阿里開源大規(guī)模分布式圖學(xué)習(xí)框架：專為Graph嵌入，無縫對接TF/PyTorch

阿里媽媽開源大規(guī)模分布式圖表征學(xué)習(xí)框架Euler，面向工業(yè)級(jí)用戶和高級(jí)研究者，結(jié)合TF/XDL/PyTorch等深度學(xué)習(xí)基礎(chǔ)工具，支持超大規(guī)模復(fù)雜異構(gòu)圖的模型訓(xùn)練。

阿里媽媽宣布開源大規(guī)模分布式的圖表示學(xué)習(xí)框架Euler，Euler內(nèi)置DeepWalk、Node2Vec等業(yè)界常見的Graph Embedding算法，以及3種阿里媽媽自研創(chuàng)新算法，可以支持?jǐn)?shù)十億點(diǎn)和數(shù)百億邊的復(fù)雜異構(gòu)圖上進(jìn)行模型訓(xùn)練。

日前，Euler開源框架開發(fā)團(tuán)隊(duì)的幾位成員接受了新智元的采訪。

在采訪中，他們對Euler框架與現(xiàn)在流行的TensorFlow和PyTorch框架的一些區(qū)別做了闡述，比如“圖”這一概念在定義和指代對象上的區(qū)別。并指出了Euler框架主要面向的兩類目標(biāo)用戶。

需要指出，在TensorFlow和PyTorch中，圖(graph)指的是把程序執(zhí)行流程分解成為一個(gè)有向無環(huán)圖，圖中每個(gè)節(jié)點(diǎn)代表一個(gè)需要執(zhí)行的操作，邊代表各個(gè)操作的依賴關(guān)系。

在Euler中，圖(graph)指的是用戶的業(yè)務(wù)數(shù)據(jù)可以表達(dá)成復(fù)雜的異構(gòu)圖，用戶希望基于圖進(jìn)行Graph Embedding，并進(jìn)一步進(jìn)行節(jié)點(diǎn)分類，邊預(yù)測，圖分類等任務(wù)。

Euler針對兩類用戶：

擁有海量復(fù)雜工業(yè)級(jí)圖數(shù)據(jù)的用戶，用Euler可以快速訓(xùn)練，拿到業(yè)務(wù)效果。

屬于高?；蛘咂髽I(yè)里邊的研究實(shí)驗(yàn)室用戶，他們利用Euler靈活的圖操作算子可以快速進(jìn)行算法創(chuàng)新與定制。

概述

過去幾年隨著數(shù)據(jù)規(guī)模和硬件計(jì)算力的迅速增長，深度學(xué)習(xí)技術(shù)在工業(yè)界被廣泛應(yīng)用并產(chǎn)生了巨大的技術(shù)紅利。當(dāng)前應(yīng)用已經(jīng)相對成熟，下一步的技術(shù)紅利在哪里還在積極探索之中。圖神經(jīng)網(wǎng)絡(luò)將端到端學(xué)習(xí)與歸納推理相結(jié)合，有望解決深度學(xué)習(xí)無法處理的關(guān)系推理、可解釋性等一系列問題。

對結(jié)構(gòu)知識(shí)的表達(dá)、計(jì)算和組合泛化是實(shí)現(xiàn)具備human-like AI的關(guān)鍵，圖神經(jīng)網(wǎng)絡(luò)有希望在這些方面形成突破，使得機(jī)器能力進(jìn)一步提升，因此對圖神經(jīng)網(wǎng)絡(luò)的深入應(yīng)用有希望形成下一波技術(shù)紅利。

圖(Graph)作為表達(dá)能力很強(qiáng)的通用的數(shù)據(jù)結(jié)構(gòu)，可以用來刻畫現(xiàn)實(shí)世界中的很多問題，例如社交場景的用戶網(wǎng)絡(luò)、電商場景的用戶和商品網(wǎng)絡(luò)、電信場景的通信網(wǎng)絡(luò)、金融場景的交易網(wǎng)絡(luò)和醫(yī)療場景的藥物分子網(wǎng)絡(luò)等等。相比文本、語音和圖像領(lǐng)域的數(shù)據(jù)比較容易處理成歐式空間的Grid-like類型，適合現(xiàn)有的深度學(xué)習(xí)模型處理，圖是一種非歐空間下的數(shù)據(jù)，并不能直接應(yīng)用現(xiàn)有方法，需要專門設(shè)計(jì)的圖神經(jīng)網(wǎng)絡(luò)系統(tǒng)。

1.1Euler的核心能力

大規(guī)模圖的分布式學(xué)習(xí)

工業(yè)界的圖往往具有數(shù)十億節(jié)點(diǎn)和數(shù)百億邊，有些場景甚至可以到數(shù)百億節(jié)點(diǎn)和數(shù)千億邊，在這樣規(guī)模的圖上單機(jī)訓(xùn)練是不可行的。Euler支持圖分割和高效穩(wěn)定的分布式訓(xùn)練，可以輕松支撐數(shù)十億點(diǎn)、數(shù)百億邊的計(jì)算規(guī)模。

支持復(fù)雜異構(gòu)圖的表征

工業(yè)界的圖關(guān)系大都錯(cuò)綜復(fù)雜，體現(xiàn)在節(jié)點(diǎn)異構(gòu)、邊關(guān)系異構(gòu)，另外節(jié)點(diǎn)和邊上可能有非常豐富的屬性，這使得一些常見的圖神經(jīng)網(wǎng)絡(luò)很難學(xué)到有效的表達(dá)。Euler在圖結(jié)構(gòu)存儲(chǔ)和圖計(jì)算的抽象上均良好的支持異構(gòu)點(diǎn)、異構(gòu)邊類型的操作，并支持豐富的異構(gòu)屬性，可以很容易的在圖學(xué)習(xí)算法中進(jìn)行異構(gòu)圖的表征學(xué)習(xí)。

圖學(xué)習(xí)與深度學(xué)習(xí)的結(jié)合

工業(yè)界有很多經(jīng)典場景，例如搜索／推薦／廣告場景，傳統(tǒng)的深度學(xué)習(xí)方法有不錯(cuò)效果，如何把圖學(xué)習(xí)和傳統(tǒng)方法結(jié)合起來，進(jìn)一步提升模型能力是很值得探索的。Euler支持基于深度學(xué)習(xí)樣本的mini-batch訓(xùn)練，把圖表征直接輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中聯(lián)合訓(xùn)練。

分層抽象與靈活擴(kuò)展

Euler系統(tǒng)抽象為圖引擎層、圖操作算子層、算法實(shí)現(xiàn)層三個(gè)層次，可以快速的在高層擴(kuò)展一個(gè)圖學(xué)習(xí)算法。實(shí)際上，Euler也內(nèi)置了大量的算法實(shí)現(xiàn)供大家直接使用。

1.2Euler內(nèi)置的算法實(shí)現(xiàn)

考慮到框架的易用性，我們內(nèi)置了多種知名算法以及幾種我們內(nèi)部的創(chuàng)新算法。所有實(shí)現(xiàn)，我們仔細(xì)進(jìn)行了測試，保證了算法運(yùn)行效率，且算法效果與原論文對齊。用戶無需進(jìn)行開發(fā)，注入數(shù)據(jù)到平臺(tái)后，可以直接使用。我們內(nèi)置的算法列表見下表。鑒于公開算法知名度很高，我們不做出詳細(xì)描述，請參見原始論文。有關(guān)我們內(nèi)部算法的詳細(xì)信息請見2.3節(jié)。

系統(tǒng)設(shè)計(jì)

Euler系統(tǒng)整體可以分為三層：最底層的分布式圖引擎，中間層圖語義的算子，高層的圖表示學(xué)習(xí)算法。

下邊我們分開描述各個(gè)層次的核心功能。

圖1 Euler架構(gòu)總覽

2.1分布式圖引擎

為了支持我們的業(yè)務(wù)，我們不僅面臨超大規(guī)模圖存儲(chǔ)與計(jì)算的挑戰(zhàn)，還需要處理由多種不同類型的點(diǎn)，邊及其屬性構(gòu)成異構(gòu)圖的復(fù)雜性。我們的分布式圖引擎針對海量圖存儲(chǔ)，分布式并行圖計(jì)算及異構(gòu)圖進(jìn)行了優(yōu)化設(shè)計(jì)，確保了工業(yè)場景下的有效應(yīng)用。

首先為了存儲(chǔ)超大規(guī)模圖（數(shù)十億點(diǎn)，數(shù)百億邊），Euler必須突破單機(jī)的限制，從而采用了分布式的存儲(chǔ)架構(gòu)。在圖加載時(shí)，整張圖在引擎內(nèi)部被切分為多個(gè)子圖，每個(gè)計(jì)算節(jié)點(diǎn)被分配1個(gè)或幾個(gè)子圖進(jìn)行加載。

為了充分利用各個(gè)計(jì)算節(jié)點(diǎn)的能力，在進(jìn)行圖的操作時(shí)，頂層操作被分解為多個(gè)對子圖的操作由各個(gè)節(jié)點(diǎn)并行執(zhí)行。這樣隨著更多節(jié)點(diǎn)的加入，我們可以得到更好的服務(wù)能力。其次，我們引入了多replica的支持。從而用戶可以靈活平衡shard與replica的數(shù)量，取得更佳的服務(wù)能力。最后，我們針對圖表示學(xué)習(xí)優(yōu)化了底層的圖存儲(chǔ)數(shù)據(jù)結(jié)構(gòu)與操作算法，單機(jī)的圖操作性能獲得了數(shù)倍的提升。

多種不同類型的邊，點(diǎn)與屬性所組成的異構(gòu)圖，對很多復(fù)雜的業(yè)務(wù)場景必不可少。為了支持異構(gòu)圖計(jì)算能力，底層存儲(chǔ)按照不同的節(jié)點(diǎn)與邊的類型分別組織。這樣我們可以高效支持異構(gòu)的圖操作。

2.2中間圖操作算子

由于圖學(xué)習(xí)算法的多樣性以及業(yè)務(wù)的復(fù)雜性，固定的某幾種甚至幾十種算法實(shí)現(xiàn)無法滿足客戶的所有需求。所以在Euler設(shè)計(jì)中，我們圍繞底層系統(tǒng)的核心能力著重設(shè)計(jì)了靈活強(qiáng)大的圖操作算子，且所有算子均支持異構(gòu)圖操作語義。用戶可以利用它來快速搭建自己的算法變體，滿足獨(dú)特的業(yè)務(wù)需求。

首先，Euler分布式圖引擎提供了C++的API來提供所有圖操作。基于這個(gè)API，我們可以方便的基于某個(gè)深度學(xué)習(xí)框架添加圖操作的算子，從而利用Euler C++接口訪問底層圖引擎的能力。我們支持廣泛使用的深度學(xué)習(xí)框架，比如阿里巴巴的X-DeepLearning與流行的TensorFlow。后繼我們也會(huì)考慮支持其它的深度學(xué)習(xí)框架，比如PyTorch。

利用靈活的圖操作算子，機(jī)器學(xué)習(xí)框架可以在每個(gè)mini-batch與Euler交互，動(dòng)態(tài)擴(kuò)充與組織訓(xùn)練樣本。這樣，Euler不僅支持傳統(tǒng)的以圖為中心的學(xué)習(xí)模式，且可以把圖學(xué)習(xí)的能力注入傳統(tǒng)的學(xué)習(xí)任務(wù)，實(shí)現(xiàn)端到端訓(xùn)練。

按照功能分類，我們的核心系統(tǒng)提供的API可以分類如下：

全局帶權(quán)采樣點(diǎn)和邊的能力。主要用于mini-batch樣本的隨機(jī)生成以及Negative Sampling。

基于給定節(jié)點(diǎn)的鄰居操作。這個(gè)是圖計(jì)算的核心能力包括鄰居帶權(quán)采樣，取Top權(quán)重的鄰居等。

點(diǎn)/邊的屬性查找。這個(gè)能力使得算法可以使用更豐富的特征，而不僅限于點(diǎn)/邊的ID特征。

2.3高層算法實(shí)現(xiàn)

如1.2節(jié)所述，除了LINE算法以外，我們實(shí)現(xiàn)的算法可以分為隨機(jī)游走與鄰居匯聚兩大類算法。有關(guān)外部算法的詳細(xì)信息，請參見1.2節(jié)提供的論文鏈接。下面我們詳細(xì)介紹內(nèi)部的三個(gè)創(chuàng)新算法。

Scalable-GCN

它是一種高效的GCN訓(xùn)練算法。GCN以及更一般的Graph Neural Network (GNN)類的方法由于能有效的提取圖結(jié)構(gòu)信息，在許多任務(wù)上均取得了超過以往方法的效果。但是GCN的模型會(huì)引入巨大的計(jì)算量，導(dǎo)致模型的訓(xùn)練時(shí)間不可接受。

Scalable-GCN在保證優(yōu)秀效果的前提下，把mini-batch GCN的計(jì)算復(fù)雜度從層數(shù)的指數(shù)函數(shù)壓到線性。這使得在阿里媽媽的海量數(shù)據(jù)下應(yīng)用三層GCN成為可能，廣告匹配的效果獲得了顯著提升。

LsHNE

LsHNE是我們結(jié)合阿里媽媽搜索廣告場景創(chuàng)新地提出一種無監(jiān)督的大規(guī)模異構(gòu)網(wǎng)絡(luò)embedding學(xué)習(xí)方法。區(qū)別于DeepWalk類算法，LsHNE的特點(diǎn)包括：a) 采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)表達(dá)，可以有效融合Attribute信息；b)考慮embedding表示的距離敏感需求，提出兩個(gè)負(fù)采樣原則：分布一致性原則和弱相關(guān)性原則；c)支持異構(gòu)網(wǎng)絡(luò)。

LasGNN

LasGNN是一種半監(jiān)督的大規(guī)模異構(gòu)圖卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法, 它有效融合了圖結(jié)構(gòu)知識(shí)信息和海量用戶行為信息，大幅提升了模型精度，是工業(yè)界廣告場景下首次應(yīng)用半監(jiān)督圖方法。該方法有多處創(chuàng)新，例如將metapath的思想應(yīng)用于圖卷積網(wǎng)絡(luò)中，并提出了metapathGCN模型，有效解決了異構(gòu)網(wǎng)絡(luò)的卷積問題；提出了metapathSAGE模型，在模型中我們設(shè)計(jì)高效的鄰居采樣的方法，使得大規(guī)模的多層鄰居卷積成為可能。

應(yīng)用實(shí)例

Euler平臺(tái)已經(jīng)在阿里媽媽搜索廣告的多個(gè)場景下廣泛實(shí)用，并取得了出色的業(yè)務(wù)效果，例如檢索匹配場景、CTR預(yù)估場景、營銷工具場景和反作弊場景等。我們以匹配場景的為例來看下Euler的應(yīng)用。

廣告匹配的任務(wù)是給定用戶搜索請求，匹配模塊通過理解用戶意圖，快速準(zhǔn)確地從海量廣告中找到高質(zhì)量的小規(guī)模候選廣告集，輸送給下游的排序模塊進(jìn)行排序。

我們首先使用一些傳統(tǒng)的挖掘算法，從用戶行為日志、內(nèi)容屬性等維度挖掘出Query(查詢詞), Item(商品)和Ad(廣告)的多種關(guān)系，然后利用Euler平臺(tái)的LsHNE方法學(xué)習(xí)圖中節(jié)點(diǎn)的embedding，這里節(jié)點(diǎn)embedding后的空間距離刻畫了原來圖中的關(guān)系，對于在線過來的請求通過計(jì)算用戶查詢詞向量、前置行為中節(jié)點(diǎn)向量和廣告節(jié)點(diǎn)向量之間的距離進(jìn)行高效的向量化最近鄰檢索，可以快速匹配到符合用戶意圖的廣告。圖2展示了LsHNE方法的離線和在線流程。圖3展示了樣本構(gòu)造和網(wǎng)絡(luò)結(jié)構(gòu)示意。

圖2 DeepMatch召回框架

圖3 離線訓(xùn)練流程

開源信息

Euler已在Github開源，開源地址如下：

https://github.com/alibaba/euler

Euler開源框架受訪人信息

李金輝（花名見獨(dú)）

資深技術(shù)專家，阿里媽媽工程平臺(tái)技術(shù)負(fù)責(zé)人

北京理工大學(xué)模式識(shí)別專業(yè)碩士畢業(yè)，現(xiàn)任阿里媽媽-工程平臺(tái)的技術(shù)負(fù)責(zé)人，定義了阿里媽媽最新一代廣告工程平臺(tái)AdOS，過往一直從事廣告和搜索系統(tǒng)架構(gòu)領(lǐng)域的技術(shù)研發(fā)和管理工作，在大數(shù)據(jù)計(jì)算，廣告引擎，搜索引擎和機(jī)器學(xué)習(xí)系統(tǒng)的技術(shù)方向上具備10年以上經(jīng)驗(yàn)，還曾擔(dān)任淘寶搜索引擎的核心架構(gòu)師，阿里云彈性云計(jì)算產(chǎn)品線的產(chǎn)品主管。

朱曉宇 （花名赤空）

阿里媽媽研究員/資深總監(jiān)

負(fù)責(zé)阿里搜索直通車算法與工程技術(shù)，帶領(lǐng)團(tuán)隊(duì)打造中國規(guī)模最大的商業(yè)廣告平臺(tái)，幫助數(shù)百萬電商商家建立數(shù)字化智能化的電商營銷解決方案

張迪（花名樂迪）

資深技術(shù)專家，阿里媽媽大數(shù)據(jù)計(jì)算與機(jī)器學(xué)習(xí)平臺(tái)的工程架構(gòu)負(fù)責(zé)人

2010年上海交大碩士畢業(yè)后加入阿里巴巴，先后參與研發(fā)了淘寶新一代搜索引擎內(nèi)核、神馬搜索大規(guī)模網(wǎng)頁處理系統(tǒng)、阿里媽媽大數(shù)據(jù)與機(jī)器學(xué)習(xí)平臺(tái)?，F(xiàn)在其團(tuán)隊(duì)負(fù)責(zé)阿里媽媽全域數(shù)據(jù)倉庫、離線實(shí)時(shí)數(shù)據(jù)處理、深度學(xué)習(xí)建模等平臺(tái)的研發(fā)建設(shè)，支撐著阿里巴巴搜索廣告、精準(zhǔn)定向廣告、品牌廣告等眾多核心業(yè)務(wù)場景。

林偉（花名楊焜）

阿里巴巴高級(jí)算法專家、阿里媽媽搜索廣告匹配和創(chuàng)意算法負(fù)責(zé)人

2009年北京航空航天大學(xué)碩士畢業(yè)后加入騰訊搜搜，從事搜索研發(fā)。2011年加入阿里巴巴，先后參與阿里推薦算法ETREC、定向廣告大規(guī)模興趣點(diǎn)算法UIT++、搜索廣告近年來一系列創(chuàng)新的匹配算法、Euler圖深度學(xué)習(xí)算法和平臺(tái)等。在WWW、WSDM等頂級(jí)會(huì)議發(fā)表過多篇論文?，F(xiàn)在其團(tuán)隊(duì)負(fù)責(zé)阿里媽媽圖深度學(xué)習(xí)算法、搜索廣告Query分析算法、相關(guān)性算法、匹配算法、創(chuàng)意算法和粗排算法等眾多核心業(yè)務(wù)場景。