GNN Foundations（图神经网络基础）
Skill-GNN-Foundations · 08-知识图谱
causalforecastingrecommendationragknowledge_graphmulti_agent供应链与补货推荐与搜索知识图谱与RAGMAS与智能体工程WF-A 智能补货
年化 ROI补充 KG 推荐基础能力，隐性
业务视角
适用角色选品负责人 / 运营负责人 · 数据分析师 · 供应链负责人
适用平台Amazon 品类体系 · 竞品 ASIN 网络分析
什么情况下用品类很多，不清楚品类间的关联，没法做系统性类目扩张规划；竞品矩阵太复杂，品牌/SKU/渠道理不清
成功是什么样的建立品类知识图谱，清晰看到哪些是入口品/引流品/利润品，指导下一步选品扩张方向
业务痛点
1. 解决的问题
GNN 三大基础架构的统一入门：GCN（图卷积，邻居特征加权平均 $\mathbf{h}_v^{(l+1)} = \sigma(\mathbf{W}^{(l)} \sum_{u \in N(v)} \frac{\mathbf{h}_u^{(l)}}{\sqrt{d_v d_u}})$）→ GAT（加注意力权重）→ GraphSAGE（归纳式采样聚合，适合大规模图）。
2. 核心算法逻辑
GNN 三大基础架构的统一入门：GCN（图卷积，邻居特征加权平均 $\mathbf{h}_v^{(l+1)} = \sigma(\mathbf{W}^{(l)} \sum_{u \in N(v)} \frac{\mathbf{h}_u^{(l)}}{\sqrt{d_v d_u}})$）→ GAT（加注意力权重）→ GraphSAGE（归纳式采样聚合，适合大规模图）。
3. 业务应用场景
产品共购图：节点=SKU，边=同时购买频率。GCN 学习节点嵌入→发现"硅胶法兰"和"乳头霜"在嵌入空间接近（同一用户群购买），但传统协同过滤未能捕获——因为这两个产品没有共同购买者但有相似的购买者画像。
年化：补充 KG 推荐基础能力，隐性 10-20 万元。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
补充 KG 推荐基础能力，隐性
7. 代码模板
代码块数量：1 · 路径：未检测到
import numpy as np
def gcn_layer(adj_norm, features, weights):
"""简化 GCN: H' = σ(D⁻½ A D⁻½ H W)"""
return np.maximum(0, adj_norm @ features @ weights) # ReLU
# test: 4-node graph
adj = np.array([[1,1,0,0],[1,1,1,0],[0,1,1,1],[0,0,1,1]])
deg = np.diag(1/np.sqrt(adj.sum(axis=1)))
adj_norm = deg @ adj @ deg
feat = np.eye(4); W = np.random.randn(4, 2)*0.1
emb = gcn_layer(adj_norm, feat, W)
print(f"Node embeddings shape: {emb.shape}")
assert emb.shape == (4, 2)
print("[✓] GNN Foundations 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。