超大规模图神经网络架构

1、超大规模图神经网络架构技术创新，变革未来Contents 目录01 背景和挑战02 算法仓库03 未来背景和挑战New Future on Cloud01OPER T$NG SYSTEMCLOUD COMPUT$NGD T TECHNOLOGYTE MOnline and Mobile Commerce PlatformBUYERSSELLERSM&rket-ngF-n&nc-ng & P&yment Solut-onProfess-on&l Serv-ce Prov-dersD-g-t&l Entert&-nmentLog-st-csMob-le BrowserLoc&t-on B&sedW

2、eiboSoc-&l Med-&阿里巴巴数字经济体必要性重要性图是众多大数据 问题的解0G案传统的预测模型 是只考虑了一阶 邻居的图计算传统的深度学习 已经成熟GNN可以解0 认知计算和可解 释性，被誉为人 工智能2.0目标函数是总体 优2高阶N本的引. 使得模型具有更 多探索性和鲁棒 性灵活性为什么是图神经网络？四大挑战时序 空间复杂属性 归纳模型大数据 维度升高计算复杂存储效能异构性多维度空间模型分析效能Embedding hGNN模型框架GNN模型分类c知b算U型AKU型基础e用UHS+mplingMulti EdgeDyn+mic Upd+tingHeterogeneousAttrib

3、utedMixture GNNHier+rchic+l GNNGr+ph to Text Gener+tionGr+ph to Video Recommend+tionGNN for Knowledge TLB+yesi+n GNNGener+tive GNNDyn+mic GNNGNN+Knowledge Gr+ph搜索推荐LGf控E统行BRNd产算V组Da决STAliGr+phM览算法仓库New Future on Cloud02有代表性采样和负采样借鉴O要性采样思想从)ode-(+e拓展到batch-(+e开发类型依赖和融合算E计算复杂度从O(|E|+|V|）显著 降低到O(|V|）采样

4、多层次 MultiplexR,pr,s,2tatio2 L,ar2i2g for Attribut,d Mu1tip1,x H,t,rog,2,ous N,t9or0, KDD 2 19Transductive Model:Inductive Model:多峰GNNIs a S2n0le Ve,to9 Enou01? Explo92n0 Node Pol?sem? fo9 Netwo9k Embedd2n0, KDD 2 19层次GNNH0,rarch0ca1 R,pr,s,2tat0o2 L,ar202g for B0part0t, Graphs, IJCAI 2 19动态GNNLarge S,a1e E9o1902g Graphs w0th Burst Dete,t0o2, IJCAI 2 19贝叶斯GNNRef2n2n0 Repre9entat2on by Inte0rat2n0 Knowle-0e Grap19 an- Be1av2or 9pe,2f2, Network9, CIKM 2019认知计算T2wards K12wl,d-, Bas,d P,rs21ali9,d Pr2duct D,scripti21 G,1,rati21 i1 E c200,rc, KDD 2019Cogn191v- Grap0 for Mu291 Hop R-a,1ng Compr