在當今社會，食品安全問題如同高懸的達摩克利斯之劍，時刻威脅著人們的健康。隨著生活水平的提高，人們對食品安全的關注度與日俱增。然而，食品安全數據具有高維度、多樣性和非線性等特點，給風險預測帶來了極大的挑戰。傳統的風險預測方法，如基于統計的方法和部分機器學習算法，在處理這些復雜數據時存在諸多不足，像依賴專家經驗導致主觀偏差、無法有效捕捉數據中的復雜關系以及計算成本高等問題。為了突破這些困境，來自浙江大學的研究人員開展了一項關于食品安全風險預測的研究。
研究人員提出了一種上下文增強的異構圖神經網絡（HGNN）框架，旨在實現對食品安全風險的精準預測。該研究成果發表在《Applied Food Research》上，為食品安全監管領域帶來了新的曙光。
在研究過程中，研究人員運用了多種關鍵技術方法。首先，他們利用對比學習的特征選擇技術，結合 ANOVA F 分數、XGBoost 和遞歸特征消除（RFE），自動確定食品摻假物的特征權重。其次，構建了包含食品樣本、生產城市、檢測城市和檢測到的食品摻假物等節點類型的食品安全異構圖，以此整合多維度特征。最后，引入基于元路徑上下文的異構圖神經網絡（MECCH），通過自動發現關系構建上下文感知的元路徑子圖，有效捕捉多跳異質關系 。
下面來看具體的研究結果：

• 數據集處理與風險計算：研究人員使用了浙江大學國際數據分析與管理研究中心編制的食品安全檢測數據集，涵蓋約 260 萬個食品檢測樣本。他們重點分析了 89,202 個不合格樣本，通過嚴格篩選確保數據的可靠性。在風險計算方面，先基于特征選擇計算摻假物權重，再通過多種標準化方法計算食品樣本的風險值。例如，設計了合法性標準化方法，結合摻假物的檢測值和合法閾值計算風險得分，避免了傳統歸一化方法的局限性。
• 模型構建與訓練：構建的食品安全風險預測模型包含食品安全風險評估模塊、食品安全圖表示學習模塊和風險預測器三個主要階段。在模型訓練中，以 80% 的數據為訓練集，10% 為測試集，10% 為驗證集，使用 Adam 優化器進行訓練。通過與傳統機器學習模型（如 XGBoost、隨機森林（RF）、支持向量機（SVM））和其他異構圖神經網絡模型（如 HAN、MAGNN、GTN、HGT）對比，發現 MECCH 模型在多個評估指標上表現優異，如 Macro-F1 達到 0.3024，Micro-F1 達到 0.8544，準確率達到 0.8544 等。
• 實驗驗證與分析：在歸一化對比實驗中，自定義的合法標準化方法在風險值準確性和樣本區分能力上優于非標準化和 Min-Max 標準化方法。通過消融研究發現，基于注意力的融合策略在整合多關系信息方面表現出色，優于簡單平均、MLP-based 融合等其他策略。
  研究結論表明，該研究提出的一系列創新方法有效解決了食品安全風險預測中的關鍵問題。自動分析食品摻假物權重的方法能精準識別關鍵風險因素，為食品生產過程中的原材料篩選和質量控制提供有力的數據支持。異構圖構建方法整合了多源信息，準確捕捉了食品供應鏈中的復雜關系，為風險評估奠定了堅實基礎。而上下文增強的 HGNN 模型在風險預測方面展現出卓越的性能，其評估結果可應用于智能食品采樣、預警系統以及企業質量管理，對提升食品安全監管效率、降低檢測成本具有重要意義。
  不過，該研究也存在一定的局限性。例如，注意力機制在捕捉長距離依賴關系方面存在不足，類不平衡問題也未得到充分解決。未來的研究可以朝著引入更具表現力和可解釋性的圖表示學習框架方向發展，如結合異常檢測機制或模糊聚類方法，以及明確建模監管感知傳播機制，以進一步提升模型在復雜風險場景下的適應性和預測準確性，為食品安全風險控制提供更具價值的見解和技術支持。