1   復習：三階段訓練流程

在上一期里，藉由< 用戶、食材和食譜> 三位一體的多層次關聯(lián)來建立知識圖(KG：Knowledge Graph)。其基于不同食材在各種食譜中的組合方式，構建食材與食材之間的關系圖。并且通過用戶的偏好和歷史選擇，建立用戶與食材的關聯(lián)。然后整合用戶、食材和食譜的多層次信息，對用戶分群來更加準確了解用戶的潛在需求，不僅能提供個性化的食材推薦，還可以獲得食譜的創(chuàng)新建議。

這項創(chuàng)新能力，是透過反事實GCN 的引入讓模型具備了探索和創(chuàng)新的能力，不僅能推薦用戶熟悉的食材組合，還能引導用戶嘗試全新的食譜搭配。其食譜的生成不僅基于歷史數(shù)據(jù)，還基于潛在的創(chuàng)新可能性，讓餐飲業(yè)的推薦系統(tǒng)從“需求驅動”到“創(chuàng)造驅動”的轉變。這意味著，它既能滿足用戶的當前需求，還能探索和創(chuàng)造新的飲食體驗，來提高用戶的滿意度。

在上一期的文章裡，也詳細說明了?；渡鲜龅腒G 體系，能透過三個階段( 或步驟) 的流程，擅加運用AI 模型來探索出潛在性連結，即稱為：反事實連結(CF Link)。這三階段是：

階段-1：訓練GCN獲取原始的食材嵌入(Embedding)，通過食材圖的關系學習每個食材的特征表示。

階段-2：基于用戶喜愛的食材關系，構建GCN，生成新的用戶- 食材潛在連結（CF Links）。

階段-3：利用反事實連結為目標，通過反事實GCN 生成新的食材嵌入，構建反事實的食材知識圖。

其中各階段都有明確的任務，且各階段之間的嵌入特征和鏈接生成能夠自然銜接，充分體現(xiàn)出從基礎推薦到反事實分析的流暢順序。經(jīng)由這三階段流程，可生成反事實食材組合的知識圖，然後將所生成的反事實食材嵌入與原始食材嵌入進行對比，就能結合多階段的GCN 模型和反事實分析來進行推薦和創(chuàng)新。此外，還可以引入更多的食材屬性（如營養(yǎng)成分、口味特征等）來增強節(jié)點特征，從而提高嵌入的表達能力?？紤]不同的圖卷積模型（如GAT、GraphSAGE 等），以捕獲更復雜的食材、食譜與用戶之優(yōu)質(zhì)關系。

2   進階范例：學習專家的SOP

剛才談到善用知識圖來表達< 用戶、食譜與食材>之關聯(lián)，并善用GCN 模型來探索潛在性鏈接。接下來，就來繼續(xù)擴大這些技術：應用于表達廚師的工作流程( 即SOP)。例如，在< 食譜-- 食材> 的知識圖中，可以增添一項邊順序(Order) 的特征，它用來表示在烹飪過程中該食材的添加順序，來表達餐飲大廚師的烹煮流程知識。

然后，就可以結合反事實嵌入(CF Embedding）來探索創(chuàng)新食譜的邊順序，可以更準確地捕捉到更合理的食材添加順序。通過優(yōu)化順序特征，模型可以推斷出新的食材添加流程，從而生成更具創(chuàng)新性的食譜，還能推薦更合理的烹飪步驟，可能帶來更好的口感，提升用戶的烹飪體驗。

現(xiàn)在請您來觀察下述的范例，其步驟如下：

Step-1：建立GIN 模型，并展開訓練例如，在前面的食譜文件里，還包含了食譜的制作流程(SOP) 的知識。例如：“拉面食譜”: [

{ “name”: [1, “豚骨拉面”],

“ingredients”: [“豬骨”, “醬油”, “大蔥”, “雞蛋”, “拉面”],

“instructions”: “將豬骨煮沸，加入醬油和大蔥，煮至湯頭濃郁，搭配拉面和半熟蛋?！?/p>

}

這里指明了，這< 豚骨拉面> 食譜的制作順序(Order)是：

于是，把上圖里SOP 知識拿來訓練GIN（Graph Isomorphism Networks）模型，并進入機器學習流程。此時，可觀察到學習的過程，GIN 會輸出如下：

很順利地完成訓練GIN 模型了。

Step-2：訓練好了，GIN 進行推論

AI的神奇之處，即是：它能從眾多食譜的制程SOP數(shù)據(jù)中，學習各食材的先后順序關系，然后推論出創(chuàng)新食譜的SOP。例如，Mike 接受AI 的推薦，而決定在< 豚骨拉面> 食譜中，添加< 海苔> 食材。如下圖：

那么，添加之后的新食譜( 如上圖)，其SOP 該如何決定呢？此時，GCN 就能迅速推論出新的SOP，而輸出如下：

于是，得到了新食譜的SOP，如下圖所示：

除了制程SOP 之外，GIN 還可以從食譜中學習更多的知識，烹煮的時間長度等。

3   活用GNN 探索CF_Links， 優(yōu)化企業(yè)決策

從剛才的范例中，您已經(jīng)熟悉了知識圖和GNN 模型的組合搭配，來探索< 用戶、食譜與食材> 之間的潛在關聯(lián)。接著，就能發(fā)揮它的特性，應用于其他商業(yè)領域，活用它來支持企業(yè)高層的決策分析和建議。由于企業(yè)高層常常面臨復雜的決策場景，此時GNN 和反事實分析可以提供強大的因果推理和決策優(yōu)化。

3.1 商業(yè)決策的挑戰(zhàn)與Graph AI的機遇

當我們面對快速變動的市場環(huán)境、客戶需求變化等，企業(yè)高層主管需要能夠及時做出優(yōu)質(zhì)決策。此時，GNN特別適合分析企業(yè)數(shù)據(jù)中的關聯(lián)和因果關系，如供應鏈圖譜、社交網(wǎng)絡圖、產(chǎn)品推薦圖等。其中的CF_Links是一種基于反事實分析的連結推理技術，能夠及時激發(fā)人們的反事實思考。例如，充分思考< 如果這些關系不存在或變更決策，會發(fā)生什么影響和后果呢？ > 等情境。

3.2 活用AI探索CF_Links，提供清晰決策依據(jù)

CF_Links 是反事實推理的一部分，專注于圖結構中的邊或鏈接變化。例如：< 如果企業(yè)選擇中斷與某供貨商的合作，整體業(yè)務會受到怎樣的影響？ >。此時，GNN 能夠捕捉潛在的關聯(lián)性和因果關系，幫助我們理解知識圖中的潛在性連結對預測結果的影響。在許多商業(yè)領域里，都刻可以派上用場。包括：

●   供應鏈優(yōu)化：

使用Graph AI 分析供應鏈圖譜，探討供應鏈效率和風險的可能變化，來幫助企業(yè)高層在選擇供貨商時做出更具前瞻性的決策。

●   客戶關系管理（CRM）：

在社交網(wǎng)絡圖或顧客互動場合中，CF_Links 分析可以模擬企業(yè)對特定客戶的關系中斷或加強，將對企業(yè)產(chǎn)生的可能影響。能有效幫助企業(yè)制定更優(yōu)質(zhì)的營銷策略。

●   風險管理：

在金融財務領域，CF_Links 分析能幫助發(fā)現(xiàn)潛在的欺詐行為，尤其是在復雜的交易網(wǎng)絡中，企業(yè)高層可以根據(jù)這些分析結果，采取更有效的風控策略。

●   其它場合：

利用GNN 分析結果和CF_Links 洞見，企業(yè)人員可以設計出一個可視化決策儀表板，幫助決策者快速了解關鍵指標和可能的決策& 行動方案。并且提供給決策者立即查看反事實分析的結果。

4   結束語

從Graph AI 的反事實推理延伸到決策式AI(Decision-Making AI)，也讓AI 從< 被動分析> 邁向< 主動決策>，這是AI 發(fā)展的重要趨勢之一。將能讓企業(yè)或個人在自動化決策中融入人類專業(yè)知識，形成高效的人機協(xié)作，攜手擬定最優(yōu)質(zhì)的決策。

（本文來源于《EEPW》202412）