[[255980]]

　千呼萬喚始出來！阿里正式公布重磅開源項(xiàng)目——圖深度學(xué)習(xí)框架 Euler。這是國內(nèi)首個在核心業(yè)務(wù)大規(guī)模應(yīng)用后開源的圖深度學(xué)習(xí)框架。此次開源，Euler 內(nèi)置了大量的算法供用戶直接使用，相關(guān)代碼已經(jīng)可在 GitHub 上進(jìn)行下載。

　　圖學(xué)習(xí)和深度學(xué)習(xí)都是人工智能的一個分支，作為阿里巴巴旗下的大數(shù)據(jù)營銷平臺，阿里媽媽創(chuàng)新性地將圖學(xué)習(xí)與深度學(xué)習(xí)進(jìn)行結(jié)合，推出了 Euler，可幫助大幅度提升營銷效率。Euler 已在阿里媽媽核心業(yè)務(wù)場景進(jìn)行了錘煉和驗(yàn)證，同時，在金融、電信、醫(yī)療等涉及到復(fù)雜網(wǎng)絡(luò)分析的場景中也具有很高的應(yīng)用價值。例如，用戶可以利用 Euler 對基于用戶交易等金融數(shù)據(jù)構(gòu)建的復(fù)雜異構(gòu)圖進(jìn)行學(xué)習(xí)與推理，進(jìn)而應(yīng)用于金融反欺詐等場景。

　　下面讓我們一起走進(jìn) Euler 的世界。

　　Euler 開源地址 

　　https://github.com/alibaba/euler

　　1.    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

　　1）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。

　　2）支持復(fù)雜異構(gòu)圖的表征

　　工業(yè)界的圖關(guān)系大都錯綜復(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)。

　　3）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。

　　4）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)層三個層次，可以快速地在高層擴(kuò)展一個圖學(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. 2 Euler 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)到平臺后，可以直接使用。我們內(nèi)置的算法列表見下表。有關(guān)我們內(nèi)部算法的詳細(xì)信息請見 2.3 節(jié)。

　　2.   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層次的核心功能。

Figure1 Euler 架構(gòu) Overview

　　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，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架構(gòu)。在圖加載時，整張圖在引擎內(nèi)部被切分為多個子圖，每個計(jì)算節(jié)點(diǎn)被分配 1 個或幾個子圖進(jìn)行加載。

• 為了充分利用各個計(jì)算節(jié)點(diǎn)的能力，在進(jìn)行圖的操作時，頂層操作被分解為多個對子圖的操作由各個節(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?；谶@個 API，我們可以方便的基于某個深度學(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 mini-batch 與 Euler 交互，動態(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)部的三個創(chuàng)新算法，相關(guān)論文的鏈接我們會在 github 上給出。

• 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 的模型會引入巨大的計(jì)算量，導(dǎo)致模型的訓(xùn)練時間不可接受。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。

　　3.   應(yīng)用實(shí)例

　　Euler 平臺已經(jīng)在阿里媽媽搜索廣告的多個場景下廣泛實(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。具體圖 3 展示了樣本構(gòu)造和網(wǎng)絡(luò)結(jié)構(gòu)示意。

Figure2 DeepMatch 召回框架

Figure 3 離線訓(xùn)練流程