[论文解读] Data Considerations in Graph Representation Learning for Supply Chain Networks

Ajmal Aziz, Edward Elson Kosasih+2 more|arXiv (Cornell University)|Jul 22, 2021

Advanced Graph Neural Networks参考文献 26被引用 9

一句话总结

本文提出了一种具有可学习嵌入的异质知识图表示方法，用于供应链网络，采用关系图卷积网络实现多种关系类型下的最先进链接预测性能——在 'makes_product' 关系上的 AUC 达到 0.989，在 'buys_from' 关系上达到 0.877，同时能够检测隐藏依赖关系和伦理风险。

ABSTRACT

Supply chain network data is a valuable asset for businesses wishing to understand their ethical profile, security of supply, and efficiency. Possession of a dataset alone however is not a sufficient enabler of actionable decisions due to incomplete information. In this paper, we present a graph representation learning approach to uncover hidden dependency links that focal companies may not be aware of. To the best of our knowledge, our work is the first to represent a supply chain as a heterogeneous knowledge graph with learnable embeddings. We demonstrate that our representation facilitates state-of-the-art performance on link prediction of a global automotive supply chain network using a relational graph convolutional network. It is anticipated that our method will be directly applicable to businesses wishing to sever links with nefarious entities and mitigate risk of supply failure. More abstractly, it is anticipated that our method will be useful to inform representation learning of supply chain networks for downstream tasks beyond link prediction.

研究动机与目标

• 为解决由于数据不完整和企业行为保密导致的供应链网络扩展部分缺乏可见性的问题。
• 开发一种可学习的异质知识图表示方法，以捕捉超越单一关系类型的各种依赖类型。
• 利用关系图神经网络提升供应链网络的链接预测性能。
• 使企业能够主动识别高风险供应商并减轻供应链中断风险。
• 超越依赖手工设计启发式方法或关系类型有限的同质图的现有方法。

提出的方法

• 作者从供应链数据构建异质知识图，包含多种节点类型（如企业、产品、能力）和关系类型（如 buys_from、makes_product、has_cert）。
• 应用关系图卷积网络（R-GCN）从异质图结构中学习低维、上下文感知的节点嵌入。
• 将链接预测建模为二分类任务，模型对三元组 (u, τ, v) 是否为知识图中真实边的可能性进行评分。
• 通过混淆策略生成负样本——打乱源节点或目标节点或替换关系类型——遵循标准的归纳学习协议。
• 采用交叉验证（70% 训练集，20% 验证集，10% 测试集）进行模型训练，并使用受试者工作特征曲线下面积（AUC）进行评估。
• 该方法实现了端到端、数据驱动的缺失或隐藏供应商关系发现，包括多跳依赖关系。

实验结果

研究问题

• RQ1 与同质图基线相比，具有可学习嵌入的异质知识图表示是否能提升供应链网络中的链接预测性能？
• RQ2 关系图卷积网络在 'buys_from' 关系之外，能在多大程度上检测到多样化的供应链依赖类型？
• RQ3 与现有最先进方法（如 SNLP）相比，该方法在多种关系类型上的 AUC 表现如何？
• RQ4 在复杂供应链网络中，可学习嵌入与手工设计启发式方法对链接预测准确率的影响有何差异？
• RQ5 该框架能否检测到原始采购数据中未捕获的隐藏依赖关系，例如二级或三级供应商关系？

主要发现

• 所提方法在 'makes_product' 关系的测试集上达到 AUC 0.989，显著优于此前最先进方法在 'buys_from' 关系上 0.76 的表现。
• 该模型在多种关系类型上泛化良好，无需在测试集上微调即可实现高 AUC 分数（如 'makes_product' 为 0.989，'buys_from' 为 0.877）。
• 该模型在先前未研究的关系类型上也表现出色，例如 'complimentary_product_to'（测试集 AUC 1.000）和 'capability_produces'（测试集 AUC 1.000）。
• 异质图表示能够检测到先前未知的依赖关系，如间接供应商链接（例如二级或三级供应商），这些在传统数据中不可见。
• 在关系图神经网络框架中使用可学习嵌入相比手工设计启发式基线，性能更优，尤其在复杂、多关系设置中表现突出。
• 该方法在风险缓解方面展现出潜力，使企业能够识别涉及不道德行为或过度依赖单一来源的供应商。