集连接图的计算负担
• 异质GraphSAGE网络：处理不同类型节点
• 异质图注意力网络：为给定节点的邻居分配不同权重

每种网络测试不同输入：仅节点；节点和需求边；节点及需求和替代边。所有模型中，添加更多边数据显著提升性能，表明模型利用了数据的图形表示。图注意力网络表现最佳，最佳模型为包含两类边信息的图注意力网络。

研究领域：运筹学与优化
标签：需求预测、图神经网络（GNNs）
会议：ECML-PKDD 2021
相关论文：《在线市场需求预测的时空多图网络》