一种图神经网络时序模型在工业化场景上的实践探索

©原创作者 | 小欣

原标题：异步传播注意力图神经网络（APAN）简介，一种图神经网络时序模型在工业化场景上的实践探索

01 图神经网络在工业场景上的瓶颈

传统的图模型通常执行两个串行操作：首先是图查询，然后是模型推理，由于查询 k-hop 邻居的时间复杂度比较大，很多图算法在时序神经网络模型中无法执行快速推理，因此，极大地限制了图算法的工业化推广。

为了解决这个问题，来自上海交通大学的团队和蚂蚁金融的团队，联合提出了异步传播注意力图神经网络算法（APAN），该算法将模型推理和图计算解耦，使得图计算独立执行而不会影响模型推理的速度。

通过多次试验测试，在相同的环境下，模型推理的速度比传统方法提升了8.7倍。

下面来给小伙伴们做一下简单的介绍吧！

02 异步传播注意力神经网络（APAN）的算法介绍

图神经网络（GNN）是当前流流行的事物复杂网络关系的一种神经网络结构，通常由节点和边组成。G = { V,E} V代表图中节点的集合，E代表图中边的集合。

在实际应用中，如何对图形建模，并将数据表示为低维嵌入向量，已成为学者研究的关键问题。

到目前为止，大部分图神经网络的工作，如DeepWalk和SAGE，都是假定图本身是静态的，这就意味着图结构是固定的，且和时间是无关的。

然而，在大部分实际的生活场景中，图网络是动态的，节点和边可以随着时间变化而改变，甚至连节点的属性也会发生变化。

例如