简介面向供应链管理科研人员、数据科学家及行业从业者的图神经网络实战资料聚焦GNN在需求预测、风险评估与异常检测等任务中的应用。内容以一篇完整论文为核心建立供应链与图结构的理论联系提供数学定义与任务指南并基于孟加拉国快速消费品公司的多视角真实数据集在6类供应链分析任务上对比多种先进GNN模型性能较传统方法提升10%至40%。配套Python代码基于PyTorch Geometric实现涵盖异构图数据构建、GCN/GAT/GraphSAGE模型定义、训练与评估全流程可直接迁移至自有数据实验。资源包为1个PDF文件约708KB结构紧凑便于研读。已有105人学习适合希望掌握图结构建模、多任务学习与供应链优化落地的读者参考。1. 供应链里的需求预测和风险评估为什么单靠时序模型不够用一个典型的供应链场景某区域仓的 SKU 需求突然掉了 30%时序模型给出的预测依然平滑因为它只看这条 SKU 自己的历史。但真实原因是上游两家供应商同时延期导致整条链路缺货下游门店被动减少了订单。这种跨实体的连锁反应单条时间序列里根本看不到。供应链本质上是一张图工厂、仓库、承运商、门店、SKU、订单都是节点运输、供货、替代、共仓是边。需求预测和风险评估这两个任务共享同一张图结构却长期被拆成两套系统分别做。多任务 GNN 的价值就在于用一套图表示同时喂给两个头让风险信号反过来修正需求预测让需求波动反过来提示风险等级。这套方案适合已经有一定数据基础、SKU 数量在几千到几十万、且存在明显上下游依赖关系的团队。如果只有几十个 SKU、没有拓扑信息用 LightGBM 加人工特征反而更划算。下面按「图怎么建 → 模型怎么搭 → 怎么训 → 怎么排错 → 怎么上线」推一遍。2. 供应链图构建与多任务 GNN 的建模选型2.1 节点、边与特征的工程化定义供应链图不是天然存在的需要从业务表里抽出来。常见做法是定义四类节点SKU、仓库/工厂、承运商、区域。边分三种SKU 与仓库的「库存关系」、仓库与仓库的「调拨关系」、SKU 与 SKU 的「替代/共现关系」。节点特征要区分静态和动态。静态如 SKU 品类、仓库容量等级动态如近 7 天出库量、在途库存、延期订单数。动态特征按天滚动作为时序输入。import torch from torch_geometric.data import HeteroData data HeteroData() # 节点特征SKU 用 [品类onehot, 近7天均值, 波动率] data[sku].x torch.randn(num_sku, 32) # 仓库特征[容量等级, 当前利用率, 日均出库] data[warehouse].x torch.randn(num_wh, 16) # 边SKU 存放在仓库 (sku_id, wh_id) data[sku, stored_in, warehouse].edge_index torch.tensor(stored_edge, dtypetorch.long) # 仓库间调拨 data[warehouse, transfer, warehouse].edge_index torch.tensor(transfer_edge, dtypetorch.long) # SKU 替代关系 data[sku, substitute, sku].edge_index torch.tensor(sub_edge, dtypetorch.long)这段代码用 PyG 的HeteroData建异构图。edge_index是 2×E 的 LongTensor第一行是源节点索引第二行是目标节点索引。注意索引必须在各自节点类型内连续跨类型不能混用全局 ID否则消息传递会串。2.2 为什么选异构图而不是同构图把 SKU 和仓库压成同一种节点会丢失类型语义SKU 之间的替代关系和仓库之间的调拨关系聚合方式应该不同。异构图允许每种边类型有独立的权重矩阵这是多任务共享表示的前提。方案表达能力实现成本适用规模同构图 GCN弱类型混淆低SKU 500异构图 RGCN强边类型独立中500 ~ 10万异构图 HGT最强带注意力高 10万我一般从 RGCN 起步边类型在 10 种以内时性价比最高。HGT 的注意力在节点数上万后显存吃紧需要邻居采样。2.3 多任务头的设计共享底层 任务专属上层底层用两层 RGCN 做消息传递输出每个节点的嵌入。需求预测头接一个回归 MLP输出未来 7 天需求量风险评估头接一个分类 MLP输出延期/缺货概率。from torch_geometric.nn import RGCNConv class MultiTaskGNN(torch.nn.Module): def __init__(self, hidden64, num_relations3): super().__init__() self.conv1 RGCNConv(-1, hidden, num_relations) self.conv2 RGCNConv(hidden, hidden, num_relations) # 需求预测头回归 self.head_demand torch.nn.Sequential( torch.nn.Linear(hidden, 32), torch.nn.ReLU(), torch.nn.Linear(32, 7)) # 风险评估头二分类 self.head_risk torch.nn.Sequential( torch.nn.Linear(hidden, 32), torch.nn.ReLU(), torch.nn.Linear(32, 1)) def forward(self, x, edge_index, edge_type): h self.conv1(x, edge_index, edge_type).relu() h self.conv2(h, edge_index, edge_type).relu() return self.head_demand(h), self.head_risk(h)RGCNConv的第一个参数-1表示输入维度自适应。num_relations必须等于边类型总数否则edge_type越界会直接报错。两个头共享h梯度会同时回传到底层这是多任务能互相增益的关键。注意两个任务的损失量级差异很大回归的 MSE 常在几百分类的 BCE 在 0.1 量级。直接相加会让底层被回归任务主导必须做损失加权。3. 多任务 GNN 的训练流程与损失加权实操3.1 数据切分与避免时序泄漏供应链数据是时序的不能随机切分。常见做法是按时间切前 8 个月训练第 9 个月验证第 10 个月测试。图结构也要按时间点构建不能用未来边。def build_graph_at(date, orders_df, inventory_df): # 只取 date 之前的数据建图避免未来信息泄漏 hist orders_df[orders_df[date] date] inv inventory_df[inventory_df[date] date] # ... 构建节点特征和边 return datadate是切分点所有特征和边都严格早于它。这一步做错离线指标会虚高 20% 以上上线后直接崩。3.2 损失函数加权求和与不确定性加权最直接的是固定权重loss 1.0 * mse 5.0 * bce。但权重需要调。更稳的是用 Kendall 的不确定性加权让模型自己学任务权重。class UncertaintyWeighting(torch.nn.Module): def __init__(self): super().__init__() # log(sigma^2)可学习参数 self.log_var_demand torch.nn.Parameter(torch.zeros(1)) self.log_var_risk torch.nn.Parameter(torch.zeros(1)) def forward(self, loss_demand, loss_risk): # 精度 1/sigma^2 exp(-log_var) w_d torch.exp(-self.log_var_demand) w_r torch.exp(-self.log_var_risk) return w_d * loss_demand self.log_var_demand \ w_r * loss_risk self.log_var_risklog_var越大表示该任务不确定性越高权重越小。 log_var是正则项防止模型把所有任务权重压到 0。这个技巧在多任务 GNN 里比手调权重省事但初期收敛慢建议先用固定权重跑通再换。3.3 训练循环与关键超参model MultiTaskGNN(hidden64, num_relations3) opt torch.optim.Adam(model.parameters(), lr1e-3, weight_decay5e-4) sched torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max50) for epoch in range(50): model.train() opt.zero_grad() pred_d, pred_r model(data.x, data.edge_index, data.edge_type) loss_d torch.nn.functional.mse_loss(pred_d[train_mask], y_demand[train_mask]) loss_r torch.nn.functional.binary_cross_entropy_with_logits( pred_r[train_mask].squeeze(), y_risk[train_mask]) loss 1.0 * loss_d 5.0 * loss_r loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) opt.step() sched.step()weight_decay5e-4对 GNN 很重要图卷积层容易过拟合。clip_grad_norm_的max_norm5.0防止梯度爆炸异构图里度数高的节点容易产生大梯度。CosineAnnealingLR的T_max设成总 epoch 数让学习率平滑降到接近 0。超参推荐值调整方向hidden64 / 128节点数 5万用 128lr1e-3不收敛降到 5e-4weight_decay5e-4过拟合加到 1e-3损失权重比1:5按验证集 F1 微调层数2超过 3 层易过平滑3.4 评估指标两个任务分开看需求预测看 WAPE加权绝对百分比误差比 MAPE 对低销量 SKU 更稳。风险评估看 PR-AUC因为延期样本通常只占 5% 以下ROC-AUC 会虚高。def wape(y_true, y_pred): return (y_true - y_pred).abs().sum() / y_true.abs().sum() from sklearn.metrics import average_precision_score pr_auc average_precision_score(y_risk_val, pred_r_val)WAPE 低于 0.25 算可用PR-AUC 要对比基线比如只用历史延期率的逻辑回归提升不到 5 个点说明图结构没带来增量。4. 供应链 GNN 的常见坑与排错路径4.1 过平滑层数一多节点嵌入全变成一个样GNN 层数超过 3 层后所有节点嵌入的余弦相似度会趋近 1预测退化成常数。判断方法打印每层输出的节点嵌入方差如果第 3 层方差不到第 1 层的 10%就是过平滑。常见解法有三种一是残差连接把第 1 层输出加到第 3 层二是用JumpingKnowledge把各层输出拼接三是直接减层。我一般先减到 2 层不够再加残差。# 残差连接示例 h1 self.conv1(x, edge_index, edge_type).relu() h2 self.conv2(h1, edge_index, edge_type).relu() h h1 h2 # 残差4.2 邻居爆炸高度数节点拖垮显存一个中心仓可能连接上万个 SKU消息传递时聚合操作显存暴涨。PyG 提供NeighborLoader做邻居采样。from torch_geometric.loader import NeighborLoader loader NeighborLoader( data, num_neighbors[10, 5], batch_size512, input_nodes(sku, train_mask))num_neighbors[10, 5]表示第一层采 10 个邻居第二层每个再采 5 个。采样会引入方差训练时多跑几个 epoch 平均。注意input_nodes要指定节点类型异构图里不指定会报错。4.3 任务冲突一个任务涨另一个跌多任务训练中需求预测 WAPE 下降但风险 PR-AUC 也下降说明两个任务在底层表示上打架。排查步骤先单独训每个任务记录各自最优指标再联合训看差距。如果联合训比单任务差超过 10%考虑用 GradNorm 或 PCGrad 做梯度手术。注意任务冲突在供应链场景很常见因为需求平稳期风险信号本来就弱。不要强行让两个任务都涨允许风险头在需求平稳期指标略降。4.4 新 SKU 冷启动图里没有历史边新品 SKU 没有历史出库节点特征是空的。常见做法是用同类目 SKU 的嵌入均值初始化并在损失里对新品样本加权。# 用同类目均值初始化新品嵌入 new_sku_emb category_emb_mean[new_sku_category] data[sku].x[new_sku_idx] new_sku_emb这个做法在 SKU 生命周期前 2 周能降低 WAPE 约 8%之后随真实数据积累逐步替换。5. 从离线到上线多任务 GNN 的增量推理与监控技巧离线训好的模型上线后图结构每天在变新订单、新调拨、库存更新。全量重训成本高常见做法是增量推理加周期性微调。增量推理只更新受影响的节点嵌入。比如某仓库新增一批 SKU只需重算该仓库及其一跳邻居的嵌入其余缓存复用。实现上维护一个节点嵌入缓存每天用新图跑一次前向只对变化节点做消息传递。torch.no_grad() def incremental_infer(model, data, changed_nodes): model.eval() # 只对变化节点及其邻居做前向 sub_nodes get_k_hop_neighbors(data, changed_nodes, k1) sub_data data.subgraph(sub_nodes) pred_d, pred_r model(sub_data.x, sub_data.edge_index, sub_data.edge_type) # 写回缓存 emb_cache[sub_nodes] pred_d return pred_d, pred_rget_k_hop_neighbors用torch_geometric.utils.k_hop_subgraph实现。k1是精度和速度的折中k 越大越准但越慢。变化节点占比低于 5% 时增量推理比全量快 10 倍以上。监控要盯三个指标一是嵌入漂移用 PSI 衡量当天嵌入分布和训练分布的差异PSI 0.2 触发告警二是预测偏差按仓库分组算 WAPE某仓库连续 3 天超阈值就单独排查三是风险头校准把预测概率分桶看实际延期率和预测概率是否对齐偏差大说明分布漂移。微调频率建议每周一次用最近 4 周数据学习率降到 1e-4只训 5 个 epoch。全量重训每月一次防止图结构累积漂移。上线初期先影子模式跑两周对比线上规则引擎的决策确认无系统性偏差再切流量。本文还有配套的精品资源点击获取 供应链需求预测与风险评估：多任务GNN实战指南
简介面向供应链管理科研人员、数据科学家及行业从业者的图神经网络实战资料聚焦GNN在需求预测、风险评估与异常检测等任务中的应用。内容以一篇完整论文为核心建立供应链与图结构的理论联系提供数学定义与任务指南并基于孟加拉国快速消费品公司的多视角真实数据集在6类供应链分析任务上对比多种先进GNN模型性能较传统方法提升10%至40%。配套Python代码基于PyTorch Geometric实现涵盖异构图数据构建、GCN/GAT/GraphSAGE模型定义、训练与评估全流程可直接迁移至自有数据实验。资源包为1个PDF文件约708KB结构紧凑便于研读。已有105人学习适合希望掌握图结构建模、多任务学习与供应链优化落地的读者参考。1. 供应链里的需求预测和风险评估为什么单靠时序模型不够用一个典型的供应链场景某区域仓的 SKU 需求突然掉了 30%时序模型给出的预测依然平滑因为它只看这条 SKU 自己的历史。但真实原因是上游两家供应商同时延期导致整条链路缺货下游门店被动减少了订单。这种跨实体的连锁反应单条时间序列里根本看不到。供应链本质上是一张图工厂、仓库、承运商、门店、SKU、订单都是节点运输、供货、替代、共仓是边。需求预测和风险评估这两个任务共享同一张图结构却长期被拆成两套系统分别做。多任务 GNN 的价值就在于用一套图表示同时喂给两个头让风险信号反过来修正需求预测让需求波动反过来提示风险等级。这套方案适合已经有一定数据基础、SKU 数量在几千到几十万、且存在明显上下游依赖关系的团队。如果只有几十个 SKU、没有拓扑信息用 LightGBM 加人工特征反而更划算。下面按「图怎么建 → 模型怎么搭 → 怎么训 → 怎么排错 → 怎么上线」推一遍。2. 供应链图构建与多任务 GNN 的建模选型2.1 节点、边与特征的工程化定义供应链图不是天然存在的需要从业务表里抽出来。常见做法是定义四类节点SKU、仓库/工厂、承运商、区域。边分三种SKU 与仓库的「库存关系」、仓库与仓库的「调拨关系」、SKU 与 SKU 的「替代/共现关系」。节点特征要区分静态和动态。静态如 SKU 品类、仓库容量等级动态如近 7 天出库量、在途库存、延期订单数。动态特征按天滚动作为时序输入。import torch from torch_geometric.data import HeteroData data HeteroData() # 节点特征SKU 用 [品类onehot, 近7天均值, 波动率] data[sku].x torch.randn(num_sku, 32) # 仓库特征[容量等级, 当前利用率, 日均出库] data[warehouse].x torch.randn(num_wh, 16) # 边SKU 存放在仓库 (sku_id, wh_id) data[sku, stored_in, warehouse].edge_index torch.tensor(stored_edge, dtypetorch.long) # 仓库间调拨 data[warehouse, transfer, warehouse].edge_index torch.tensor(transfer_edge, dtypetorch.long) # SKU 替代关系 data[sku, substitute, sku].edge_index torch.tensor(sub_edge, dtypetorch.long)这段代码用 PyG 的HeteroData建异构图。edge_index是 2×E 的 LongTensor第一行是源节点索引第二行是目标节点索引。注意索引必须在各自节点类型内连续跨类型不能混用全局 ID否则消息传递会串。2.2 为什么选异构图而不是同构图把 SKU 和仓库压成同一种节点会丢失类型语义SKU 之间的替代关系和仓库之间的调拨关系聚合方式应该不同。异构图允许每种边类型有独立的权重矩阵这是多任务共享表示的前提。方案表达能力实现成本适用规模同构图 GCN弱类型混淆低SKU 500异构图 RGCN强边类型独立中500 ~ 10万异构图 HGT最强带注意力高 10万我一般从 RGCN 起步边类型在 10 种以内时性价比最高。HGT 的注意力在节点数上万后显存吃紧需要邻居采样。2.3 多任务头的设计共享底层 任务专属上层底层用两层 RGCN 做消息传递输出每个节点的嵌入。需求预测头接一个回归 MLP输出未来 7 天需求量风险评估头接一个分类 MLP输出延期/缺货概率。from torch_geometric.nn import RGCNConv class MultiTaskGNN(torch.nn.Module): def __init__(self, hidden64, num_relations3): super().__init__() self.conv1 RGCNConv(-1, hidden, num_relations) self.conv2 RGCNConv(hidden, hidden, num_relations) # 需求预测头回归 self.head_demand torch.nn.Sequential( torch.nn.Linear(hidden, 32), torch.nn.ReLU(), torch.nn.Linear(32, 7)) # 风险评估头二分类 self.head_risk torch.nn.Sequential( torch.nn.Linear(hidden, 32), torch.nn.ReLU(), torch.nn.Linear(32, 1)) def forward(self, x, edge_index, edge_type): h self.conv1(x, edge_index, edge_type).relu() h self.conv2(h, edge_index, edge_type).relu() return self.head_demand(h), self.head_risk(h)RGCNConv的第一个参数-1表示输入维度自适应。num_relations必须等于边类型总数否则edge_type越界会直接报错。两个头共享h梯度会同时回传到底层这是多任务能互相增益的关键。注意两个任务的损失量级差异很大回归的 MSE 常在几百分类的 BCE 在 0.1 量级。直接相加会让底层被回归任务主导必须做损失加权。3. 多任务 GNN 的训练流程与损失加权实操3.1 数据切分与避免时序泄漏供应链数据是时序的不能随机切分。常见做法是按时间切前 8 个月训练第 9 个月验证第 10 个月测试。图结构也要按时间点构建不能用未来边。def build_graph_at(date, orders_df, inventory_df): # 只取 date 之前的数据建图避免未来信息泄漏 hist orders_df[orders_df[date] date] inv inventory_df[inventory_df[date] date] # ... 构建节点特征和边 return datadate是切分点所有特征和边都严格早于它。这一步做错离线指标会虚高 20% 以上上线后直接崩。3.2 损失函数加权求和与不确定性加权最直接的是固定权重loss 1.0 * mse 5.0 * bce。但权重需要调。更稳的是用 Kendall 的不确定性加权让模型自己学任务权重。class UncertaintyWeighting(torch.nn.Module): def __init__(self): super().__init__() # log(sigma^2)可学习参数 self.log_var_demand torch.nn.Parameter(torch.zeros(1)) self.log_var_risk torch.nn.Parameter(torch.zeros(1)) def forward(self, loss_demand, loss_risk): # 精度 1/sigma^2 exp(-log_var) w_d torch.exp(-self.log_var_demand) w_r torch.exp(-self.log_var_risk) return w_d * loss_demand self.log_var_demand \ w_r * loss_risk self.log_var_risklog_var越大表示该任务不确定性越高权重越小。 log_var是正则项防止模型把所有任务权重压到 0。这个技巧在多任务 GNN 里比手调权重省事但初期收敛慢建议先用固定权重跑通再换。3.3 训练循环与关键超参model MultiTaskGNN(hidden64, num_relations3) opt torch.optim.Adam(model.parameters(), lr1e-3, weight_decay5e-4) sched torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max50) for epoch in range(50): model.train() opt.zero_grad() pred_d, pred_r model(data.x, data.edge_index, data.edge_type) loss_d torch.nn.functional.mse_loss(pred_d[train_mask], y_demand[train_mask]) loss_r torch.nn.functional.binary_cross_entropy_with_logits( pred_r[train_mask].squeeze(), y_risk[train_mask]) loss 1.0 * loss_d 5.0 * loss_r loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) opt.step() sched.step()weight_decay5e-4对 GNN 很重要图卷积层容易过拟合。clip_grad_norm_的max_norm5.0防止梯度爆炸异构图里度数高的节点容易产生大梯度。CosineAnnealingLR的T_max设成总 epoch 数让学习率平滑降到接近 0。超参推荐值调整方向hidden64 / 128节点数 5万用 128lr1e-3不收敛降到 5e-4weight_decay5e-4过拟合加到 1e-3损失权重比1:5按验证集 F1 微调层数2超过 3 层易过平滑3.4 评估指标两个任务分开看需求预测看 WAPE加权绝对百分比误差比 MAPE 对低销量 SKU 更稳。风险评估看 PR-AUC因为延期样本通常只占 5% 以下ROC-AUC 会虚高。def wape(y_true, y_pred): return (y_true - y_pred).abs().sum() / y_true.abs().sum() from sklearn.metrics import average_precision_score pr_auc average_precision_score(y_risk_val, pred_r_val)WAPE 低于 0.25 算可用PR-AUC 要对比基线比如只用历史延期率的逻辑回归提升不到 5 个点说明图结构没带来增量。4. 供应链 GNN 的常见坑与排错路径4.1 过平滑层数一多节点嵌入全变成一个样GNN 层数超过 3 层后所有节点嵌入的余弦相似度会趋近 1预测退化成常数。判断方法打印每层输出的节点嵌入方差如果第 3 层方差不到第 1 层的 10%就是过平滑。常见解法有三种一是残差连接把第 1 层输出加到第 3 层二是用JumpingKnowledge把各层输出拼接三是直接减层。我一般先减到 2 层不够再加残差。# 残差连接示例 h1 self.conv1(x, edge_index, edge_type).relu() h2 self.conv2(h1, edge_index, edge_type).relu() h h1 h2 # 残差4.2 邻居爆炸高度数节点拖垮显存一个中心仓可能连接上万个 SKU消息传递时聚合操作显存暴涨。PyG 提供NeighborLoader做邻居采样。from torch_geometric.loader import NeighborLoader loader NeighborLoader( data, num_neighbors[10, 5], batch_size512, input_nodes(sku, train_mask))num_neighbors[10, 5]表示第一层采 10 个邻居第二层每个再采 5 个。采样会引入方差训练时多跑几个 epoch 平均。注意input_nodes要指定节点类型异构图里不指定会报错。4.3 任务冲突一个任务涨另一个跌多任务训练中需求预测 WAPE 下降但风险 PR-AUC 也下降说明两个任务在底层表示上打架。排查步骤先单独训每个任务记录各自最优指标再联合训看差距。如果联合训比单任务差超过 10%考虑用 GradNorm 或 PCGrad 做梯度手术。注意任务冲突在供应链场景很常见因为需求平稳期风险信号本来就弱。不要强行让两个任务都涨允许风险头在需求平稳期指标略降。4.4 新 SKU 冷启动图里没有历史边新品 SKU 没有历史出库节点特征是空的。常见做法是用同类目 SKU 的嵌入均值初始化并在损失里对新品样本加权。# 用同类目均值初始化新品嵌入 new_sku_emb category_emb_mean[new_sku_category] data[sku].x[new_sku_idx] new_sku_emb这个做法在 SKU 生命周期前 2 周能降低 WAPE 约 8%之后随真实数据积累逐步替换。5. 从离线到上线多任务 GNN 的增量推理与监控技巧离线训好的模型上线后图结构每天在变新订单、新调拨、库存更新。全量重训成本高常见做法是增量推理加周期性微调。增量推理只更新受影响的节点嵌入。比如某仓库新增一批 SKU只需重算该仓库及其一跳邻居的嵌入其余缓存复用。实现上维护一个节点嵌入缓存每天用新图跑一次前向只对变化节点做消息传递。torch.no_grad() def incremental_infer(model, data, changed_nodes): model.eval() # 只对变化节点及其邻居做前向 sub_nodes get_k_hop_neighbors(data, changed_nodes, k1) sub_data data.subgraph(sub_nodes) pred_d, pred_r model(sub_data.x, sub_data.edge_index, sub_data.edge_type) # 写回缓存 emb_cache[sub_nodes] pred_d return pred_d, pred_rget_k_hop_neighbors用torch_geometric.utils.k_hop_subgraph实现。k1是精度和速度的折中k 越大越准但越慢。变化节点占比低于 5% 时增量推理比全量快 10 倍以上。监控要盯三个指标一是嵌入漂移用 PSI 衡量当天嵌入分布和训练分布的差异PSI 0.2 触发告警二是预测偏差按仓库分组算 WAPE某仓库连续 3 天超阈值就单独排查三是风险头校准把预测概率分桶看实际延期率和预测概率是否对齐偏差大说明分布漂移。微调频率建议每周一次用最近 4 周数据学习率降到 1e-4只训 5 个 epoch。全量重训每月一次防止图结构累积漂移。上线初期先影子模式跑两周对比线上规则引擎的决策确认无系统性偏差再切流量。本文还有配套的精品资源点击获取