OSCHINA-MIRROR/mirrors-GraphVite

GraphVite — быстрое и масштабное встраивание графов

GraphVite представляет собой инструмент для быстрого и масштабного встраивания графов.

Docs | Tutorials | Benchmarks | Pre-trained Models

GraphVite предоставляет комплексные инструменты для обучения и оценки в трёх областях применения:

встраивание узлов;
встраивание знаний в граф;
визуализация графов и многомерных данных.

Кроме того, GraphVite включает 9 популярных моделей с их бенчмарками на множестве стандартных наборов данных.

Встраивание узлов	Встраивание знаний в граф	Визуализация графов и многомерных данных

Далее представлено сравнение времени обучения GraphVite с лучшими реализациями с открытым исходным кодом для трёх областей применения. Все результаты получены на сервере с 24 потоками CPU и 4 графическими процессорами V100.

Время обучения для встраивания узлов на наборе данных Youtube

Модель	Существующая реализация	GraphVite	Ускорение
DeepWalk	1,64 часа (параллельное выполнение на CPU)[1]	1,19 минуты	82,9x
LINE	1,39 часа (параллельное выполнение на CPU)[2]	1,17 минуты	71,4x
node2vec	24,4 часа (параллельное выполнение на CPU)[3]	4,39 минуты	334x

Youtube: http://conferences.sigcomm.org/imc/2007/papers/imc170.pdf DeepWalk: https://arxiv.org/pdf/1403.6652.pdf LINE: https://arxiv.org/pdf/1503.03578.pdf node2vec: https://www.kdd.org/kdd2016/papers/files/rfp0218-groverA.pdf [1]: https://github.com/phanein/deepwalk [2]: https://github.com/tangjianpku/LINE [3]: https://github.com/aditya-grover/node2vec

Время обучения / оценки для встраивания знаний в граф на наборе данных FB15k

Модель	Существующая реализация	GraphVite	Ускорение
TransE	1,31 часа / 1,75 минуты (1 GPU) [3]	13,5 минут / 54,3 секунды	5,82x / 1,93x
RotatE	3,69 часа / 4,19 минуты (1 GPU) [4]	28,1 минут / 55,8 секунды	7,88x / 4,50x

FB15k: http://papers.nips.cc/paper/5071-translating-embeddings-for-modeling-multi-relational-data.pdf TransE: http://papers.nips.cc/paper/5071-translating-embeddings-for-modeling-multi-relational-data.pdf RotatE: https://arxiv.org/pdf/1902.10197.pdf [3]: https://github.com/DeepGraphLearning/KnowledgeGraphEmbedding [4]: https://github.com/DeepGraphLearning/KnowledgeGraphEmbedding

Время обучения для визуализации многомерных данных на наборе данных MNIST

Модель	Существующая реализация	GraphVite	Ускорение
LargeVis	15,3 минуты (параллельное выполнение на CPU) [5]	13,9 секунды	66,8x

MNIST: http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf LargeVis: https://arxiv.orgorg/pdf/1602.00370.pdf [5]: https://github.com/lferry007/LargeVis

Требования

В целом, GraphVite работает на любом дистрибутиве Linux с CUDA >= 9.2.

Библиотека совместима с Python 2.7 и 3.6/3.7.

Установка

Из Conda

conda