graph learn

消息

我們的Pytorch的GNN加速庫現已可用。 https://github.com/alibaba/graphlearn-for-pytorch

文件

簡體中文|英語

Graph-Learn （以前是Aligraph）是一個分佈式框架，旨在開發和應用大型圖形神經網絡。它已成功應用於阿里巴巴內部的許多方案，例如搜索建議，網絡安全和知識圖。在Graph-Learn 1.0之後，我們在Graph-Learn框架中添加了在線推理服務，提供了一個完整的解決方案，包括培訓和推斷GNN在實際業務中使用。

• 圖形訓練

  培訓框架支持在批處理圖上進行採樣，離線或增量GNN模型。

  它為圖形採樣操作提供了Python和C ++接口，並提供類似Gremlin的GSL（圖形採樣語言）接口。對於GNN模型，Graph-Learn為模型開發提供了一組範式和過程。它與Tensorflow和Pytorch兼容，並提供數據層，模型層界面和豐富的模型示例。

  細節

• 動態衝突服務

  在線推理服務，支持使用流圖更新對動態圖上的實時採樣。

  它提供了在大規模動態圖上在20ms中採樣p99潛伏期的性能保證。在線推理服務的客戶端提供Java GSL接口和TensorFlow模型預測。

  細節

使用圖形學習訓練和動態手段服務進行訓練和推理。

1. 用戶在Web（0）上啟動請求，通過客戶端（1）在動態圖上實時示例，使用樣本作為模型輸入，並請求從模型服務（3）請求預測結果。
2. 預測結果，反饋和網絡上的某些上下文發送到數據中心（0，3），例如日誌服務。
3. 數據更新以圖形更新（4）流流到動態圖服務中。
4. GraphLearnn-Training小時負載圖形數據的窗口，增量火車模型以及Tensorflow模型服務上的模型。

引用

如果Graph-Learn可以幫助您的研究，請在您的出版物中引用以下論文。

 @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}
}

執照

Apache許可證2.0。