阿里妹導讀：千呼萬喚始出來！阿里媽媽正式公佈重磅開源項目——圖深度學習框架Euler。這是國內首個在覈心業務大規模應用後開源的圖深度學習框架。此次開源，Euler內置了大量的算法供用戶直接使用，相關代碼已經可在GitHub上進行下載。
圖學習和深度學習都是人工智能的一個分支，作爲阿里巴巴旗下的大數據營銷平臺，阿里媽媽創新性地將圖學習與深度學習進行結合，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務場景進行了錘鍊和驗證，同時，在金融、電信、醫療等涉及到複雜網絡分析的場景中也具有很高的應用價值。例如，用戶可以利用Euler對基於用戶交易等金融數據構建的複雜異構圖進行學習與推理，進而應用於金融反欺詐等場景。
下面讓我們一起走進Euler的世界。
Euler 開源地址 ： https://github.com/alibaba/euler
1. 概述
過去幾年隨着數據規模和硬件計算力的迅速增長，深度學習技術在工業界被廣泛應用併產生了巨大的技術紅利。當前應用已經相對成熟，下一步的技術紅利在哪裏還在積極探索之中。圖神經網絡將端到端學習與歸納推理相結合，有望解決深度學習無法處理的關係推理、可解釋性等一系列問題。對結構知識的表達、計算和組合泛化是實現具備human-like AI的關鍵，圖神經網絡有希望在這些方面形成突破，使得機器能力進一步提升，因此對圖神經網絡的深入應用有希望形成下一波技術紅利。
圖作爲表達能力很強的通用的數據結構，可以用來刻畫現實世界中的很多問題，例如社交場景的用戶網絡、電商場景的用戶和商品網絡、電信場景的通信網絡、金融場景的交易網絡和醫療場景的藥物分子網絡等等。相比文本、語音和圖像領域的數據比較容易處理成歐式空間的Grid-like類型，適合現有的深度學習模型處理，圖是一種非歐空間下的數據，並不能直接應用現有方法，需要專門設計的圖神經網絡系統。
1.1Euler的核心能力
1）大規模圖的分佈式學習
工業界的圖往往具有數十億節點和數百億邊，有些場景甚至可以到數百億節點和數千億邊，在這樣規模的圖上單機訓練是不可行的。Euler支持圖分割和高效穩定的分佈式訓練，可以輕鬆支撐數十億點、數百億邊的計算規模。
2）支持複雜異構圖的表徵
工業界的圖關係大都錯綜複雜，體現在節點異構、邊關係異構，另外節點和邊上可能有非常豐富的屬性，這使得一些常見的圖神經網絡很難學到有效的表達。Euler在圖結構存儲和圖計算的抽象上均良好的支持異構點、異構邊類型的操作，並支持豐富的異構屬性，可以很容易的在圖學習算法中進行異構圖的表徵學習。
3）圖學習與深度學習的結合
工業界有很多經典場景，例如搜索／推薦／廣告場景，傳統的深度學習方法有不錯效果，如何把圖學習和傳統方法結合起來，進一步提升模型能力是很值得探索的。Euler支持基於深度學習樣本的mini-batch訓練，把圖表徵直接輸入到深度學習網絡中聯合訓練。
4）分層抽象與靈活擴展
Euler系統抽象爲圖引擎層、圖操作算子層、算法實現層三個層次，可以快速地在高層擴展一個圖學習算法。實際上，Euler也內置了大量的算法實現供大家直接使用。
1.2 Euler內置的算法實現
考慮到框架的易用性，我們內置了多種知名算法以及幾種我們內部的創新算法。所有實現，我們仔細進行了測試，保證了算法運行效率，且算法效果與原論文對齊。用戶無需進行開發，注入數據到平臺後，可以直接使用。我們內置的算法列表見下表。有關我們內部算法的詳細信息請見2.3節。
2. 系統設計
Euler系統整體可以分爲三層：最底層的分佈式圖引擎，中間層圖語義的算子，高層的圖表示學習算法。
下邊我們分開描述各個層次的核心功能。
2.1分佈式圖引擎
爲了支持我們的業務，我們不僅面臨超大規模圖存儲與計算的挑戰，還需要處理由多種不同類型的點，邊及其屬性構成異構圖的複雜性。我們的分佈式圖引擎針對海量圖存儲，分佈式並行圖計算及異構圖進行了優化設計，確保了工業場景下的有效應用。
首先爲了存儲超大規模圖（數十億點，數百億邊），Euler必須突破單機的限制，從而採用了分佈式的存儲架構。在圖加載時，整張圖在引擎內部被切分爲多個子圖，每個計算節點被分配1個或幾個子圖進行加載。
爲了充分利用各個計算節點的能力，在進行圖的操作時，頂層操作被分解爲多個對子圖的操作由各個節點並行執行。這樣隨着更多節點的加入，我們可以得到更好的服務能力。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的數量，取得更佳的服務能力。最後，我們針對圖表示學習優化了底層的圖存儲數據結構與操作算法，單機的圖操作性能獲得了數倍的提升。
多種不同類型的邊，點與屬性所組成的異構圖，對很多複雜的業務場景必不可少。爲了支持異構圖計算能力，底層存儲按照不同的節點與邊的類型分別組織。這樣我們可以高效支持異構的圖操作。
2.2中間圖操作算子
由於圖學習算法的多樣性以及業務的複雜性，固定的某幾種甚至幾十種算法實現無法滿足客戶的所有需求。所以在Euler設計中，我們圍繞底層系統的核心能力着重設計了靈活強大的圖操作算子，且所有算子均支持異構圖操作語義。用戶可以利用它來快速搭建自己的算法變體，滿足獨特的業務需求。
首先，Euler分佈式圖引擎提供了C++的API來提供所有圖操作。基於這個API，我們可以方便的基於某個深度學習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習框架，比如阿里巴巴的X-DeepLearning與流行的TensorFlow。後繼我們也會考慮支持其它的深度學習框架，比如PyTorch。
利用靈活的圖操作算子，機器學習框架可以在每個mini-batch與Euler交互，動態擴充與組織訓練樣本。這樣，Euler不僅支持傳統的以圖爲中心的學習模式，且可以把圖學習的能力注入傳統的學習任務，實現端到端訓練。
按照功能分類，我們的核心繫統提供的API可以分類如下：
全局帶權採樣點和邊的能力。主要用於mini-batch樣本的隨機生成以及Negative Sampling。
基於給定節點的鄰居操作。這個是圖計算的核心能力包括鄰居帶權採樣，取Top權重的鄰居等。
點/邊的屬性查找。這個能力使得算法可以使用更豐富的特徵，而不僅限於點/邊的ID特徵。
2.3高層算法實現
如1.2節所述，除了LINE算法以外，我們實現的算法可以分爲隨機遊走與鄰居匯聚兩大類算法。有關外部算法的詳細信息，請參見1.2節提供的論文鏈接。下面我們詳細介紹內部的三個創新算法，相關論文的鏈接我們會在github上給出。
Scalable-GCN
它是一種高效的GCN訓練算法。GCN以及更一般的Graph Neural Network (GNN)類的方法由於能有效的提取圖結構信息，在許多任務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算量，導致模型的訓練時間不可接受。Scalable-GCN在保證優秀效果的前提下，把mini-batch GCN的計算複雜度從層數的指數函數壓到線性。這使得在阿里媽媽的海量數據下應用三層GCN成爲可能，廣告匹配的效果獲得了顯著提升。
LsHNE
LsHNE是我們結合阿里媽媽搜索廣告場景創新地提出一種無監督的大規模異構網絡embedding學習方法。區別於DeepWalk類算法，LsHNE的特點包括：a) 採用深度神經網絡學習表達，可以有效融合Attribute信息；b)考慮embedding表示的距離敏感需求，提出兩個負採樣原則：分佈一致性原則和弱相關性原則；c)支持異構網絡。
LasGNN
LasGNN是一種半監督的大規模異構圖卷積神經網絡學習方法, 它有效融合了圖結構知識信息和海量用戶行爲信息，大幅提升了模型精度，是工業界廣告場景下首次應用半監督圖方法。該方法有多處創新，例如將metapath的思想應用於圖卷積網絡中，並提出了metapathGCN模型，有效解決了異構網絡的卷積問題；提出了metapathSAGE模型，在模型中我們設計高效的鄰居採樣的方法，使得大規模的多層鄰居卷積成爲可能。
3. 應用實例
Euler平臺已經在阿里媽媽搜索廣告的多個場景下廣泛實用，並取得了出色的業務效果，例如檢索匹配場景、CTR預估場景、營銷工具場景和反作弊場景等。我們以匹配場景的爲例來看下Euler的應用。
廣告匹配的任務是給定用戶搜索請求，匹配模塊通過理解用戶意圖，快速準確地從海量廣告中找到高質量的小規模候選廣告集，輸送給下游的排序模塊進行排序。
我們首先使用一些傳統的挖掘算法，從用戶行爲日誌、內容屬性等維度挖掘出Query(查詢詞), Item(商品)和Ad(廣告)的多種關係，然後利用Euler平臺的LsHNE方法學習圖中節點的embedding，這裏節點embedding後的空間距離刻畫了原來圖中的關係，對於在線過來的請求通過計算用戶查詢詞向量、前置行爲中節點向量和廣告節點向量之間的距離進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展示了樣本構造和網絡結構示意。
本文作者：讓你久等了
本文來自雲棲社區合作伙伴“阿里技術”，如需轉載請聯繫原作者。