Angel图神经网络在推荐系统中的应用探索

"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。