用图神经网络(GNN)去算零售促销额

很多零售商的促销策略基本靠拍脑袋，结果就是典型的“无效打折”，钱花了销量没涨，或者涨了销量但利润被吃光了。其实核心问题在于商品之间有极强的关联性（比如买了可乐大概率买薯片），传统的表格数据模型很难把这种复杂的拓扑关系量化。

Promograph这套方案的核心就是把商品和促销活动直接建模成图结构。节点是商品，边是关联权重，然后用GNN去捕捉那些隐藏的协同效应。

简单来说，它的逻辑是：

• 节点特征： 商品类目、历史价格、季节性权重。
• 边关系： 共同购买频率、替代关系（买A不买B）。
• 预测目标： 某种促销组合下，对整体客单价的真实拉动，而不是单一商品的销量。

如果想在自己的业务里实操，建议先用 PyTorch Geometric (PyG) 搭建基础图结构。一个简单的节点定义大概长这样：

import torch
from torch_geometric.data import Data

# x: 商品特征 (价格, 类目编码)
# edge_index: 商品间的关联关系 (共现矩阵)
x = torch.tensor([[-1.2, 0.5], [0.8, -0.1], [0.1, 2.3]], dtype=torch.float)
edge_index = torch.tensor([[0, 1, 1, 2], 
                           [1, 0, 2, 1]], dtype=torch.long)

data = Data(x=x, edge_index=edge_index)

这种方法最硬核的地方在于它能识别出“诱饵商品”，即某些商品打折不是为了卖它自己，而是为了带动高毛利产品的销售。比起死磕提示词或者简单的线性预测，这种基于图结构的AI Agent工作流在供应链优化上确实更有实战价值。