用于图神经网络处理的系统、计算设备及存储介质技术方案

本申请实施例提供一种用于图神经网络处理的系统、计算设备及存储介质。在本申请实施例中，该系统包括：执行组件，执行组件包括：图处理组件，用于获取样本图数据以及样本节点选择方式，并根据样本节点选择方式从样本图数据中确定第一节点与第二节点之间的关联关系，第一节点是指样本节点中的待处理节点，第二节点是指样本节点中用于处理第一节点的其它节点；神经网络处理组件，用于获取关联关系，基于确定的关联关系，对第二节点的信息进行聚合，并更新第一节点的信息，以用于图神经网络模型的训练过程。从而使得能够灵活地兼容多种不同类型的图神经网络模型。型的图神经网络模型。型的图神经网络模型。

【技术实现步骤摘要】
用于图神经网络处理的系统、计算设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种用于图神经网络处理的系统、一种图神经网络的训练方法、计算设备及存储介质。

技术介绍

[0002]随着深度学习技术的飞速发展，各种类型的图神经网络算法被提出并应用到真实的场景中。其中，图神经网络算法是将传统的神经网络算法技术应用于图数据上的一种算法技术。在图神经网络算法中，图中的每个节点不断地搜集其邻居的信息并聚合，最后图中的每个节点都得到一个低维度的向量表示。其中，图神经网络算法可以应用到知识图谱，推荐系统以及生命科学等场景。然而，为了使算法设计人员灵活方便地表达图神经网络算法，多种图神经网络系统已经被开发出来，且将多种类型的图神经网络算法应用到场景中。但目前图神经网络系统仅仅能支持一种类型的图神经网络算法并应用到场景中，不能够灵活地支持多种类型的图神经网络算法。

技术实现思路

[0003]本申请的多个方面提供一种用于图神经网络处理的系统、计算设备及存储介质，用以能够灵活地支持多种图神经网络模型的训练。
[0004]本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于图神经网络处理的系统，其特征在于，用于对样本图数据进行处理，所述样本图数据包括多个样本节点以及多个样本节点之间的关联关系，所述多个样本节点包括第一节点以及第二节点，所述系统包括：执行组件，所述执行组件包括：图处理组件，用于获取样本图数据以及样本节点选择方式，并根据样本节点选择方式从所述样本图数据中确定第一节点与第二节点之间的关联关系，所述第一节点是指所述样本节点中的待处理节点，所述第二节点是指所述样本节点中用于处理所述第一节点的其它节点；神经网络处理组件，用于获取所述关联关系，基于确定的关联关系，对所述第二节点的信息进行聚合，并更新所述第一节点的信息，以用于图神经网络模型的训练过程。2.根据权利要求1所述的系统，其特征在于，所述系统还包括：接口组件；所述接口组件，用于获取用户自定义函数，所述用户自定义函数用于进行所述关联关系的确定、对所述第二节点的信息进行聚合以及更新，以用于图神经网络模型的训练过程；所述执行组件，基于所述接口组件，获取所述用户自定义函数，并将所述用户自定义函数转换为与所述神经网络处理组件对应的执行内容、以及与所述图处理组件对应的执行内容，以使得所述神经网络处理组件以及图处理组件根据对应的执行内容，来实现所述图神经网络模型的训练。3.根据权利要求2所述的系统，其特征在于，所述神经网络处理组件，用于通过所述用户自定义函数对应的执行内容，确定对应的聚合函数，并根据所述聚合函数确定聚合方式，以使基于确定的关联关系，对所述第二节点的信息进行聚合。4.根据权利要求2所述的系统，其特征在于，所述神经网络处理组件，用于通过所述用户自定义函数对应的执行内容，确定对应的更新方式，以使根据所述更新方式更新第一节点的信息，以用于所述图神经网络模型进行训练。5.根据权利要求1所述的系统，其特征在于，所述系统还包括：负载处理组件；负载处理组件，用于基于所述图处理组件，获取样本图数据中的第一节点以及所述第一节点基于样本节点选择方式确定的对应关联关系，并根据样本图数据中的第一节点，以及所述第一节点基于样本节点选择方式确定的对应关联关系，确定基于第一节点对应的训练负载；所述负载处理组件，用于基于所述第一节点对应的训练负载，对所述样本图数据进行负载均衡划分，并将划分后的样本图数据分发至用于训练所述图神经网络模型的设备。6.根据权利要求5所述的系统，其特征在于，所述负载处理组件，用于基于所述第一节点对应的训练负载，以及在划分所述样本图数据的情况下所划分掉的关联关系数量，对...

【专利技术属性】
技术研发人员：王磊，尹强，田超，于文渊，杨健邦，周靖人，
申请(专利权)人：阿里巴巴新加坡控股有限公司，
类型：发明
国别省市：