Angel图神经网络在推荐系统中的应用探索
版权申诉
54 浏览量
更新于2024-07-05
收藏 11.89MB PDF 举报
"4-5+Angel图神经网络在推荐场景下的实践.pdf"
这篇文档主要介绍了Angel图神经网络在推荐系统中的应用实践,由腾讯高级工程师孙瑞鸿在2021年的DataFunSummit在线峰会上分享。文档涵盖了Angel的发展历程、PyTorch on Angel的架构以及在推荐场景中的具体应用。
首先,PyTorch on Angel的起源可以追溯到2017年,它是一个逐步发展壮大的项目。从V1.0开始,它在GitHub上开源,支持10亿级别的模型,并包含了LR、LDA、GBDT等算法。随着版本的升级,Angel加入了Linux基金会AI(LFAI)基金会,增加了对万亿级别模型的支持,优化了数学计算库,引入了图计算和深度学习算法。V3.0版本推出了PyTorch on Angel的V0.1.0,支持GCN和GraphSAGE等图神经网络算法,还引入了AngelServing和AutoML,并开始支持K8S。后续的版本进一步丰富了GNN算法,支持异构图,提供自适应模型数据分区,并增强了图算法和图算子。
PyTorch on Angel的架构设计旨在融合Angel参数服务器(PS)的高维稀疏处理能力、Spark的大数据处理能力以及PyTorch的自动求导功能,以解决图计算中的挑战。由于图算法和模型本质上是稀疏的,这与Angel PS的能力相吻合,使得在处理大规模图数据时能有效提升效率。
在推荐场景的实践中,图神经网络(GNN)因其能利用并学习到更丰富的信息而受到广泛关注,相较于传统的图计算方法,GNN在处理推荐系统的复杂用户行为和物品关联性方面有显著优势。通过PyTorch on Angel,开发者可以在推荐系统中应用各种GNN算法,如GCN和GraphSAGE,来提升推荐的精准度和效果。
这个分享展示了如何利用Angel的图计算框架和PyTorch的强大功能,实现高效的图神经网络模型训练,尤其在推荐系统这一应用场景中,能够更好地理解和挖掘用户行为,从而提供更个性化的推荐服务。
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
普通网友
- 粉丝: 12w+
- 资源: 9195
最新资源
- 新代数控API接口实现CNC数据采集技术解析
- Java版Window任务管理器的设计与实现
- 响应式网页模板及前端源码合集:HTML、CSS、JS与H5
- 可爱贪吃蛇动画特效的Canvas实现教程
- 微信小程序婚礼邀请函教程
- SOCR UCLA WebGis修改:整合世界银行数据
- BUPT计网课程设计:实现具有中继转发功能的DNS服务器
- C# Winform记事本工具开发教程与功能介绍
- 移动端自适应H5网页模板与前端源码包
- Logadm日志管理工具:创建与删除日志条目的详细指南
- 双日记微信小程序开源项目-百度地图集成
- ThreeJS天空盒素材集锦 35+ 优质效果
- 百度地图Java源码深度解析:GoogleDapper中文翻译与应用
- Linux系统调查工具:BashScripts脚本集合
- Kubernetes v1.20 完整二进制安装指南与脚本
- 百度地图开发java源码-KSYMediaPlayerKit_Android库更新与使用说明