graph learn

消息

我们的Pytorch的GNN加速库现已可用。 https://github.com/alibaba/graphlearn-for-pytorch

文档

简体中文|英语

Graph-Learn （以前是Aligraph）是一个分布式框架，旨在开发和应用大型图形神经网络。它已成功应用于阿里巴巴内部的许多方案，例如搜索建议，网络安全和知识图。在Graph-Learn 1.0之后，我们在Graph-Learn框架中添加了在线推理服务，提供了一个完整的解决方案，包括培训和推断GNN在实际业务中使用。

• 图形训练

  培训框架支持在批处理图上进行采样，离线或增量GNN模型。

  它为图形采样操作提供了Python和C ++接口，并提供类似Gremlin的GSL（图形采样语言）接口。对于GNN模型，Graph-Learn为模型开发提供了一组范式和过程。它与Tensorflow和Pytorch兼容，并提供数据层，模型层界面和丰富的模型示例。

  细节

• 动态冲突服务

  在线推理服务，支持使用流图更新对动态图上的实时采样。

  它提供了在大规模动态图上在20ms中采样p99潜伏期的性能保证。在线推理服务的客户端提供Java GSL接口和TensorFlow模型预测。

  细节

使用图形学习训练和动态手段服务进行训练和推理。

1. 用户在Web（0）上启动请求，通过客户端（1）在动态图上实时示例，使用样本作为模型输入，并请求从模型服务（3）请求预测结果。
2. 预测结果，反馈和网络上的某些上下文发送到数据中心（0，3），例如日志服务。
3. 数据更新以图形更新（4）流流到动态图服务中。
4. GraphLearnn-Training小时负载图形数据的窗口，增量火车模型以及Tensorflow模型服务上的模型。

引用

如果Graph-Learn可以帮助您的研究，请在您的出版物中引用以下论文。

 @article{zhu2019aligraph,
  title={AliGraph: a comprehensive graph neural network platform},
  author={Zhu, Rong and Zhao, Kun and Yang, Hongxia and Lin, Wei and Zhou, Chang and Ai, Baole and Li, Yong and Zhou, Jingren},
  journal={Proceedings of the VLDB Endowment},
  volume={12},
  number={12},
  pages={2094--2105},
  year={2019},
  publisher={VLDB Endowment}
}

执照

Apache许可证2.0。