利用知识图谱和 ChatGPT 相结合，提出了一种整合自下而上本体论和先进机器学习模型的方法，从结构化和非结构化数据源中发展出制造服务知识图谱，用于解决数字供应链网络中复杂的查询，并具有更好的可靠性和可解释性。

Apr, 2024

通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性，实验证明该方法可在模拟场景中准确定位故障节点，准确率达到 99.53%，此外，图神经网络的特征建模还可定性揭示故障在节点之间的传播情况，提供有价值的故障节点分析洞察。

Nov, 2023

该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

Jan, 2024

本文介绍一种基于图表示学习的方法，可以揭示企业供应链中不为业界所知的潜在依赖关系，从而对于全球汽车供应链网络中的环节预测实现了最先进的表现，为企业和业务管理提供进一步的风险缓解措施。

Jul, 2021

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

建立供应链风险评估模型以有效管理和缓解潜在风险的重要性逐渐增加，本文提出了一种基于层次化的知识可迁移图神经网络的供应链风险评估模型，通过图嵌入方法将供应链网络嵌入到基本产品网络中，解决了数据饥饿问题，实验证明该模型在实际供应链数据集上表现优异。

Nov, 2023

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

在复杂供应链网络中，准确预测供应是具有挑战性的，但通过图形结构化历史数据，需求预测和原始供应计划的注意力机制图神经网络模型可显著提高供应和库存预测准确性，并为优化执行提供供应计划修正。

Apr, 2024

应用图神经网络（GNN）到供应链网络的研究领域是相对缺失的，而本研究提出了一个用于时间任务的真实基准数据集，可以通过图神经网络来解决供应链规划等问题，从而推动供应链分析和规划领域的发展。

Jan, 2024

利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。

Jul, 2023