Facebook开源了超大规模图嵌入算法,上亿个节点也能快速完成
本文经AI新媒体量子位(公家号ID:QbitAI)授权转载,转载请接洽出处。 图,是很有效的数据布局,用节点 (Node) 和边 (Edge) 织成一张网。好比,常识图谱就是这样的网。 处理赏罚这样的数据,要用到图嵌入 (Graph Embedding) :把高维的收集,转换成低维的向量。处理赏罚之后,呆板进修模子才气等闲食用。 假如像上图这样,只有几个节点,十几条边,图嵌入没什么难度。 假若有几十亿个节点,几万亿条边呢?传统的图嵌入要领就捉急了。 但此刻,Facebook开源了叫做PyTorch-BigGraph (简称PBG) 的新器材。 有了它,再大的图 (原文是arbitrarily large,恣意大) 都能快速天生图嵌入。并且,完全不必要GPU。 开源模子除了可以本身实习之外,尚有拿7,800万节点的Wikidata数据预实习过的模子,可以直接下载来用。 PBG颁发之后,小搭档们纷纷奔走相告: LeCun先生还亲身转发了两次。 怎样养成 PBG是一个漫衍式体系,用1.2亿个节点的完备FreeBase常识图谱来实习的。 实习进程中,PBG会吃进图上全部边 (Edge) 的大列表,每条边都是用它两头的节点来界说,一个是源 (Source) ,一个是方针 (Target) 。界说中也有两点之间的相关 (Relation Type) 。 然后,PBG给每一个节点,输出一个特性向量 (就是嵌入) ,让两个相邻的节点在向量空间中离得近一些,让不相邻节点的离远一些。 这样一来,那些周围情形漫衍临近的节点,在向量空间里的位置也会互相接近,图本来要表达的意思就保存下来了。 其它,针对每种差异的相关,“近似度得分 (Proximity Score) ”都可以定制差异的计较要领。这样,一个节点的嵌入,,就可以在差异种类的相关里共享了。 快一点,再快一点 要快速处理赏罚大局限的图数据,PBG用了这几个术数:
实习完成之后,在FB15k、Youtube、LiveJournal等等图谱上,都测试过。 团队说,PBG和大先进们的图嵌入质量相等,但必要的时刻明明收缩了。 你也试一试吧 你也去实习一个PBG吧。 横竖,也不消GPU。 不想实习的话,尚有效完备WikiData预实习的模子。 你必要的传送门,都在这里了。 代码传送门: https://github.com/facebookresearch/PyTorch-BigGraph 食用索引: https://torchbiggraph.readthedocs.io/en/latest/ 论文传送门: https://arxiv.org/abs/1903.12287 博客传送门: https://ai.facebook.com/blog/open-sourcing-pytorch-biggraph-for-faster-embeddings-of-extremely-large-graphs/ 【编辑保举】
点赞 0 (编辑:河北网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |