GLE的设计¶
GLE（图学习引擎）是一个用于大规模开发和实现图神经网络的分布式框架。GLE已成功应用于网络安全、知识图谱和搜索推荐等多种场景。它支持批量图上的采样，并支持离线或增量式GNN模型训练。GLE提供具有Python和C++接口的图采样操作，以及类似Gremlin的GSL（图采样语言）接口。GLE为GNN模型提供模型开发范式与流程，并与TensorFlow和PyTorch兼容。它提供数据层和模型层接口，以及多个模型示例。
模型范式¶
大多数图神经网络(GNN)算法遵循消息传递或邻居聚合的计算范式，部分框架和论文将消息传递过程划分为聚合(aggregate)、更新(update)等步骤。但在实际应用中，不同GNN算法所需的具体计算过程并不完全相同。
在实际工业应用中，图的规模通常较大且图节点与边上的特征较为复杂（可能同时包含离散和连续特征），因此无法直接在原始图上进行消息传递/邻居聚合。一种可行且高效的方法是基于采样的思想，先从图中采样出一个子图，再基于该子图进行计算。采样出子图后，会先对该子图的节点和边特征进行预处理并统一处理成向量形式，之后便可基于该子图进行高效的消息传递计算。
总结来说，我们将图神经网络的范式归纳为三个阶段：子图采样、特征预处理和消息传递。
子图采样: 子图通过GraphLearn提供的GSL采样获得，该功能提供图数据遍历、邻居采样、负采样等功能。
特征预处理: 对节点和边的原始特征进行预处理，例如离散特征的向量化（嵌入查找）。
消息传递: 通过图的拓扑关系进行特征的聚合与更新。
根据子图采样中的邻居采样算子与消息传递中神经网络算子的差异，我们将子图组织为EgoGraph或SubGraph格式。EgoGraph由中心对象ego及其固定大小的邻居组成，是一种密集的组织格式。SubGraph是更通用的子图组织格式，由节点、边特征和边索引（由边的行索引和列索引组成的二维数组）构成，通常使用全邻居。基于SubGraph的卷积层通常使用稀疏神经网络算子。EgoGraph指的是由ego（中心节点）和k跳邻居组成的子图；SubGraph指的是用节点、边和edge_index表示的广义子图。
接下来，我们将介绍基于EgoGraph和SubGraph的两种不同计算范式。
基于EgoGraph的节点中心聚合¶
EgoGraph由中心节点(ego)和邻居节点组成，消息聚合路径由中心节点与邻居节点之间的潜在关系决定。k跳邻居只需聚合k+1跳邻居的消息，整个消息传递过程沿着从邻居指向自身的定向元路径进行。在这种方法中，采样的邻居跳数与神经网络层数需要完全一致。下图展示了GNNs的2跳邻居模型计算过程：原始节点向量记为h(0)；第一层前向传播需要将2跳邻居聚合到1跳邻居，再将1跳邻居聚合到中心节点，不同跳数的邻居类型可能不同，因此第一层需要两个不同的卷积层（对于同构图，这两个卷积层相同），第一层处理后节点特征更新为h(1)作为第二层输入；在第二层需要聚合1跳邻居的h(1)来更新中心节点特征，最终输出的节点特征h(2)即为最终输出的中心节点嵌入表示。
基于子图的消息传递¶
与EgoGraph不同，SubGraph包含了图拓扑的edge_index，因此消息传递路径（前向计算路径）可以直接由edge_index确定，卷积层的实现可以直接通过edge_index和节点/边数据来完成。此外，SubGraph与PyG中的Data完全兼容，因此可以复用PyG的模型部分。
学习流程¶
一个GNN训练/预测任务通常包含以下步骤。
使用GraphLearn的第一步是根据应用场景准备图数据。图数据以顶点表和边表的形式存在，一个应用场景通常会涉及多种类型的顶点和边。这些可以通过GraphLearn提供的接口逐一添加。图数据的构建是该过程中的关键部分，因为它决定了算法学习的上限。生成合理的边数据并选择与业务目标一致的特征非常重要。
图构建完成后，需要从图中采样以获取训练样本。建议使用GraphLearn Sample Language (GSL)来构建样本查询。GSL可以利用GraphLearn的异步多线程缓存采样查询功能，高效生成训练样本流。
GSL的输出为Numpy格式，而基于TensorFlow或PyTorch的模型需要张量格式的数据。因此，首先需要进行数据格式转换。此外，原始图数据的特征可能较为复杂，无法直接用于模型训练。例如，"id=123456, age=28, city=Beijing"等明文形式的节点特征需要通过嵌入查找处理为连续特征。GraphLearn提供了便捷的接口将原始数据转换为向量格式，在添加顶点或边数据源时，必须明确描述向量化后每个特征的类型、值空间和维度。
在GNN模型构建方面，GraphLearn封装了基于EgoGraph的层和模型，以及基于SubGraph的层和模型。在选择了适合需求的模型范式后，这些组件可用于构建GNN模型。该模型以EgoGraph或BatchGraph（小批量SubGraph）作为输入，并输出节点的嵌入表示。
在获取顶点的嵌入向量后，需要根据具体场景设计损失函数。常见场景可分为两大类：节点分类和链接预测。对于链接预测任务，所需输入包括"源顶点嵌入向量、目标顶点嵌入向量、负采样目标顶点嵌入向量"，输出结果为损失值。该损失值通过训练器迭代优化。GraphLearn封装了一些常见损失函数，可在"常用损失函数"章节查阅。