GNN+DGL落地项目中的挑战和思考

GNN+DGL落地项目中的挑战和思考

在2021年6月亚马逊云科技 Community Day 上，张建老师做的题为《图神经网络和DGL在实际落地项目中的挑战和思考》的Talk，本篇笔记是对B站上该Talk视频的摘要和理解，详见up主【亚马逊云科技】

GNN+DGL落地项目中很多问题和挑战在学术圈看不见，但是机器学习实践者、开发工程师们需要考虑这些问题。下面从四个方面介绍GNN+DGL落地项目的挑战和思考~

一、数据（你的图的信息足够丰富吗？）

学术圈里的图数据：Cora、Citeseer、PubMed（三大垃圾数据）

现实世界里的图数据：非常稀疏、标签数据少

图数据的信息决定了模型性能的上限，模型只是去无限趋近这个天花板。

请社区一起思考：

• 什么是图信息？
• 如何衡量“信息”？
• 信息值能指导GNN吗？
• 那还要不要搞图？

二、模型（什么情况下GNN模型更有优势？）

模型的设计空间很大；如何对应具体的业务问题；是不是一定要MP…

xGboost：基于特征的模型需要输入样本有特征，但是现实世界中，很多样本是没有特征的。

• 大量的节点是无特征的
• 有连接节点GNN即可用

请社区一起思考：

• 不同GNN模型的适用性是什么？
• 点/边的特征怎么用？
• 是不是一定要用GNN？
• 如何组合GNN和其他模型？

三、速度（图模型能做实时推断？）

实时推断有两个层面的要求

Transductive模式：在训练阶段，要被预测的节点/边已经存在于图中，训练的节点可以“看到”这些节点/边。

Inductive模式：需要预测的节点在训练阶段并不在图中，训练出的模型需要适用于预测阶段的图结构。

批次预测：在推断时，按照一定的窗口，把新出现的节点/边和部分已经存在的节点/边合成一个新图。

实时预测：需要预测节点/边加入已经存在的图，并抽取出它们的N跳子图用于预测。

整个过程：数据管道 -> 数据存储 -> 数据抽取 -> 模型推断 -> 结果分析

请社区一起思考：

• 现有的数据管道适合图信息构建吗？
• 现有图数据库的增和查够快吗？
• 实时图算法解决方案的架构如何设计？
• 对图数据，有没有实时流式方法？

四、解释（图模型结果怎么解释？）

可解释性几乎是“刚需”

学术界图模型解释的论文很少，半工业界也很少，都是选取可以讲故事的图进行解释，实际应用效果差。

请社区一起思考：

• GNN模型和结果能解释吗？
• 有什么图分析工具可以用来帮助解释？
• 分析师、算法工程师、数据科学家，谁来解释？

参考资料：

【1】B站视频：图神经网络和DGL在实际落地项目中的挑战和思考