CN114139684A - 图神经网络生成方法、装置、系统、介质以及电子设备 - Google Patents

图神经网络生成方法、装置、系统、介质以及电子设备 Download PDF

Info

Publication number
CN114139684A
CN114139684A CN202111474450.0A CN202111474450A CN114139684A CN 114139684 A CN114139684 A CN 114139684A CN 202111474450 A CN202111474450 A CN 202111474450A CN 114139684 A CN114139684 A CN 114139684A
Authority
CN
China
Prior art keywords
graph
node
nodes
sub
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111474450.0A
Other languages
English (en)
Inventor
朱亦博
陈扬锐
何骏
彭杨华
郭传雄
王剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202111474450.0A priority Critical patent/CN114139684A/zh
Publication of CN114139684A publication Critical patent/CN114139684A/zh
Priority to EP22901924.5A priority patent/EP4425353A2/en
Priority to PCT/SG2022/050798 priority patent/WO2023101598A2/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Image Generation (AREA)

Abstract

本公开涉及一种图神经网络生成方法、装置、系统、介质以及电子设备，所述方法包括：获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；基于所述子图数据对图神经网络进行训练，本公开的图神经网络生成方法可以提升图神经网络训练的效率。

Description

图神经网络生成方法、装置、系统、介质以及电子设备
技术领域
本公开涉及人工智能技术领域，具体地，涉及一种图神经网络生成方法、装置、系统、介质以及电子设备。
背景技术
近年来，图神经网络在各个领域得到了越来越广泛的应用，例如，计算机视觉、自然语言处理等领域。示例地，图神经网络可以应用于文本情感分析、问答系统等。图神经网络是一种直接作用于图的神经网络，图由节点和边两部分组成。
对于大规模图(例如，具备上亿节点的图)，由于其结构复杂，传统的机器学习架构不适用于图神经网络的训练，因此，如何更高效地训练图神经网络网络成为亟需解决的问题。
发明内容
提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种图神经网络生成方法，所述方法包括：
获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
基于所述子图数据对图神经网络进行训练。
第二方面，本公开提供一种图神经网络生成装置，所述装置包括：
第一获取模块，被配置为获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
第二获取模块，被配置为基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
融合模块，被配置为基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
训练模块，被配置为基于所述子图数据对图神经网络进行训练。
第三方面，本公开提供一种图神经网络生成系统，所述系统包括：图切分装置和多个模型训练装置，所述图切分装置用于得到多个子图结构并将多个所述子图结构加载至第二图存储服务器内存中；多个所述模型训练装置中的每个用于对图神经网络进行训练。
第四方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。
第五方面，本公开提供一种电子设备，包括：
存储装置，其上存储有一个或多个计算机程序；
一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现第一方面所述方法的步骤。
通过上述技术方案，根据预设优先级从多个内存中获取节点特征和边特征，由于预设优先级是将多个内存按照内存大小从小到大排序得到的，内存大小越小则数据读取速率越快，因此，通过该预设优先级可以优先从读取速率快的内存中获取节点特征和边特征，从而提高获取子图数据的效率，进一步提升图神经网络的训练效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种图神经网络生成系统的系统架构图。
图2是根据一示例性实施例示出的一种图神经网络生成方法的流程图。
图3是根据一示例性实施例示出的获取节点特征和边特征的流程图。
图4是根据一示例性实施例示出的得到多个子图结构的流程图。
图5是根据一示例性实施例示出的一种图神经网络生成装置的框图。
图6是根据一示例性实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
大规模图神经网络训练和传统神经网络训练相比有着独特的技术挑战，因而，传统的分布式机器学习架构不适用于图神经网络训练。在分布式场景下，图神经网络训练需要单独的采样器进行训练数据的生成，会存在计算和传输带宽的瓶颈。
为此，申请人提出一种图神经网络生成系统，该系统包括多个模型训练装置110和图切分装置120。在一些实施例中，模型训练装置110和图切分装置120可以是计算设备。例如，膝上型计算机、台式计算机、服务器等。在一些实施例中，图切分装置120可以将全图切分为多个图分片，以得到多个子图结构，并将多个子图结构加载至第二图存储服务器130的内存中。在一些实施例中，第二图存储服务器130可以是分布式图存储服务器。
在一些实施例中，多个模型训练装置110的每一模型训练装置可以通过采样器140从第二图存储服务器130的内存中获取子图结构，以使该模型训练装置将该子图结构对应的子图数据作为训练数据，对图神经网络进行训练。在一些实施例中，每个模型训练装置110可以包括图像处理器和中央处理器，且每个模型训练装置110与第一图存储服务器(图1未示出)通信连接，以使任一模型训练装置110可以从多个内存中获取节点特征和边特征。
以下将结合附图，对本公开所披露的技术方案进行详细阐述。
图2是根据一示例性实施例示出的一种图神经网络生成方法的流程图，应用于模型训练装置，例如，图1所示的多个模型训练装置中的任一模型训练装置。在一些实施例中，该训练方法还可以应用于任一模型训练装置的图像处理器。如图2所示，该方法可以包括以下步骤。
步骤210，获取子图结构，子图结构用于反映对应的子图的图谱结构，子图包括多个节点和多个节点之间的边。
在一些实施例中，子图可以是全图中的部分图数据，全图可以是用于得到训练好的图神经网络的训练数据。在一些实施例中，全图可以是大规模图，例如，由上亿节点及节点之间的边构成的图。在一些实施例中，子图结构用于反映对应的子图的图谱结构，可以理解的，模型训练装置基于子图结构可以确定其训练图神经网络所需的子图数据包括的节点和边，以基于该节点和边获取节点特征和边特征。关于模型训练装置训练图神经网络的具体细节可以参见下述步骤240及其相关描述，在此不再赘述。
在一些实施例中，模型训练装置可以获取一个或多个子图结构(例如，3个或5个子图结构)。在一些实施例中，模型训练装置可以基于采样器(例如，一个或多个采样器)从第二图存储服务器内存中获取子图结构；第二存储服务器内存中存储有多个子图结构。在一些实施例中，第二图存储服务器内存可以是分布式图存储服务器内存。在一些实施例中，第二图存储服务器内存中存储的多个子图结构可以是图切分装置(例如，图1所示的图切分装置)对全图进行处理后得到的。关于得到多个子图结构的具体细节可以参见下述图4及其相关描述，在此不再赘述。
步骤220，基于子图结构，根据预设优先级从多个内存中获取多个节点的节点特征和边的边特征；预设优先级是将多个内存按照内存大小从小到大排序得到的。
在一些实施例中，多个内存可以包括图像处理器(graphics processing unit，GPU)内存、中央处理器(central processing unit，CPU)内存以及第一图存储服务器内存。在一些实施例中，第一图存储服务器内存可以是远程图存储服务器内存，该远程图存储服务器可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中，模型训练装置可以具备CPU和GPU，GPU内存可以包括多个，多个GPU内存分别是多个模型训练装置的GPU内存。在一些实施例中，多个模型训练装置的CPU可以共用一块内存，对应的，CPU内存为一个。
在一些实施例中，子图结构的节点特征以及边特征是预先提取并缓存到多个内存中的。示例地，子图结构的节点特征以及边特征可以是从全图中预先提取并缓存到多个内存中的。在一些实施例中，相同或不同子图结构中包括的节点特征以及边特征可以缓存至不同内存中。值得说明的是，提取并缓存节点特征和边特征的计算装置可以是任意计算装置，例如，模型训练装置、图切分装置或其他计算装置，本公开对此不做任何限制。
在一些实施例中，可以根据预设规则预先将全图包括的节点的节点特征以及边的边特征缓存至多个内存中。示例地，在一些实施例中，可以根据全图包括的节点的节点标识，例如节点ID，进行哈希计算得到哈希值，并根据哈希值将对应节点的节点特征以及对应节点连接的边的边特征缓存至各个GPU内存中。在一些实施例中，可以通过多个线程将对应节点的节点特征以及对应节点连接的边的边特征缓存至各个GPU内存中。通过按照哈希值将节点特征和边特征缓存至不同的GPU内存中，模型训练装置可以从不同的CPU内存中获取对应的节点特征和边特征，提高了节点特征和边特征的查找和获取效率，进而提升训练图神经网络的效率。
在一些实施例中，由于GPU内存的内存大小有限，因此，针对大规模全图，多个GPU内存并不能缓存全图的所有节点特征和所有边特征，对于未缓存至GPU内存的节点的节点特征及该节点连接的边的边特征，可以根据该节点的度数由高到低将对应的节点的节点特征及对应节点连接的边的边特征缓存至CPU内存中。在一些实施例中，节点的度数可以根据节点连接的边确定，连接的边越多，则节点的度数越高。例如，节点连接的边有3条，则其为3度节点，又例如，节点连接的边有5条，则其为5度节点。通过在CPU内存中缓存节点特征和边特征，利用了模型训练装置的机器上的大内存，减少了向图存储服务器内存获取节点特征和边特征的次数。
在一些实施例中，由于CPU内存的内存大小有限，因此，CPU内存不能将未缓存至GPU内存的所有节点的节点特征及所有节点连接的边的边特征进行缓存，进一步地，可以将未缓存至CPU内存的节点的节点特征及该节点连接的边的边特征缓存至第一图存储服务器内存。在一些实施例中，还可以将全图的所有节点的节点特征和所有节点对应的边特征缓存至第一图存储服务器内存中。
在一些实施例中，GPU内存、CPU内存以及第一图存储服务器内存的内存大小由小至大。内存的内存大小越大，从该内存读取数据的速率越慢，因此，从GPU内存、CPU内存以及第一图存储服务器内存中读取对应的节点特征和边特征的速率由快至慢。
本公开实施例通过预设优先级可以优先从读取速率快的内存中获取节点特征和边特征，若能在读取速率快的内存中获取子图结构中的所有节点特征和所有边特征，则模型训练装置不会再从读取速率慢的内存中获取节点特征和边特征，从而提高了获取子图数据的效率，进一步提升图神经网络的训练效率。同时，由于图神经网络生成(或训练)中特征的传输开销巨大，通过预先将节点特征和边特征缓存至各个内存中，从不同内存中获取节点特征和边特征，可以减少特征数据的传输开销。本公开的图神经网络生成方法的特征传输开销小，克服了图神经网络生成过程中的特征传输瓶颈。关于从多个内存中获取节点特征和边特征的具体细节可以参见下述图3及其相关描述，在此不再赘述。
步骤230，基于子图结构对多个节点的节点特征和边的边特征进行融合，得到子图数据。
在一些实施例中，模型训练装置可以根据预设节点顺序，使用不同线程从不同内存中获取对应的节点特征和边特征。由于不同线程传回的节点特征和边特征对应的节点顺序可能与预设节点顺序不一致，因此，模型训练装置基于子图结构对多个节点的节点特征和边的边特征进行融合，可以得到与子图结构匹配的子图数据。
如前所述，本公开的图神经网络生成方法可以应用于模型训练装置的图像处理器。在一些实施例中，模型训练装置的图像处理器(即GPU)可以是具备高速互联功能的图像处理器。在一些实施例中，模型训练装置的图像处理器可以基于子图结构对多个节点的节点特征和边的边特征进行融合，得到子图数据。通过图像处理器之间的高速互联，将获取的节点特征和边特征进行融合，可以实现高速传输，提高融合效率。
步骤240，基于子图数据对图神经网络进行训练。
在一些实施例中，任一模型训练装置可以具备图神经网络。在一些实施例中，任一模型训练装置可以根据图神经网络对子图数据进行处理，得到梯度分片，通过多个模型训练装置的梯度分片可以得到用于训练图神经网络的梯度。
在一些实施例中，可以通过多种方式基于多个模型训练装置的梯度分片，得到用于训练图神经网络的梯度。例如，可以将多个模型训练装置的其中一方作为主模型训练装置，主模型训练装置接收其他模型训练装置的梯度分片，并通过求平均得到梯度，将梯度发送给其他模型训练装置。又例如，可以增加参数服务器，通过参数服务器接收多个模型训练装置的梯度分片，并通过求平均得到梯度，将梯度发送给其他模型训练装置。
在一些实施例中，模型训练装置可以基于梯度更新图神经网络的模型参数。在一些实施例中，上述步骤210至步骤240可以是多次模型参数迭代更新中的一次更新。在一些实施例中，当迭代更新满足预设停止条件时，可以停止迭代，得到训练好的图神经网络。预设停止条件可以根据实际情况具体设置。例如，预设停止条件为迭代次数达到预设阈值。又例如，预设停止条件为：当前次迭代获得的模型参数与上一次迭代获得的模型参数的差值属于预设范围。值得说明的是，本公开对模型训练装置训练图神经网络的方式并不做任何限制。
如前所述，上述步骤210至步骤240可以是多次模型参数迭代更新中的一次更新。在一些实施例中，在每次迭代更新时，模型训练装置可以根据宽度优先搜索算法基于采样器从第二图存储服务器内存中获取子图结构，以获取对应的子图数据。通过宽度优先搜索算法，使得模型训练装置在当前轮迭代更新及下一轮迭代更新时，处理的子图数据在全图中处于预设区域，例如，两次迭代更新处理的子图数据均处于全图的下半部分区域或上半部分区域等。从而提高了全图的数据复用度，保证了训练数据(即子图数据)的随机性，同时提高了缓存命中率。
图3是根据一示例性实施例示出的获取节点特征和边特征的流程图。如图3所示，该流程可以包括以下步骤。
步骤310，从多个节点的标识中确定与图像处理器内存关联的第一节点标识，并根据第一节点标识从图像处理器内存中获取第一节点的节点特征和第一节点连接的边的边特征。
步骤320，在第一节点未包括多个节点的所有节点的情况下，从第一剩余节点的标识中确定与中央处理器内存关联的第二节点标识，并根据第二节点标识从中央处理器内存中获取第二节点的节点特征和第二节点连接的边的边特征；第一剩余节点为多个节点除去第一节点后的节点。
步骤330，在第一节点和第二节点未包括多个节点的所有节点的情况下，根据第二剩余节点的标识从第二图存储服务器内存中获取第二剩余节点的节点特征和第二剩余节点连接的边的边特征，第二剩余节点为多个节点除去第一节点和第二节点后的节点。
在一些实施例中，与图像处理器内存关联的第一节点标识可以是多个节点中缓存于图像处理器内存的节点的标识。相同地，与中央处理器内存关联的第二节点标识可以是第一剩余节点中缓存于中央处理器内存中的节点的标识。关于图像处理器内存、中央处理器内存以及第二图存储服务器内存缓存节点特征和边特征的方式的具体细节，可以参见上述步骤220及其相关描述，在此不再赘述。
在一些实施例中，节点的标识可以是指节点ID。在一些实施例中，可以通过节点ID查询对应的节点是否缓存于各个图像处理器内存或中央处理器内存中。示例地，可以通过多个节点的ID查询各个节点是否缓存于各个图像处理器内存中，以从多个节点的标识中确定与各个图像处理器内存关联的第一节点标识。相同地，确定与中央处理器内存关联的第二节点标识与此类似，在此不再赘述。
在一些实施例中，图像处理器内存包括多个；根据第一节点标识从图像处理器内存中获取第一节点的节点特征和第一节点连接的边的边特征，包括：确定与多个图像处理器内存中各个图像处理器内存中关联的第一节点标识，并使用多个线程通过线程队列从各个图像处理器内存中获取对应的第一节点的节点特征及该第一节点连接的边的边特征。通过多个线程从不同的图像处理器内存中获取对应的节点特征和边特征，这种分片设计可以提高查找的速度，且线程队列可以避免对图像处理器内存同时进行读操作和写操作，从而避免了图像处理器内存通过多线程缓存节点特征和边特征的写操作带来的锁的开销，大大增加了缓存性能。
在一些实施例中，节点特征和边特征可以根据图神经网络的应用场景具体确定，图神经网络的应用场景根据实际需求具体设置。例如，图神经网络可以应用于文本情感分析，文本情感分析可以用于确定待分析文本面向待分析实体的情感，情感可以包括正向、负向以及中立等，对应的，可以将文本和实体确定为节点特征，其中，实体可以根据实际需求具体设置，例如实体可以是服务、地名等，将文本面向实体的情感确定为边特征构建全图数据，基于该全图数据训练得到图神经网络。值得说明的是，图神经网络还可以应用于其他场景，例如，问答系统、语言分割等，在此不再赘述。
图4是根据一示例性实施例示出的得到多个子图结构的流程图，应用于图切分装置(例如，图1所示的图切分装置)。如图4所示，该流程可以包括以下步骤。
步骤410，根据宽度优先搜索算法将全图切分为多个图分块，每个所述图分块包括对应数量的所述节点和该节点连接的边。
在一些实施例中，每个图分块中节点数量可以根据实际情况具体设置，例如，10个或20个节点。在一些实施例中，宽度优先搜索算法可以通过逐层遍历所有节点，将全图切分为多个图分块。通过宽度优先搜索算法划分的多个图分块中的每个图分块包括的节点具备连接关系。
步骤420，将多个图分块分配给多个图分片。
在一些实施例中，可以通过多种方式将多个图分块分配给多个图分片。在一些实施例中，可以随机将多个图分块分配给多个图分片。在一些实施例中，将多个图分块分配给多个图分片，可以包括：根据预设顺序将多个图分块分配给图分片；交换多个图分片各自的图分块的信息，将具备关联关系的图分块调整至同一图分片中，得到调整后的多个图分片。
在一些实施例中，可以按照预设顺序依次将多个图分块分配给图分片。例如，将图分块1分配给图分片1，将图分块2分配给图分片2，以此类推。在一些实施例中，交换多个图分片各自的图分块的信息可以是指交换图分块中的节点信息和边信息。在一些实施例中，具备关联关系的图分块可以根据预设规则具体确定。例如，任意两个图分块各自包括的节点具备邻居关系。又例如，任意两个图分块各自包括的预设数量的节点具备邻居关系。本公开对此不做任何限制。
本公开实施例通过将具备关联关系的图分块调整至同一图分片中，即将具备关联关系的节点和边划分在一个图分片中，可以权衡各个图分片的负载与跨图分片的边，使得采样器从分布式图存储服务器内存中获取子图结构时，可以不用跨机器(或跨负载)去获取子图信息，减少采样过程中频繁地跨机器通信，提高了采样器的采样速度。同时，通过将具备关联关系的图分块调整至同一图分片，可以使得每个图分片中具备近似相同数量的节点，实现负载均衡，使得全图中的训练节点均匀地分布在各个图分片中。
在一些实施例中，在将多个图分块分配给多个图分片之前，所述方法还包括：将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，得到融合后的多个图分块，其他图分块为多个图分块中除去第一目标图分块后的图分块。在一些实施例中，第一预设阈值可以根据实际情况具体设置，例如，5个节点。在一些实施例中，可以随机将第一目标图分块与其他图分块进行融合。
在一些实施例中，在将多个图分块分配给多个图分片之前，所述方法还包括：确定多个图分块中节点数量小于第二预设阈值的第二目标图分块，以及节点数量大于第三预设阈值的第三目标图分块；第三预设阈值大于第二预设阈值；在第二目标图分块与第三目标图分块具备关联关系的情况下，将第二目标图分块与第三目标图分块进行融合，得到融合后的多个图分块。在一些实施例中，第二预设阈值和第三预设阈值可以根据实际情况具体设置。在一些实施例中，第二预设阈值可以为较小值，例如，50或80等。第三预设阈值可以为较大值，例如，1000等。关于具备关联关系的具体细节可以参见上述相关描述，在此不再赘述。
本公开实施例通过将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，可以将游离的小的图分块与其他图分块进行融合。通过将第二目标图分块与第三目标图分块进行融合，得到融合后的多个图分块，可以将具备关联关系的小的图分块与大的图分块进行融合，即将依附于大分块的小分块进行融合。前述两种融合方式，均可以减少最终的多个图分片的数量，使得后续生成的用于训练图神经网络的子图数据的数量大幅减少，降低训练图神经网络的复杂度。
步骤430，基于全图对多个图分片中每个包括的图分块进行结构还原，确定多个子图结构。
在一些实施例中，可以将每个图分片中的图分块包括的节点和边按照全图结构进行结构还原，得到多个子图结构。关于子图结构的具体细节可以参见上述步骤210及其相关描述，在此不再赘述。
本公开实施例的图切分方式可以将大规模图的数据(例如，包括十亿节点的图)进行切分，使得本公开的图神经网络生成方法可以应用于大规模图神经网络训练，提升了大规模图神经网络的训练效率，克服了大规模图神经网络的计算瓶颈。
图5是根据一示例性实施例示出的一种图神经网络生成装置的框图。如图5所示，该装置500包括：
第一获取模块510，被配置为获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
第二获取模块520，被配置为基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
融合模块530，被配置为基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
训练模块540，被配置为基于所述子图数据对图神经网络进行训练。
在一些实施例中，多个所述内存包括图像处理器内存、中央处理器内存以及第一图存储服务器内存；所述第二获取模块520进一步被配置为：
从多个所述节点的标识中确定与所述图像处理器内存关联的第一节点标识，并根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征；
在所述第一节点未包括多个所述节点的所有节点的情况下，从第一剩余节点的标识中确定与所述中央处理器内存关联的第二节点标识，并根据所述第二节点标识从所述中央处理器内存中获取第二节点的所述节点特征和所述第二节点连接的边的所述边特征；所述第一剩余节点为多个所述节点除去所述第一节点后的节点；
在所述第一节点和所述第二节点未包括多个所述节点的所有节点的情况下，根据第二剩余节点的标识从所述第一图存储服务器内存中获取所述第二剩余节点的所述节点特征和所述第二剩余节点连接的边的所述边特征，所述第二剩余节点为多个所述节点除去所述第一节点和所述第二节点后的节点。
在一些实施例中，所述图像处理器内存包括多个；所述第二获取模块520进一步被配置为：
确定与多个所述图像处理器内存中各个所述图像处理器内存中关联的所述第一节点标识，并使用多个线程通过线程队列从各个所述图像处理器内存中获取对应的第一节点的所述节点特征及该第一节点连接的边的所述边特征。
在一些实施例中，所述第一获取模块510进一步被配置为：
基于采样器从第二图存储服务器内存中获取所述子图结构；所述第二图存储服务器内存中存储有多个子图结构；
所述子图结构的节点特征以及边特征是预先提取并缓存到多个所述内存中的。
在一些实施例中，所述系统还可以包括图切分模块，所述图切分模块被配置为：
根据宽度优先搜索算法将全图切分为多个图分块，每个所述图分块包括对应数量的所述节点和该节点连接的边；
将多个所述图分块分配给多个图分片；
基于所述全图对多个所述图分片中每个包括的所述图分块进行结构还原，确定多个所述子图结构。
在一些实施例中，所述图切分模块进一步被配置为：
根据预设顺序将多个所述图分块分配给多个图分片；
交换多个所述图分片各自的所述图分块的信息，将具备关联关系的所述图分块调整至同一所述图分片中，得到调整后的多个所述图分片。
在一些实施例中，所述图切分模块进一步被配置为：
将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，得到融合后的多个图分块，所述其他图分块为多个所述图分块中除去所述第一目标图分块后的图分块。
在一些实施例中，所述图切分模块进一步被配置为：
确定多个所述图分块中节点数量小于第二预设阈值的第二目标图分块，以及节点数量大于第三预设阈值的第三目标图分块；所述第三预设阈值大于所述第二预设阈值；
在所述第二目标图分块与所述第三目标图分块具备关联关系的情况下，将所述第二目标图分块与所述第三目标图分块进行融合，得到融合后的多个图分块。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如，图1中的多个模型训练装置或图切分装置)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，多个模型训练装置、图切分装置可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；基于所述子图数据对图神经网络进行训练。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取子图结构的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种图神经网络生成方法，所述方法包括：
获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
基于所述子图数据对图神经网络进行训练。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，多个所述内存包括图像处理器内存、中央处理器内存以及第一图存储服务器内存；所述基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征，包括：
从多个所述节点的标识中确定与所述图像处理器内存关联的第一节点标识，并根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征；
在所述第一节点未包括多个所述节点的所有节点的情况下，从第一剩余节点的标识中确定与所述中央处理器内存关联的第二节点标识，并根据所述第二节点标识从所述中央处理器内存中获取第二节点的所述节点特征和所述第二节点连接的边的所述边特征；所述第一剩余节点为多个所述节点除去所述第一节点后的节点；
在所述第一节点和所述第二节点未包括多个所述节点的所有节点的情况下，根据第二剩余节点的标识从所述第一图存储服务器内存中获取所述第二剩余节点的所述节点特征和所述第二剩余节点连接的边的所述边特征，所述第二剩余节点为多个所述节点除去所述第一节点和所述第二节点后的节点。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述图像处理器内存包括多个；所述根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征，包括：
确定与多个所述图像处理器内存中各个所述图像处理器内存中关联的所述第一节点标识，并使用多个线程通过线程队列从各个所述图像处理器内存中获取对应的第一节点的所述节点特征及该第一节点连接的边的所述边特征。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述获取子图结构，包括：
基于采样器从第二图存储服务器内存中获取所述子图结构；所述第二图存储服务器内存中存储有多个子图结构；
所述子图结构的节点特征以及边特征是预先提取并缓存到多个所述内存中的。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述多个子图结构是通过如下方式得到的：
根据宽度优先搜索算法将全图切分为多个图分块，每个所述图分块包括对应数量的所述节点和该节点连接的边；
将多个所述图分块分配给多个图分片；
基于所述全图对多个所述图分片中每个包括的所述图分块进行结构还原，确定多个所述子图结构。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述将多个所述图分块分配给多个图分片，包括：
根据预设顺序将多个所述图分块分配给多个图分片；
交换多个所述图分片各自的所述图分块的信息，将具备关联关系的所述图分块调整至同一所述图分片中，得到调整后的多个所述图分片。
根据本公开的一个或多个实施例，示例7提供了示例5的方法，在所述将多个所述图分块分配给多个图分片之前，所述方法还包括：
将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，得到融合后的多个图分块，所述其他图分块为多个所述图分块中除去所述第一目标图分块后的图分块。
根据本公开的一个或多个实施例，示例8提供了示例5的方法，在所述将多个所述图分块分配给多个图分片之前，所述方法还包括：
确定多个所述图分块中节点数量小于第二预设阈值的第二目标图分块，以及节点数量大于第三预设阈值的第三目标图分块；所述第三预设阈值大于所述第二预设阈值；
在所述第二目标图分块与所述第三目标图分块具备关联关系的情况下，将所述第二目标图分块与所述第三目标图分块进行融合，得到融合后的多个图分块。
根据本公开的一个或多个实施例，示例9提供了一种图神经网络生成装置，所述装置包括：
第一获取模块，被配置为获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
第二获取模块，被配置为基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
融合模块，被配置为基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
训练模块，被配置为基于所述子图数据对图神经网络进行训练。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，多个所述内存包括图像处理器内存、中央处理器内存以及第一图存储服务器内存；所述第二获取模块进一步被配置为：
从多个所述节点的标识中确定与所述图像处理器内存关联的第一节点标识，并根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征；
在所述第一节点未包括多个所述节点的所有节点的情况下，从第一剩余节点的标识中确定与所述中央处理器内存关联的第二节点标识，并根据所述第二节点标识从所述中央处理器内存中获取第二节点的所述节点特征和所述第二节点连接的边的所述边特征；所述第一剩余节点为多个所述节点除去所述第一节点后的节点；
在所述第一节点和所述第二节点未包括多个所述节点的所有节点的情况下，根据第二剩余节点的标识从所述第一图存储服务器内存中获取所述第二剩余节点的所述节点特征和所述第二剩余节点连接的边的所述边特征，所述第二剩余节点为多个所述节点除去所述第一节点和所述第二节点后的节点。
根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述图像处理器内存包括多个；所述第二获取模块进一步被配置为：
确定与多个所述图像处理器内存中各个所述图像处理器内存中关联的所述第一节点标识，并使用多个线程通过线程队列从各个所述图像处理器内存中获取对应的第一节点的所述节点特征及该第一节点连接的边的所述边特征。
根据本公开的一个或多个实施例，示例12提供了示例9的装置，所述第一获取模块进一步被配置为：
基于采样器从第二图存储服务器内存中获取所述子图结构；所述第二图存储服务器内存中存储有多个子图结构；
所述子图结构的节点特征以及边特征是预先提取并缓存到多个所述内存中的。
根据本公开的一个或多个实施例，示例13提供了示例12的装置，所述系统还可以包括图切分模块，所述图切分模块被配置为：
根据宽度优先搜索算法将全图切分为多个图分块，每个所述图分块包括对应数量的所述节点和该节点连接的边；
将多个所述图分块分配给多个图分片；
基于所述全图对多个所述图分片中每个包括的所述图分块进行结构还原，确定多个所述子图结构。
根据本公开的一个或多个实施例，示例14提供了示例13的装置，所述图切分模块进一步被配置为：
根据预设顺序将多个所述图分块分配给多个图分片；
交换多个所述图分片各自的所述图分块的信息，将具备关联关系的所述图分块调整至同一所述图分片中，得到调整后的多个所述图分片。
根据本公开的一个或多个实施例，示例15提供了示例13的装置，所述图切分模块进一步被配置为：
将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，得到融合后的多个图分块，所述其他图分块为多个所述图分块中除去所述第一目标图分块后的图分块。
根据本公开的一个或多个实施例，示例16提供了示例13的装置，所述图切分模块进一步被配置为：
确定多个所述图分块中节点数量小于第二预设阈值的第二目标图分块，以及节点数量大于第三预设阈值的第三目标图分块；所述第三预设阈值大于所述第二预设阈值；
在所述第二目标图分块与所述第三目标图分块具备关联关系的情况下，将所述第二目标图分块与所述第三目标图分块进行融合，得到融合后的多个图分块。
根据本公开的一个或多个实施例，示例17提供一种图神经网络生成系统，所述系统包括：图切分装置和多个模型训练装置，所述图切分装置用于执行示例5-8中任一项所述方法的步骤，以得到多个子图结构并将多个所述子图结构加载至第二图存储服务器内存中；多个所述模型训练装置中的每个用于执行示例1-4中任一项所述方法的步骤，以对图神经网络进行训练。
根据本公开的一个或多个实施例，示例18提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例19提供一种电子设备，包括：
存储装置，其上存储有一个或多个计算机程序；
一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现示例1-8中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (12)

1.一种图神经网络生成方法，其特征在于，所述方法包括：
获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
基于所述子图数据对图神经网络进行训练。
2.根据权利要求1所述的图神经网络生成方法，其特征在于，多个所述内存包括图像处理器内存、中央处理器内存以及第一图存储服务器内存；所述基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征，包括：
从多个所述节点的标识中确定与所述图像处理器内存关联的第一节点标识，并根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征；
在所述第一节点未包括多个所述节点的所有节点的情况下，从第一剩余节点的标识中确定与所述中央处理器内存关联的第二节点标识，并根据所述第二节点标识从所述中央处理器内存中获取第二节点的所述节点特征和所述第二节点连接的边的所述边特征；所述第一剩余节点为多个所述节点除去所述第一节点后的节点；
在所述第一节点和所述第二节点未包括多个所述节点的所有节点的情况下，根据第二剩余节点的标识从所述第一图存储服务器内存中获取所述第二剩余节点的所述节点特征和所述第二剩余节点连接的边的所述边特征，所述第二剩余节点为多个所述节点除去所述第一节点和所述第二节点后的节点。
3.根据权利要求2所述的图神经网络生成方法，其特征在于，所述图像处理器内存包括多个；所述根据所述第一节点标识从所述图像处理器内存中获取第一节点的所述节点特征和所述第一节点连接的边的所述边特征，包括：
确定与多个所述图像处理器内存中各个所述图像处理器内存中关联的所述第一节点标识，并使用多个线程通过线程队列从各个所述图像处理器内存中获取对应的第一节点的所述节点特征及该第一节点连接的边的所述边特征。
4.根据权利要求1所述的图神经网络生成方法，其特征在于，所述获取子图结构，包括：
基于采样器从第二图存储服务器内存中获取所述子图结构；所述第二图存储服务器内存中存储有多个子图结构；
所述子图结构的节点特征以及边特征是预先提取并缓存到多个所述内存中的。
5.根据权利要求4所述的图神经网络生成方法，其特征在于，所述多个子图结构是通过如下方式得到的：
根据宽度优先搜索算法将全图切分为多个图分块，每个所述图分块包括对应数量的所述节点和该节点连接的边；
将多个所述图分块分配给多个图分片；
基于所述全图对多个所述图分片中每个包括的所述图分块进行结构还原，确定多个所述子图结构。
6.根据权利要求5所述的图神经网络生成方法，其特征在于，所述将多个所述图分块分配给多个图分片，包括：
根据预设顺序将多个所述图分块分配给多个图分片；
交换多个所述图分片各自的所述图分块的信息，将具备关联关系的所述图分块调整至同一所述图分片中，得到调整后的多个所述图分片。
7.根据权利要求5所述的图神经网络生成方法，其特征在于，在所述将多个所述图分块分配给多个图分片之前，所述方法还包括：
将节点数量小于第一预设阈值的第一目标图分块与其他图分块进行融合，得到融合后的多个图分块，所述其他图分块为多个所述图分块中除去所述第一目标图分块后的图分块。
8.根据权利要求5所述的图神经网络生成方法，其特征在于，在所述将多个所述图分块分配给多个图分片之前，所述方法还包括：
确定多个所述图分块中节点数量小于第二预设阈值的第二目标图分块，以及节点数量大于第三预设阈值的第三目标图分块；所述第三预设阈值大于所述第二预设阈值；
在所述第二目标图分块与所述第三目标图分块具备关联关系的情况下，将所述第二目标图分块与所述第三目标图分块进行融合，得到融合后的多个图分块。
9.一种图神经网络生成装置，其特征在于，所述装置包括：
第一获取模块，被配置为获取子图结构，所述子图结构用于反映对应的子图的图谱结构，所述子图包括多个节点和多个节点之间的边；
第二获取模块，被配置为基于所述子图结构，根据预设优先级从多个内存中获取多个所述节点的节点特征和所述边的边特征；所述预设优先级是将多个所述内存按照内存大小从小到大排序得到的；
融合模块，被配置为基于所述子图结构对多个所述节点的所述节点特征和所述边的所述边特征进行融合，得到子图数据；
训练模块，被配置为基于所述子图数据对图神经网络进行训练。
10.一种图神经网络生成系统，其特征在于，所述系统包括：图切分装置和多个模型训练装置，所述图切分装置用于执行权利要求5-8中任一项所述方法的步骤，以得到多个子图结构并将多个所述子图结构加载至第二图存储服务器内存中；多个所述模型训练装置中的每个用于执行权利要求1-4中任一项所述方法的步骤，以对图神经网络进行训练。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
12.一种电子设备，其特征在于，包括：
存储装置，其上存储有一个或多个计算机程序；
一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202111474450.0A 2021-12-02 2021-12-02 图神经网络生成方法、装置、系统、介质以及电子设备 Pending CN114139684A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111474450.0A CN114139684A (zh) 2021-12-02 2021-12-02 图神经网络生成方法、装置、系统、介质以及电子设备
EP22901924.5A EP4425353A2 (en) 2021-12-02 2022-11-04 Graph neural network generation method, apparatus and system, medium and electronic device
PCT/SG2022/050798 WO2023101598A2 (zh) 2021-12-02 2022-11-04 图神经网络生成方法、装置、系统、介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111474450.0A CN114139684A (zh) 2021-12-02 2021-12-02 图神经网络生成方法、装置、系统、介质以及电子设备

Publications (1)

Publication Number Publication Date
CN114139684A true CN114139684A (zh) 2022-03-04

Family

ID=80383854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111474450.0A Pending CN114139684A (zh) 2021-12-02 2021-12-02 图神经网络生成方法、装置、系统、介质以及电子设备

Country Status (3)

Country Link
EP (1) EP4425353A2 (zh)
CN (1) CN114139684A (zh)
WO (1) WO2023101598A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221976A (zh) * 2022-08-18 2022-10-21 抖音视界有限公司 一种基于图神经网络的模型训练方法及装置
CN115759233A (zh) * 2022-11-24 2023-03-07 北京百度网讯科技有限公司 模型的训练方法、图数据处理方法、装置及电子设备
CN117235032A (zh) * 2023-11-08 2023-12-15 支付宝(杭州)信息技术有限公司 一种分布式链接预测方法及装置
CN117576125A (zh) * 2024-01-16 2024-02-20 芯瞳半导体技术(山东)有限公司 一种神经网络计算图的分割方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609312B (zh) * 2012-01-10 2015-08-19 中国科学技术大学苏州研究院 基于公平性考虑的短作业优先内存请求调度方法
CN110321999B (zh) * 2018-03-30 2021-10-01 赛灵思电子科技(北京)有限公司 神经网络计算图优化方法
CN113703775B (zh) * 2021-08-31 2023-11-28 上海阵量智能科技有限公司 一种编译方法、装置、设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221976A (zh) * 2022-08-18 2022-10-21 抖音视界有限公司 一种基于图神经网络的模型训练方法及装置
CN115221976B (zh) * 2022-08-18 2024-05-24 抖音视界有限公司 一种基于图神经网络的模型训练方法及装置
CN115759233A (zh) * 2022-11-24 2023-03-07 北京百度网讯科技有限公司 模型的训练方法、图数据处理方法、装置及电子设备
CN115759233B (zh) * 2022-11-24 2023-10-20 北京百度网讯科技有限公司 模型的训练方法、图数据处理方法、装置及电子设备
CN117235032A (zh) * 2023-11-08 2023-12-15 支付宝(杭州)信息技术有限公司 一种分布式链接预测方法及装置
CN117235032B (zh) * 2023-11-08 2024-01-05 支付宝(杭州)信息技术有限公司 一种分布式链接预测方法及装置
CN117576125A (zh) * 2024-01-16 2024-02-20 芯瞳半导体技术(山东)有限公司 一种神经网络计算图的分割方法、装置、设备及存储介质
CN117576125B (zh) * 2024-01-16 2024-04-16 芯瞳半导体技术(山东)有限公司 一种神经网络计算图的分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP4425353A2 (en) 2024-09-04
WO2023101598A3 (zh) 2023-07-27
WO2023101598A2 (zh) 2023-06-08

Similar Documents

Publication Publication Date Title
CN114139684A (zh) 图神经网络生成方法、装置、系统、介质以及电子设备
US11106567B2 (en) Combinatoric set completion through unique test case generation
US20200242013A1 (en) Champion test case generation
US9275422B2 (en) Distributed k-core view materialization and maintenance for graphs
CN110058936B (zh) 用于确定专用处理资源的资源量的方法、设备和计算机程序产品
US11792293B2 (en) Systems and methods for data processing
CN109508326B (zh) 用于处理数据的方法、装置和系统
CN111274241B (zh) 用于并行处理地图数据的方法和装置
CN112015816A (zh) 数据同步方法、装置、介质及电子设备
CN111726352B (zh) 可视化监测探针状态的方法、装置、计算机设备和介质
CN111274455B (zh) 图数据处理方法、装置、电子设备及计算机可读介质
CN115203210A (zh) 哈希表处理方法、装置、设备及计算机可读存储介质
US10897514B2 (en) Methods, devices, and computer program products for processing target data
CN111414343B (zh) 日志写入方法、装置、电子设备和介质
CN114697206B (zh) 物联网节点管理方法、装置、设备和计算机可读介质
CN112732979B (zh) 信息写入方法、装置、电子设备和计算机可读介质
CN115002196A (zh) 一种数据处理方法、装置、车端采集设备
CN107749065A (zh) 基于cuda的vibe背景建模方法
CN113157695A (zh) 数据处理方法、装置、可读介质及电子设备
CN113297274A (zh) 一种签收数据查询方法和系统
CN113760570A (zh) 数据处理方法、装置、电子设备、系统和存储介质
CN115759233B (zh) 模型的训练方法、图数据处理方法、装置及电子设备
CN111582482B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115936095B (zh) 一种参数梯度同步方法、装置、设备及存储介质
He et al. Accelerating Sample-based GNN Training by Feature Caching on GPUs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination