最近几年，图模型受到的关注越来越多。在图模型的视角下，数据被定义为由节点和节点间的关系（或边）构成的网络。这种结构在现实中具有强大的表现力，比如在社交场景下，可以将人与人之间的关系定义成图，再比如在电商场景下，将人与商品之间关系定义成图。相对传统的算法模型，图模型能够有效的提取数据的结构化特征，使得它无论是作为独立的应用还是其他模型的补充，都具有巨大的潜力。
图 1
虽然图模型如此之重要，已有的开源框架往往都只能支持小规模数据集，因而难以在实际应用中使用，而Euler的定位正在于此。由于支持分布式图加载和训练，Euler能够应用于相当规模的图（根据Github上公开的文档显示，其在实际生产环境下支持的图规模已经达到数十亿节点之多）。
从架构上看，Euler大致分为两个部分，即图引擎和tensorflow worker，如下所示。
图 2
其中图引擎以分片的形式加载图数据，以rpc接口的形式供worker进程读取，而worker进程则负责训练模型。值得一提的是，图引擎部分对图算法中最为常用的图数据读取操作（如近邻采样，全局采样，特征提取等）进行了良好的封装，使得大部分情况下（不排除部分算法需要对图引擎进行扩展）使用者可以仅仅关注算法模型层面的扩展，在保证性能的前提下大大提升了开发的效率。
网友评论