【斯坦福CS224W】图神经网络工业应用-AliGraph，84页ppt

相比CNN、RNN等成熟技术而言，GNN还处于探索阶段，Graph之于GNN，不如图像之于CNN、自然语言之于RNN那样理所当然。即便有Graph数据，如何使用GNN没有可遵循的固定模式，更没有沉淀下来的类似卷积一样的算子可直接调用。GNN的有效性需要更多的场景去验证，而每一个场景都需要开发者的深入理解，开发者有能力处理Graph数据和编写之上的深度学习模型。有了百花齐放的应用场景做铺垫，才有可能抽象出共性的GNN算子和算法，再将这些相对成熟的能力赋给使用者，GNN才会真正的推广开来。出于这些考虑，比起开发一个成熟算法供用户使用，平台当前阶段会更侧重提供API给开发者，让开发者有能力贴近自己的场景去实现GNN。

另一方面，工业场景中的Graph数据十分复杂，而且数据量巨大。平台不能脱离场景而独立存在，必须以业务为驱动，才最可能孵化出有实际价值的产品。以阿里巴巴的电商推荐场景为例，每天的产生的图数据多达几百TB，而且高度异构（多种类型的顶点、多种类型的边），顶点和边具有丰富的属性，诸如商品的名称、类目、价格区间，甚至是其关联的图像、视频等，这些属性以明文存在而非已经向量化好的结构化信息。以这样的数据为输入，如何高效的进行GNN训练是一个非常有挑战的问题。如果使用数据预处理、预训练等手段把Graph数据结构化、向量化，会耗费大量的计算资源、存储资源和人力成本。真正对GNN开发者友好的平台，应该是端到端的，在一套IDE里，用户既可以操作复杂的Graph数据，又可以将数据与深度神经网络对接，自由编写上层模型。平台提供简单灵活的接口，满足GNN高速发展所需的可扩展性与生态的兼容性，和针对复杂的分布式环境的大规模与稳定性。

Graph-Learn(GL，原AliGraph) 是面向大规模图神经网络的研发和应用而设计的一款分布式框架， 它从实际问题出发，提炼和抽象了一套适合于当下图神经网络模型的编程范式， 并已经成功应用在阿里巴巴内部的诸如搜索推荐、网络安全、知识图谱等众多场景。

斯坦福CS224W《图机器学习》2021课程开始了！Jure Leskovec大牛主讲，附课程PPT下载