百度图学习技术与应用

1. 百度PGL 图学习技术与应用黄正杰百度资深研发工程师

2. 目录 CONTENT 01 图来源与建模 02 PGL 2.2介绍 03 图神经网络技术 04 应用落地

3. 01 图来源与建模

4. 图从哪里来图是描述复杂世界的通用语言 Social Network Molecular Knowledge Graph Recommender System G = (V, E) <latexit sha1_base64="SkKxhkq+rlmNZwpK9BKtGNrXxkc=">AAAB/3icbVDLSgMxFL1TX7W+qi7dBItQQcpMEXQjFER0WcE+oB1KJs20oUlmSDJCGbrwF9zq3p249VPc+iWm7Sy09cCFwzn3ci4niDnTxnW/nNzK6tr6Rn6zsLW9s7tX3D9o6ihRhDZIxCPVDrCmnEnaMMxw2o4VxSLgtBWMrqd+65EqzSL5YMYx9QUeSBYygo2V2rdX5eYZujntFUtuxZ0BLRMvIyXIUO8Vv7v9iCSCSkM41rrjubHxU6wMI5xOCt1E0xiTER7QjqUSC6r9dPbvBJ1YpY/CSNmRBs3U3xcpFlqPRWA3BTZDvehNxX+9QCwkm/DST5mME0MlmQeHCUcmQtMyUJ8pSgwfW4KJYvZ3RIZYYWJsZQVbirdYwTJpViueW/Huz0u1clZPHo7gGMrgwQXU4A7q0AACHJ7hBV6dJ+fNeXc+5qs5J7s5hD9wPn8AH3mVEg==</latexit>

5. 图神经网络的发展趋势 From Spectral-based to Spatial-based 2014 2015 2016 Spectral-Based Spectral-Based Fourier Transform 2017 2018 Spatial-Based Spatial-based Inverse Fourier Transform Frequency Doamin Transform 2D Convolution v.s. Graph Convolution

6. 基于空间Spatial的图神经网络 How to represent a node? How to represent a graph? • Neighbor Aggregation • Node Aggregation Pooling (Sum/Mean/Max )

7. 消息传递图神经网络目前大部分主流的图神经网络都可以描述成消息传递的形式 (Message Passing) Send Message w w w w w w w w Recv. Message w w w w Mean Mean w

8. 02 PGL 2.2介绍

9. Paddle Graph Learning Github: https://github.com/PaddlePaddle/PGL API 文档地址： https://pgl.readthedocs.io/en/latest/ 应用场景模型仓库推荐系统搜索引擎游走类模型智慧金融智能地图消息传递类模型同构图网络接口安全风控生物医药知识嵌入类模型异构网络接口编程接口消息传递接口工具双擎底层支持图池化接口 CPU图引擎图采样接口 GPU图引擎图切分 | 图存储 | 图采样 | 图游走 | 异构图 | 大规模参数服务器飞桨核心框架

10. PGL：基于Paddle 2.0动态图提升易用性 ① 定义图 ② 消息接收：如何把消息发到目标点 ③ 目标点：如何接收消息 send recv

11. 使用PGL构建一个GAT网络 Step1: Pre-computing weight Step2: Compute alpha and send feature. Step3: Recv message by softmax weighted sum

12. 如何训练一个GNN 根据图的规模，选择适用的训练方案小图规模 • FullBatch 训练 • 图规模<GPU显存

13. 小规模FullBatch训练 FullBatch Training • 输入整张图或者大的图分片，输出所有的点 • 可以跑较深的GNN • 中小型数据集: Cora, Pubmed, Citeseer, ogbn-arxiv 图来源于《Training Graph Neural Networks with 1000 Layers，ICML 2021》

14. 如何训练一个GNN 根据图的规模，选择适用的训练方案小图规模中图规模 • FullBatch 训练 • Partition训练 • 图规模<GPU显存 • 图规模总量<多GPU显存

15. DistGPUGraph: Graph Sharding降低显存峰值 Graph Partition 单GPU FullBatch训练降低显存峰值 GPU Memory: O(Eh) edge function

16. DistGPUGraph: Graph Sharding降低显存峰值单GPU FullBatch训练降低显存峰值 GPU Memory: O(Eh) 多GPU FullBatch训练 GPU Memory: O(Eh/ngpu) edge function edge function edge function 通过NCCL同步节点特征

17. DistGPUGraph: Graph Sharding降低显存峰值 TransformerConv on ogbn-arxiv Graph -> DistGPUGraph: 一行代码实现图分片训练 Peak GPU Memory 40 30 20 10 0 1 2 4 8 GPU卡数 Automatically GPU Sharding Seconds per 100 Epoch 800 600 400 200 0 1 2 4 GPU卡数 8

18. 如何训练一个GNN 根据图的规模，选择适用的训练方案小图规模中图规模大图规模 • FullBatch 训练 • Partition训练 • MiniBatch训练 • 图规模<GPU显存 • 图规模总量<多GPU显存 • 图采样 • 图规模<CPU内存

19. FullBatch vs MiniBatch采样方式训练 FullBatch/Partition Training Neighborhood Sampling Training • 输入整张图或者大的图分片，输出所有的点 • 更像传统的Mini-Batch训练方式 • 可以跑较深的GNN • 邻居数目指数上升，模型深度受邻居采样量限制 • 中小型数据集: Cora, Pubmed, Citeseer, • 巨型数据集: ogbn-products, ogbn-papers100m ogbn-arxiv

20. GNNAutoScale：通过History Embedding实现深度GNN History Embedding机制 Push Pull Compute Compute Compute • 采用History Embedding中间隐态 CPU 缓存技术存储邻居，减少显存占用，从而可实现 GNN 深度扩展。 • 训练过程中，需要聚合邻居时从History Embedding拉取邻居信息(Pull)，更新节点时将相应内容推送至History Embedding(Push)，保证History Embedding不过时。 CUDA Stream 异步读写 • I/O I/O 通过异步 CUDA Stream，实现模型计算和 IO 操作的并行化，减少从 History Embedding拉取或推送Embedding的整体用时。 𝑡 ! Matthias Fey, Jan E. Lenssen, Frank Weichert, Jure Leskovec: GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings (ICML 2021)

21. GNNAutoScale：通过History Embedding实现深度GNN PGL v2.2已集成GNNAutoScale Push Pull

22. 如何训练一个GNN 根据图的规模，选择适用的训练方案小图规模中图规模大图规模巨图规模 • FullBatch 训练 • Partition训练 • MiniBatch训练 • MiniBatch训练 • 图规模<GPU显存 • 图规模总量<多GPU显存 • 图采样 • 分布式图存储&采样 • 图规模<CPU内存

23. PGL 易用分布式图引擎接口 Graph Engine Graph Sharding 一键部署 l 在MPI以及K8S集群上通过pgl launch接口一键部署 l 按类型邻居采样 l 节点遍历 Servers Clients

24. 大规模训练范式 • 满足超大规模节点 Embedding需求 • • Graph Embedding Graph Neural Network • 解决数据Feed与训练速度差瓶颈 • 大规模分布式图引擎

25. 03 图神经网络技术

26. 节点分类任务一般机器学习场景图网络场景数据之间相互独立样本之间相互关联训练预测训练预测标签数据半监督节点分类

27. 节点分类任务图网络场景标签传播 LPA • 只考虑链接关系，标签间的关系邻居标签样本之间相互关联训练自身标签预测特征传播 GCN • 只考虑特征与链接关系半监督节点分类自身特征邻居特征自身标签

28. UniMP：融合标签与特征传播有趣的发现 • 训练集很难达到99%准确率 • 数据有噪声，缺乏过拟合能力 Motivation • 显式地把训练Label使用 • 避免训练标签泄漏 Shi, Yunsheng, et al. “Masked label prediction: Unified message passing model for semi-supervised classification.”, IJCAI 2021

29. UniMP：融合标签与特征传播通过标签传播与特征传播的融合取得大幅度的效果提升 Shi, Yunsheng, et al. “Masked label prediction: Unified message passing model for semi-supervised classification.”, IJCAI 2021

30. R-UniMP: KDDCup 21 MAG240M冠军方案图规模 • 论文: 121M, 768维特征(200G) • 作者: 122M • 引用关系: 1.3B Relation-wise 邻居采样 • 按照节点的类型，进行独立邻居采样 Relation-wise 批归一化 ( BatchNorm) • 对于不同节点与类型，独立Batch统计量 Relation-wise Attention注意力 • 通过注意力机制聚合不同来源的节点特征

31. Link Prediction目前与GNN结合的局限性 Tail Head Tail Head Tail Tail Head Head GNN + Link Prediction瓶颈 • GNN深度与采样相关 • 训练复杂度与邻居量相关 O(Neighbors * Training Samples)

32. Relation-based Embedding Propagation 根据不同的Score Function进行特征传播

33. Relation-based Embedding Propagation REP的特征传播算法效率高所有的算法叠加REP基本都有提升通过REP算法能够加速不同的知识表示模型收敛

34. KDDCup 21 Wiki90M冠军方案 Relation-based Embedding Propagation Eg. Geoffrey Hinton / citizen of -> Canada • 数据集: • 实体: 87M, with 768-dim vector • 关系: 504M, with 768-dim vector • 数据划分: 时间 • Sep, 2020 for train • Oct, 2020 for dev • Nov, 2020 for test Graph4KG: 大规模知识表示工具

35. 04 应用落地

36. 图学习算法落地度小满 • 网页质量评估 • 网页反作弊 • 文本检索 • 新闻推荐 • 大V动态推荐 • 直播推荐 • 贴吧推荐 • 内容推荐百度地图 • 地图流量预测 • POI检索 • 风险用户识别有驾App • 异常用户检测 • 异常内容检测 • 商品推荐 • 视频推荐

37. 常用的推荐系统算法如何去衡量相似性 Item-based 协同过滤 User-based 协同过滤按照以前你阅读的内容推荐按照与你同好的人推荐相近内容 • 作者 • 类别 • 人群 • 话题 … 信息流推荐直播推荐相似用户 • 性别 • 年龄 • 社群 • 兴趣 …

38. 常用的推荐系统算法用户物品向量空间图的构造形式点击日志信息流推荐社交关系｜用户行为｜物品关联可以通过距离度量相似度表示学习

39. 图学习技术在推荐系统的应用用户物品向量空间图的构造形式社交关系｜用户行为｜物品关联矩阵分解表示学习可以通过距离度量相似度随机游走+Word2vec 图对比学习

40. 推荐系统的算法组合多样 • 主要的需求：复杂的图结构支持，大规模的实现，快速的实验成本 Graph4Rec工具包：一个工具解决GNN+表示学习问题 Graphs Random Walk Selection Ego-graph Generate GNNs Selection • • • • • • • • • • • • • • • • • • Homogeneous Bipartite Graph Heterogeneous Deepwalk Node2vec Metapath2vec Struc2vec LINE Full Neighborhood Neighborhood Sampling PinSAGE Sampling EdgeDrop Graph Augmentation GCN GraphSAGE GAT R-GNNs LightGCN

41. Graph4Rec工具的特性不同场景以及训练的方式，效果差异大内置丰富的模型组合，降低调研成本

42. Graph4Rec工具的特性大规模稀疏特征Side-info支持 node emb … Id emb slot1 emb slotN emb 自动GNN异构图扩展 GNN R-GNN GNN GNN GNN GNN

43. Graph4Rec工具的特性 GNN推荐系统训练，瓶颈主要来源于图采样和负样本 In-Batch Negative优化，减少随机负样本需要的图采样降低图采样的次数，效果与速度的平衡分布式训练速度

44. Graph4Rec工具的特性游走模型速度快，可作为优秀的热启动参数参数模型热启动模式，GNN+Embedding热启动

45. Paddle Graph Learning Github: https://github.com/PaddlePaddle/PGL API 文档地址： https://pgl.readthedocs.io/en/latest/ 应用场景模型仓库推荐系统搜索引擎游走类模型智慧金融智能地图消息传递类模型同构图网络接口安全风控生物医药知识嵌入类模型异构网络接口编程接口消息传递接口工具双擎底层支持图池化接口 CPU图引擎图采样接口 GPU图引擎图切分 | 图存储 | 图采样 | 图游走 | 异构图 | 大规模参数服务器飞桨核心框架

46. 非常感谢您的观看