圖神經網路（GNN）已在推薦系統中廣泛採用。在處理大型圖時，GNN 可能會遇到源自多層訊息傳遞操作的可擴展性問題。因此，近年來，縮放 GNN 已成為一個重要的研究領域，並提出了許多縮放策略。

為了促進 GNN 推薦的研究，許多開源推薦函式庫已將 GNN 作為關鍵模型類別。然而，在處理大型圖時，大多數現有庫仍然存在兩個限制。

第一個是對擴展策略考慮不夠。大多數函式庫僅實作特定的 GNN 演算法，而不考慮擴展策略。第二個限制是缺乏大型圖處理優化。許多官方模型實作忽略了某些編碼細節，導致處理大型圖時出現縮放問題。

為了解決這些問題，黃洪和金海領導的研究小組發表了他們的研究成果。新研究2024 年 3 月 14 日計算機科學前沿。

團隊提出了一個名為 XGCN 的基於 Python 的函式庫，以幫助使用者在單機環境中快速建置和運行大規模 GNN。該庫支援各種擴展策略，提供大型圖的最佳化實現，並具有易於使用的運行和開發介面。

具體來說，XGCN 總共包括 16 個嵌入模型，涵蓋了廣泛的類型：從淺層模型到常見的 GNN，具有三種主流的縮放策略：基於層採樣、基於解耦和基於聚類的方法。它在模型的實現中融入了優化，例如一組 Numba 加速操作函數，使它們更適合大型圖。詳細的使用指導文件和模型還提供了運行腳本。透過使用不同規模的資料集（從 15 萬個節點到 300 萬個節點）進行實驗來評估經典圖卷積操作的幾種不同實現。

據觀察，現有的實作往往會遇到記憶體不足的問題，而 XGCN 總是展現出卓越的時間和記憶體效率。

更多資訊：Xiran Song 等人，XGCN：大規模圖神經網路推薦庫，計算機科學前沿（2024）。DOI：10.1007/s11704-024-3803-z

提供者：前沿期刊