图神经网络在供应链分析与优化中的应用：概念、视角、数据集和基准测试

图神经网络（GNNs）近年来在交通、生物信息学、语言和图像处理等领域获得了广泛关注，但在供应链管理中的应用研究仍相对有限。供应链本质上具有图的特性，这使得它们非常适合采用GNN方法来优化和解决复杂问题。然而，目前存在的障碍包括缺乏适当的概念基础、对图在供应链管理中的应用不够熟悉，以及缺乏用于基于GNN的供应链研究的真实世界基准数据集。为了解决这些问题，我们讨论并连接了供应链与图结构，以实现有效的GNN应用，提供了详细的公式、示例、数学定义和任务指南。此外，我们还介绍了一个来自孟加拉国领先快速消费品公司（FMCG）的多视角真实世界基准数据集，重点在于供应链规划。我们探讨了使用GNNs进行的各种供应链任务，并在六个供应链分析任务中对同质图和异质图上的几种最新模型进行了基准测试。我们的分析表明，在指定的评估指标上，基于GNN的模型在回归任务中比统计机器学习和其他深度学习模型高出约10-30%，在分类和检测任务中高出约10-30%，在异常检测任务中高出约15-40%。通过这项工作，我们为使用GNN解决供应链问题奠定了基础，并得到了概念讨论、方法论见解和全面数据集的支持。