HGCN — 双曲图卷积网络
Skill-HGCN-Hyperbolic-Graph-Convolutional-Networks · 08-知识图谱
causalexperimentoptimizationrecommendationragknowledge_graphmulti_agentpricing推荐与搜索知识图谱与RAGMAS与智能体工程定价与利润WF-F 动态定价
实现难度⭐⭐⭐⭐☆
业务优先级⭐⭐⭐⭐☆
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
HGCN (Hyperbolic Graph Convolutional Networks) 解决传统 GNN 在欧氏空间中无法有效编码层次结构的问题。核心洞察：树状/层次化图结构（如品类树、组织架构）在欧氏空间中存在根本性的容量限制，而双曲空间天然适合表示层次关系。
2. 核心算法逻辑
HGCN (Hyperbolic Graph Convolutional Networks) 解决传统 GNN 在欧氏空间中无法有效编码层次结构的问题。核心洞察：树状/层次化图结构（如品类树、组织架构）在欧氏空间中存在根本性的容量限制，而双曲空间天然适合表示层次关系。
3. 业务应用场景
母婴电商的产品品类天然是层次树状结构（母婴 > 喂养 > 吸奶器 > [品牌A, B, C]）。传统欧氏嵌入无法保持层次距离，导致跨层级推荐不准确。
- 品类层次树：节点=品类/产品，边=父子关系 - 产品属性特征：价格带、适用人群、功能特性 - 用户交互数据：浏览、购买、收藏
业务价值： - 品类推荐准确率提升 20-30% - 新品上架自动分类准确率 > 90% - 跨品类关联规则发现（如"买了吸奶器的用户也买了温奶器"）
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
- 数据要求：中，需要层次化图结构数据
- 技术门槛：高，需理解双曲几何和黎曼优化
- 工程复杂度：中高，数值稳定性需要特别关注
- 维护成本：中，层次结构变化需要重新训练
- 业务价值高：品类层次是电商核心数据结构
- 技术独特性：双曲几何是层次表示的 SOTA 方法
7. 代码模板
代码块数量：5 · 路径：未检测到
cd paper2skills-code/knowledge_graph/hgcn_hierarchy
python hgcn_model.py8. 论文来源
未自动抽取；请查看原始 Skill 卡片。