Las redes neuronales gráficas (GNN) han obtenido una adopción generalizada en los sistemas de recomendación.Cuando se trata de procesar gráficos grandes, los GNN pueden encontrar problemas de escalabilidad derivados de sus operaciones de paso de mensajes multicapa.En consecuencia, el escalamiento de las GNN se ha convertido en un área de investigación crucial en los últimos años, y se han propuesto numerosas estrategias de escalamiento.

Para promover el estudio de las recomendaciones de GNN, varias bibliotecas de recomendaciones de código abierto han incorporado las GNN como una categoría de modelo clave.Sin embargo, cuando se trata de gráficos grandes, la mayoría de las bibliotecas existentes todavía tienen dos limitaciones.

El primero es la consideración inadecuada de las estrategias de escalamiento.La mayoría de las bibliotecas solo implementan algoritmos GNN específicos sin tener en cuenta las estrategias de escalado.La segunda limitación es la falta de optimizaciones de procesamiento de gráficos grandes.Muchas implementaciones de modelos oficiales pasan por alto ciertos detalles de codificación, lo que genera problemas de escala al procesar gráficos grandes.

Para resolver estos problemas, un equipo de investigación dirigido por Hong Huang y Hai Jin publicó sunueva investigaciónel 14 de marzo de 2024 enFronteras de la informática.

El equipo propuso una biblioteca basada en Python llamada XGCN para ayudar a los usuarios a construir y ejecutar rápidamente GNN a gran escala en un entorno de una sola máquina.La biblioteca admite varias estrategias de escalado, ofrece implementaciones optimizadas para gráficos grandes y tiene una interfaz fácil de usar para ejecución y desarrollo.

Específicamente, XGCN incluye 16 modelos de incrustación en total, que cubren un amplio espectro de tipos: desde modelos poco profundos hasta GNN comunes con tres tipos de estrategias de escalamiento convencionales: métodos basados ​​en muestreo de capas, basados ​​en desacoplamiento y basados ​​en clustering.Incorpora optimizaciones en la implementación de modelos, como un conjunto de funciones de operación aceleradas por Numba, lo que los hace más adecuados para gráficos grandes.Documentos detallados para orientación de uso ymodeloTambién se proporcionan scripts en ejecución.Se realizan experimentos para evaluar varias implementaciones diferentes de una operación de convolución de gráfico clásica mediante el uso de conjuntos de datos de diferentes escalas, que van desde 0,15 millones de nodos hasta 3 millones de nodos.

Se observa que las implementaciones existentes tienden a experimentar problemas de falta de memoria, mientras que XGCN muestra consistentemente una eficiencia superior en tiempo y memoria.

Más información:Xiran Song et al, XGCN: una biblioteca para recomendaciones de redes neuronales gráficas a gran escala,Fronteras de la informática(2024).DOI: 10.1007/s11704-024-3803-z

Proporcionado porRevistas de fronteras