介绍

项目地址：https://github.com/alibaba/graph-learn

阿里巴巴近期开源了面向图神经网络（GNN）的框架Graph-Learn（GL，原AliGraph）。框架由阿里内部团队研发，研发同学分别来自计算平台事业部-PAI团队，新零售智能引擎事业群-智能计算实验室，以及安全部-数据与算法团队。

GL旨在降低GNN应用落地的成本，加速整个GNN生态的迭代。阿里内部早在几年前就开始了GNN相关的探索，从研究到实际落地积累了很多有价值的经验，我们把这些经验通过GL逐渐传递出来，希望能对相关从业者有所帮助。

GL面向工业场景而设计，为当下主流GNN算法提供了基础运行框架。由于起源于工业界，GL天然支持大规模图数据、异构图、属性图等十分必要但棘手、而当下深度学习框架（TensorFlow、PyTorch等）又不擅长的问题。同时，考虑到上层NN极具面向业务定制化的特点，GL支持与任意python接口的深度学习框架结合。GL框架轻便灵活，内部模块都预留了充足的扩展空间，方便基于不同的场景进行定制。同时，GL内置了基于TensorFlow实现的各类GNN模型和编程接口，供复用和参考。

设计理念

GNN是当下AI领域中非常热门的子领域，被研究者给予了很高的期待。在一切皆向量的深度学习中，我们希望融入更多的知识，使得深度学习由感知学习迈向认知学习。人类的知识在计算机中依托于图结构而存在，这也是为什么要融合Graph和Neural Network的缘由。

从深度学习过渡到GNN，作为开发者，我们深知落地一个GNN算法的难点在哪里，阻碍GNN被大范围应用的环节是什么。我们也知道GNN虽热，但也并不像每个人说的那么好，应用场景的拓宽、算法理论的变化、编程范式的变化都可能带来平台的变化甚至颠覆，面对这些不确定性，平台该做什么。

我们将这些摸爬滚打的经验积累下来，融入到GL，无论是对GL的直接用户，还是参考GL做类似系统设计的同学，希望有所助益。只有更多人了解GNN，玩的起GNN，由感知到认知的跨越才不会是一句空话。

GL遵循轻便易用的原则，充分保留内部子模块的扩展性，并兼容开源生态。概括来讲包括：轻量可移植，模块可扩展，接口可复用，生态可兼容。

轻量可移植

和主流深度学习框架一样，GL平台代码由C++写成，Linux系统下，所有支持C++11的编译器都可以对源码进行编译打包，所依赖的几个外部库也都是开源社区广为人知的。第一次编译过程由于下载外部依赖，需要大概几分钟，后续每次开发编译打包只需秒级，部署成本很低。GL可运行于物理机，也可运行于Docker内，也可基于阿里云的ACK服务一键拉起，确保分布式的机器间网络连通即可。

模块可扩展

系统内部实现高度模块化，每个模块都可独立扩展。可扩展给系统足够的弹性，以适应未来发展的不确定性，以及和不同运行环境的适配。可扩展也为广大开发者提供自由伸缩的空间，快速进行原型验证，而不局限于系统当前提供的功能。

存储模块，抽象了FileSystem和Storage两层，如需扩展自定义存储，一般只需实现FileSystem接口即可，或者通过实现Storage接口直接外接其他图存储系统。Partition模块，定义了数据如何在分布式Server间分布，以及一个分布式计算请求如何正确的转发，新的Partition策略（例如某种更适合业务场景的图切分）只需扩展该模块即可。计算模块，由一个个算子组成，算子可自定义。算子被框架分布式执行，每个算子定义的计算根据指定的Partition策略进行转发，并可通过资源的形式访问全局存储。目前内置的算子种类包括：Sampling，Negative Sampling，Aggregation，Graph Traverse，Graph Query，Graph Update。RPC模块，解耦于其他模块，只负责请求的收发，很容易对接其他RPC框架。Naming模块，用于分布式地址发现，可方便对接不同的调度环境。

接口可复用

接口可复用体现在两个方面：向后兼容与功能扩展。兼容性不言而喻，很多开发者受困于版本更新后的接口兼容问题。功能扩展，一般的做法是新增API，意味着在用户能关注到的基础上带来学习成本。新增API对用户的困扰相对小于兼容性，但API增加也带来庞大的系统维护成本。在GNN快速迭代的当下，功能扩展几乎时刻都在发生，比如新增一种图采样算法，而向后兼容更是由于应用场景和算法更迭带来的变化而不容易做到，我们尽可能使得当这些变化发生时，对用户的损失最小。

GL通过提高User Interface的抽象程度，来降低上述风险。我们发现很多GNN研究者都有图的背景，因为对Gremlin或多或少有了解。Gremlin是一种抽象的图查询语言，Gremlin之于Graph，类似SQL之于Table。GL设计了一套Gremlin-Like的python接口，接口内部会翻译成各种算子实现，每新增一种算子，只需改变接口对应的参数即可。例如，用户随机采样某种顶点的邻居，当新增一种采样算法时，只需改动如下：

import graphlearn as gl g = gl.Graph() # sample 10 neighbors for each node in this batch by random sampler g.V("vertex_type").shuffle().batch(512).outV("edge_type").sample(10).by("random") # sample 10 neighbors for each node in this batch by new sampler g.V("vertex_type").shuffle().batch(512).outV("edge_type").sample(10).by("new")

在GNN模型编程接口方面，我们也进行了一定程度的抽象，且提供了诸多可供参考示例。

生态可兼容

GL提供python形式的用户接口，结果以NumPy形式呈现，易于上手。此外，GL可与当下主流的深度学习框架，如TensorFlow、PyTorch等配套使用，丰富上层NN的表达能力。在一个e2e的GNN应用场景中，GL和深度学习框架之间有良好的互补关系，把计算交给擅长的框架，Graph->GL，Numeric->TensorFlow、PyTorch，这也是我们一贯的原则。

取得成果

GL已在阿里集团内数十个场景落地，包括搜索推荐、安全风控、新零售、知识图谱等。GL日常任务数据为规模达百亿级边、十亿级顶点的异构图，且包含百余个混合类型属性。相比之前通过大数据计算任务（如Map-Reduce）把图数据处理成可供深度学习框架使用的样本的方式，每个模型日均可节省万CPU时（core x hour）算力、百TB存储，从GNN算法开发到上线的周期被缩短到原来的1/3，而且带来了显著业务效果的提升。此外，GL获得2019世界人工智能大会SAIL先锋奖。

安全风控

• 垃圾注册识别：保持准确率的情况下，垃圾账号识别率提升10-15%
• 淘系假货识别：保持准确率的情况下，假货商品识别率提升10%
• 闲鱼垃圾评论识别：保持准确率的情况下，覆盖率提升16%
• 恶意评价识别：保持准确率的情况下，恶意评价识别率提升7%
• 恶意买家识别：保持准确率的情况下，恶意买家识别率提升15%

搜索推荐

• 淘宝主题推荐业务，CTR提升15%
• 购后信息流推荐业务，DPV提升2%

发表文献

• AliGraph: A Comprehensive Graph Neural Network Platform. VLDB, 2019.
• Representation Learning for Attributed Multiplex Heterogeneous Network. KDD, 2019.
• Is a Single Vector Enough? Exploring Node Polysemy for Network Embedding. KDD, 2019.
• Towards Knowledge-Based Personalized Product Description Generation in E-commerce. KDD, 2019.
• Large Scale Evolving Graphs with Burst Detection. IJCAI, 2019.
• Hierarchical Representation Learning for Bipartite Graphs. IJCAI, 2019.
• Cognitive Graph for Multi-Hop Reading Comprehension at Scale. ACL, 2019.

未来规划

围绕GL，我们未来会在以下几个方面投入精力。GL良好的扩展性，也使得未来存在更多的想象空间。

新硬件

以图像为代表的应用催化了GPU的发展，可以预见，Graph作为实际生产中最广泛的数据格式，与NN的结合，也会引发更多从硬件角度追求卓越性能的思考。目前阿里内部已经在这方面开始了探索。

新算法

近年来GNN算法相关的paper主要在GCN框架下做延伸，编程方式比较固定，目前或多或少遇到了一些瓶颈。我们也开始在算法理论上尝试做一些创新，GL的易用和可扩展会助力这一过程。

新业务

GNN覆盖的业务非常广，也会带来很多意想不到的效果。当前落地的应用主要集中在了少数大公司内，还没有普及开来。GL的开源也希望能够助力相关从业者，共同扩大GNN的生态。

欢迎感兴趣的同学加入我们: kun.zhao@alibaba-inc.com 。
更多文章请关注开源项目，地址：https://github.com/alibaba/graph-learn
本文作者：赵昆